让每一个分数，都有上下文。
排行榜给你一个答案。这里帮助你理解，它回答的究竟是什么问题。
015 分钟024 分钟034 分钟043 分钟
分数之外，你还应该看什么？
版本、harness、预算、污染风险。建立一个比排行榜更可靠的判断框架。
你评估的是模型，还是整个 Agent？
从 model、tools 到环境与反馈循环，理解 harness 为什么会改变结果。
pass@k 和 pass^k，差别在哪里？
读懂成功率、尝试次数与可靠性，避免把“偶尔能做对”当成稳定可用。
为你的 coding agent 选一组评测
从真实工作流出发，用互补证据建立自己的评测清单。
这些文章是基于公开方法文档的编辑解读，不替代原始论文。每篇文章附有来源，帮助你继续深入。