OpenAIによる「SWE-Bench Pro」の調査結果が報告されました。AIのコーディング能力を測るこのベンチマークにおいて、評価タスクの約30％が正当に評価できない問題を含んでいることが判明しました。
OpenAIが「SWE-Bench Proの約30％が壊れている」と報告、AIのコーディング能力を測るベンチマークに大量の不備
編集メモ: AIのコーディング能力測定指標に不備が見つかった事実は、ベンチマークスコアを盲信せず、自社のユースケースに適した評価手法を独自に検証する重要性を示しています。
