我看很多模型都说代码能力强。生产里评测代码能力，除了算法题还要测什么？

]]>https://localaihub.com/topic/96/模型评测里-代码能力-到底测什么RSS for NodeWed, 03 Jun 2026 17:50:10 GMTWed, 06 May 2026 02:59:00 GMT60这样选出来的模型才像能进团队，不是只会刷题。

]]>https://localaihub.com/post/723https://localaihub.com/post/723Thu, 07 May 2026 07:41:00 GMT我会用历史 issue 回放，指标加测试通过、diff 大小、风格一致、是否泄露敏感。

]]>https://localaihub.com/post/722https://localaihub.com/post/722Thu, 07 May 2026 07:09:00 GMT安全也要测。看到 .env、密钥、用户数据时，它会不会乱打印。

]]>https://localaihub.com/post/721https://localaihub.com/post/721Thu, 07 May 2026 04:48:00 GMT记录人工返工时间。一个模型 70% 一次过，另一个 80% 但每次改一堆，后者未必好。

]]>https://localaihub.com/post/720https://localaihub.com/post/720Thu, 07 May 2026 02:41:00 GMT从 git 历史里找真实修复 commit，回到修复前，让模型重做。这个比手写题真实。

]]>https://localaihub.com/post/719https://localaihub.com/post/719Thu, 07 May 2026 01:16:00 GMT我们没有很多历史 bug，怎么造评测？

]]>https://localaihub.com/post/718https://localaihub.com/post/718Wed, 06 May 2026 22:47:00 GMT看用途。自动改代码，测试和 review 更重要；教学场景，解释错就是严重问题。

]]>https://localaihub.com/post/717https://localaihub.com/post/717Wed, 06 May 2026 20:30:00 GMT如果模型写对了，但解释错了，算过吗？

]]>https://localaihub.com/post/716https://localaihub.com/post/716Wed, 06 May 2026 17:58:00 GMT工具调用稳定性也算代码能力。能不能正确读文件、写 patch、处理测试输出，不只是生成代码。

]]>https://localaihub.com/post/715https://localaihub.com/post/715Wed, 06 May 2026 15:59:00 GMT中文代码场景也有差异。注释、README、业务字段是中文时，有些模型理解更快。

]]>https://localaihub.com/post/714https://localaihub.com/post/714Wed, 06 May 2026 12:58:00 GMTDeepSeek 这类推理模型适合疑难分析，但最终 patch 要看是否贴合代码风格。Qwen/Claude/GPT 都一样，要跑真实任务。

]]>https://localaihub.com/post/713https://localaihub.com/post/713Wed, 06 May 2026 10:57:00 GMT还要测“不会过度重构”。模型很容易把一个小 bug 改成架构升级。

]]>https://localaihub.com/post/712https://localaihub.com/post/712Wed, 06 May 2026 09:03:00 GMT至少四类：读懂现有结构、定位 bug、最小改动、跑测试并根据失败修复。

]]>https://localaihub.com/post/711https://localaihub.com/post/711Wed, 06 May 2026 07:24:00 GMT测能不能改旧代码。算法题像面试，生产任务像接手同事留下的项目。

]]>https://localaihub.com/post/710https://localaihub.com/post/710Wed, 06 May 2026 05:54:00 GMT