涨价潮已经波及到猫狗

SWE-bench满分，0个bug修复：伯克利造了个专门作弊的AI_蜘蛛资讯网

还有一个问题：能力评测和安全评测用的是类似的技术架构。如果能力评测能被注水，安全评测凭什么幸免？能hack编程评测的模型，hack对齐评测也不会更难。OpenAI今年2月已经宣布停用SWE-bench Verified，内部审计发现59.4%的被审计问题存在有缺陷的测试，模型在用有bug的标准来衡量。所有被测的前沿模型（GPT-5.2、Claude Opus 4.5、Gemini 3 Flash）

当前文章：http://e63c2.taoqelun.cn/ggc/cu8.html

发布时间：13:44:15