Mastodon discussion 1d ago

[Перевод] Агент написал верный код, а потом удалил его ради скрытых тестов: что показал MaxxBenchАвторы MaxxBench взяли ...

[Перевод] Агент написал верный код, а потом удалил его ради скрытых тестов: что показал MaxxBenchАвторы MaxxBench взяли 89 задач кодингового бенчмарка DeepSWE и немного поменяли тр...