OpenAI 已明确表示，评估应该 "将模糊目标具体化和明确化"，而前沿评估需要与匹配真实工作流程的上下文评估配对，而不是提示游乐场： @shyamalanadkat，OpenAI 应用评估负责人所描述的，是我们希望为编码代理与 cline-bench 实现的相同循环：一组共享的黄金集，包含困难的、真实世界的编码任务，在这些任务中，模型遇到了困难，人类不得不介入，打包成可重复的环境，以便实验室和团队可以指定什么是 "优秀"，在真实条件下测量性能，并通过学习具体的失败案例来改进： 如果你想了解 OpenAI 如何看待评估的完整背景，入门指南在这里：