标签
本文将基准评测形式化为难度上的经验测度，识别出测度错配与覆盖缺口等失效模式，并提出了诊断指标以及 BenchFill——一种面向难度的目标化题目重写算法，同时在 7 个领域、25 个主流基准上进行了分析。