OpenAI 挑战 AI 评测基准 SWE-Bench Pro：约 30% 存在评测缺陷

OpenAI 昨日（7 月 8 日）发布博文，挑战行业权威评测基准 SWE-Bench Pro，认为在 731 个公开测试任务中，约 30% 存在评测缺陷。