PLSQLBench 这篇论文，我只记一条：它用执行测试判对错
前几天刷 arXiv 看到一篇新论文，8 月 16 号挂上去的，叫 PLSQLBench，讲怎么评估大模型写可执行 PL/SQL 程序的能力。顺手翻了一遍，看完发现真正值得记的不是基准本身，而是它衡量“正确”的方式——不看代码像不像样，只看能不能跑通执行测试。这篇笔记就围绕这一点记，基准的其它细节只挑相关的说。
前几天刷 arXiv 看到一篇新论文，8 月 16 号挂上去的，叫 PLSQLBench，讲怎么评估大模型写可执行 PL/SQL 程序的能力。顺手翻了一遍，看完发现真正值得记的不是基准本身，而是它衡量“正确”的方式——不看代码像不像样，只看能不能跑通执行测试。这篇笔记就围绕这一点记，基准的其它细节只挑相关的说。