Xeophon：实验室开始在 mini-swe-agent 上训练刷评测分

Xeophon指出，实验室开始针对 mini-swe-agent 工具集训练以抬高评测分数，使这一原本用于隔离测试模型真实能力的基准受到污染。它缺少 compaction、multi-agent 和真实用户环境，原本的评测参考价值正因训练目标化而下降。