待验证50% 置信事实精确时间
传统代码评测基准（如HumanEval、MBPP）主要测试模型在孤立函数级别的生成准确率
1
来源数
50%
置信度
长期有效
时效性
2026/7/6
首次发现
来源
Devin接入Kimi K2.7与GLM 5.2，双模型限时免费不消耗配额
rss2026/6/24
相关事实
待验证当前主流基准测试体系如HumanEval、MBPP等代码评估集往往关注平均性能，对分布式的场景特定退化现象敏感度不足82% 相似待验证代码大语言模型采用HumanEval、MBPP等可执行基准评估，即直接运行生成代码并检验输出是否正确79% 相似待验证Codex模型的评估通常使用HumanEval和MBPP等编码基准测试77% 相似待验证编程能力的评估通常参考HumanEval、MBPP、SWE-bench等标准化基准测试，但实际工程场景表现与基准测试结果存在差异77% 相似待验证HumanEval 和 MBPP 主要衡量模型代码生成能力，而代码审查是本质不同的任务，业界目前缺乏标准化的代码审查基准测试77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/115218API
curl https://kongchang.com/api/v1/knowledge/claims/115218MCP
get_claim(id=115218)