תורדת מידה : האם הדינמיקה של שיפוט תוכנה מתעכבת?

סקירה חדשה מטעם OpenAI חושפת בעיות ב-SWE-Bench Pro, מדד קוד נהדר ומוכשר לניסויים, מה שמביא למינימום פוטנציאל נכון וטוב בהערכה של מודלים אלקטרוניים.

מקור: OpenAI News — לכתבה המלאה