תנאי פיקוח בקוד: האם הערכת AI נכונה?

OpenAI פרסם מחקר חדש שמצביע על בעיות ב-SWE-Bench Pro, מאתר קוד מקובל, שאולי לא מדויק. מה שמכריע אותנו ביחס להערכות של מודלים AI.

מקור: OpenAI News — לכתבה המלאה