OpenAI推出SWE-bench Verified：现有框架低估模型软件工程能力

刚刚OpenAI 推出更可靠的代码生成评估基准：SWE-bench Verified。该基准是对现有SWE-bench 的改进版本（子集），旨在更可靠地评估AI模型解决现实世界软件问题的能力。

如今摆摊已经过去两个多月。11月14日晚，艾庆勇告诉上游新闻记者，相比做软件工程师，摆地摊卖提拉米苏，他能感到更多的快乐。艾庆勇觉得，人生不该被定义，他想与人打交道，而非整天面对冷冰冰的键盘。

OpenAI 于4 月 15 日凌晨顺势推出了三款 GPT-4.1 系列模型，不过，只能通过 API 用，不会直接出现在 ChatGPT 里。 GPT-4.1：旗舰模型，在编码、指令遵循和长上下文理解方面表现最佳，适用于复杂任务。 GPT-4.1 mini：小型高效模型，在多个基准测试中超越 GPT-4o，同时将延迟降低近一半，成本降低 83%，适合需要高效性能的场景。 GPT-4.1 nano：OpenAl 首个超小型模型，速度最快、......

Anthropic称，作为全球最佳编程模型，Claude Opus 4能在需要专注努力和数千步骤的长时间任务中保持稳定表现，电商乐天验证它可连续工作七小时；SWE-bench测评中，Claude Sonnet 4准确度72.7%，较Sonnet 3.7版的62.3%显著提升；Claude Code正式上线，得到两款Claude 4模型支持。

OpenAI将推出o3和精简版o3-mini。OpenAI评估显示，o3在软件工程测试中准确率比o1高近47%，竞赛数学测评的准确率比o1高15%，人类博士专家级生化物测试中准确率比o1高近13%；AGI相关测试中，o3最佳成绩87.5，超过人类水平门槛85，显示迈向类人智能取得突破。OpenAI计划明年初发布o3系列模型，CEO Altman暗示可能一段时间内都不会面向大众上线这类模型，称希望正式发布前，先有一个联邦政府的测试框架，指......