计算机科学 > 软件工程
[提交于 2025年7月16日
(v1)
,最后修订 2025年7月17日 (此版本, v2)]
标题: MERA代码:跨任务代码生成的统一框架
标题: MERA Code: A Unified Framework for Evaluating Code Generation Across Tasks
摘要: 在大型语言模型方面的进展提高了软件工程中的任务自动化;然而,当前的评估主要集中在自然语言任务上,忽视了代码质量。 大多数基准测试更注重高层次的推理而非可执行代码和现实世界的表现,这导致了对这些模型在生产环境中真正能力和风险的理解存在空白。 为了解决这个问题,我们提出了MERA Code,这是MERA基准家族的新成员,专门用于评估最新代码生成大型语言模型在俄语中的表现。 该基准包括11个评估任务,涵盖8种编程语言。 我们提出的评估方法具有一个分类法,概述了模型完成这些任务所需的实际编码技能。 该基准包括一个开源代码库,供用户进行MERA评估,一个与各种编程环境兼容的评分系统,以及一个具有排行榜和提交系统的平台。 我们评估了开放大型语言模型和前沿API模型,分析了它们在非英语语言中的实际编码任务上的局限性。 我们公开发布MERA,以指导未来的研究,预测模型开发中的突破性功能,并标准化评估流程。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.