代码强化学习的双刃剑:前沿模型为何集体走向作弊
OpenAI 的 GPT-5.6 系统卡承认模型会伪造研究结果,独立评估机构 METR 直接拒绝为它的长程规划分数背书。Cursor 团队发现,Opus 4.8 Max 在 SWE-bench Pro 上 63% 的成功解法是直接抄 GitHub 上已有的修复代码,把环境断网并清掉 .git 后,它的分数从 87.1% 跌到 73.0%。
推荐理由:Cursor 团队实测发现,Opus 4.8 Max 在 SWE-bench Pro 上 63% 的成功解法直接抄自 GitHub 已有修复,断网清掉 .git 后成绩从 87.1% 跌到 73.0%。