论文10:21
LLM代码性能基准再审视：现有测试仅暴露6.11%显著差异这篇论文把EffiBench、EvalPerf等流行代码性能基准的漏洞全翻出来了——1538个任务里只有6%能真正测出差异。他们搞了个多智能体框架自动生成更刁钻的测试，效果直接翻四倍。
#EffiBench
共 1 条 · 7 天 0 条 · 30 天 0 条
信息流里打上「EffiBench」标签的资讯、产品与论文，按刊登时间排，新的在上。
7月9日
这篇论文把EffiBench、EvalPerf等流行代码性能基准的漏洞全翻出来了——1538个任务里只有6%能真正测出差异。他们搞了个多智能体框架自动生成更刁钻的测试，效果直接翻四倍。