北航开源Code2Bench：动态评测终结LLM“刷分”乱象，代码大模型迎来严苛大考

针对代码大模型评测中常见的“刷分”与数据泄露问题，北京航空航天大学团队开源了动态评测基准Code2Bench。该框架通过“来源扩展”和“严格度扩展”双轮驱动，构建了动态演进的测试集，迫使模型展示真实的代码生成能力而非单纯的记忆能力。目前该项目已投稿ICLR 2026并在GitHub上线，这标志着AI代码评测从静态拼杀迈向了动态实战阶段，为行业筛选具备真正工程落地能力的模型提供了更可靠的标尺。