TL;DR · 一句话结论

OpenAI 审计 SWE-Bench Pro 发现约 30% 的评测任务存在缺陷。这是一条「Agent自动化（Agents & Automation）」类 AI 信号，小雯机会评分 9.5/10，风险评分 3.6/10，数据源为 AI HOT / OpenAI：官网动态（RSS · 排除企业/客户案例）。

• 这是什么：OpenAI 对编码评测基准 SWE-Bench Pro 进行详细审计，发现约 30% 的任务存在缺陷。在 731 个任务的公开子集中，前沿模型通过率在八个月内从 23.3% 提升至 80.3%，但数据质量检查显示大量任务存在测试过于严格、提示词描述不足、测试覆盖不全或误导性提示等问题。OpenAI 建议模型开发者仔细审视评测结果，并指出 AI 智能体在规模化数据质量检查中日益增长的实用性。
• 为什么值得关注：Agent 的机会不在演示效果，而在权限、日志、异常处理和可交付 SOP。这条值得关注：OpenAI 审计 SWE-Bench Pro 发现约 30% 的评测任务存在缺陷
• 归类标签：Agents & Automation、OpenAI
• 首次收录：2026-07-09，累计出现 2 次