10行pytest钩子使SWE-bench得分100%但0修复

SWE-bench Verified 是最具影响力的编码基准之一。

我们的漏洞利用：一个10行的pytest钩子放在仓库中。Pytest在测试运行前自动发现它，每个测试结果在被评分器看到之前都被重写为“通过”。

结果：在所有500个Verified实例和731个Pro实例上获得100%。
修复的bug：0。