评测基准

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...