大型语言模型（ LLM ）越来越多地用于编码任务，但它们推理代码执行的能力尚不清楚。现有的存储库级QA基准主要评估静态代码理解，通常依赖于基于LLM的评估，而执行推理基准主要局限于片段或函数。我们引入了SWE-Flux ，这是Dynami的存储库级基准

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2609.28449v1)获取最准确的信息。

---
🔗 **原文链接**: [Can LLMs Reason About Runtime Behavior? A Repository-Level D](https://arxiv.org/abs/2609.28449v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Hamed Taherkhani, Mohammad Abdollahi, Melika Sepidband, Hridya Dhulipala, Tien N. Nguyen, Hadi Hemmati

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
Benchmark看多了容易麻木——跑分好不一定产品好用。这篇文章好在对分差有分析，不只是贴数据。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-09-24 13:01