别急着用GPT-5编程了，可能它能力没有你想象中那么强。
有人发现，官方测试编程能力用的SWE-bench Verified，但货不对板，只用了477个问题。
什么意思呢？我们知道，SWE-bench是评估模型/智能体自主编程能力的一个通用且常用的指标。而SWE-bench Verified作为它的子集，本来一共有500个问题。
现在相当于OpenAI自行省略的那23个问题，自己搞了个子集的“子集”来评估模型能力。
而如果这些题默认零分，那么得分实际上是比Claude Opus 4.1还要低的。因为现在仅有0.4%的差距。
OpenAI这种自行忽略23道题的操作，已经不是第一次了。
早在GPT-4.1发布时就信誓旦旦地说，之所以忽略是因为这些问题的解决方案无法在他们的基础设施运行。
离谱了朋友们！要知道SWE-bench Verified这个OpenAI自己提的，理由也是因为SWE-bench无法系统评估模型的编程能力，所以决定自己再提炼一个子集。
现在又因为测试题无法正常运行，所以自行又搞了个子集的“子集”。
本来以为GPT-5直播里出现图表错误已经够离谱了，结果现在告诉我这里面的成绩可能还有假？
OpenAI一直省略23个问题
已经开始有网友发现，GPT-5能力并不比Claude 4.1 Opus好多少。
现在来看，这个官方给的结果或许根本没有参考价值。
网友们除了自行忽略部分测试题，“伪造了结果”这一发现外，还发现，他们是将具有最大思维努力的GPT-5与没有扩展思维仅靠原始模型输出的Opus 4.1进行比较。这种比较实际上没有参考意义。
而他们之所以只使用477个问题来测试，理由也跟GPT-4.1发布时一样，因为他们内部的基础设施运行不了剩下的23个问题。
今年4月份发布GPT-4.1时，在同一基准仅使用477个问题下得得分在54.6%。
当时官方还指出，如果保守地将这些问题的得分定为 0，那么54.6%的得分就变成了52.1%。即便是这样，这个数值放在当时也是最高的。
而Anthropic这边，其实也已经发现了OpenAI这个操作。
就在Claude Opus 4.1发布公布编程成绩之时，在文章的末尾有这么一句话。
对于Claude 4系列模型，他们继续使用相同的简单框架，该框架仅为模型配备了两种工具——一个Bash工具和一个通过字符串替换进行文件编辑的工具，并且不再包含Claude 3.7 Sonnet中使用的第三个“规划工具”。
并在最后注明：在所有Claude 4模型中，他们报告的分数基于完整的500个问题。OpenAI模型的得分基于477道问题的子集进行报告。
基准还是OpenAI自己提的
如果说，SWE-bench Verified还是OpenAI自己提的基准，那这件事就更离谱了。
这不就相当于自己搬起石头砸自己的脚啦嘛。
当时啊还是因为类似的原因——他们测试发现SWE-bench的一些任务可能难以解决甚至无法解决，导致SWE-bench无法系统性评估模型的自主编程能力。
于是乎，他们决定与SWE-bench的作者合作，决定弄出个新版本，希望能够提供更准确的评估。
他们共同发起了一项人工注释活动，共有93位资深程序员参与进来，以筛选SWE-bench测试集每个样本，从而获得适当范围的单元测试和明确指定的问题描述。
他们随机抽取了1699个样本，然后基于统一标准来进行标注。
比如，问题描述是否明确？每个注释都有一个标签，范围从 [0, 1, 2, 3]，严重程度依次递增。
标签0和1 表示轻微；标签2和3表示严重，表示样本在某些方面存在缺陷，应予以丢弃。
此外，我们还会评估每个示例的难度，方法是让注释者估算开发人员确定并实现解决方案所需的时间。
最终得到了500个经过验证的样本，并且按照难度对数据集进行细分。“简单”子集包含196个小于15分钟的修复任务，而“困难”子集包含 45 个大于 1 小时的任务。
结果现在这个子集又被OpenAI缩减了。
One More Thing
不过，还是有个总榜单或许值得参考，就是那个最原始的SWE-bench。
在这个榜单中，Claude 4 Opus还是占据着领先位置。
GPT-5也已经发过好一阵了，不知道你有没有这样类似的编程体验呀？欢迎在评论区与我们分享。
