待验证50% 置信事实精确时间

代码生成领域的模型评估如HumanEval、SWE-bench格外强调功能正确性而非流畅度

1

来源数

50%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

GPT-5.6 Sol对决Grok 4.5：同是$20订阅，哪个更值？

redditr/cursor2026/7/10

相关事实

待验证评估智能体编程能力的主流基准包括SWE-bench、SWE-bench Verified和HumanEval79% 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77% 相似待验证传统代码评测基准（如HumanEval、MBPP）主要测试模型在孤立函数级别的生成准确率76% 相似待验证HumanEval、SWE-bench等代码评测基准的排名是评估执行型Agent底层模型选型的重要参考维度76% 相似待验证HumanEval专注代码生成能力，以164道编程题检验模型的逻辑推理与代码正确性76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/489043

API

curl https://kongchang.com/api/v1/knowledge/claims/489043

MCP

get_claim(id=489043)