OpenAI больше не будет использовать бенчмарк SWE-bench Verified для оценки способностей нейросетей в разработке ПО.
Исследователи обнаружили, что модели запоминали готовые решения, которые видели на GitHub. GPT‑5.2 решала 80% задач из этого набора тестов
vc.ru/ai/2756713