● 别再刷 HumanEval 了！北大团队 RepoZero 揭示：LLM 从零建库成功率不足 60%

📌 一句话摘要 北大团队提出 RepoZero 基准，通过跨语言仓库复现任务评估 LLM 的仓库级代码生成能力，发现最强模型完成率不足 60%，并设计了 ACE 测试驱动迭代框架来提升性能。 📝 详细摘要 文章介绍了北京大学团队提出的 RepoZero 基准，旨在评估大语言模型在仓库级代码生成任

● Cursor 发布 Cursor Bench：基于真实开发场景的编程大模型评估框架

📌 一句话摘要 Cursor 推出基于内部真实工程数据的编程大模型评测基准 Cursor Bench，揭示了当前最强编程模型表现。 📝 详细摘要 Cursor 团队发布了名为 Cursor Bench 的评测基准，旨在更真实地评估编程大模型在实际开发中的表现。该基准通过 Cursor Blame