现在很多代码大模型在HumanEval这类测试上分数都刷得挺高，但你有没有想过，这可能是背题背出来的？数据污染和测试不严谨，让这些基准逐渐成了开卷考试。北航团队最近在ICLR 2026上发表的新研究Code2Bench，就是想打破这种高分幻觉。

他们提出的思路挺有意思，叫双重扩展。一方面题目来源要动态更新，直接从GitHub上抓取最新的函数提交，并且确保是在模型知识截止日期之后写的，这样模型绝对没见过，杜绝记忆作弊。另一方面测试得够严，要求写出来的代码必须覆盖函数里所有逻辑分支，也就是100%分支覆盖率，不只是跑通几个简单例子。

从他们放出的Code2Bench-2509来看，题目复杂度确实上去了，圈复杂度平均5.3，比HumanEval的2.8高不少，还覆盖了NumPy、Pandas这些常用库。这样一来，模型到底是真的会写代码，还是只是背了题库，一试便知。

这种动态构建的方式，相当于给大模型评测建立了一个持续进化的对抗环境。以后想靠刷平台拿高分，可能就没那么容易了。