OpenAI descubre que alrededor del 30% de las tareas en el benchmark SWE-Bench Pro están rotas.

La empresa retira su recomendación anterior de adoptar el benchmark y insta a tener precaución al evaluar las capacidades de codificación de IA.

Generado por IA: resúmenes redactados por IA a partir de las fuentes enlazadas. Cómo usamos la IA