**微软开发者博客：为何公开基准测试无法预测 AI 编码模型的实际表现**

_Are new OpenAI models getting better for coding?_

> 微软开发者博客指出，SWE-bench 等公开基准测试存在“古德哈特定律”效应，模型往往针对特定评测集优化，导致高分与实际业务场景表现脱节。文章强调，基准测试无法涵盖私有 SDK、团队编码规范及扩展堆栈等特定上下文，建议开发者在选型时基于自身技术栈进行独立评估，而非仅依赖排行榜分数。

**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：行业
- **发布时间**：2026-09-30 03:49（北京时间）
- **原文**：[打开原文](https://developer.microsoft.com/blog/what-ai-benchmarks-are-not-telling-you)