Pawel Huryn 指出编程基准测试中 29 个历史 bug 至今无模型修复

Pawel Huryn 指出，某个编程基准测试的历次运行中仍有 29 个 bug 从未被任何模型修复。新模型确实能在真实环境里修掉一些 bug，但往往是在他或其他用户先在应用中发现之后。这凸显了当前 AI 修 bug 能力的边界：基准里的顽固 bug 长期无人攻克，模型修复常依赖人工先行发现与验证。