文章主要内容总结研究背景：大型语言模型（LLMs）在代码生成基准测试（如HumanEval、LiveCodeBench）中表现显著，但现有评估套件的测试用例数量有限且同质化，导致细微错误未被检测，夸大了模型性能，影响强化学习中可验证奖励（RLVR）的准确性。核心问题：现有测试用例存在两大挑战——测试用例同质化与LLM中心偏见（仅关注LLM类错误，忽视人类多样错误）；验证器无效性与持续盲点（难以检测人类类错误，导致奖励黑客问题）。解决方案：提出多维评估指标（检测率、验证器准确率等），量化测试套件的全面性。构建TCGBench基准，整合Atcoder、Codeforces、Nowcoder的编程问题，支持TCG方法的全面评估。提出SAGA（人机协作框架），结合人类编程知识与LLM推理能力，提升测试用例的覆盖率和质量。实验结果：SAGA在TCGBench上的检测率达90.62%，验证器准确率达32.58%；其生成的评估基准验证器准确率比LiveCodeBench-v6高10.78%。此外，基于SAGA开发了CodeCompass基准和TCGCoder-7B模型。研究意义：为可靠的LLM代码评估奠定基础，推动RLVR在代码生成中的应用，为自动化对抗性测试合成和自适应基准集成铺路。文章