Lo esencial antes de invertir más tiempo.
Extiende LiveCodeBench a 12 lenguajes de programación manteniendo controles de contaminación y protocolo de evaluación.
For example, GPT-OSS-120B ∗ (Medium) outperforms Qwen3-235B-A22B-Thk-2507 ∗ on Go, Javascript, Typescript, Rust, Ruby and Kotlin, and DeepSeek-R1-0528 ∗ outperforms Qwen3- 235B-A22B-Thk-2507 ∗ on Rust, Ruby and Scala, despite Qwen3-235B-A22B-Thk-2507 ∗ being consistently stronger on Python.
Resultado reportado con fuente enlazada · 5 localizadores disponibles.La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 5 Experiments and Results.
Comparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.
Extiende LiveCodeBench a 12 lenguajes de programación manteniendo controles de contaminación y protocolo de evaluación.
Qué está reportado y qué conviene comprobar.
For example, GPT-OSS-120B ∗ (Medium) outperforms Qwen3-235B-A22B-Thk-2507 ∗ on Go, Javascript, Typescript, Rust, Ruby and Kotlin, and DeepSeek-R1-0528 ∗ outperforms Qwen3- 235B-A22B-Thk-2507 ∗ on Rust, Ruby and Scala, despite Qwen3-235B-A22B-Thk-2507 ∗ being consistently stronger on Python.
120B · baseline: Comparación declarada en la sección de evaluación · contexto: 5 Experiments and Results
Figure 3 plots per-model Pass@1 averaged on 10 runs with sampling temperature t=0.2 scores on Python against the cross programming language average on Dataset v6 (Feb 2025 – May 2025).
contexto: 5 Experiments and Results
Models without explicit multi programming languages training, such as OpenRsn-Nmt-32B ∗ and OpenCodeRsn-Nmt-1.1-32B ∗ , show the starkest gap, exceeding 60% on Python while remaining below 30% across other languages.
32B · contexto: 5 Experiments and Results
The most strongest models, GPT-OSS-120B ∗ (Medium) , Qwen3-235B-A22B-Thk-2507 ∗ and DeepSeek-R1-0528 ∗ establish a strong yet far-from-saturated frontier, while the next tier of high-performing models, such as Qwen3-30B-A3B-Thk-2507 ∗ , illustrates that only a handful of reasoning-augmented variants can exceed the 50% mark.
120B · contexto: 5 Experiments and Results
Qué estudiaron y qué cambia.
La síntesis está separada de los resultados reportados y de las inferencias.PROBLEMA / La señal entra en el radar porque La evaluación de código centrada en Python no representa bien software real multilenguaje.
MÉTODO / La lectura de 2 Related Work describe la intervención y su construcción: Single-language code benchmarks . Early code-generation benchmarks evaluate functional correctness almost exclusively in Python. HumanEval ( 6 ) contains 164 hand-written problems, each defined by a natural language prompt, a fixed function signature, and hidden unit tests; tasks are short, single-function programs created specifically for evaluation rather than drawn from programming contests. MBPP ( 2 ) likewise offers small Python exercises aimed at introductory programming and interview practice. Subsequent datasets expanded scale and difficulty: APPS ( 10 ) aggregates competition and interview style… [Fuente: https://arxiv.org/html/2606.20517#S2]
RESULTADO / La sección 5 Experiments and Results informa: For example, GPT-OSS-120B ∗ (Medium) outperforms Qwen3-235B-A22B-Thk-2507 ∗ on Go, Javascript, Typescript, Rust, Ruby and Kotlin, and DeepSeek-R1-0528 ∗ outperforms Qwen3- 235B-A22B-Thk-2507 ∗ on Rust, Ruby and Scala, despite Qwen3-235B-A22B-Thk-2507 ∗ being consistently stronger on Python. Figure 3 plots per-model Pass@1 averaged on 10 runs with sampling temperature t=0.2 scores on Python against the cross programming language average on Dataset v6 (Feb 2025 – May 2025). Models without explicit multi programming languages training, such as OpenRsn-Nmt-32B ∗ and OpenCodeRsn-Nmt-1.1-32B ∗ , show the starkest gap, exceeding 60% on Python while remaining below 30% across other languages. [Fuente: https://arxiv.org/html/2606.20517#S5]
LÍMITE / El cierre de la fuente señala: Internal Validity. Despite date-based filtering, hidden forms of contamination may persist through similar problem patterns or solution templates present in training data. Additionally, models may exhibit temporal bias based on varying exposure to different programming languages during their training periods. La transferencia a evaluación de copilotos requiere repetir la comparación con datos y criterios propios [Fuente: https://arxiv.org/html/2606.20517#S6].
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 5 Experiments and Results.
- PROBLEMA
- La evaluación de código centrada en Python no representa bien software real multilenguaje.
- MÉTODO
- La lectura de 2 Related Work describe la intervención y su construcción: Single-language code benchmarks . Early code-generation benchmarks evaluate functional correctness almost exclusively in Python. HumanEval ( 6 ) contains 164 hand-written problems, each defined by a natural language prompt, a fixed function signature, and hidden unit tests; tasks are short, single-function programs created specifically for evaluation rather than drawn from programming contests. MBPP ( 2 ) likewise offers small Python exercises aimed at introductory programming and interview practice. Subsequent datasets expanded scale and difficulty: APPS ( 10 ) aggregates competition and interview style…
- TIPO DE EVIDENCIA
- La sección 5 Experiments and Results informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.20517#S5.
- LÍMITE
- La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 5 Experiments and Results.
La lectura también deja rastro.
Guarda una observación junto a la evidencia. Tú escribes aquí; los agentes pueden añadir notas por MCP y aparecerán identificados.
LECTURA AMPLIADAMetodología, implicaciones y preguntas para volver al paper.+
La lectura de 2 Related Work describe la intervención y su construcción: Single-language code benchmarks . Early code-generation benchmarks evaluate functional correctness almost exclusively in Python. HumanEval ( 6 ) contains 164 hand-written problems, each defined by a natural language prompt, a fixed function signature, and hidden unit tests; tasks are short, single-function programs created specifically for evaluation rather than drawn from programming contests. MBPP ( 2 ) likewise offers small Python exercises aimed at introductory programming and interview practice. Subsequent datasets expanded scale and difficulty: APPS ( 10 ) aggregates competition and interview style…
Los agentes de programación empresariales deben tocar Java, JS/TS, C#, Go, Rust, SQL y legacy, no solo Python.
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 5 Experiments and Results.
Cómo lo llevaría a un proyecto
Probar la propuesta en evaluación de copilotos reproduciendo primero la comparación y registrando calidad, coste, latencia y errores.
Preguntas que conviene probar
- ¿La mejora se mantiene cuando evaluación de copilotos cambia de dominio o distribución?
- ¿Qué componente del método explica la mayor parte del resultado y qué baseline lo pone realmente a prueba?
Si tuviera que convertirlo en una prueba mañana.
Mi lectura
La pregunta operativa es si evaluación de copilotos puede medirse con una línea base y un criterio de parada claros.
Esta última frase es una inferencia editorial a partir del paper y de sus posibles implicaciones; no es una afirmación de los autores.