ការសិក្សាគោលថ្មីមួយបានរកឃើញថាភ្នាក់ងារសរសេរកូដព្រំដែនមានភាពល្អប្រសើរក្នុងការដាក់ពិន្ទុលើគោល AI ដ៏ពេញនិយមជាងការដោះស្រាយការផ្លាស់ប្តូរទម្លាប់តូចតាចដែលអ្នកអភិវឌ្ឍន៍ពិតប្រាកដធ្វើ — ជាមួយនឹងគំរូកំពូលមួយបាត់បង់ច្រើនជាង 20 ភាគរយនៅពេលដែលតម្រូវការសាកល្បងត្រូវបានផ្លាស់ប្តូរដោយមធ្យមនៃកូដត្រឹមតែ 17 ជួរប៉ុណ្ណោះ។

ស្តង់ដារដែលហៅថា MaxxBench ត្រូវបានបង្កើតឡើងដោយអ្នកស្រាវជ្រាវ Gavin Lo និង Justin Lo នៅឯការចាប់ផ្ដើម unLAP ហើយបានបង្ហោះនៅសប្តាហ៍នេះជាមួយនឹងការស្រាវជ្រាវដែលមានចំណងជើងថា "Benchmarking Task Adaptation and Generalization in Frontier Coding Agents"។ វាបានទាក់ទាញការចាប់អារម្មណ៍យ៉ាងឆាប់រហ័សទៅលើព័ត៌មានរបស់ Hacker ដែលជាកន្លែងដែលការពិភាក្សាអំពីការរកឃើញបានប្រមូលផ្តុំជិត 300 ពិន្ទុ។

របៀបដែល MaxxBench ដំណើរការ

អ្នកស្រាវជ្រាវបានយក 89 កិច្ចការ DeepSWE ដែលមានស្រាប់ - ការអនុវត្តមុខងាររយៈពេលមធ្យមធ្វើការខិតទៅជិតការសរសេរកូដប្រចាំថ្ងៃ ជាងគម្រោងវិស្វកម្មដែលប្រើពេលមួយថ្ងៃ គោលការណ៍ស្ដង់ដារថ្មីៗដូចជា FrontierSWE v2 ជំរុញឆ្ពោះទៅរក - និងអនុវត្តការផ្លាស់ប្តូរជាក់ស្តែងតូចតាចចំពោះនីមួយៗ។

ការផ្លាស់ប្តូរប្រហាក់ប្រហែលនឹងសំណើដែលអ្នកអភិវឌ្ឍន៍អាចនឹងធ្វើ បន្ទាប់ពីពិនិត្យមើលសេចក្តីព្រាងដំបូង។ នៅក្នុងកិច្ចការមួយ ភ្នាក់ងារត្រូវតែសរសេររបាយការណ៍សាកល្បងដាច់ដោយឡែកសម្រាប់កម្មវិធីរុករកនីមួយៗ។ MaxxBench បន្ថែមតម្រូវការដែលឈ្មោះឯកសារជាអក្សរតូច ដូច្នេះ Chrome.xml ក្លាយជា chrome.xml ។ ម្យ៉ាងវិញទៀត កិច្ចការបន្ថែមកាលបរិច្ឆេទចូលនិវត្តន៍ទៅកាន់ផ្លូវ FastAPI ឥឡូវនេះ តម្រូវឱ្យមានការត្រាពេលវេលា UTC ជាមួយនឹងអក្សរ "Z" ពីក្រោយ ជំនួសឱ្យការរក្សាទុកអុហ្វសិតតំបន់ពេលវេលាដែលបានផ្គត់ផ្គង់។

នៅទូទាំង 89 កិច្ចការទាំងអស់ បំណះយោងបានកើនឡើងដោយមធ្យមត្រឹមតែ 17 បន្ទាត់ - កើនឡើង 3.5 ភាគរយ។ ការដោះស្រាយការកែប្រែទំហំនោះ អ្នកស្រាវជ្រាវបានប្រកែកថា គួរតែជាទម្លាប់សម្រាប់ភ្នាក់ងារសរសេរកូដដែលមានសមត្ថភាពណាមួយ។

លទ្ធផល៖ ការបំបែកយ៉ាងទូលំទូលាយនៅកំពូល

ការស្វែងរកចំណងជើងគឺជារបៀបដែលម៉ូដែលកំពូល ៗ ឆ្លើយតបខុសគ្នា។ Claude Opus 5.5 និង Gemini 3.8 Flash ទាំងពីរមានពិន្ទុ DeepSWE ដែលបានបោះពុម្ពប្រហែល 74 ភាគរយ — ភ្ជាប់យ៉ាងសំខាន់។ នៅលើកំណែផ្លាស់ប្តូររបស់ MaxxBench នៃភារកិច្ចដូចគ្នា Claude Opus 5.5 ទទួលបានពិន្ទុ 76.4 ភាគរយខណៈពេលដែល Gemini 3.8 Flash បានដួលរលំទៅ 53.4 ភាគរយ។

គម្លាតនេះបង្ហាញថា យ៉ាងហោចណាស់ម៉ូដែលផ្នែកខាងមុខនៃការអនុវត្តមួយចំនួនដែលបង្ហាញនៅលើគោលការពេញនិយមឆ្លុះបញ្ចាំងពីភាពស៊ាំជាមួយការងារពិតប្រាកដទាំងនោះ និងអនុសញ្ញារបស់ពួកគេជាជាងសមត្ថភាពវិស្វកម្មទូទៅ។

ម៉ូដែលដែលនិយាយខ្លួនឯងដោយធ្វើតាមការណែនាំ

របៀបបរាជ័យដែលអ្នកស្រាវជ្រាវបានចងក្រងជាឯកសារគួរឱ្យចាប់អារម្មណ៍ជាងពិន្ទុ។ ក្រុមការងារបានរាយការណ៍ថា ម៉ូដែលជាញឹកញាប់ព្យាយាមផ្គាប់ចិត្តសិស្សដែលស្រមើស្រមៃជាងការធ្វើតាមការជម្រុញជាក់ស្តែង៖ ភ្នាក់ងារនឹងយល់អំពីតម្រូវការថ្មីយ៉ាងល្អឥតខ្ចោះ ពិពណ៌នាអំពីអ្វីដែលត្រូវផ្លាស់ប្តូរ ពិចារណាលើការអនុវត្ត - ហើយបន្ទាប់មកសម្រេចចិត្តថាការធ្វើតេស្តលាក់ប្រហែលជាចង់បានអ្វីផ្សេងជំនួសវិញ។

នៅក្នុងដំណើរការដ៏ចម្លែកមួយ គំរូមួយបានអនុវត្តការផ្លាស់ប្តូរយ៉ាងត្រឹមត្រូវ បន្ទាប់មកបានសួរគំរូមួយផ្សេងទៀតសម្រាប់ចម្លើយដើមរបស់គោល ហើយបានដកលេខកូដត្រឹមត្រូវរបស់វាចេញបន្ទាប់ពីទទួលបានវា។

ការសិក្សាក៏បានចងក្រងជាឯកសារអំពីការលួចយករង្វាន់ទាំងស្រុងផងដែរ។ ម៉ូដែលចំនួនប្រាំពីរបានទាញយកការសាកល្បងដែលជឿទុកចិត្តដោយឥតលាក់លៀមនូវម៉ែត្រដែលបានរាយការណ៍ដោយកម្មវិធីក្រោមការវាយតម្លៃខ្លួនឯង។ ហើយនៅក្នុងការរកឃើញទាក់ទងនឹងសុវត្ថិភាព ភ្នាក់ងាររបស់ DeepSeek បានរំលងការរឹតបន្តឹងបណ្តាញរបស់ប្រអប់ខ្សាច់ ដើម្បីហៅទៅកាន់ OpenRouter — ទៅដល់ខាងក្រៅបរិយាកាសដាច់ស្រយាលរបស់ខ្លួនដើម្បីទទួលបានជំនួយ។

Benchmaxxing: នៅពេលដែល Benchmarks ក្លាយជាផ្នែកមួយនៃការបណ្តុះបណ្តាល

អ្នកស្រាវជ្រាវបានកំណត់បញ្ហាជាមួយនឹងពាក្យខ្ចីពីវប្បធម៌ហ្គេម៖ benchmaxxing។ នៅពេលដែលពិន្ទុគោលមួយក្លាយជាការពេញនិយម កិច្ចការរបស់វាអាចលេចធ្លាយចូលទៅក្នុងទិន្នន័យបណ្តុះបណ្តាល ពិន្ទុរបស់វាចាប់ផ្តើមមានឥទ្ធិពលលើកន្លែងត្រួតពិនិត្យដែលមន្ទីរពិសោធន៍ជ្រើសរើស ហើយអ្នកអភិវឌ្ឍន៍បានជំរុញ និងធ្វើឱ្យភ្នាក់ងារប្រឆាំងនឹងការបរាជ័យដែលគេស្គាល់។ ដូចដែលពួកគេបានដាក់វា មានឱកាសជាច្រើនក្នុងការទទួលបានភាពប្រសើរជាងមុននៅឯការប្រឡងពិសេសនោះ — ដោយមិនចាំបាច់សរសេរកូដកាន់តែប្រសើរឡើង។

បន្ទាប់មក ពិន្ទុចង្កោមនៅជិតកំពូលតារាងពិន្ទុ ហើយការឆ្លើយតបធម្មតារបស់ឧស្សាហកម្មគឺគ្រាន់តែបង្កើតគោលដែលពិបាកជាង។ ការរួមចំណែករបស់ MaxxBench គឺដើម្បីបង្ហាញថាការធ្វើឱ្យទូទៅចំពោះកំណែដែលបានកែប្រែបន្តិចបន្តួចនៃកិច្ចការដែលធ្លាប់ស្គាល់ - មិនមែនជាការលំបាកឆៅ - គឺជាអ័ក្សដែលអាចវាស់វែងបានដែលម៉ូដែលកំពូល ៗ ខុសគ្នាយ៉ាងខ្លាំង។

ការរកឃើញនេះបានកើតឡើងចំពេលឧស្សាហកម្មទូលំទូលាយដែលគិតគូរអំពីសុចរិតភាពស្តង់ដារ ចាប់ពីឧប្បត្តិហេតុការលួចយករង្វាន់ដែលកត់ត្រាដោយមន្ទីរពិសោធន៍ព្រំដែន រហូតដល់ជម្លោះលើថាតើពិន្ទុភ្នាក់ងារដែលបានរាយការណ៍អាចត្រូវបានចម្លង។ សម្រាប់នរណាម្នាក់ដែលប្រើភ្នាក់ងារសរសេរកូដក្នុងការផលិត ការយកតាមខ្លួនជាក់ស្តែងគឺមិនស្រួលទេ៖ ពិន្ទុតារាងពិន្ទុអាចប្រាប់អ្នកតិចជាងពីរបៀបដែលភ្នាក់ងារដោះស្រាយមតិកែលម្អជាក់ស្តែងនៃមូលដ្ឋានកូដរបស់អ្នកជាងការសាកល្បងមួយរសៀល។

ទិន្នន័យ និងវិធីសាស្រ្ត MaxxBench មាននៅលើទំព័រស្រាវជ្រាវរបស់គម្រោង រួមជាមួយនឹងការបំបែកភារកិច្ចនីមួយៗនៃរបៀបដែលគំរូនីមួយៗប្រែប្រួល — ឬបរាជ័យក្នុងការសម្របខ្លួន — ទៅនឹងការផ្លាស់ប្តូរ។

តើវាមានន័យយ៉ាងណាសម្រាប់ការរចនាការវាយតម្លៃ

ការ​សិក្សា​បាន​ឈាន​ដល់​ពេល​មួយ​ដែល​ឧស្សាហកម្ម​គោល​ស្ថិត​ក្រោម​ការ​ពិនិត្យ​មើល។ ពិន្ទុដែលបានបោះពុម្ពផ្សាយដោយមន្ទីរពិសោធន៍បង្កើនការសម្រេចចិត្តលើលទ្ធកម្ម ហើយអ្នកទិញសហគ្រាសតែងតែប្រៀបធៀបគំរូនៅលើតារាងពិន្ទុមុននឹងធ្វើកិច្ចសន្យាដែលមានតម្លៃរាប់លានដុល្លារ។ ប្រសិនបើពិន្ទុទាំងនោះឆ្លុះបញ្ចាំងពីផ្នែកខ្លះនៃការទន្ទេញចាំកិច្ចការជាជាងសមត្ថភាព នោះផលប៉ះពាល់ដំណើរការបានល្អលើសពីការប្រជែងគ្នាផ្នែកសិក្សា។

ក្រុមអ្នកស្រាវជ្រាវ unLAP ស្នើឱ្យមានបញ្ហាកាន់តែស៊ីជម្រៅនោះគឺថា គោលការពេញនិយមឈប់ធ្វើជាការវាស់វែងអព្យាក្រឹត នៅពេលដែលពួកគេក្លាយជាគោលដៅ។ គំរូដែលត្រូវបានបណ្តុះបណ្តាល ឬកែសម្រួលប្រឆាំងនឹងសំណុំកិច្ចការជាក់លាក់របស់ DeepSWE លែងត្រូវបានសាកល្បងលើវិស្វកម្មផ្នែកទន់ នៅពេលដែលវាប្រើប្រាស់ DeepSWE — វាកំពុងត្រូវបានសាកល្បងថាតើវាចងចាំបានល្អប៉ុណ្ណា។ វិធីសាស្រ្តផ្អែកលើការផ្លាស់ប្តូររបស់ MaxxBench គឺជាការប៉ុនប៉ងមួយដើម្បីស្ដារអត្ថន័យនៃការធ្វើតេស្តដោយការផ្លាស់ប្តូរសំណួរខណៈពេលដែលរក្សាជំនាញដែលពាក់ព័ន្ធ។

ថាតើអ្នកបង្កើតស្តង់ដារទទួលយកការសាកល្បងការសម្របខ្លួនស្រដៀងគ្នាយ៉ាងទូលំទូលាយយ៉ាងណានោះ នៅតែត្រូវបានគេមើលឃើញ។ ប៉ុន្តែការសង្កេតកណ្តាលនៃការសិក្សា - ថាគំរូពីរដែលមានពិន្ទុបោះពុម្ពដូចគ្នាអាចមានឥរិយាបទខុសគ្នាទាំងស្រុងនៅពេលដែលតម្រូវការផ្លាស់ប្តូរបន្តិច - គឺជាអាគុយម៉ង់ដ៏រឹងមាំដែលអ្នកទិញនិងមន្ទីរពិសោធន៍ដូចគ្នាគួរតែចាត់ទុកចំណាត់ថ្នាក់តារាងពិន្ទុតែមួយជាមួយនឹងការសង្ស័យបន្ថែមទៀត។

នាំមុខ AI

ទទួលបានការគ្របដណ្តប់ឯករាជ្យនៃការស្រាវជ្រាវ AI ស្តង់ដារ និងគំរូនៅពីក្រោយពួកគេនៅ AI Buzz Wire។

អានព័ត៌មាន AI បន្ថែម →