待验证50% 置信观点精确时间

SWE-bench存在训练数据泄露风险、评测沙箱与生产环境依赖复杂度差距、以及无法反映代码可维护性与安全性等局限

1

来源数

50%

置信度

长期有效

时效性

2026/9/23

首次发现

来源

MiMo 2.6全量实测：开源榜第一是刷出来的吗？

涉及实体

SWE-benchconcept

相关事实

待验证危险能力评估中测试集的覆盖度、更新频率和保密性之间存在天然张力：过于公开的测试集会被纳入训练数据而失效，过于保密的测试缺乏同行评议可信度75% 相似待验证模型层安全约束（对齐训练、系统提示词、输出过滤器）都面临越狱风险，精心构造的提示词可以绕过这些约束73% 相似待验证任何安全工具都面临安全性与可用性之间的权衡，过于严格的拦截规则可能阻断正常开发工作流73% 相似待验证基准测试存在数据污染、与特定技术栈偏差、无法衡量代码可维护性等软性指标的局限73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/943488

API

curl https://kongchang.com/api/v1/knowledge/claims/943488

MCP

get_claim(id=943488)