已收录文章摘要，完整内容可前往原文阅读。
大模型代码能力评估和代码强化学习基于测试用例来提供正确性。然而，人工编写的黄金测试用例稀缺且昂贵，由 LLM 自动生成的测试用例质量又缺乏科学的衡量标准——现有评估方法要么依赖海量错误代码暴力比对，计