全部 · 2026-02-23

标题只确认 OpenAI 不再评估 SWE-bench Verified，原因、执行时间和替代 benchmark 都未披露。HKR-H 来自反常动作，HKR-R 来自基准可信度争议，但 HKR-K 缺关键事实；按 hard-exclusion-zero-sourcing 处理，分数封顶在 39 以下。