待验证50% 置信事实精确时间
测试仓库选用python-humanize/humanize（MIT许可，1725行Python，约860个测试7秒跑完），固定到特定commit。四个任务分别是：真实issue的bug修复、按规格实现新功能（16个隐藏验收测试）、无行为变更的重构、代码审查（植入3个bug）。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证可复现测试应冻结约20个真实任务的测试集、记录硬件和运行时环境、并采用隐藏模型名称的盲评打分67% 相似已验证HumanEval是由OpenAI于2021年发布的代码生成基准测试，包含164个手写的Python编程问题66% 相似待验证HumanEval测试模型能否补全孤立的函数片段，而实际工程更常见的是在大型代码库中定位问题、理解业务逻辑并进行跨文件修改64% 相似待验证软件工厂在代理声称完成后会重新运行测试，并由专门的审查代理（reviewer agent）检查代码diff以捕捉测试覆盖不到的问题64% 相似待验证测试时应进入干净的测试目录执行小任务，因为部分Agent类工具在测试阶段可能对目录内文件执行写操作，存在意外修改代码的风险64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1025018API
curl https://kongchang.com/api/v1/knowledge/claims/1025018MCP
get_claim(id=1025018)