Unverified50% confidenceOpinionExact time
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
1
Sources
50%
Confidence
Long-term
Relevance
7/6/2026
First Seen
Sources
GPT-5.5 Codex推理令牌聚集现象解析：性能退化的成因与应对
hackernewshackernews7/4/2026
Related Claims
Unverified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82% similarUnverified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80% similarUnverifiedHumanEval 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78% similarUnverified业界长期存在基准测试与真实部署场景脱节的痛点，模型在标准测试集上表现优异却在真实用户交互中暴露对齐问题74% similarUnverifiedHumanEval、MBPP、SWE-bench是AI编程评测领域的行业标准基准测试74% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/112828API
curl https://kongchang.com/api/v1/knowledge/claims/112828MCP
get_claim(id=112828)