Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.12284

帮助 | 高级搜索

计算机科学 > 软件工程

arXiv:2507.12284 (cs)
[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

Authors:Artem Chervyakov, Alexander Kharitonov, Pavel Zadorozhny, Adamenko Pavel, Rodion Levichev, Dmitrii Vorobev, Dmitrii Salikhov, Aidar Valeev, Alena Pestova, Maria Dziuba, Ilseyar Alimova, Artem Zavgorodnev, Aleksandr Medvedev, Stanislav Moiseev, Elena Bruches, Daniil Grebenkin, Roman Derunets, Vikulov Vladimir, Anton Emelyanov, Dmitrii Babaev, Vladimir V. Ivanov, Valentin Malykh, Alena Fenogenova
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。
摘要: Advancements in LLMs have enhanced task automation in software engineering; however, current evaluations primarily focus on natural language tasks, overlooking code quality. Most benchmarks prioritize high-level reasoning over executable code and real-world performance, leaving gaps in understanding true capabilities and risks associated with these models in production. To address this issue, we propose MERA Code, a new addition to the MERA benchmark family, specifically focused on evaluating code for the latest code generation LLMs in Russian. This benchmark includes 11 evaluation tasks that span 8 programming languages. Our proposed evaluation methodology features a taxonomy that outlines the practical coding skills necessary for models to complete these tasks. The benchmark comprises an open-source codebase for users to conduct MERA assessments, a scoring system compatible with various programming environments, and a platform featuring a leaderboard and submission system. We evaluate open LLMs and frontier API models, analyzing their limitations in terms of practical coding tasks in non-English languages. We are publicly releasing MERA to guide future research, anticipate groundbreaking features in model development, and standardize evaluation procedures.
主题: 软件工程 (cs.SE) ; 人工智能 (cs.AI); 计算与语言 (cs.CL)
引用方式: arXiv:2507.12284 [cs.SE]
  (或者 arXiv:2507.12284v2 [cs.SE] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12284
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Alena Fenogenova Ms [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 14:31:33 UTC (307 KB)
[v2] 星期四, 2025 年 7 月 17 日 12:55:32 UTC (307 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.SE
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.AI
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号