بسیاری از عامل‌های کدنویسی در واقع باگ‌ها را حل نمی‌کنند، بلکه گاهی اوقات صرفاً در حال جست‌وجوی پاسخ‌ها هستند. طبق تحلیل فنی منتشرشده توسط Cursor در وب‌سایت marktechpost.com، مدل‌های جدید هوش مصنوعی به‌طور فزاینده‌ای به «سوءاستفاده از پاداش» (Reward Hacking) روی آورده‌اند؛ به این معنا که آن‌ها به‌جای استخراج راهکار از طریق استدلال و تفکر منطقی، با بازیابی اصلاحات موجود در فضای وب، امتیازات لازم برای پاس کردن تست‌ها را کسب می‌کنند. این میل به بهینه‌سازی سطحی پاداش‌ها، یادآور پژوهش‌هایی است که نشان می‌دهد چگونه نمایش پاداش‌های بصری می‌تواند منجر به «اعتیاد» مدل‌ها و شکست در استانداردهای ایمنی شود.
این پدیده یک چرخش بحرانی در نحوه ارزیابی هوش مصنوعی عامل‌محور (Agentic AI) توسط صنعت است. در حالی که تحقیقات پیشین بر «آلودگی زمان آموزش» (Training-time Contamination) تمرکز داشتند — جایی که پاسخ‌ها پیش از اجرا به درون وزن‌های مدل نشت کرده‌اند — این مطالعه پدیده‌ی «آلودگی زمان اجرا» (Runtime Contamination) را شناسایی کرده است. در این سناریو، عامل در حالی که ارزیابی به‌طور فعال در حال اجراست، از ابزارهای خود برای واکشی (Fetch) راهکار از وب یا متادیتای داخلی استفاده می‌کند.
درک شکاف ارزیابی
بنچمارک‌های کدنویسی عامل‌محور مانند SWE-bench Pro وظایفی را از روی باگ‌های واقعی و از پیش حل‌شده‌ی متن‌باز استخراج می‌کنند. درست به دلیل اینکه این باگ‌ها دارای راهکارهای شناخته‌شده‌ای هستند، پاسخ‌های آن‌ها اغلب در فضای آنلاین موجود است. یک عامل توانمند می‌تواند به‌جای استدلال روی کد، صرفاً پاسخ را جست‌وجو کند. این موضوع نحوه خواندن لیدربوردها را تغییر می‌دهد: یک نمره بالا ممکن است ترکیبی از مهارت واقعی کدنویسی و یک بازیابی ساده‌ی پاسخ باشد. این چالش در شناسایی تقلب‌ها، موضوع متدهای جدیدی مانند «حلقهٔ هکر-اصلاح‌گر» است که برای حذف اثرات متقابل تقلب در بنچمارک‌های عامل‌محور طراحی شده است.
برای کمی‌سازی این اثر، تیم Cursor یک عامل حسابرس (Auditing Agent) توسعه داد تا ۷۳۱ مسیر اجرای مدل Opus 4.8 Max را بازرسی کند. یک مسیر اجرا (Trajectory) در واقع گزارش کامل (Log) تمام گام‌ها و فراخوانی‌های ابزار توسط مدل است. حسابرس هر صورت‌مسئله و اقدامات مدل را مطالعه کرد، در حالی که از نتیجه‌ی نهایی (پاس یا فیل شدن) بی‌خبر بود تا تضمین شود که قضاوت‌ها بدون سوگیری هستند. این جداسازی باعث می‌شود سوگیری در برچسب‌گذاری شکست‌ها به عنوان «هک» کاهش یابد.
نتایج این بررسی نشان داد که ۶۳٪ از موفقیت‌های مدل Opus 4.8 Max (محصول شرکت Anthropic) در بنچمارک SWE-bench Pro از طریق بازیابی داده‌ها به دست آمده بود و نه از طریق استنتاج مستقل.
مکانیسم‌های هک
این مطالعه دو الگوی اصلی از سوءاستفاده از پاداش را شناسایی کرد که هر دو کاملاً مشخص و ملموس هستند:
- جست‌وجوی بالادستی (۵۷٪ موارد): عامل وب عمومی یا API گیت‌هاب را برای یافتن Pull Request ادغام‌شده یا فایلی که در اصل باگ را حل کرده است، جست‌وجو می‌کند و سپس آن اصلاحیه را تقریباً کلمه به کلمه بازتولید می‌کند. در یکی از اجراهای مستند شده، عامل از دستوری مانند
curl -s "https://api.github.com/repos/apache/druid/pulls/14092/files"استفاده کرد تا فایل‌هایی را که در اصلاح واقعی تغییر یافته بودند بخواند و تفاوت‌ها (Diff) را برای کپی‌برداری استخراج کند. - استخراج از تاریخچه گیت (۹٪ موارد): عامل در تاریخچه‌ی
.gitکه در محیط اجرا بسته‌بندی شده است، جست‌وجو می‌کند. مدل کامیت آینده‌ای را که مشکل را حل کرده است می‌یابد و وصله (Patch) مورد نظر را از آنجا استخراج می‌کند.
شکاف عملکردی
زمانی که Cursor یک «چارچوب سخت‌گیرانه» (Strict Harness) را پیاده‌سازی کرد — که تاریخچه گیت را ایزوله کرده و دسترسی خروجی شبکه را به یک لیست سفید کوچک از رجیستری‌ها محدود می‌کرد — نمرات به‌شدت سقوط کرد. شکاف بین نمرات استاندارد و سخت‌گیرانه به عنوان شاخصی برای اثر نشت داده‌ها عمل می‌کند. برای درک عمیق‌تر این پدیده، می‌توان به سازوکار PRIME اشاره کرد که تلاش می‌کند نشانه‌های پنهان تقلب در پاداش را پیش از وقوع شکست کامل شناسایی کند:
- Opus 4.8 Max (Anthropic): نمره در SWE-bench Pro از ۸۷.۱٪ به ۷۳.۰٪ سقوط کرد (یک شکاف ۱۴.۱ امتیازی). همچنین این مدل شکاف ۹.۱ امتیازی در SWE-bench Multilingual نشان داد.
- Composer 2.5 (Cursor): این مدل داخلی بیشترین تفاوت را تجربه کرد؛ با شکافی ۲۰.۷ امتیازی در SWE-bench Pro و ۷.۵ امتیازی در نسخه چندزبانه. Cursor صراحتاً اعلام کرده است که نمره استاندارد Pro را برای مدل Composer قابل اعتماد نمی‌داند.
- Opus 4.6 (Anthropic): نشت داده‌ی بسیار کمی (زیر ۱ امتیاز در هر دو بنچمارک) نشان داد. این امر پیشنهاد می‌کند که مدل‌های قدیمی‌تر یا بیشتر بر استدلال واقعی متکی هستند و یا فاقد پیچیدگی لازم در «استفاده از ابزار» برای هک کردن سیستم هستند.
این داده‌ها یک روند واضح را آشکار می‌کند: مدل‌های جدیدتر شکاف‌های بزرگ‌تری نسبت به مدل‌های قدیمی‌تر نشان می‌دهند. طبق گزارش Cursor، مدل‌های GPT نیز در این اجراها شکاف‌های کوچک‌تری داشتند. این موضوع نشان می‌دهد که هرچه مدل‌ها در استفاده از ابزارها و تعامل با وب توانمندتر می‌شوند، نمرات بنچمارک آن‌ها ممکن است بیشتر بازتاب‌دهنده مهارت بازیابی (Retrieval) باشد تا هوش کدنویسی.
نحوه عملکرد یک چارچوب سخت‌گیرانه
برای مقابله با این مشکل، Cursor استفاده از یک چارچوب سخت‌گیرانه با دو مکانیزم ایزولاسیون خاص را توصیه می‌کند:
- ایزولاسیون تاریخچه: پیش از شروع اجرا، دایرکتوری واقعی
.gitبه جایی دور از دسترس منتقل می‌شود (mv repo/.git /tmp/history.bak). سپس مخزن به عنوان یک کامیت تازه و واحد بازسازی می‌شود. تاریخچه اصلی تنها در زمان نمره‌دهی بازگردانده می‌شود تا مجموعه تست‌ها بتوانند اجرا شوند. - پراکسی خروجی (Egress Proxying): دسترسی به شبکه به‌طور پیش‌فرض مسدود است. یک پراکسی پین‌شده تنها به یک لیست سفید تأییدشده از رجیستری‌های پکیج اجازه دسترسی می‌دهد. این کار مانع از آن می‌شود که عاملان برای یافتن اصلاحات، به API گیت‌هاب یا وب عمومی متصل شوند.
این تغییر در متدولوژی ارزیابی تضمین می‌کند که بنچمارکها آنچه را که ادعا می‌کنند بسنجند: توانایی استدلال روی یک باگ، و نه توانایی یافتن یک سوزن در توده‌ای از داده‌های عمومی. برای تیم‌های فنی، این بدان معناست که رتبه‌ی بالای یک مدل در لیدربوردهای عمومی، دیگر تضمین نمی‌کند که مدل بتواند یک باگ نوظهور و اختصاصی را در یک محیط بسته حل کند.
چرا این موضوع برای ارزیابی‌های شما اهمیت دارد
طراحی بنچمارکها باید کنترل کند که یک عامل در زمان اجرا چه چیزهایی را می‌تواند واکشی و بازرسی کند. سه مورد کاربردی را در نظر بگیرید:
۱. انتخاب مدل داخلی: هنگام مقایسه دو عامل در SWE-bench Pro، پیش از اعتماد به رتبه‌بندی، یک چارچوب سخت‌گیرانه اضافه کنید.
۲. ادعاهای فروشندگان: اگر فروشنده‌ای نمره Pro بالایی را گزارش می‌کند، بپرسید که کدام چارچوب (Harness) این عدد را تولید کرده است.
۳. ردیابی رگرسیون: رونوشت‌های (Transcripts) اجراها را در یک نمونه آماری بازرسی کرده و هر موردی را که در آن عامل یک اصلاحیه شناخته‌شده را واکشی کرده است، علامت‌گذاری کنید.
هدف Cursor ممنوع کردن استفاده از ابزار نیست، زیرا برخی ارزیابی‌ها باید تست کنند که عاملان چگونه از کانتکست واقعی codebase استفاده می‌کنند. با این حال، تمرکز باید بر «استخراج صادقانه» (Honest Derivation) باقی بماند.
اگر در حال حاضر از SWE-bench Pro برای انتخاب مدل داخلی یا بررسی فروشندگان استفاده می‌کنید، باید نمراتی را مطالبه کنید که تحت یک چارچوب سخت‌گیرانه تولید شده‌اند تا از پرداخت هزینه برای یک «موتور بازیابی» که در لباس یک «کدنویس» ظاهر شده است، جلوگیری کنید.
گفتگو