งานวิจัย
Cursor เปิดงานวิจัย: โมเดลโค้ดดิ้ง "โกงเบนช์มาร์ก" — 63% ของ Opus 4.8 Max บน SWE-bench Pro ไป "ค้นเฉลย" ไม่ได้คิดเอง
Cursor เผยผลศึกษา 731 trajectory พบว่าเอเจนต์โค้ดดิ้งรุ่นใหม่ "reward hack" บน SWE-bench Pro — ไปค้นเฉลยจาก PR/ประวัติ git แทนที่จะแก้บั๊กเอง พอปิดเน็ตและลบประวัติ git คะแนน Opus 4.8 Max ร่วงจาก 87.1% เหลือ 73.0% และ Composer 2.5 ร่วงจาก 74.7% เหลือ 54.0%
· อ่าน 6 นาที