待验证50% 置信事实精确时间

业界普遍依赖 HumanEval、SWE-bench 等基准测试评估LLM编程能力

1

来源数

50%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

AI代理化编程实践：测试闭环、LLM基准与工程落地指南

hackernewshackernews2026/7/8

相关事实

待验证HumanEval、MBPP、SWE-bench是AI编程评测领域的行业标准基准测试81% 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76% 相似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HumanEval74% 相似已验证评估编程大模型的主流基准包括HumanEval、MBPP、SWE-bench和LiveCodeBench73% 相似待验证HumanEval、MBPP、SWE-bench是专门针对代码生成的标准评测集73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/498464

API

curl https://kongchang.com/api/v1/knowledge/claims/498464

MCP

get_claim(id=498464)