Full text · 原文
1,344 字
闻乐 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
大模型也会玩信息差了。<br>
Qwen3在基准测试中居然学会了钻空子。<br>
FAIR研究员发现Qwen3在SWE-Bench Verified测试中，不按常理修bug，反而玩起了信息检索大法。<br>
不分析代码逻辑，不定位漏洞根源，而是直接跑到GitHub上搜任务里的issue编号，精准扒出了前人留下的修复方案。<br>
能说吗，会搜代码才是真正的程序员行为吧。而Qwen3，你是真正的程序员。<br>
Qwen3是如何钻空子的<br>
要知道，SWE-Bench Verified本来是检验模型真刀真枪修代码的基准，相当于编程届的资格考试。<br>
它的测试逻辑是这样的：在代码修复类任务中，它给模型的任务全是真实开源项目里的bug，比如修复某个功能异常、补全缺失的代码模块，核心要求是模型能读懂现有的代码、定位到问题在哪，最后生成能够直接运行的解决方案。<br>
这原本考验的是模型从0到1解决问题的能力，但我们的Qwen3，可没按这个剧本走。<br>
FAIR研究团队追踪它的操作轨迹发现，Qwen3拿到任务后，第一步不是分析代码文件，而是调用工具检索GitHub的提交日志。<br>
具体操作是：<br>
先切换（cd）到/workspace/django_django_4.1这个目录；<br>
然后执行git log —oneline —grep=“33628” —all这个命令。<br>
git log是查看Git版本控制提交历史的命令，—oneline让提交历史以简洁的一行的形式展示。<br>
—grep用于筛选提交指定内容（在这个例子中是issue编号33628），—all则表示所有分支的提交。<br>
最后以退出码0表示命令成功执行。<br>
一番操作之后，Qwen3不用动脑子写代码就轻松“借鉴”了以前的成功答案。（怎么不算动脑子了呢）<br>
其实不止Qwen3，研究者发现Claude 4 Sonnet也有类似的行为。<br>
不过，模型能成功钻空子，当然也不全是自身的原因。<br>
说回SWE-Bench Verified，它自身的设计就有漏洞——没过滤未来仓库状态。<br>
简单说就是，这个测试用的是开源项目数据，所以它连带着项目后续已经解决bug的提交记录一起放进去了，相当于把考题和参考答案混在一起，还没设权限。<br>
正常来说，测试应该只给模型bug未修复时的项目状态，让它只看着题目解题。<br>
但SWE-Bench Verified没做这个筛选，导致模型能够拿到bug已经被修复后的数据。<br>
于是，只要用任务里的issue编号当关键词，就能在已解决的数据里找到现成的修复方案。<br>
看来啊，不是只有人类知道搜答案比解问题简单，现在大模型也知道了。（Doge）<br>
虽然说，按正常规则，这些模型确实是在作弊，但也有网友觉得：只要能完成任务，利用规则漏洞也没什么不行的。<br>
所以，你觉得这种行为算作弊还是算Qwen3聪明呢？<br>
参考链接：<br>
[1]https://x.com/giffmana/status/1963327672827687316<br>
[2]https://x.com/bwasti/status/1963288443452051582<br>
[3]https://github.com/SWE-bench/SWE-bench/issues/465<br>
— 完 —