几天前，OpenAI发布会上，奥特曼宣布GPT-5登顶了，号称代码能力全球第一。
但发布会上搞了一个大乌龙，52.8＞69.1=30.8？
于是，OpenAI那些年薪上亿的天才们做的一张表格火遍了全世界（左边）。
虽然这张表格一开始在OpenAI的官博中是准确的，但是当面向全世界直播竟然搞了这么大一个Bug。
抛开乌龙外，更重要的但是被人们忽视的一个事情是，GPT-5在SWE-bench Verified基准上取得的74.9%的通过率。
这个分数略高于Anthropic的Claude Opus 4.1的74.5%。
这一下子，就让GPT-5成为当前软件工程任务基准上的领先模型。
但等等，这分数…好像有点猫腻啊。
OpenAI并未运行SWE-bench Verified的全部500道测试任务，而是略去了其中无法运行的23个任务，仅基于477个任务计算得分。
SemiAnalysis专门发帖提到这个问题。
Anthropic专门在它的博客里也「内涵」了这个问题。
SWE-bench Verified总共500道题，GPT-5只做了477道，那23道题，它直接跳过了！
而对手Claude呢？老老实实，500道题一道没落。
这下，性质全变了。
当然OpenAI是承认这件事情的。
他们从GPT-4.1开始就在「备注」里说明了：OpenAI的基础设施无法运行这23道题目。（好奇啊，什么样的题目，OpenAI的天才们竟然说无法运行）
如果将这23道无法运行的题目按0分计入，GPT-4.1的得分将从54.6%降至52.1%。
由此推测，GPT-5的74.9%，若也将那23道题视作全错，其实际全500题通过率约为71.4%（74.9%×477/500，注意这是极度简化的计算）明显低于Claude Opus 4.1基于500道题取得的74.5%
需要强调的是，那23个被略去的任务并非对GPT-5「无关紧要」。
相反，它们大多是Verified集中最困难的一批问题。
据第三方分析，在Verified数据集的「耗时>4小时」级别的任务中，绝大多数模型都无法解决任何一道。
模型在需要超过1小时才能完成的「较难」问题上表现显著下降。
只有ClaudeSonnet4（非思考模式）、o3和GPT4.1能够完成部分超过4小时的任务（各占33%）。
这些极端困难任务对模型的综合能力是严峻考验。
如果GPT-5无法运行这些任务，那么从全面能力上说，它可能尚未真正超越Claude 4.1。
在Anthropic提供的信息中，Claude 4.1很可能也尝试了这些任务（Anthropic并未声称其模型跳过任何Verified任务），因此其74.5%分数包含了所有难题的考验。
而GPT-5的74.9%则是在剔除了这些「拦路虎」后的结果。
这种差异引发的主要争议点在于：评测分数的可比性和报告方法的透明性。
甚至，就连作为裁判的SWE-bench Verified数据集，也是OpenAI自己搞的。
SemiAnalysis认为，要想「公平」的对比模型之间的成绩，或许swebench.com上的SWE-bench官方排行榜可能是对当前模型在此基准测试中表现的最清晰描述。
没有「验证」子集，工具使用受限（仅限bash），大部分脚手架内容是开放可见的。
在此前提下的基准测试中，5月14日的Claude 4 Opus检查点（67.6）表现是要优于GPT-5（65）的。
接下来的问题就是，什么是SWE-bench，什么又是「验证」子集，为啥要额外搞一个SWE-bench Verified？
SWE-bench：AI界的「程序员高考」
SWE-bench你可以把它想象成AI界的「程序员高考」。
考的，全是真实世界的代码难题。
想拿高分？不仅要修复bug。还不能引入新bug，这标准简直不要太严格。
曾几何时，AI们分数也就二三十分，惨不忍睹。
比如截至2024年8月5日，根据SWE-bench的排行榜，编码智能体在SWE-bench上最高得分20%。
在SWE-bench Lite上得分能稍微好点，达到43%。
但是现在的AI厉害了，基本上前十的模型都能超过50分。
OpenAI觉得SWE-bench太难了，一些任务甚至压根没法解决，从而没法很好的评估模型的能力。
简单介绍下SWE-bench
SWE-bench测试集中的每个样本均来自GitHub上12个开源Python存储库中的已解决GitHub问题。
每个样本都有一个相关的拉取请求（PR），其中包含解决方案代码和单元测试以验证代码的正确性。
这些单元测试在PR中的解决方案代码添加之前会失败，但添加之后会通过，因此被称为FAIL_TO_PASS测试。
每个样本还具有相关的PASS_TO_PASS测试，这些测试在PR合并前后都会通过，用于检查PR是否破坏了代码库中现有且不相关的功能。
对于SWE-bench中的每个样本，智能体将获得来自GitHub issue的原始文本，即问题描述，并可以访问代码库。
据此，智能体必须编辑代码库中的文件以解决问题。测试用例不会展示给智能体。
模型提出的修改编辑通过运行FAIL_TO_PASS和PASS_TO_PASS测试进行评估。
如果FAIL_TO_PASS测试通过，表明该模型解决了问题。
如果PASS_TO_PASS测试通过，则表明该编辑没有意外破坏代码库中不相关的部分。
只有当这两组测试全部通过后，该编辑才能彻底解决原始GitHub问题。
这就是上面所说的：不仅要修复bug，还不能引入新bug。
SWE-bench Verified：一个人工选出来的子集
SWE-bench Verified是SWE-bench基准的一个人类校验子集，于2024年8月由OpenAI与SWE-bench作者合作发布。
OpenAI与93名精通Python的软件开发人员合作，手动筛选SWE-bench样本的质量。
首先，给SWE-bench测试集的1699个随机样本「打分」。
四个分数：
0：问题描述清晰，对于成功解决所需的条件也很明确。
1：关于这个问题还有一些空白需要填写，但对于成功解决方案所需的内容，存在一种合理的解读方式。
2：该问题描述含糊，存在歧义空间，尚不清楚一个成功的解决方案应具备哪些特征。
3：在没有更多信息的情况下，几乎无法理解你需要做什么。
得分为2和3分的直接抛弃不要，只留0和1分的题目。
虽然这种方法会导致样本移除的误报率较高，但有助于提高对最终数据集样本质量的信心。
然后从0和1分的题目中再随机抽取500道，这就是最终的SWE-bench Verified。
说回分数，Claude考的是「全科」，OpenAI考的是「精选版」。
这成绩，怎么能直接比？数字背后的故事，更值得玩味。
在发布会图表画错的乌龙以外，这个被「掩盖」的事实似乎并没有引起太多人的注意。
甚至，我们可以阴谋论的猜测一下，OpenAI是不是故意而为之，用这个小小的乌龙，来掩盖SWE-Bench的分数？
毕竟，要想隐瞒一个真相，最好的做法不是否认它，而是用一个更大的「真相」去转移所有人的注意力。
