SWE-Flux 基準測試揭示大型語言模型在執行期推理上的困境
為什麼值得讀 大型語言模型在執行期行為方面仍顯薄弱。SWE-Flux 提供了一項嚴謹且自動化的基準測試，用於衡量模型在真實 Python 儲存庫中此方面的差距。
新推出的儲存庫層級基準測試 SWE-Flux 顯示，頂級大型語言模型在動態執行推理任務上的準確率僅達 37%，暴露出其在處理複雜程式碼執行邏輯時的顯著不足。
標籤 · #python
OpenAI 擴展 Habitat 儲存容量以每秒處理 7000 萬次請求
為什麼值得讀 透過接受 Python 的短期技術債來實現快速平台穩定性並解耦儲存邏輯，管理指數級增長的案例研究。
OpenAI 工程師詳述如何將基於 Python 的 Habitat 儲存平台擴展，以服務超過十億用戶並應對前所未有的增長。