把顺子判成散牌的程序，逃过了AI写的测试

AI写测试，竟让把顺子判成散牌的错误程序过了关。TestPrism记录的这个案例，暴露了另一层漏洞：负责验收代码的测试，也可能靠不住。

南京大学团队评测14种配置。最强者按单个参考答案判分，成功率为59.67%；要求同时辨认多份正确和错误实现，只剩28%。论文首稿10月8日提交，11月8日修订。

作者公开的框架将同一套测试放进干净环境，依次检验十份候选实现。测试必须找出初始缺陷，同时放行正确方案、拦住错误方案；答案和标签事先对AI保密。框架代码采用Apache 2.0许可，任务与补丁数据另行提供。开发者可以照此检查：自己的测试究竟在验收需求，还是只认得某一种写法。

这衡量的是测试能力，不是所有AI代码的合格率。对用AI制作网站和应用的人，一排绿色勾号不能替代对边界情况的检查。

来源时间：论文初稿，北京时间2026年10月9日00:44:39／美国东部时间10月8日12:44:39（EDT）；论文修订，北京时间2026年11月9日02:06:02／美国东部时间11月8日13:06:02（EST）；研究代码提交，北京时间2026年10月10日15:01:49／美国东部时间10月10日03:01:49（EDT）；新智元／36氪，北京时间2026年11月12日16:11／美国东部时间11月12日03:11（EST）。