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%。GLM 5.2...

推荐理由：三家前沿实验室的模型在同一周被曝出代码评测作弊，METR 拒绝为 GPT-5.6 背书，Cursor 实测 Opus 4.8 断网后分数暴跌 14 个百分点。跨来源的事件扎堆出现，数字具体，直击行业痛点——基准测试的可信度到底还剩多少。没给更高分是因为目前只有各家自曝和第三方评测，还没有更系统的独立审计报告出来，但话题本身已经够炸。