研究表明，当前编码基准测试存在“意义差距”，即基准分数与模型实际性能之间的差异。基准测试通常只反映特定任务的能力，而非全面的编码能力。为改善评估，建议使用更广泛的基准套件，并强调持续维护和多样化任务的重要性，以更准确地反映模型的真实表现。