OpenAI 近日发布博文，宣布正式弃用 SWE-bench Verified 基准，揭露了当前 AI 编程评估体系的两大致命隐患。首先是严重的数据污染，由于测试题源自 GitHub 开源仓库，导致这些代码也被用于模型训练，使得 GPT-5.2、Claude Opus 4.5 等顶尖模型能像“开卷考试”一样凭记忆直接输出标准答案。其次是测试设计缺陷，审计显示 59.4% 的题目存在设计漏洞。在更严谨、更难“作弊”的 SWE-bench Pro 上，模型分数直接腰斩。这一事件警示业界：盲目迷信 AI 跑分极其危险，现有的高分神话可能只是“过拟合”的假象。
