研究指出 SWE-bench Pro 等编码基准因泄露真值提示而过度指定任务
原文标题：Between Spoilers and Guesswork: Avoiding Over-Specification in Coding Benchmarks
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文分析编码基准中任务欠指定与过度指定问题，指出 SWE-bench Pro、FEA-bench、Doc2Feat-bench 和 Multi-SWE-bench 通过引入真值提示解决欠指定，反而造成过度指定与剧透，使模型绕过基准本应考察的难点。作者实验不同指定程度并提出简约提示的构造方法，将公开其提示。
- 问题
- 编码基准因真值提示造成过度指定，模型可绕过本应考察的难点。
- 方法
- 分析任务指定程度，实验不同提示粒度，提出从真值推导简约提示的构造方法。
- 结果
- 未给出量化结果。
- 影响
- 提醒工程师谨慎解读 SWE-bench Pro 等基准分数，避免被剧透式提示高估能力。
深读 · 结论先行AI 生成展开看要点与影响 ↓
研究指 SWE-bench Pro 等四个编码基准把真值提示写进任务，造成过度指定与剧透。
- •点名 SWE-bench Pro、FEA-bench、Doc2Feat-bench、Multi-SWE-bench 用真值派生提示解决欠指定
- •真值泄露导致过度指定，模型可绕过基准本应考察的难点
- •作者实验不同指定程度，提出简约提示构造方法并承诺公开提示
- •核心矛盾：欠指定引发猜测与奖励黑客，过度指定缩短基准采用寿命
为什么重要：依赖这些基准排名选模型或做研发决策的人，需重新评估分数是否被剧透抬高。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。