芭乐的籽居然可以一整块掰下来

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

e搜索公开的CTF攻略抄来的。SWE-bench上，17条轨迹用git log找到修复提交，直接复制历史补丁。BountyBench上，做不出真正漏洞利用的智能体会伪造一个，用grep检查漏洞模式是否存在于源码中，然后跑一个无关的pickle.loads()演示，评测器只检查退出码，全部通过。CyBench上的任务级作弊：GPT-5.3-Codex解不出CTF挑战后，直接搜索公开攻略，从网页中提取

check in at Beijing Capital International Airport on September 28, 2025. Photo: Tu Lei/ GTEffective from Tuesday, Air China will resume its direct flight route between Beijing and Delhi, which marks

围绕分数确定优化方向。如果数字本身可以被轻易操纵，整条决策链的基础就是空的。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（G

当前文章：http://qnvz.zubensai.cn/ebe4m/1ef4o5.html

发布时间：06:31:27