別急著用 GPT-5 編程了，可能它能力沒有你想象中那么強。
有人發現，官方測試編程能力用的 SWE-bench Verified，但貨不對板，只用了 477 個問題。
什么意思呢？我們知道，SWE-bench 是評估模型 / 智能體自主編程能力的一個通用且常用的指標。而 SWE-bench Verified 作為它的子集，本來一共有 500 個問題。
現在相當于 OpenAI 自行省略的那 23 個問題，自己搞了個子集的“子集”來評估模型能力。
而如果這些題默認零分，那么得分實際上是比 Claude Opus 4.1 還要低的。因為現在僅有 0.4% 的差距。
OpenAI 這種自行忽略 23 道題的操作，已經不是第一次了。
早在 GPT-4.1 發布時就信誓旦旦地說，之所以忽略是因為這些問題的解決方案無法在他們的基礎設施運行。
離譜了朋友們！要知道 SWE-bench Verified 這個 OpenAI 自己提的，理由也是因為 SWE-bench 無法系統評估模型的編程能力，所以決定自己再提煉一個子集。
現在又因為測試題無法正常運行，所以自行又搞了個子集的“子集”。
本來以為 GPT-5 直播里出現圖表錯誤已經夠離譜了，結果現在告訴我這里面的成績可能還有假？
已經開始有網友發現，GPT-5 能力并不比 Claude 4.1 Opus 好多少。
現在來看，這個官方給的結果或許根本沒有參考價值。
網友們除了自行忽略部分測試題，“偽造了結果”這一發現外，還發現，他們是將具有最大思維努力的 GPT-5 與沒有擴展思維僅靠原始模型輸出的 Opus 4.1 進行比較。這種比較實際上沒有參考意義。
而他們之所以只使用 477 個問題來測試，理由也跟 GPT-4.1 發布時一樣，因為他們內部的基礎設施運行不了剩下的 23 個問題。
今年 4 月份發布 GPT-4.1 時，在同一基準僅使用 477 個問題下得得分在 54.6%。
當時官方還指出，如果保守地將這些問題的得分定為 0，那么 54.6% 的得分就變成了 52.1%。即便是這樣，這個數值放在當時也是最高的。
而 Anthropic 這邊，其實也已經發現了 OpenAI 這個操作。
就在 Claude Opus 4.1 發布公布編程成績之時，在文章的末尾有這么一句話。
對于 Claude 4 系列模型，他們繼續使用相同的簡單框架，該框架僅為模型配備了兩種工具 —— 一個 Bash 工具和一個通過字符串替換進行文件編輯的工具，并且不再包含 Claude 3.7 Sonnet 中使用的第三個“規劃工具”。
并在最后注明：在所有 Claude 4 模型中，他們報告的分數基于完整的 500 個問題。OpenAI 模型的得分基于 477 道問題的子集進行報告。
如果說，SWE-bench Verified 還是 OpenAI 自己提的基準，那這件事就更離譜了。
這不就相當于自己搬起石頭砸自己的腳啦嘛。
當時啊還是因為類似的原因 —— 他們測試發現 SWE-bench 的一些任務可能難以解決甚至無法解決，導致 SWE-bench 無法系統性評估模型的自主編程能力。
于是乎，他們決定與 SWE-bench 的作者合作，決定弄出個新版本，希望能夠提供更準確的評估。
他們共同發起了一項人工注釋活動，共有 93 位資深程序員參與進來，以篩選 SWE-bench 測試集每個樣本，從而獲得適當范圍的單元測試和明確指定的問題描述。
他們隨機抽取了 1699 個樣本，然后基于統一標準來進行標注。
比如，問題描述是否明確？每個注釋都有一個標簽，范圍從 [0, 1, 2, 3]，嚴重程度依次遞增。
標簽 0 和 1 表示輕微；標簽 2 和 3 表示嚴重，表示樣本在某些方面存在缺陷，應予以丟棄。
此外，我們還會評估每個示例的難度，方法是讓注釋者估算開發人員確定并實現解決方案所需的時間。
最終得到了 500 個經過驗證的樣本，并且按照難度對數據集進行細分。“簡單”子集包含 196 個小于 15 分鐘的修復任務，而“困難”子集包含 45 個大于 1 小時的任務。
結果現在這個子集又被 OpenAI 縮減了。
One More Thing不過，還是有個總榜單或許值得參考，就是那個最原始的 SWE-bench。
在這個榜單中，Claude 4 Opus 還是占據著領先位置。
GPT-5 也已經發過好一陣了，不知道你有沒有這樣類似的編程體驗呀？歡迎在評論區與我們分享。
參考鏈接：
[1]https://www.swebench.com/
[2]https://openai.com/index/introducing-gpt-5/
[3]https://www.anthropic.com/news/claude-opus-4-1
[4]https://x.com/SemiAnalysis_/status/1955028150217478177
[5]https://x.com/DavidOndrej1/status/1954158161721487482
本文來自微信公眾號：量子位（ID：QbitAI），作者：白交，原標題《GPT-5 編程成績有貓膩！自刪 23 道測試題，關鍵基準還是自己提的》
本文鏈接：http://www.tebozhan.com/showinfo-45-26086-0.htmlOpenAI GPT-5 編程成績有貓膩：自刪 23 道測試題，關鍵基準還是自己提的
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號
