英文：Coding Benchmark 分类：coding
衡量 LLM 编程能力的标准化评测基准：从函数级（HumanEval）到仓库级（SWE-bench），覆盖代码生成、修复、测试与真实任务，是模型编程能力对比的依据。
代表：HumanEval/MBPP（函数生成）、SWE-bench（真实 issue 修复）、LiveCodeBench（防污染）、Codeforces（竞赛）；指标：pass@k（多采样成功率）、解决率；设计要点：防数据污染（新题/动态题）、难度分层；局限：与真实开发（长任务/工具）仍有差距。
用于模型选型（编程能力对比）、研发进步追踪（SOTA）、Agent 能力评测（SWE-bench）与训练数据筛选；编程基准是"AI 写代码能力"的度量衡。
相关词条：Claude Code · Windsurf · Devin · 代码模型 · 缺陷定位