تصویر خبر OpenAI News · انگلیسی · اهمیت 85 OpenAI مشکلات SWE-Bench Pro را فاش کرد: آیا معیارهای ارزیابی کد قابل اعتماد هستند؟ هوش مصنوعیارزیابی مدلهاSWE-Bench ProOpenAI