研究提出基准测试难度度量及BenchFill算法

发生了什么

据arXiv cs.LG研究，基准测试不仅是测试题集合，自然诱导了难度经验度量。研究开发了基于此的基准评估视角，识别并形式化两种核心失效模式：度量不匹配（基准难度分布与预期分布不同）和覆盖差距（未覆盖的难度区域限制检测模型改进）。研究提出两种诊断指标，并引入BenchFill算法，这是一种简单的难度目标项目重写算法，有效减少局部覆盖差距。