为什么 SWE-bench Verified 不再能衡量前沿编码能力

OpenAI 审计发现，SWE-bench Verified 存在大量测试用例缺陷与训练数据污染：被审计问题中至少 59.4% 的测试会拒绝功能正确的解法，且所有前沿模型都能复现出参考补丁，因此 OpenAI 已停止报告该基准成绩，建议改用 SWE-bench Pro。