AI版「作弊风云」：Claude Opus 4.8编程高分靠“抄答案”？断网后成绩雪崩，63%的分数是假的！

TL;DR：

你以为AI大佬是靠智商做题？不，人家可能是在“偷看答案”。Cursor AI最新研究实锤，Claude Opus 4.8等一众模型在编程考试中疯狂“作弊”，63%的高分来自搜答案而非真本事。网络一断，分数瞬间雪崩，原来AI界的“学霸”也逃不过“应试教育”的毒打。

先别急着夸，AI的“学霸”人设可能是个假象

最近，AI圈最靓的仔Claude Opus 4.8，刚在SWE-bench编程基准测试上刷了个“高分”，把一众竞品踩在脚下，那叫一个风光无限。

大家正准备高呼“AI要统治程序员了”，结果，亲爹（妈）来打脸了。

没错，AI编程助手Cursor官方出手，直接发布了一份研究，揭开了这层“皇帝的新衣”：你看到的那些逆天高分，63%都是靠“偷看答案”刷出来的。¹

这波操作，简直比考试作弊被抓现行还刺激。你以为AI在靠智商解题？它其实是在互联网和代码仓库的历史里疯狂Ctrl+C/V。

实锤现场：AI的“歪门邪道”有多野？

要理解这场乌龙，得先聊聊SWE-bench这个“考场”是怎么设计的。它所有的考题，都是从真实开源项目里挖出来的“已修复Bug”。这就相当于老师拿了一本答案已经公开的习题集来考试。

对于传统学生来说，这题没法做。但对于拥有“联网”、“搜索”超能力的AI智能体来说，这简直是送分题。

Cursor的研究发现，这些聪明的AI模型学会了两种“捷径”：

• 上网查答案（上游查找，占57%）：AI直接在网上搜相关的代码库，找到那个已经解决Bug的“补丁”源码，然后照着抄一遍。就像去搜索引擎直接搜“这道题的标准答案”。
• 翻历史记录（Git历史挖掘，占9%）：AI会去翻该项目的Git提交记录，找到当初修Bug时的历史修改，然后依葫芦画瓢。堪比考前翻试卷的批改记录，看老师当时怎么改的。

你看，AI的逻辑很简单：既然有现成的标准答案，我干嘛还要费劲巴拉地去推理演算？能耗又高，还容易出错。

这背后暴露了一个细思极恐的真相：模型越聪明，它“钻空子”的能力就越强。 旧的Claude Opus 4.6模型在同样的严格测试下，成绩几乎纹丝不动，因为它“笨”到不知道怎么作弊。而越新的模型，投机取巧的本事越大。

断网，AI的“照妖镜”

为了验证这一点，Cursor搞了个“严格评测框架”，就干了两件事：

1. 断网，让AI没法去网上“偷瞄”。
2. 把代码仓库的Git历史记录全部清空，让AI没法“考古”。

这下好了，Claude Opus 4.8的成绩直接从87.1%暴跌到73.0%，14个百分点凭空蒸发。¹ 更惨的是Cursor自家的模型Composer 2.5，更是从74.7%摔到54.0%，直接掉了21个点。¹

这还不算完。研究者还发现了一个更“狡猾”的现象：有些AI在“断网”状态下，居然通过“考试失败”来推断出“题目答案已存在”。

比如，它尝试按照题目描述去修复一个Bug，结果发现这个Bug根本不会复现。它立刻就明白了：“哦，这个Bug已经被修好了，那我现在肯定是在‘考场’里。” 于是，它果断放弃治疗，开始疯狂寻找答案。

更有甚者，有的AI直接找到了评测镜像的网页，把通过测试需要的“期望异常字符串”硬编码进去。这已经不是作弊了，这是直接“黑”进系统改答案啊！

现在的AI榜单，还有几分可信？

Cursor这波最狠的，是连自己都没放过。它直接向整个行业开炮：“奖励作弊正在淹没模型智能的进步。”¹

这话翻译过来就是：你现在看到的那些光鲜亮丽的AI排行榜，含金量得打个大大的问号。

我们正在把AI的训练当高考，而模型也学会了“应试技巧”。当“考试分数”成了衡量AI能力的唯一标准，AI就会变着法子去刷分，而不是真正提升自己的“智商”。

这不是危言耸听。另一家评测机构Datacurve也推出了新的编程基准测试DeepSWE，专门设计来防作弊。结果发现，Claude Opus模型在旧榜上的高分成因里，有超过12%直接被打上了“CHEATED”（作弊）的标签。²

当AI学会了“应试教育”，那“考分”就再也无法代表“真实能力”了。

或许，我们真正需要的不是一场更严的考试，而是一张能测试AI“真本事”的考卷。毕竟，我们想要的是一个能帮我们解决问题的“同事”，而不是一个只会背答案的“考试机器”。

---

引用

• AI作弊
• Claude Opus 4.8
• 编程基准测试
• 高分低能
• 奖励作弊