待验证50% 置信观点精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/7/6

首次发现

来源

开源AI助手对接OpenClaw龙虾实战：本地智能体配置全流程

bilibili枫影剑wind2026/7/4

相关事实

待验证HumanEval、MBPP、SWE-bench是专门针对代码生成的标准评测集79% 相似待验证HumanEval、MBPP、SWE-bench是AI编程评测领域的行业标准基准测试76% 相似待验证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76% 相似已验证评估编程大模型的主流基准包括HumanEval、MBPP、SWE-bench和LiveCodeBench76% 相似待验证锚定样本技术在评估提示词中加入已由人类专家标注明确分数的示例，覆盖评分量表各个档位，可帮助裁判模型准确理解评分标准76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/114299

API

curl https://kongchang.com/api/v1/knowledge/claims/114299

MCP

get_claim(id=114299)