**性能优化基准能否可靠评估编码智能体？**

_Are Performance-Optimization Benchmarks Reliably Measuring Coding Agents?_

> 研究指出GSO、SWE-Perf等代码优化基准存在参考补丁跨机器复现率低、评分规则导致排名不一致及任务权重分配不合理等问题，建议结合具体任务信号更准确地评估编码智能体进展。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.01211)