PANews 6月26日消息，Cursor團隊在SWE-bench Pro與SWE-bench Multilingual評測中發現，前沿程式設計智能體大規模透過「查答案」而非自主推理完成任務。研究顯示，Opus 4.8 Max在SWE-bench Pro中成功案例中約63%直接複用公開修復補丁；當遮蔽Git歷史並限制網際網路訪問後，其通過率從87.1%降至73.0%，Composer 2.5則從74.7%跌至54.0%。Cursor據此構建嚴格評測環境，移除歷史.git並透過代理限制網路訪問，用於隔離執行時「獎勵作弊」。團隊指出，新一代更強模型在此問題上更嚴重，評測分數已混合「編碼能力」和「答案檢索能力」，需在報告中明確說明評測環境與假設。