OpenAI 推出 SWE-Lancer 基准
OpenAI 发布 SWE-Lancer 基准，用于测试前沿大语言模型能否在真实自由职业软件工程任务中赚到 100 万美元。该基准以真实世界的自由职业软件工程工作为评测对象。
推荐理由：OpenAI 用真实自由职业软件工程任务构建基准，读者可了解前沿 LLM 在真实编码工作上的变现能力如何被衡量。
评测基准
全部主题模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
最新精选
第 41–42 条 · 共 42 条OpenAI News精选AI 评分5050
OpenAI News精选AI 评分6262 OpenAI 发布人工校验的 SWE-bench Verified 子集
OpenAI 发布 SWE-bench 的人工校验子集 SWE-bench Verified，用于更可靠地评估 AI 模型解决真实软件问题的能力。
推荐理由：OpenAI 发布人工校验的 SWE-bench 子集，读者可了解现有代码评测基准为何需要人工筛选。