arXiv · cs.AI· Yongxi Zhou, Lai Yun Choi, Jiaxi Wen, Wenbo Ye, Junwei Yao·· 11 小时前
LLM代码评测：重复运行能带来多少收益？方差上限的实测分析
How Much Can Repeated Running Buy? A Measured Variance Ceiling for LLM Code Evaluation
arXiv:2606.00920v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yongxi Zhou, Lai Yun Choi, Jiaxi Wen, Wenbo Ye, Junwei Yao
研究任务与主要进展
基于论文摘要，研究使用16个模型、99道LeetCode风格题目、两种Prompt和每题5次运行，共完成15,840次评判，分析重复运行对大语言模型代码评测不确定性的影响。作者报告，聚类区间下15组相邻榜单中有12组无法区分，重复运行最多使置信区间收窄23%，中位模型为14%；计入新增已验证题目的成本后，精度最优重复次数的方差曲线较平坦，两到三次运行通常足以完成所需不确定成分估计。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org