בדיקת קוד – האם מדידות נכונות בשימוש בייצור מודל?

אנליזת חדשה של OpenAI חושפת בעיות במדד SWE-Bench Pro, שנחשב למועשר בייצור מודל. הבעיה נוגעת למיטב הקוד של מודל AI, מה שיכול להשפיע על מדידות התוצאה.

מקור: OpenAI News — לכתבה המלאה