南京大学团队提出TestPrism基准：Coding Agent写测试成功率被高估一倍

南京大学刘佳恒团队提出测试生成基准TestPrism，显示单一参考评测会系统性高估Coding Agent所写测试的可靠性。该基准汇集17个来源的300个测试任务和3000个候选实现，每个任务配1份参考实现、4份正确替代实现和5份错误实现，核心指标JSF要求测试在原始代码上失败、接受全部正确实现并拒绝全部错误实现。