不给性能提示
完成任务，但不提及代码运行缓慢。
模型需要自行发现低效路径，并决定是否采取优化行动。主动修复率反映最终代码同时正确且高效的案例占比。
ALLE RESEARCH / FLAGSHIP BENCHMARK
CrawlBench
没人提醒，模型会主动优化慢代码吗？
代码运行正确，却慢得不合理。我们用同一组真实代码任务，
衡量 Coding Agent 从发现性能问题到主动修复的能力。
When Code Crawls: Benchmarking Proactive Optimization in Coding Agents
The Proactivity Leaderboard
从“会修复”，到“会主动修复”。
绿色表示当前所选模型中该指标的最佳值，包含并列。
主动修复率取 Figure 3 右图整数标注；差距取 Figure 3 左图；四类任务主动修复率取 Figure 4。不同图表保留各自原始精度。
来源：用户提供的 CrawlBench 研究稿，Figure 3–4。ICLR 2027 在审，结果由论文作者报告，非本站独立复测。主实验为 100 个 Python 单缺陷案例，三次独立种子；图中比例按论文标注取整。
THE QUESTION BEHIND THE SCORE
同一份代码，两种任务表述。
功能正确只是起点。CrawlBench 关注模型是否会自行测量、判断并修复性能问题。
明确指出代码很慢
完成相同任务，并明确提示性能问题。
保持任务、工具和预算一致，观察模型在获得提醒后能否修复。与 Implicit 的差距，刻画主动发起优化的不足。
Δ = Explicit − Implicit
差距以百分点（pp）计。较小的差距需结合修复率理解。验证器要求输出正确，且 E = Topt / Tactual ≥ 0.1；运行时间在固定硬件上测量，健康版本仅供验证器参照。
BEHIND THE LEADERBOARD
修复能力与主动性的距离。
论文原图同时呈现两种表述下的修复率，以及正确但缓慢、错误但快速等失败类型。
MORE FROM ALLE / RESEARCH ARCHIVE
完整 Benchmark 研究目录
12 项既有研究，覆盖图推理、算法、科学预测与语言金融；与上方主打 CrawlBench 共同构成 13 项研究展示。
GraphArena
Evaluating LLMs on Graph Computation10 项图计算任务，覆盖多项式时间与 NP-complete 挑战。
GrAlgoBench
Graph Algorithm Problems for Reasoning Models9 类图算法任务，覆盖多级难度，观察长上下文与过度思考。
GADBench
Supervised Graph Anomaly Detection10 个真实图异常检测数据集与 29 类模型。
BatteryLife
Battery Life Prediction整合 16 个数据集，覆盖多种电池格式、化学体系与充放电协议。
AlgBench
Understanding Algorithms3,000 多道原创题，覆盖 27 种算法，评估推理模型的算法理解。
ProG
A Graph Prompt Learning Benchmark组合 6 种预训练方法、5 种 Prompt 方法与 15 个数据集。
GLBench
A Comprehensive Benchmark for Graph with Large Language Models覆盖监督与 zero-shot 场景，统一比较 GraphLLM 方法与传统基线，评估大语言模型在图学习任务中的表现。
SimXRD-4M
Big Simulated X-ray Diffraction Data and Crystalline Symmetry Classification Benchmark提供 4,065,346 条模拟粉末 XRD 图谱，覆盖 119,569 个晶体结构和 33 种模拟条件，用于晶体对称性分类。
BAG
Benchmarking Anomaly Detection on Dynamic Graphs面向动态图异常检测，覆盖 10 个数据集与 25 类模型，系统比较不同模型在时间变化图结构中的检测能力。
Golden Touchstone
A Comprehensive Bilingual Benchmark for Evaluating Financial Large Language Models中英文金融 LLM 综合 Benchmark，覆盖 8 类金融 NLP 任务，用于评估金融知识、理解、推理与生成能力。
ProbTS
Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons统一评测点预测与分布预测，覆盖多种时间序列、预测跨度与不确定性建模设置。
Orca
A Few-shot Benchmark for Chinese Conversational Machine Reading Comprehension中文对话式机器阅读理解 Benchmark，包含 831 段对话、4,742 个对话轮次，覆盖 33 个领域与 few-shot 泛化设置。