该文综述大语言模型代码生成评测研究，提出MBXP、StudentEval、EvalPlus、ML-Bench等基准，覆盖多语言、类级代码、真实库使用与心理健康等场景；发现模型类级生成较弱、性能随规模对数线性提升，并存在提示偏见与代码偏差，提出缓解策略。