【字节大模型一面】大模型代码能力评估基准有哪些？干货收藏

关注

原创最新推荐文章于 2026-09-19 10:42:05 发布 1.7k 阅读 AI 写同款· GEO 优化 ›

大模型能力评估本文对比了Baichuan2-13B-Chat、Baichuan-13B-Chat、Llama2和ChatGLM2-6B在Cail司法考试、C-Eval评测和编码能力三个方面的表现。在Cail司法考试中，Baichuan-13B-Chat表现最佳，正确率为0.268，Baichuan2-13B-Chat次之。C-Eval评测中，Baichuan2-13B-Chat得分最高，但仅上传了部分学科数据。编码能力测试中，Baichuan-13B-Chat在代码规范性和可运行性上表现最好，尽管在处理复杂问题时存在错误阅读详情

简介

这篇文章介绍了6个评估大模型代码能力的重要基准：HumanEval、MBPP、EvalPlus、MultiPL-E、LiveCodeBench和CRUXEval。它们采用pass@k或Exact Match等指标，从不同角度评估模型的代码生成、修复及代码逻辑理解能力。LiveCodeBench可发现模型泛化能力差异，CRUXEval揭示模型对基本代码逻辑理解的局限性，这些工具对开发者选择和优化大模型具有重要参考价值。

现在各种技术报告当中经常通过各种指标来衡量大模型的能力，比如通用能力、代码能力、数学能力等。

很多人可能大概知道一些 benchmark 的功能，但是可能并没有仔细的看每个 benchmark 的一些细节，本篇就来介绍一下常用的测试代码能力的 benchmark

HumanEval

衡量指标： pass@k

OpenAI 在 2021 年发布的 Code 测试集。它包含 164 个手写的编程题目。编程语言只有 python 一种。

一个测试样例如下：

{
"task_id": "HumanEval/0",
"prompt": "from typing import List\n\n\ndef has_close_elements(numbers: List[float], threshold: float) -> bool:\n    \"\"\" Check if in given list of numbers, are any two numbers closer to each other than\n    given threshold.\n    >>> has_close_elements([1.0, 2.0, 3.0], 0.5)\n    False\n    >>> has_close_elements([1.0, 2.8, 3.0, 4.0, 5.0, 2.0], 0.3)\n    True\n    \"\"\"\n",
"entry_point": "has_close_elements",
"canonical_solution": "    for idx, elem in enumerate(numbers):\n        for idx2, elem2 in enumerate(numbers):\n            if idx != idx2:\n                distance = abs(elem - elem2)\n                if distance < threshold:\n                    return True\n\n    return False\n",
"test": "\n\nMETADATA = {\n    'author': 'jt',\n    'dataset': 'test'\n}\n\n\ndef check(candidate):\n    assert candidate([1.0, 2.0, 3.9, 4.0, 5.0, 2.2], 0.3) == True\n    assert candidate([1.0, 2.0, 3.9, 4.0, 5.0, 2.2], 0.05) == False\n    assert candidate([1.0, 2.0, 5.9, 4.0, 5.0], 0.95) == True\n    assert candidate([1.0, 2.0, 5.9, 4.0, 5.0], 0.8) == False\n    assert candidate([1.0, 2.0, 3.0, 4.0, 5.0, 2.0], 0.1) == True\n    assert candidate([1.1, 2.2, 3.1, 4.1, 5.1], 1.0) == True\n    assert candidate([1.1, 2.2, 3.1, 4.1, 5.1], 0.5) == False\n\n"
}

对于这个例子，大模型需要实现一个函数。该函数的输入是一个 List 和 threshold，如果 List 中任意两个数的差的绝对值不超过阈值，返回 True，否则返回 False。

评估指标采用的是 pass@k，也就是对于一道题目，生成 k 次结果，只要有一次通过就算通过。

论文中还讨论了如何高效的进行 pass@k 的无偏估计，详细见：TODO

MBPP

衡量指标： pass@k

Google 整理的 974 个众包 Python 编程题，旨在由入门级程序员解决，涵盖编程基础，标准库功能等，所以名字叫： The Mostly Basic Programming Problems

数据集地址为：https://github.com/google-research/google-research/tree/master/mbpp

一个测试样例如下：

{
'task_id': 1,
'text': 'Write a function to find the minimum cost path to reach (m, n) from (0, 0) for the given cost matrix cost[][] and a position (m, n) in cost[][].',
'code': 'R = 3\r\nC = 3\r\ndef min_cost(cost, m, n): \r\n\ttc = [[0 for x in range(C)] for x in range(R)] \r\n\ttc[0][0] = cost[0][0] \r\n\tfor i in range(1, m+1): \r\n\t\ttc[i][0] = tc[i-1][0] + cost[i][0] \r\n\tfor j in range(1, n+1): \r\n\t\ttc[0][j] = tc[0][j-1] + cost[0][j] \r\n\tfor i in range(1, m+1): \r\n\t\tfor j in range(1, n+1): \r\n\t\t\ttc[i][j] = min(tc[i-1][j-1], tc[i-1][j], tc[i][j-1]) + cost[i][j] \r\n\treturn tc[m][n]',
'test_list': [
'assert min_cost([[1, 2, 3], [4, 8, 2], [1, 5, 3]], 2, 2) == 8',
'assert min_cost([[2, 3, 4], [5, 9, 3], [2, 6, 4]], 2, 2) == 12',
'assert min_cost([[3, 4, 5], [6, 10, 4], [3, 7, 5]], 2, 2) == 16'],
'test_setup_code': '',
'challenge_test_list': []
}

这个题目是利用动态规划求 cost 最小的路径，但是题目其实没有写的特别清楚移动的方向。这就可能对编程带来一些困扰，移动方向能沿着对角线移动么？从测试样例看是允许对角线移动的。

所以为了保证编程的时候没有歧义，研究人员又对这 974 个题目人工校验了一遍。所以 MBPP 有两个版本的测试集，full 和 sanitized，其中 sanitized 版本是人工验证过的。

前面这个题就是因为题目不明确而没有在 santized 当中。

EvalPlus

衡量指标： pass@k

主要包含 HumanEval+, MBPP+ 两个测试集合。其中 HumanEval+ 是对 HumanEval 的补充，数量大概是 HumanEval 的 80 倍。 MBPP+ 则是对 MBPP 的补充，数量大概是 HumanEval 的 35 倍。

MultiPL-E

衡量指标： pass@k

把 HumanEval 和 MBPP 两个 benchmark 翻译成了 18 种其他的语言。比如下面是 C++ 的一个示例，改示例对应的是前面 HumanEval 的示例。

{
"name": "HumanEval_0_has_close_elements",
"language": "cpp",
"prompt": "#include<assert.h>\n#include<bits/stdc++.h>\n// Check if in given vector of numbers, are any two numbers closer to each other than\n// given threshold.\n// >>> has_close_elements((std::vector<float>({(float)1.0f, (float)2.0f, (float)3.0f})), (0.5f))\n// (false)\n// >>> has_close_elements((std::vector<float>({(float)1.0f, (float)2.8f, (float)3.0f, (float)4.0f, (float)5.0f, (float)2.0f})), (0.3f))\n// (true)\nbool has_close_elements(std::vector<float> numbers, float threshold) {\n",
"doctests": "transform",
"original": "/work/arjunguha-research-group/arjun/repos/nuprl/MultiPL-E/datasets/../datasets/originals-with-cleaned-doctests/HumanEval_0_has_close_elements.py",
"prompt_terminology": "reworded",
"tests": "}\nint main() {\n    auto candidate = has_close_elements;\n    assert(candidate((std::vector<float>({(float)1.0f, (float)2.0f, (float)3.9f, (float)4.0f, (float)5.0f, (float)2.2f})), (0.3f)) == (true));\n    assert(candidate((std::vector<float>({(float)1.0f, (float)2.0f, (float)3.9f, (float)4.0f, (float)5.0f, (float)2.2f})), (0.05f)) == (false));\n    assert(candidate((std::vector<float>({(float)1.0f, (float)2.0f, (float)5.9f, (float)4.0f, (float)5.0f})), (0.95f)) == (true));\n    assert(candidate((std::vector<float>({(float)1.0f, (float)2.0f, (float)5.9f, (float)4.0f, (float)5.0f})), (0.8f)) == (false));\n    assert(candidate((std::vector<float>({(float)1.0f, (float)2.0f, (float)3.0f, (float)4.0f, (float)5.0f, (float)2.0f})), (0.1f)) == (true));\n    assert(candidate((std::vector<float>({(float)1.1f, (float)2.2f, (float)3.1f, (float)4.1f, (float)5.1f})), (1.0f)) == (true));\n    assert(candidate((std::vector<float>({(float)1.1f, (float)2.2f, (float)3.1f, (float)4.1f, (float)5.1f})), (0.5f)) == (false));\n}\n",
"stop_tokens": [
"\n}"
    ]
}

LiveCodeBench

衡量指标： pass@k

LiveCodeBench 会定期的从 LeetCode、AtCoder 和 Codeforces 平台收集竞赛题目，构建一个综合的测试基准，当然主要是用来测试代码。从 code generation, self-repair, test output prediction, 和 code execution 4 个维度对模型进行打分。

这个 benchmark 跟 leetcode 一样，必须要所有的测试样例都通过了才算通过。一条数据的样例如下:

{
"question_title": "minimum-operations-to-exceed-threshold-value-i",
"question_content": "You are given a 0-indexed integer array nums, and an integer k.\nIn one operation, you can remove one occurrence of the smallest element of nums.\nReturn the minimum number of operations needed so that all elements of the array are greater than or equal to k.\n \nExample 1:\n\nInput: nums = [2,11,10,1,3], k = 10\nOutput: 3\nExplanation: After one operation, nums becomes equal to [2, 11, 10, 3].\nAfter two operations, nums becomes equal to [11, 10, 3].\nAfter three operations, nums becomes equal to [11, 10].\nAt this stage, all the elements of nums are greater than or equal to 10 so we can stop.\nIt can be shown that 3 is the minimum number of operations needed so that all elements of the array are greater than or equal to 10.\n\nExample 2:\n\nInput: nums = [1,1,2,4,9], k = 1\nOutput: 0\nExplanation: All elements of the array are greater than or equal to 1 so we do not need to apply any operations on nums.\nExample 3:\n\nInput: nums = [1,1,2,4,9], k = 9\nOutput: 4\nExplanation: only a single element of nums is greater than or equal to 9 so we need to apply the operations 4 times on nums.\n\n \nConstraints:\n\n1 <= nums.length <= 50\n1 <= nums[i] <= 10^9\n1 <= k <= 10^9\nThe input is generated such that there is at least one index i such that nums[i] >= k.",
"platform": "leetcode",
"question_id": "3331",
"contest_id": "biweekly-contest-125",
"contest_date": "2024-03-02T00:00:00",
"starter_code": "class Solution:\n    def minOperations(self, nums: List[int], k: int) -> int:\n        ",
"difficulty": "easy",
"public_test_cases": "[{\"input\": \"[2, 11, 10, 1, 3]\\n10\", \"output\": \"3\", \"testtype\": \"functional\"}, {\"input\": \"[1, 1, 2, 4, 9]\\n1\", \"output\": \"0\", \"testtype\": \"functional\"}, {\"input\": \"[1, 1, 2, 4, 9]\\n9\", \"output\": \"4\", \"testtype\": \"functional\"}]",
"private_test_cases": "[{\"input\": \"[90]\\n71\", \"output\": \"0\", \"testtype\": \"functional\"}, {\"input\": \"[21, 6, 62]\\n39\", \"output\": \"2\", \"testtype\": \"functional\"}, {\"input\": \"[42, 79, 14]\\n25\", \"output\": \"1\", \"testtype\": \"functional\"}, {\"input\": \"[86, 38, 33]\\n61\", \"output\": \"2\", \"testtype\": \"functional\"}, {\"input\": \"[30, 35, 60, 71]\\n13\", \"output\": \"0\", \"testtype\": \"functional\"},...]",
"metadata": "{\"func_name\": \"minOperations\"}"
}

上面例子中 private_test_cases 其实有 57 个，省略了一些。可以看出，每一条数据都被标注了来源、难易程度还有题目出现的日期。根据日期，就可以筛选出一些大模型发布之后的题目来进行测评，这样就避免了刷题的现象。

而且论文通过这种方法也发现了一些刷题过拟合的情况。如下图

该图横坐标某个模型在 livecodebench 上的 pass@1 ，纵坐标是该模型在 humaneval 上的 pass@1。正常来说模型在两个测试集合上的表现应该是差不多的，但是实际发现某些模型在 humaneval 上的效果很好，但是在 livecodebench 上的效果很差，如上图中红圈里的模型。说明这一类模型在碰到新的题目(livecodebench)后的泛化能力不太好。

CRUXEval

衡量指标：Exact Match 准确率。

这个测试挺有意思，测评的不是大模型输出的代码正不正确，而是给一段代码，让大模型根据输入判断输出（CRUXEval-O），或者让大模型根据输出判断输入（CRUXEval-O）。题目其实都很简单，比如下面的示例:

{
"code": "def f(nums):\n    output = []\n    for n in nums:\n        output.append((nums.count(n), n))\n    output.sort(reverse=True)\n    return output",
"input": "[1, 1, 3, 1, 3, 1]",
"output": "[(4, 1), (4, 1), (4, 1), (4, 1), (2, 3), (2, 3)]",
"id": "sample_0"
}

这些例子让人去预测输入或者输出其实很简单，但是却难住了不少模型。最好的 GPT-4 模型在 CRUXEval-O 上的 pass@1 是 63%，在 CRUXEval-I 上的 pass@1 是 67%，加上 CoT 之后，这两个指标提升到了 81.9% 和 74.8%.

一直在更新，更多的大模型学习和面试资料已经上传带到优快云的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。