LiveCodeBenchUC Berkeley · MIT · Cornell
用带发布时间的竞赛题观察代码能力，减少旧题记忆对结果的干扰。
代码生成动态题集算法编程
定期维护
更好的判断，始于更好的理解。
FOR PEOPLE BUILDING WITH AGENTS终端里的表现，
才是 Agent 的实战。
Terminal-Bench 4.0：把模型、工具与执行放在一起看。
理解这项评测分数之外，
你还应该看什么？
版本、harness、预算、污染风险。
读懂排行榜之前，先问这几个问题。
探索 Benchmark10
从你的任务出发，找到真正有参考价值的评测。
BigCodeBenchBigCodeBench Team
通过多库组合的实际编程任务，考察代码生成与指令理解。
代码生成库调用指令理解
定期维护
EvalPlusEvalPlus Team
用更充分的测试重新审视 HumanEval 与 MBPP，理解“通过测试”的边界。
代码生成测试充分性函数生成
经典参考
官方来源核验方法与局限说明没有付费排名 · 不合成跨榜总分
好评测，不该埋在信息流里。
发现一个值得关注的 Benchmark？帮助更多人找到它。