benchmarking

OpenAI tilkynnti á þriðjudag að þeir væru að draga til baka meðmæli sín með SWE-Bench Pro sem áreiðanlegan mælikvarða á forritunargetu gervigreindar. Þeir vísa til innri úttektar sem leiddi í ljós að um 30% verkefna í viðmiðunarprófinu eru gölluð og…