英文：Execution-Based Code Evaluation 分类：eval
通过实际执行生成的代码（运行测试用例）来评估代码正确性的方法，比静态文本匹配（BLEU）更真实，是代码模型评测的主流标准。
流程：生成代码→构造测试→运行（编译/执行）→判定通过率（pass@k）；基准：HumanEval、MBPP、SWE-bench（真实仓库任务）；指标：pass@1/pass@k、修复成功率；注意：测试质量（防投机通过）、环境隔离。
用于代码生成模型评测与选型（HumanEval/SWE-bench 分数）、编码 Agent 验收（真实任务）、测试生成质量验证与 CI 集成；代码执行评测是"代码能不能跑"的最终检验。