研究揭示编码智能体基准的「规范-测试」鸿沟
原文标题：What the Specification Did Not Say: Specification-Oracle Gaps in Test-Graded Coding-Agent Benchmarks
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出编码智能体基准常用自然语言描述任务、却用上游项目测试评分，通过测试需要描述中未给出的常量名、模块路径等信息，称为规范-测试鸿沟。作者构建五语言静态审计工具（精确率 89.2%、召回 92.9%），在 SWE-Milestone 上发现 98 个里程碑中 25 个存在此类依赖，含依赖单元失败率 80.6%，远高于对照的 48.4%。
- 问题
- 编码智能体基准用自然语言描述任务却用上游测试评分，隐含未说明的实现细节。
- 方法
- 形式化「规范-测试鸿沟」，并构建五语言静态审计工具，逐条分类测试对名称、路径、字面量的依赖。
- 结果
- 审计精确率 89.2%、召回 92.9%；SWE-Milestone 98 个里程碑中 25 个受影响，含依赖单元失败率 80.6% 对 48.4%。
- 影响
- 选基准和解读榜单分数时要扣除复现上游命名的水分，评测设计应让描述与测试对齐。
深读 · 结论先行AI 生成展开看要点与影响 ↓
编码智能体基准存在「规范-测试」鸿沟，含隐藏依赖单元失败率80.6%对48.4%。
- •论文定义「规范-测试鸿沟」：任务用自然语言描述，评分却用上游项目测试，需描述未给出的常量名、模块路径等。
- •作者构建五语言静态审计工具，held-out精确率89.2%、召回92.9%。
- •SWE-Milestone的98个里程碑中25个含依赖未声明名称或路径的测试。
- •含此类依赖的构建单元失败率80.6%，对照单元为48.4%。
- •从参考实现中隐去一个隐藏名称，128例中126例单元测试无法编译。
为什么重要：基准分数可能部分衡量的是「复现上游实现细节」而非任务能力，影响榜单解读与基准设计者。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。