基准测试

精读两篇评测科学新文：UIUC 等把基准形式化为难度轴上的经验测度，用 DDM 与 Max Gap 诊断 25 个基准的失配与覆盖空洞，BenchFill 补 3 题即平均削减 32.67% 的 gap sum；浙大 ExLabel 用自进化经验库代理评估 SWE 数据集任务清晰度与测试覆盖度，过滤后微调 Qwen3.5-9B 在 SWE-bench Verified 冲到 66.2%。两者分别从分布层与实例层回答同一个问题——基准的分数凭什么可信。

精读 Investor’s Last Exam 与 EPSBench 两篇金融 Agent 评测论文：前者用 343 万文档版本的版本化冻结库在前视泄漏防线上做系统级截止，后者用公司专属会计 DAG 与共享计算器保证预测计算可验证；两者共同揭示前沿模型研究能力强而预测能力弱的结构性断裂。