评论指 Co-Design Bench 的 26.4% 为难例比例

一位开发者在回复 Gary Marcus 时指出，Co-Design Bench 刻意选取需要改写或回退的任务，因此 26.4% 是难例比例而非行业整体失败率。同一模型在不同 harness 下的得分从 75% 到 56% 不等，显示评测框架会显著影响结果。