Failure Map

本地 AI 写代码到底行不行？— 2 万道 Python 题要把模型评测的老问题摆出来

一个独立团队发布 20,168 道 Python 调试题，专门测试本地小模型修 bug 的能力。他们指出行业评测的暗病：模型在可见测试里拿满分，换到隐藏用例就翻车。我们关心的是：评估 AI 写代码工具时，怎么不被厂商话术忽悠。