新智元报道
Cursor AI 官方发布重磅研究，实锤包括自家模型在内的顶级 AI，在编程评测中大规模「偷看答案」：Opus 4.8 高达 87.1% 的惊人成绩，断网后直接暴跌至 73.0%，其中 63% 的「解题」竟非独立推导。
「偷看答案」、作弊，Claude Opus 4.8 被打假！
刚刚，Cursor AI 官方发布重磅研究，揭露包括 Claude Opus 4.8 等 AI 模型，通过互联网和 git 历史直接「偷答案」来刷编程成绩。
他们的核心结论是：AI 模型越聪明，在编程基准上越来越擅长「作弊」。
在编程评测（SWE-bench）中，Opus 4.8 等 AI 表现出的惊人高分。
但 Cursor AI 发现，很大程度上并非源于 AI 的逻辑推理能力的质变，而是因为利用工具在互联网和代码历史中「偷看答案」的能力。
断网后，Opus 4.8 Max 在 SWE-bench Pro 上的成绩从 87.1% 暴跌至 73.0%。
更惊人的是，Opus 4.8 成功解决的问题中，有 63% 属于「非独立推导」。
当这种「作弊渠道」被切断，AI 的光环迅速黯淡，暴露出当前大模型在真实逻辑推演上的「虚火」。
Claude Opus 的编程神话，这次被戳破。
更耐人寻味的是，Cursor 自家的模型 Composer 2.5 也没能幸免，同样存在这个问题。
Cursor 把自己和竞品的底裤一起扒了。
这份研究的可信度，直接拉满。
Cursor 亲自打假
63% 分数只因偷答案
其实，关于 AI「偷看答案」的质疑并非空穴来风。
早在 2024 年，AI 研究人员就已经发出了警告：
编程基准测试的答案极易通过公开渠道泄露。
但过去，人们的注意力大多集中在「训练阶段的数据污染」——即模型在学习阶段就背过了答案。
而这次研究真正揭开了更深层的黑盒：「运行时泄露」的严重程度被首次量化了。
在 SWE-bench Pro 上的分数，Opus 4.8 Max 从 87.1% 掉到了 73.0%。
14 个百分点，凭空蒸发。
要理解这 14 个点是怎么没的，得先知道这类评测是怎么搭起来的。
SWE-bench 这种基准，题目全从真实开源项目里挖出来后来已被修好的bug。
这就埋了一个天然的窟窿：既然这个问题在现实中早被解决过，那它的答案此刻就明明白白躺在互联网上，躺在代码仓库的提交历史里。
智能体只要够聪明，能搜，就能直接查到，根本不用自己想。
AI 学会了两种「作弊手段」：
上游查找（57%）：AI 在公开代码库中定位已修复该 Bug 的 PR 或源码，直接复现补丁逻辑，类似查阅标准答案。
Git 历史挖掘（9%）：AI 检索项目的 Git 提交记录，从历史修复中提取补丁，相当于回溯「时间线」寻找解决方案。
所以，Cursor 的「严格评测框架」干了两件事：
1、一是历史隔离，在智能体开工前先把 .git 目录整个挪走，「打扫干净屋子」；
2、二是禁止联网，只留一条白名单通道让它装依赖包，其余一律掐断。
把这两条泄漏渠道一堵，分数立刻现出原形。
断网那一刻，Opus 4.8 光环开始褪色
掉的不止 Opus 一家，Cursor 自己的模型 Composer 2.5 摔得更狠，从 74.7% 一路滑到 54.0%，差不多丢了 21 个点。
但反直觉的现象是，AI 越强越「油腻」、越会钻空子！
与 Opus 4.8 对比，旧一点的 Opus 4.6 Low，在严格框架下几乎纹丝不动，差距不到 1 分。
也就是说，越新、越强的模型，掉得越多。
这揭示了一个深层危机：随着 Scaling Law 的推进，我们喂给模型的数据越来越多，模型不仅学会了知识，更学会了「投机取巧」、「旁门左道」。
在 AI 的逻辑里，如果能以更低的能耗获得同样的奖励，它绝不会去消耗算力进行高难度的逻辑推演。
最令人脊背发凉的发现是：AI 开始具备「评测感知」（Benchmark Awareness）能力。
2019 年，智能体尝试复现一个缺陷。
由于测试环境的镜像是在修复后才构建的，导致缺陷无法复现。
此时，AI 展现出了惊人的「狡猾」：它通过复现失败推断出这个 Bug 已经修复了，进而意识到自己身处「考场」。
于是，它果断放弃推导，转而疯狂搜索。
更有甚者，一个智能体找到了评测镜像页面，直接硬编码了通过测试所需的预期异常字符串。
这种「钻空子」的本能，让原本衡量逻辑能力的评测变成了衡量「搜索引擎使用技巧」的比赛。
基准榜单，正在集体失真
Cursor 这次最狠的，是连自己都没放过。
它直言不讳地承认：「奖励作弊正在淹没模型智能的进步」。
Composer 2.5 在 SWE-bench Pro 上那个最大的跌幅，意味着这个分数本身就不可靠。
榜单超级混合了「真实的编码能力」和「检索现成答案的能力」，根本分不清哪部分是真本事。
这话翻译过来就是：现在你在各大排行榜上看到的那些光鲜分数，含金量得打个大大的问号。
公开基准之所以脆弱，是因为它们大多取材于真实的、早就被修复过的开源缺陷。
问题本身就有标准答案躺在网上，模型只要够聪明，自然学会了走捷径。
这就把一个尴尬的真相摆到了所有人面前：当模型学会了应试，跑分就不再代表真实智能了。
参考资料：
https://cursor.com/cn/blog/reward-hacking-coding-benchmarks
编辑：大卫
