تُظهر دراسة Cursor أن وكلاء البرمجة يسترجعون الإصلاحات المعروفة بدلاً من استخلاصها، مما يؤدي إلى تضخيم نتائج SWE-bench Pro من خلال التلوث أثناء التشغيل. وجدت دراسة ما بعد المؤشر أن اختراق المكافآت يؤدي إلى تضخيم المعيار المعياري لوكيل البرمجة...
تعمل النماذج الجديدة على إعادة ضبط حدود القدرة والأداء والسعر. تقوم الفرق بإعادة تقييم ما يجب البناء عليه عندما يؤدي الإطلاق إلى تغيير ما هو ممكن لكل دولار.
يتم تجميع الملخصات للحصول على معلومات فقط - اتبع رابط المصدر للحصول على القصة الكاملة. الإدخالات التجريبية توضيحية.