主流编程基准任务类型单一，Terminal-Bench覆盖更全

近期分析指出，当前主流编程基准测试的任务分布严重失衡，高度集中在特性实现（如668个任务）和Bug修复上，而缺乏对算法实现、代码迁移和性能优化等真实场景的覆盖。相比之下，Terminal-Bench在任务类型的丰富度与全面性上表现更优，被认为能更好地评估模型在实际编程环境中的综合能力。

2026-07-24 ~ 2026-07-24 · 3 条相关

• 主流编程基准严重偏向特性实现和修 Bug — heypearlai · 2026-07-24
• Terminal-Bench 被指比多数编程基准覆盖更全面 — zainhas · 2026-07-24

另有 1 条近重复转述:zainhas