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
Under Review
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。Under Review，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。