用自己的代码造测评，结果居然和行业标准一致？

你有没有想过，一个开发者从自己仓库里挖出来的数据，居然能复现出和 FrontierCode 这样外部基准几乎一致的结论？这篇文章的作者就这么干了——从自己维护的项目中提炼真实开发任务，拼出一套私有 benchmark，跑出来的结果和 FrontierCode 高度吻合。我看完有点意外：大型评测未必得靠大团队和昂贵的标注流水线，一个熟悉代码的人从日常仓库里"淘金"，同样能造出有说服力的评价工具。这说明测评的门槛可能比想象中低——你手里有真实样本，加上清晰的评估标准，自建基准完全可行。

原文：How I made a benchmark mined from my own repo that agreed with FrontierCode · 来源：Hacker News