Natural2Code
Google 内部 held-out 代码生成评测
基本信息
30 秒看懂
Google 内部 held-out Python 代码生成评测（HumanEval 同格式、刻意避开网页泄漏），pass@1 口径；分数为厂商自报且题面不公开，仅用于 Gemini 系代际纵向对比。
采用格局：厂商内部/未公开——Gemini 技术报告自述 held-out 权威网页问题集
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2024
2024-12-11
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
发布文称其为面向智能体时代（agentic era）的 Gemini 2.0 家族首个模型。13 项评测横跨知识、代码、数学、多模态与长上下文，亮点为 Natural2Code 92.9% 与 MATH 89.7%。
多模态长上下文智能体实验版本
查看模型变体与证据
Gemini 2.0 Flash · Natural2Code 92.9%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。