https://inkeast.github.io/MessageDaily/tags/%E8%AF%84%E6%B5%8B%E7%A7%91%E5%AD%A6/Recent content in 评测科学 on MessageDailyHugozh-cnSat, 31 Oct 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-10-31-benchmark-science-duo/Sat, 31 Oct 2026 00:00:00 +0000https://inkeast.github.io/MessageDaily/posts/2026-10-31-benchmark-science-duo/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。