博主更正 SWE-bench 评测，0910 与 1017 版本在极端难题尾部表现相反

博主更正了此前关于模型 0910 与 1017 版本 pass@1 提升的评测结论。原文称，提升只发生在成功率低于 50% 的任务上；极端难题尾部中，0910 版本在 1507 题里几乎解不出的题目为 1 题，1017 版本为 7 题。作者认为方向此前被颠倒，并提出两者在 pass@5 附近存在交叉点，可用 beta 分布估计和该推断进行验证。