过去两年，大模型写代码已经不再新鲜。一个纯粹的大语言模型本质上是无状态的。trace，都能告诉系统当前发生了什么，而不是只依赖模型自我解释。等可执行评测环境也正是基于这一点：任务不再只是静态问答，而是在一个可执行环境中完成。主要看最终结果：答案对不对、测试过没过、任务完成没有。
2026-06-10