GPT-5 系統卡能力評估反應線程。第一個觀察：在所有不屬於 SWEBench 的編碼評估中幾乎沒有改進。

非常酷的新基準

有趣的是，這個模型不僅知道它在進行評估，還知道具體的任務和執行它的組織。