用ChatGPT写代码，已经是不少程序员的常规操作了。
△“至少提速3~5倍”
但你有没有想过，ChatGPT生成的代码，有不少只是“看起来准确”而已?
来自伊利诺伊大学香槟分校和南京大学的一项最新研究表明：
ChatGPT和GPT-4生成代码的准确率，比之前评估的至少要降低13%!
有网友感叹，太多ML论文都在用一些有问题或有局限性的基准来评估模型，来短暂地达到“SOTA”，结果换个测评方法就现出原形了。
还有网友表示，这也说明大模型生成的代码仍然需要人工监督，“AI写代码的黄金时间还没到呢”。
所以，论文提出了一种怎样的新测评方法?
给AI代码考题加大难度
这个新方法名叫EvalPlus，是一个自动化代码评估框架。
具体来说，它会通过改进现有评估数据集的输入多样性和问题描述准确性，来将这些评估基准变得更严格。
一方面是输入多样性。EvalPlus会先根据标准答案，用ChatGPT生成一些种子输入样例(虽然要测ChatGPT的编程能力，但用它生成种子输入似乎也不矛盾doge)
随后，用EvalPlus改进这些种子输入，将它们改得更难、更复杂、更刁钻。
另一方面是问题描述准确性。EvalPlus会将代码需求描述改得更精确，在约束输入条件的同时，补充自然语言问题描述，以提高对模型输出的精确度要求。
这里，论文选择了HUMANEVAL数据集作为示范。
HUMANEVAL是OpenAI和Anthropic AI一起制作的代码数据集，包含164个原创编程题，涉及语言理解、算法、数学和软件面试几种类型的题目。
EvalPlus会通过改进这类数据集的输入类型和功能描述，让编程问题看起来更清晰，同时用于测试的输入更“刁钻”或是更困难。
以其中的一道求并集编程题为例，要求AI写一段代码，找出两个数据列表中的共同元素，并给这些元素排序。
EvalPlus用它来测测ChatGPT写的代码准确度。
首先用几个简单输入进行测试，发现ChatGPT能输出正确答案。但如果换个输入，就找出了ChatGPT版代码的bug：
属实是给AI们加大了考题难度。