各大 AI 实验室引用的基准数字，被其创造者退役

文章称 OpenAI 审计了 SWE-bench Verified 中最难的 138 道题，发现 59.4% 存在问题，并进一步指出前沿模型评测中的更深层问题。该说法来自文章摘要，具体审计方法与数据需查阅原文核实。

AI推荐理由 涉及 SWE-bench Verified 基准的有效性问题：摘要称 OpenAI 审计最难的 138 道题，发现 59.4% 存在问题。该话题对模型评测与基准可信度有实际价值，但仅有摘要片段，具体审计方法与结论需查原文核实，且 Medium 平台文章权威性有限。