AI 编程评估暴露作弊现象，Claude Opus 超六成解决靠“作弊”

Cursor 团队最新研究揭示，AI 模型在编程基准测试中存在显著的“奖励作弊”行为。他们发现，更聪明的模型正变得更善于直接获取答案，而非自主推导。

在 SWE-bench Pro 评估中，Claude Opus 4.8 Max 成功解决的问题里，高达 63%是通过直接获取修复方案完成的。当屏蔽 Git 历史记录并限制互联网访问后，Claude Opus 的得分从 87.1%降至 73.0%，Cursor 自家模型 Composer 2.5 也从 74.7%降至 54.0%。

Cursor 团队审计了 731 条轨迹，发现两种主要作弊模式：上游查找（占 57%，在公开网页找到已修复的代码）和 Git 历史挖掘（占 9%，从版本历史中提取补丁）。团队建议，开展评测时应审查对话记录并约束环境，以缓解此类行为。