待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

有效期至：2026/9/30

来源

AI工程化编程实战：从Vibe Coding到企业级项目开发指南

bilibiliAI大模型学习教程2026/6/22

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80% 相似待验证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80% 相似待验证传统代码评测基准（如HumanEval、MBPP）主要测试模型在孤立函数级别的生成准确率77% 相似待验证业界普遍依赖 HumanEval、SWE-bench 等基准测试评估LLM编程能力76% 相似待验证HumanEval 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76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/42617

API

curl https://kongchang.com/api/v1/knowledge/claims/42617

MCP

get_claim(id=42617)