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？

OpenAI一直省略23個問題

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。

基準還是OpenAI自己提的

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。