该文综述了大型语言模型代码生成评测进展，涵盖EvalPlus、L2CEval、DevEval、F-Eval、NL2Fix、CoDI-Eval等基准，评估语义解析、数学推理、Python编程、类级代码生成及Verilog设计等任务，揭示现有基准局限，指出模型在复杂代码生成和约束遵循上表现不足，并提出改进方向。