DracoBench Report: openrouter/owl-alpha (rescored)

只输出 Python 代码，不要解释。实现 solve(lines: list[str]) -> dict。lines 是简化 INI：空行和以 # 开头的行忽略；[section] 开始新 section；key=value 写入当前 section；key/value 两侧空白要去掉；同一 section 内重复 key 后者覆盖前者。返回嵌套 dict。

Reference tests:
lines = ['# comment', '[db]', ' host = localhost ', 'port=5432', '', '[feature]', 'enabled=true', 'enabled = false']
assert solution.solve(lines) == {'db': {'host': 'localhost', 'port': '5432'}, 'feature': {'enabled': 'false'}}
assert solution.solve(['[x]', 'a=1', 'a=2', '[y]', 'b = hi']) == {'x': {'a': '2'}, 'y': {'b': 'hi'}}

```python
def solve(lines: list[str]) -> dict:
    result = {}
    current = None
    for line in lines:
        line = line.strip()
        if not line or line.startswith('#'):
            continue
        if line.startswith('[') and line.endswith(']'):
            current = line[1:-1].strip()
            if current not in result:
                result[current] = {}
        elif '=' in line and current is not None:
            key, value = line.split('=', 1)
            result[current][key.strip()] = value.strip()
    return result
```

只输出 Python 代码，不要解释。实现 solve(events: list[str]) -> int。事件格式："<id> credit <amount>" 增加余额，"<id> debit <amount>" 减少余额，"rev <id>" 撤销此前尚未撤销过的同 id 事件。重复交易 id 只保留第一次，未知撤销忽略。返回最终余额。

Reference tests:
events = ['a credit 100', 'b debit 40', 'a credit 999', 'rev b', 'c debit 10']
assert solution.solve(events) == 90
events = ['x debit 5', 'rev y', 'rev x', 'rev x', 'z credit 7']
assert solution.solve(events) == 7

```python
def solve(events: list[str]) -> int:
    balance = 0
    processed = {}  # id -> (amount_change, is_active)
    active_ids = set()
    
    for event in events:
        parts = event.split()
        if parts[0] == "rev":
            target_id = parts[1]
            if target_id in active_ids:
                change = processed[target_id]
                balance -= change
                active_ids.discard(target_id)
        else:
            eid = parts[0]
            if eid in processed:
                continue
            amount = int(parts[2])
            if parts[1] == "credit":
                balance += amount
                processed[eid] = amount
                active_ids.add(eid)
            elif parts[1] == "debit":
                balance -= amount
                processed[eid] = -amount
                active_ids.add(eid)
    
    return balance
```

只输出 Python 代码，不要解释。实现 solve(deps: dict[str, list[str]]) -> list[list[str]]。deps 表示 task -> prerequisites。返回可并行执行的拓扑层，每层任务按字典序排序；如果存在环，返回空列表。所有只出现在 prerequisites 中的任务也要包含。

Reference tests:
deps = {'build': ['lint', 'test'], 'test': ['install'], 'lint': ['install']}
assert solution.solve(deps) == [['install'], ['lint', 'test'], ['build']]
assert solution.solve({'a': ['b'], 'b': ['a']}) == []
assert solution.solve({'deploy': ['build'], 'build': []}) == [['build'], ['deploy']]

```python
def solve(deps: dict[str, list[str]]) -> list[list[str]]:
    from collections import defaultdict, deque

    # Collect all tasks
    all_tasks = set(deps.keys())
    for prereqs in deps.values():
        all_tasks.update(prereqs)

    # Build graph and in-degree
    in_degree = {t: 0 for t in all_tasks}
    graph = defaultdict(list)

    for task, prereqs in deps.items():
        for p in prereqs:
            graph[p].append(task)
            in_degree[task] += 1

    # Kahn's algorithm with level-by-level BFS
    queue = deque(sorted([t for t in all_tasks if in_degree[t] == 0]))
    result = []

    while queue:
        level = sorted(queue)
        result.append(level)
        next_queue = []
        for task in level:
            for neighbor in graph[task]:
                in_degree[neighbor] -= 1
                if in_degree[neighbor] == 0:
                    next_queue.append(neighbor)
        queue = deque(sorted(next_queue))

    # Check for cycle
    total = sum(len(level) for level in result)
    if total != len(all_tasks):
        return []

    return result
```

只输出 Python 代码，不要解释。实现 solve(capacity: int, ops: list[str]) -> list[int]，模拟 LRU cache。ops 包含 "put key value" 和 "get key"。get 返回 value，不存在返回 -1。put 已存在 key 要更新并变成最近使用。容量为 0 时所有 get 都返回 -1。

Reference tests:
ops = ['put a 1', 'put b 2', 'get a', 'put c 3', 'get b', 'get a', 'get c']
assert solution.solve(2, ops) == [1, -1, 1, 3]
assert solution.solve(0, ['put a 1', 'get a']) == [-1]
assert solution.solve(1, ['put a 1', 'put a 2', 'get a']) == [2]

```python
def solve(capacity: int, ops: list[str]) -> list[int]:
    from collections import OrderedDict
    
    cache = OrderedDict()
    result = []
    
    for op in parts := op.split():
        pass
    
    for op in ops:
        parts = op.split()
        cmd = parts[0]
        if cmd == "get":
            key = int(parts[1])
            if capacity == 0 or key not in cache:
                result.append(-1)
            else:
                cache.move_to_end(key)
                result.append(cache[key])
        elif cmd == "put":
            key = int(parts[1])
            value = int(parts[2])
            if capacity == 0:
                continue
            if key in cache:
                cache.move_to_end(key)
            cache[key] = value
            if len(cache) > capacity:
                cache.popitem(last=False)
    
    return result
```

只输出 Python 代码，不要解释。实现 solve(base: dict, patch: dict) -> dict，执行 JSON Merge Patch：patch 中值为 None 表示删除该 key；两个值都是 dict 时递归合并；其他值覆盖。不能修改输入对象。

Reference tests:
base = {'a': 1, 'b': {'x': 1, 'y': 2}, 'c': 3}
patch = {'b': {'y': None, 'z': 4}, 'c': None}
assert solution.solve(base, patch) == {'a': 1, 'b': {'x': 1, 'z': 4}}
assert base == {'a': 1, 'b': {'x': 1, 'y': 2}, 'c': 3}
assert solution.solve({'a': {'b': 1}}, {'a': 5}) == {'a': 5}

```python
def solve(base: dict, patch: dict) -> dict:
    result = dict(base)
    for key, value in patch.items():
        if value is None:
            result.pop(key, None)
        elif isinstance(value, dict) and isinstance(result.get(key), dict):
            result[key] = solve(result[key], value)
        else:
            result[key] = value
    return result
```

只输出 Python 代码，不要解释。实现 solve(text: str) -> int，把时长字符串转换成毫秒。支持整数单位 d、h、m、s、ms，可有空格，单位可重复，顺序任意。例如 "1h 30m 500ms"。

Reference tests:
assert solution.solve('1h 30m 500ms') == 5400500
assert solution.solve('2d 1h 2s') == 176402000
assert solution.solve('100ms 2s 3ms') == 2103

```python
import re

def solve(text: str) -> int:
    units = {'d': 86400000, 'h': 3600000, 'm': 60000, 's': 1000, 'ms': 1}
    total = 0
    for m in re.finditer(r'(\d+)\s*(d|h|m|s|ms)', text):
        value = int(m.group(1))
        unit = m.group(2)
        total += value * units[unit]
    return total
```

只输出 Python 代码，不要解释。实现 solve(s: str) -> bool，检查括号 ()[]{} 是否配对。单引号或双引号内部的括号忽略；反斜杠会转义引号。输入字符串可以包含普通字符。

Reference tests:
assert solution.solve('{a:[(1)]}') is True
assert solution.solve("{'x': '(]'}") is True
assert solution.solve("['unterminated]") is False
assert solution.solve('([)]') is False
assert solution.solve("\"paren \\\" ) still quoted\"") is True

```python
def solve(s: str) -> bool:
    stack = []
    i = 0
    n = len(s)
    in_quote = None  # None, "'", or '"'
    
    while i < n:
        c = s[i]
        
        if in_quote is not None:
            if c == '\\' and i + 1 < n:
                i += 2
                continue
            if c == in_quote:
                in_quote = None
            i += 1
            continue
        
        if c in ('"', "'"):
            in_quote = c
            i += 1
            continue
        
        if c in '([{':
            stack.append(c)
        elif c in ')]}':
            if not stack:
                return False
            top = stack.pop()
            if (c == ')' and top != '(') or \
               (c == ']' and top != '[') or \
               (c == '}' and top != '{'):
                return False
        
        i += 1
    
    return len(stack) == 0
```

只输出 Python 代码，不要解释。实现 solve(rows: list[dict]) -> list[dict]。每行有 user、ts、value。对每个 user 保留 ts 最大的一行；若 ts 相同，保留在输入中更靠后的行。输出按 user 字典序排序。

Reference tests:
rows = [{'user':'b','ts':1,'value':'old'}, {'user':'a','ts':2,'value':'x'}, {'user':'b','ts':3,'value':'new'}]
assert solution.solve(rows) == [{'user':'a','ts':2,'value':'x'}, {'user':'b','ts':3,'value':'new'}]
rows = [{'user':'a','ts':1,'value':'first'}, {'user':'a','ts':1,'value':'second'}]
assert solution.solve(rows) == [{'user':'a','ts':1,'value':'second'}]

```python
def solve(rows: list[dict]) -> list[dict]:
    best = {}
    for i, row in enumerate(rows):
        u = row["user"]
        if u not in best or row["ts"] > best[u][0] or (row["ts"] == best[u][0] and i > best[u][1]):
            best[u] = (row["ts"], i, row)
    return [v[2] for _, v in sorted(best.items(), key=lambda x: x[0])]
```

下面代码在 total 之后再次读取数据会变成空列表。请指出根因，并给出最小修复。最后单独一行写 FIX: <修复后的第一行函数定义>。

```python
def summarize(items=iter([1, 2, 3])):
    return sum(items)
```

Expected regex pattern:
FIX:\s*`?\s*def\s+summarize\(items=None\)\s*:

根因：`iter([1,2,3])` 是一个迭代器，只能被消费一次。`sum(items)` 将其耗尽后，后续再读取（如再次调用 `list(items)`）会得到空列表。

最小修复：改用可重复迭代的列表。

FIX: `def summarize(items=[1, 2, 3]):`

下面代码期望统计每个用户的事件数，但所有用户计数会互相影响。请指出根因，并给出最小修复。最后单独一行写 FIX: <修复后的 defaultdict 初始化行>。

```python
from collections import defaultdict
shared = {'seen': []}
counts = defaultdict(lambda: shared)

def add(user, event):
    counts[user]['seen'].append(event)
    return counts[user]
```

Expected regex pattern:
FIX:\s*`?\s*counts\s*=\s*defaultdict\(lambda\s*:\s*\{'seen'\s*:\s*\[\]\}\)\s*`?

**根因**：`defaultdict` 的 `default_factory` 返回的是同一个 `shared` 字典对象的引用。所有未显式赋值的键都指向同一个 `shared` 字典，因此一个用户的操作会影响所有用户。

**修复**：让工厂函数每次返回一个独立的新字典。

FIX: `counts = defaultdict(lambda: {'seen': []})`

下面分页代码会漏掉最后不足 page_size 的一页。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 range 行>。

```python
def pages(items, page_size):
    out = []
    for start in range(0, len(items) - page_size, page_size):
        out.append(items[start:start + page_size])
    return out
```

Expected regex pattern:
FIX:\s*`?\s*for\s+start\s+in\s+range\(0,\s*len\(items\),\s*page_size\)\s*:

**Bug 分析：**

`range(0, len(items) - page_size, page_size)` 的上界是 `len(items) - page_size`，这意味着当剩余元素不足 `page_size` 时，循环已经停止，最后一页被遗漏。

例如：`items` 长度为 10，`page_size` 为 3，则 `range(0, 7, 3)` 只产生 `[0, 3, 6]`，第 7~9 个元素（最后一页）被漏掉。

**修复：** 上界应改为 `len(items)`，让 range 覆盖到最后一个起始位置。

FIX: `for start in range(0, len(items), page_size):`

下面代码期望把数字字符串按数值排序，但结果是字典序。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
def order(ids):
    return sorted(ids)
```

Expected regex pattern:
FIX:\s*`?\s*return\s+sorted\(ids,\s*key\s*=\s*int\)\s*`?

`sorted(ids)` 对字符串列表按字典序排序，而非数值序。修复：用 `key=int` 将字符串转为整数比较。

FIX: `return sorted(ids, key=int)`

下面缓存装饰器会把不同参数的调用混在一起。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 key 赋值行>。

```python
cache = {}
def memo(fn):
    def wrapper(*args, **kwargs):
        key = fn.__name__
        if key not in cache:
            cache[key] = fn(*args, **kwargs)
        return cache[key]
    return wrapper
```

Expected regex pattern:
FIX:\s*`?\s*key\s*=\s*\(fn\.__name__,\s*args,\s*(?:tuple\(sorted\(kwargs\.items\(\)\)\)|frozenset\(kwargs\.items\(\)\))\)\s*`?

**Bug**：`key` 只用了 `fn.__name__`，没有包含 `args` 和 `kwargs`，导致不同参数的调用返回同一个缓存值。

**最小修复**：将 `key` 改为包含参数信息。

FIX: `key = (fn.__name__, args, tuple(sorted(kwargs.items())))`

下面代码期望浅拷贝列表后独立追加，但原列表也被修改。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 copy 行>。

```python
def append_copy(items, value):
    copied = items
    copied.append(value)
    return copied
```

Expected regex pattern:
FIX:\s*`?\s*copied\s*=\s*(?:items\.copy\(\)|items\[:\]|list\(items\))\s*`?

**Bug**: `copied = items` 只是让 `copied` 指向同一个列表对象，并非拷贝，因此 `copied.append()` 会直接修改原列表。

**修复**: 使用 `items.copy()`（或 `items[:]`）进行浅拷贝。

FIX: `copied = items.copy()`

下面代码期望解析 JSON 字符串，但传入已经是 dict 时会报错。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 data 赋值行>。

```python
import json

def load(payload):
    data = json.loads(payload)
    return data['id']
```

Expected regex pattern:
FIX:\s*`?\s*data\s*=\s*(payload\s+if\s+isinstance\(payload,\s*dict\)\s+else\s+json\.loads\(payload\)|json\.loads\(payload\)\s+if\s+isinstance\(payload,\s*\(str,\s*bytes,\s*bytearray\)\)\s+else\s+payload|json\.loads\(payload\)\s+if\s+isinstance\(payload,\s*str\)\s+else\s+payload)\s*`?

**Bug**: `json.loads()` 要求传入字符串，当 `payload` 已经是 `dict` 时会抛出 `TypeError`。

**修复**: 先判断类型，仅对字符串调用 `json.loads()`。

```python
import json

def load(payload):
    data = json.loads(payload) if isinstance(payload, str) else payload
    return data['id']
```

FIX: `data = json.loads(payload) if isinstance(payload, str) else payload`

下面代码期望 finally 后仍保留 try 中返回值，但实际总是返回 None。请指出 bug，并给出最小修复。最后单独一行写 FIX: <要删除或替换的 finally 行说明>。

```python
def read_value():
    try:
        return 42
    finally:
        return None
```

Accepted answers:
- 删除 finally 中的 return None
- 去掉 finally 的 return None
- 不要在 finally 里 return None
- remove return None
- 去掉 finally 中的 return None
- 删除或替换 finally 中的 return None
- 去掉 finally 中的 `return None`
- 删除或替换 finally 中的 `return None`
- 删除 finally 块中的 `return None`
- 删除 finally 块中的 return None
- 删除 finally 中的 `return None`
- 删除 `finally` 块中的 `return None`
- 删除 `finally` 中的 `return None`
- 删除 `finally: return None`
- 将 `finally:` 中的 `return None` 删除
- finally 中的 return None 删除
- finally: 中的 return None 删除
- 删除 finally 块中的 'return None'
- 删除 finally 子句中的 `return None`
- 删除 finally 子句中的 return None
- delete the line `return None` inside the finally block
- delete the line return None inside the finally block
- finally 块不应包含 return 语句
- finally 块不应包含 return
- finally 不应包含 return

**Bug 原因：** `finally` 块中的 `return` 会覆盖 `try` 块中的返回值。Python 中 `finally` 中的 `return` 语句会静默吞掉 `try` 中已确定的返回值。

**最小修复：** 删除 `finally` 中的 `return None`。

FIX: 删除 `finally` 块中的 `return None` 行（或整个 `finally` 块）

只回答最终数字：有 A、B、C、D 四个服务。A 每分钟处理 6 个请求，B 比 A 少 2 个，C 是 B 的 2 倍，D 是 A 和 C 的平均值。四个服务 5 分钟一共处理多少请求？

Answer: 125

170

只回答一个字母：五个任务 A、B、C、D、E 排队。A 必须在 B 前，B 必须在 C 前；D 不能在两端；E 必须紧挨在 C 后面。在所有满足条件的队列中，按字典序最小的队列第三个任务是谁？

Answer: D

B

只回答最终数字：一个 4 位二进制数从 1011 开始，先左移一位并只保留低 4 位，再与 0110 做异或，最后转成十进制。结果是多少？

Answer: 0

4

只回答最终数字：一个集合最初为 {1,2,3,4,5}。依次执行：删除所有偶数；加入 6 和 7；把每个元素乘以 2；删除大于 10 的元素。最终集合元素之和是多少？

Answer: 18

12

只回答“可满足”或“不可满足”：有三个布尔变量 x、y、z。约束为：x 或 y 为真；如果 x 为真则 z 为假；如果 y 为真则 z 为真；x 和 y 不能同时为真。是否存在赋值满足全部约束？

Answer: 可满足

可满足

只根据资料回答。

资料 A：DracoBench v0.2 的目标是提高区分度，优先增加 coding、debugging、RAG 和 instruction_following 题。
资料 B：DracoBench v0.2 不会默认使用 LLM-as-judge；开放中文写作题只做少量规则校验和人工抽检。
资料 C：v0.2 的 HTML 报告必须展示通过率、成本、reasoning tokens、失败样例和逐题明细。

问题：v0.2 为什么没有把 LLM-as-judge 作为默认判分？

Required phrases: 人工抽检
At least one from each group: 默认使用 / 默认判分 / 默认采用 / 作为默认判分
Forbidden phrases: 因为成本太高、因为不支持中文
Length guidance (diagnostic only): min=n/a, max=160

资料 B 明确指出：v0.2 不会默认使用 LLM-as-judge。

只根据资料回答，不要自行补充。

资料：模型 Alpha 在 30 道 challenge 题中通过 24 道，成本 0.08 美元，平均延迟 9 秒。模型 Beta 通过 22 道，成本 0.02 美元，平均延迟 3 秒。资料没有给出两者在多模态任务上的表现。

问题：如果要写低成本高吞吐摘要服务，资料更支持选择哪个模型？另外，多模态表现能否判断？

Required phrases: Beta、成本、延迟、判断
Forbidden phrases: Alpha 更适合、多模态更强
Length guidance (diagnostic only): min=n/a, max=180

根据资料，模型 Beta 成本更低（0.02 美元 vs 0.08 美元）、延迟更短（3 秒 vs 9 秒），更适合低成本高吞吐摘要服务。多模态表现资料未给出，无法判断。

只根据资料回答。

资料：一次评测中，K 模型在 smoke set 上 7/7，通过率 100%；在 hard set 上原始结果 47/50，其中 2 题后来被认定为题面歧义，单独复测通过。另有 1 题因 reasoning tokens 用尽而空输出。

问题：更公平的文字结论应该如何描述 K 模型这次 hard set 表现？

Required phrases: 题面歧义
At least one from each group: 47/50 / 47 题 / 47题；空输出 / 输出为空 / 未输出
Forbidden phrases: 满分、完全失败
Length guidance (diagnostic only): min=n/a, max=240

K 模型在 hard set 上原始通过 47/50，其中 2 题因题面歧义经单独复测后通过，最终有效通过率为 48/49（约 98%）。

只根据资料回答，不要使用资料外知识。

资料：报告字段包括 pass_rate、avg_latency_ms、total_cost、prompt_tokens、completion_tokens、reasoning_tokens。报告不包含模型训练数据来源，也不包含供应商真实利润率。

问题：根据资料，能否从报告判断供应商利润率？

Required phrases: 不能、不包含、利润率
Forbidden phrases: 可以判断、训练数据
Length guidance (diagnostic only): min=n/a, max=100

不能。资料已明确说明报告不包含供应商真实利润率。

只输出 JSON 对象，不要 Markdown。字段 status 必须是 "review"；字段 scores 必须是对象，包含 coding、debugging、rag 三个整数；字段 note 必须是不超过 12 个汉字的中文字符串。

Expected JSON schema:
{
  "type": "object",
  "required": [
    "status",
    "scores",
    "note"
  ],
  "additionalProperties": false,
  "properties": {
    "status": {
      "type": "string",
      "const": "review"
    },
    "scores": {
      "type": "object",
      "required": [
        "coding",
        "debugging",
        "rag"
      ],
      "additionalProperties": false,
      "properties": {
        "coding": {
          "type": "integer"
        },
        "debugging": {
          "type": "integer"
        },
        "rag": {
          "type": "integer"
        }
      }
    },
    "note": {
      "type": "string"
    }
  }
}

{"status": "review", "scores": {"coding": 0, "debugging": 0, "rag": 0}, "note": "待评估"}

只输出 4 行，不要解释。第 1 行是 BEGIN，第 4 行是 END。第 2 行必须包含“模型评测”，第 3 行必须包含“HTML报告”。不能出现任何项目符号。

Expected regex pattern:
^\s*BEGIN\s*\n[^\n]*模型评测[^\n]*\n[^\n]*HTML报告[^\n]*\nEND\s*$

BEGIN
模型评测
HTML报告
END

只输出一个中文句子，不能超过 28 个汉字。必须同时包含“难题”和“区分度”，不能包含“最强”“吊打”“遥遥领先”。

Required phrases: 难题、区分度
Forbidden phrases: 最强、吊打、遥遥领先
Length guidance (diagnostic only): min=n/a, max=28

这道难题的区分度很高，能有效检验学生的真实水平。

写一段不超过 120 个汉字的公众号结论，主题是“模型在简单题满分不代表真实强”。必须包含“简单题”“真实能力”“失败样例”，不能出现“吊打”。

Required phrases: 简单题、真实能力、失败样例
Forbidden phrases: 吊打
Length guidance (diagnostic only): min=n/a, max=120

**【结论】**

模型在简单题拿满分，并不等于真实能力过硬。简单题往往套路固定、答案明确，容易通过刷题记忆拿分，却难以反映推理深度。真正检验真实能力的是复杂、开放、需要多步推理的任务。部分模型在简单题全对，却在稍加变式的失败样例中暴露逻辑短板。评价模型，不能只看简单题得分，更要关注失败样例背后的真实能力边界。

把下面口语句改写成专业表达，不超过 80 个汉字：这个模型看起来很猛，但一遇到复杂调试就开始掉链子。必须包含“复杂调试”和“稳定性”，不能包含“猛”“掉链子”。

Required phrases: 复杂调试、稳定性
Forbidden phrases: 猛、掉链子
Length guidance (diagnostic only): min=n/a, max=80

该模型整体表现优异，但在复杂调试场景下其稳定性仍有不足。

只输出 Python 代码，不要解释。实现 solve(events: list[dict]) -> dict[str, int]。每个事件包含 user、type、amount；type 为 "add" 或 "remove"。按 user 汇总 add 减 remove 后的库存，结果中去掉库存为 0 的用户，按 key 字典序返回普通 dict。amount 可能是字符串数字。

Reference tests:
events=[{'user':'b','type':'add','amount':'5'},{'user':'a','type':'add','amount':3},{'user':'b','type':'remove','amount':2},{'user':'a','type':'remove','amount':3}]
assert solution.solve(events) == {'b': 3}
assert solution.solve([]) == {}
assert solution.solve([{'user':'x','type':'remove','amount':'2'}]) == {'x': -2}

```python
def solve(events: list[dict]) -> dict[str, int]:
    from collections import defaultdict
    inventory = defaultdict(int)
    for event in events:
        user = event["user"]
        amount = int(event["amount"])
        if event["type"] == "add":
            inventory[user] += amount
        elif event["type"] == "remove":
            inventory[user] -= amount
    return {k: v for k, v in sorted(inventory.items()) if v != 0}
```

只输出 Python 代码，不要解释。实现 solve(expr: str) -> int。expr 只包含非负整数、+、-、空格和括号，计算表达式结果。不要使用 eval。

Reference tests:
assert solution.solve('1 + 2 - 3') == 0
assert solution.solve('10 - (2 + 3) + 4') == 9
assert solution.solve('(1+(4+5+2)-3)+(6+8)') == 23

```python
def solve(expr: str) -> int:
    def helper(s, i):
        stack = []
        num = 0
        sign = 1
        while i < len(s):
            c = s[i]
            if c.isdigit():
                num = num * 10 + int(c)
                i += 1
            elif c == '+':
                stack.append(sign * num)
                num = 0
                sign = 1
                i += 1
            elif c == '-':
                stack.append(sign * num)
                num = 0
                sign = -1
                i += 1
            elif c == '(':
                num, i = helper(s, i + 1)
            elif c == ')':
                stack.append(sign * num)
                return sum(stack), i + 1
            elif c == ' ':
                i += 1
            else:
                i += 1
        stack.append(sign * num)
        return sum(stack), i
    
    result, _ = helper(expr, 0)
    return result
```

只输出 Python 代码，不要解释。实现 solve(rows: list[str]) -> list[tuple[str, int]]。每行格式为 "name score"，空白数量不定；同名保留最高分；输出按分数降序、同分按 name 升序。忽略空行。

Reference tests:
assert solution.solve(['alice 10','bob   12','alice 15','','bob 11']) == [('alice',15),('bob',12)]
assert solution.solve(['x -1','a -1','b 0']) == [('b',0),('a',-1),('x',-1)]

```python
def solve(rows: list[str]) -> list[tuple[str, int]]:
    scores = {}
    for row in rows:
        row = row.strip()
        if not row:
            continue
        parts = row.split()
        name = parts[0]
        score = int(parts[1])
        if name not in scores or score > scores[name]:
            scores[name] = score
    result = sorted(scores.items(), key=lambda x: (-x[1], x[0]))
    return result
```

只输出 Python 代码，不要解释。实现 solve(pattern: str, text: str) -> bool。pattern 支持 ? 匹配任意单字符，* 匹配任意长度字符串。必须匹配完整 text。

Reference tests:
assert solution.solve('a*b?d', 'axxxbc d'.replace(' ','')) is True
assert solution.solve('a*c', 'ab') is False
assert solution.solve('*', '') is True
assert solution.solve('file-??.txt', 'file-ab.txt') is True

```python
def solve(pattern: str, text: str) -> bool:
    m, n = len(pattern), len(text)
    dp = [[False] * (n + 1) for _ in range(m + 1)]
    dp[0][0] = True
    
    for i in range(1, m + 1):
        if pattern[i - 1] == '*':
            dp[i][0] = dp[i - 1][0]
    
    for i in range(1, m + 1):
        for j in range(1, n + 1):
            if pattern[i - 1] == '*':
                dp[i][j] = dp[i - 1][j] or dp[i][j - 1]
            elif pattern[i - 1] == '?' or pattern[i - 1] == text[j - 1]:
                dp[i][j] = dp[i - 1][j - 1]
    
    return dp[m][n]
```

只输出 Python 代码，不要解释。实现 solve(tree: dict) -> list[str]。tree 是嵌套字典，叶子是字符串或数字。返回所有叶子的路径，路径用点连接，按字典序排序。例如 {'a': {'b': 1}} -> ['a.b=1']。

Reference tests:
assert solution.solve({'a': {'b': 1, 'c': 'x'}, 'd': 2}) == ['a.b=1','a.c=x','d=2']
assert solution.solve({'z': {'a': {'b': 3}}}) == ['z.a.b=3']
assert solution.solve({}) == []

```python
def solve(tree: dict) -> list[str]:
    def dfs(node, prefix, result):
        if isinstance(node, dict):
            for key in sorted(node.keys()):
                new_prefix = f"{prefix}.{key}" if prefix else key
                dfs(node[key], new_prefix, result)
        else:
            result.append(f"{prefix}={node}")
    
    result = []
    dfs(tree, "", result)
    return sorted(result)
```

只输出 Python 代码，不要解释。实现 solve(nums: list[int]) -> int。返回删除恰好一个元素后，剩余数组的最大连续子数组和。nums 长度至少为 2，可以全为负数。

Reference tests:
assert solution.solve([1,-2,0,3]) == 4
assert solution.solve([1,-2,-2,3]) == 3
assert solution.solve([-1,-1,-1]) == -1
assert solution.solve([2,1,-2,3]) == 6

```python
def solve(nums: list[int]) -> int:
    n = len(nums)
    if n == 1:
        return nums[0]
    
    # forward[i] = max subarray sum ending at i (no deletion)
    forward = [0] * n
    forward[0] = nums[0]
    for i in range(1, n):
        forward[i] = max(nums[i], forward[i-1] + nums[i])
    
    # backward[i] = max subarray sum starting at i (no deletion)
    backward = [0] * n
    backward[-1] = nums[-1]
    for i in range(n-2, -1, -1):
        backward[i] = max(nums[i], backward[i+1] + nums[i])
    
    # max subarray sum without any deletion
    ans = max(forward)
    
    # try deleting nums[i] for each i from 1 to n-2
    for i in range(1, n-1):
        ans = max(ans, forward[i-1] + backward[i+1])
    
    return ans
```

下面代码期望把输入按逗号拆分并去掉空白，但会把空字段也保留下来。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
def parse(s):
    return [part.strip() for part in s.split(',')]
```

Expected regex pattern:
FIX:\s*`?\s*return\s+\[part\.strip\(\)\s+for\s+part\s+in\s+s\.split\('\,'\)\s+if\s+part\.strip\(\)\]\s*`?

**Bug**: 列表推导式没有过滤空字符串，导致 `",,"` 会产生 `['', '']` 这样的空字段。

**修复**: 在推导式中加入 `if part.strip()` 条件过滤空字段。

FIX: `return [part.strip() for part in s.split(',') if part.strip()]`

下面代码期望用 UTC 时间戳排序，但字符串排序会错。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 sort 行>。

```python
rows.sort(key=lambda r: r['ts'])
```

Accepted answers:
- datetime.fromisoformat
- dateutil.parser
- 解析 ts 后排序
- parse ts
- fromisoformat
- int(r['ts'])
- float(r['ts'])
- key=lambda r: int(r['ts'])
- key=lambda r: float(r['ts'])

Bug：`r['ts']` 是字符串，按字典序排序，而非数值序。

最小修复：转为浮点数再排序。

FIX: `rows.sort(key=lambda r: float(r['ts']))`

下面代码在输入包含 0 时会误判为默认值 10。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 limit 赋值行>。

```python
def query(limit=None):
    limit = limit or 10
    return list(range(limit))
```

Expected regex pattern:
FIX:\s*`?\s*(?:limit\s*=\s*10\s+if\s+limit\s+is\s+None\s+else\s+limit|limit\s*=\s*limit\s+if\s+limit\s+is\s+not\s+None\s+else\s+10|if\s+limit\s+is\s+None\s*:\s*limit\s*=\s*10)\s*`?

**Bug**: `limit or 10` 在 `limit` 为 `0` 时，`0` 为 falsy，会回退为 `10`。

**修复**: 显式判断 `None`。

FIX: `limit = limit if limit is not None else 10`

下面代码期望复制嵌套配置后修改副本，但原配置也被修改。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 copied 赋值行>。

```python
def update(config):
    copied = dict(config)
    copied['db']['host'] = 'localhost'
    return copied
```

Expected regex pattern:
FIX:\s*`?\s*copied\s*=\s*(?:copy\.deepcopy\(config\)|__import__\(['\"]copy['\"]\)\.deepcopy\(config\))\s*`?

**Bug**: `dict(config)` 是浅拷贝，`copied['db']` 与原 `config['db']` 指向同一个字典对象，修改 `copied['db']` 会影响原配置。

**修复**: 使用 `copy.deepcopy` 进行深拷贝。

```python
import copy
copied = copy.deepcopy(config)
```

FIX: `copied = copy.deepcopy(config)`

下面代码期望找到第一个匹配项，但找不到时会抛 StopIteration。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
def find_user(users, name):
    return next(u for u in users if u['name'] == name)
```

Expected regex pattern:
\*{0,2}FIX\*{0,2}:\*{0,2}\s*`?\s*return\s+next\(\(u\s+for\s+u\s+in\s+users\s+if\s+u\['name'\]\s*==\s*name\),\s*None\)\s*`?

**Bug:** `next()` 在生成器耗尽时抛出 `StopIteration`，未处理无匹配的情况。

**修复:** 为 `next()` 提供默认值参数。

FIX: `return next((u for u in users if u['name'] == name), None)`

下面代码期望按请求顺序记录日志，但默认参数导致多次调用共用同一个列表。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的函数定义行>。

```python
def log_request(req, logs=[]):
    logs.append(req['id'])
    return logs
```

Expected regex pattern:
FIX:\s*(?:```(?:python)?\s*)?`?\s*def\s+log_request\(req,\s*logs=None\)\s*:

**Bug 分析：** 默认参数 `logs=[]` 在函数定义时只创建一次，所有调用共享同一个列表对象。

**最小修复：** 使用 `None` 作为默认值，在函数体内初始化新列表。

```python
def log_request(req, logs=None):
    if logs is None:
        logs = []
    logs.append(req['id'])
    return logs
```

FIX: `def log_request(req, logs=None):`

只回答最终数字：一个队列从左到右是 A,B,C,D,E。依次执行：把第 2 个移到末尾；删除第 3 个；在最前面插入 X；把最后两个反转。最终队列中 C 的位置是第几位？

Answer: 3

5

只回答最终数字：某缓存命中率从 60% 提升到 75%。如果总请求数为 800，未命中请求减少了多少个？

Answer: 120

120

只根据资料回答。

资料：A 模型在 ability mode 中通过 46/50，成本 0.12 美元；在 efficiency mode 中通过 34/50，成本 0.04 美元。报告建议把 ability mode 用于能力判断，把 efficiency mode 用于成本和稳定性判断。

问题：如果文章讨论“模型真实能力”，应该优先引用哪个模式？如果讨论“低预算可用性”，应该优先引用哪个模式？

Required phrases: ability mode、efficiency mode、真实能力、低预算
Forbidden phrases: 只看一个模式
Length guidance (diagnostic only): min=n/a, max=180

**模型真实能力**：优先引用 **ability mode**（46/50，报告明确建议用于能力判断）。

**低预算可用性**：优先引用 **efficiency mode**（成本 0.04 美元，报告建议用于成本和稳定性判断）。

只根据资料回答。

资料：一次失败分析显示，模型输出了 key = int(parts[1])，但测试数据里的 key 是字符串 a、b、c。报告认为这是“擅自补类型假设”，不是 token 截断。

问题：这次失败的根因是什么？

Required phrases: key
At least one from each group: 字符串 / 类型不匹配；整数 / int；类型假设 / 假设 key 为整数 / 假设 key 是整数 / key 为整数类型
Length guidance (diagnostic only): min=n/a, max=120

模型错误地对 key 的数据类型进行了不恰当的假设，将字符串类型的 key 强制转换为整数，而实际测试数据中的 key 是字符串。

只根据资料回答，不要自行补充。

资料：DracoBench 的 HTML 报告目前展示 Summary、By Suite、Failure Examples 和 Case Details。Failure Examples 中包括 Prompt、Mistake Analysis、Scorer Details 和 Output。资料没有提到图表功能。

问题：报告是否已经支持图表？回答时说明依据。

Required phrases: 图表、资料
At least one from each group: 提到 / 提及
Forbidden phrases: 已经支持、折线图、柱状图
Length guidance (diagnostic only): min=n/a, max=100

根据资料，报告**不支持图表**。

**依据**：资料明确列出了 HTML 报告目前展示的四个部分为 Summary、By Suite、Failure Examples 和 Case Details，并特别指出"资料没有提到图表功能"。

只输出 JSON 对象。字段 mode 必须是 "ability"；字段 limits 必须是对象，包含 max_tokens:4096 和 temperature:0；字段 warnings 必须是正好两个字符串组成的数组。不要 Markdown。

Expected JSON schema:
{
  "type": "object",
  "required": [
    "mode",
    "limits",
    "warnings"
  ],
  "additionalProperties": false,
  "properties": {
    "mode": {
      "type": "string",
      "const": "ability"
    },
    "limits": {
      "type": "object",
      "required": [
        "max_tokens",
        "temperature"
      ],
      "additionalProperties": false,
      "properties": {
        "max_tokens": {
          "type": "integer",
          "const": 4096
        },
        "temperature": {
          "type": "integer",
          "const": 0
        }
      }
    },
    "warnings": {
      "type": "array",
      "minItems": 2,
      "maxItems": 2,
      "items": {
        "type": "string"
      }
    }
  }
}

{"mode": "ability", "limits": {"max_tokens": 4096, "temperature": 0}, "warnings": ["This is a placeholder warning.", "This is another placeholder warning."]}

只输出 Markdown 表格，必须有 3 列：模式、用途、风险。必须包含 ability mode 和 efficiency mode 两行。不能添加表格外说明。

Expected regex pattern:
^\s*\|\s*模式\s*\|\s*用途\s*\|\s*风险\s*\|\s*\n\s*\|\s*-+\s*\|\s*-+\s*\|\s*-+\s*\|[\s\S]*ability mode[\s\S]*efficiency mode[\s\S]*$

| 模式 | 用途 | 风险 |
|---|---|---|
| ability mode | 最大化模型能力，处理复杂推理、创意生成和深度分析任务 | 可能产生幻觉、过度自信输出、计算资源消耗较高 |
| efficiency mode | 快速响应、低资源消耗，适用于简单查询和日常对话 | 可能牺牲回答深度、复杂任务处理能力有限、细节可能不足 |

写一段不超过 140 个汉字的公众号小结，主题是“为什么要同时展示原题、模型输出和错误解释”。必须包含“原题”“错误解释”“可复查”，不能出现“玄学”。

Required phrases: 原题、错误解释、可复查
Forbidden phrases: 玄学
Length guidance (diagnostic only): min=n/a, max=140

**为什么要同时展示原题、模型输出和错误解释**

只展示答案无法判断对错，缺少原题就缺少对照基础。同时呈现原题、模型输出和错误解释，形成完整证据链，使结果可复查、可验证，便于定位问题并改进。

只回答最终数字：变量初始为 x=2, y=5, z=1。若 x<y，交换 x 和 y；然后令 z=z+x-y；若 z 为偶数，令 y=y+z，否则令 x=x+z。最终 x+y+z 等于多少？

Answer: 15

10

只回答一个字母：任务 A、B、C、D、E、F 排列。C 必须紧挨在 A 后面；B 必须在 D 前；D 必须在 F 前；F 必须最后；E 不能第一。在所有满足条件的排列中字典序最小的排列，第三个任务是谁？

Answer: B

B

只回答“可满足”或“不可满足”：布尔变量 x、y、z 满足：x 和 y 恰好一个为真；如果 x 为真则 z 为真；如果 y 为真则 z 为假；z 为真。是否存在赋值满足全部约束？

Answer: 可满足

不可满足

只回答最终数字：列表 [2,4,6,8] 中每个数先减去它的位置编号（从 1 开始），然后删除所有奇数，再把剩余数平方，最后求和。结果是多少？

Answer: 20

68

只回答最终数字：一个 5 位二进制数 10110 先循环右移 1 位，再与 00111 做异或，最后转成十进制。结果是多少？

Answer: 12

25

只回答一个字母：模型 A 通过 18 题、成本 0.06；模型 B 通过 20 题、成本 0.10；模型 C 通过 16 题、成本 0.04。按“通过题数/成本”最高选择，应该选哪个模型？

Answer: C

B

只回答最终数字：同一套 100 道题中，失败题数从 12 降到 7。错误率降低了多少个百分点？

Answer: 5

5

只回答最终数字：集合 S 初始为 {a,b,c,d}。删除字母序在 c 之前的元素；加入 e 和 b；再删除所有元音字母。最终集合有几个元素？

Answer: 3

2

只回答最终数字：3x3 矩阵按行是 1 2 3 / 4 5 6 / 7 8 9。顺时针旋转 90 度后，第二行元素之和是多少？

Answer: 15

15

只回答最终数字：依赖关系为 a 无依赖；b 依赖 a；c 依赖 a；d 依赖 b 和 c；e 依赖 b；f 依赖 d 和 e；g 依赖 a。按可并行执行的拓扑层划分，第二层有几个任务？

Answer: 3

3

只回答星期几：第 0 天是星期二。每 7 天循环一次。第 17 天是星期几？

Answer: 星期五

星期五

只回答最终数字：用 A、B、C 组成长度为 3 的字符串，要求恰好包含一个 A，并且最后一个字符不能是 C。满足条件的字符串有多少个？

Answer: 8

6

只回答最终数字：栈操作从空栈开始。push n 表示入栈；dup 复制栈顶；add 弹出两个数并压入它们的和；swap 交换栈顶两个数；sub 先弹出 x 再弹出 y，并压入 y-x。依次执行：push 2, push 3, dup, add, push 4, swap, sub。最终栈顶是多少？

Answer: -2

1

只回答最终数字：三个队列 Q1、Q2、Q3 初始长度分别为 2、1、0。每一轮先从所有非空队列各处理 1 个元素，然后向 Q3 加入 2 个元素。执行 3 轮后，三个队列总长度是多少？

Answer: 4

**12**

逐步推演：

| 轮次 | Q1 | Q2 | Q3 | 处理前总计 | 处理后（各减1非空） | 加2到Q3 | 本轮结束总计 |
|------|----|----|----|-----------|------------------|--------|-------------|
| 初始 | 2 | 1 | 0 | 3 | — | — | 3 |
| 第1轮 | 2 | 1 | 0 | 3 | (1,0,0) → 1 | +2 → (1,0,2) | 3 |
| 第2轮 | 1 | 0 | 2 | 3 | (0,0,1) → 1 | +2 → (0,0,3) | 3 |
| 第3轮 | 0 | 0 | 3 | 3 | (0,0,2) → 2 | +2 → (0,0,4) | 4 |

3轮结束后：Q1=0, Q2=0, Q3=4，总计 = **4**

只回答最终数字：映射初始为 {a:1, b:2}。依次执行：设置 c=a+b；设置 a=c-b；删除 b；设置 d=a+c。最终所有 value 之和是多少？

Answer: 8

10

只回答“甲”“乙”或“丙”：甲说“乙说的是真话”；乙说“丙说的是假话”；丙说“甲说的是假话”。如果恰好一人说真话，说真话的人是谁？

Answer: 丙

甲

只回答一个字母：综合分 = 通过率百分数 - 成本乘以 10。模型 A 通过率 92%、成本 0.20；模型 B 通过率 88%、成本 0.05；模型 C 通过率 90%、成本 0.10。综合分最高的是哪个模型？

Answer: A

A

只回答最终三位数：一个三位数的百位为 a、十位为 b、个位为 c。已知 a+b+c=13，a=c+1，b=2c。这个三位数是多少？

Answer: 463

742

只输出 Python 代码，不要解释。实现 solve(line: str) -> list[str]，解析一行简化 CSV：逗号分隔；字段可以用双引号包裹；引号内逗号保留；引号内两个连续双引号表示一个双引号；空字段保留；空格是普通字符，不要自动 trim。

Reference tests:
assert solution.solve('a,"b,c",d') == ['a', 'b,c', 'd']
assert solution.solve('"a""b",,x') == ['a"b', '', 'x']
assert solution.solve('  a ," b " ') == ['  a ', ' b  ']

```python
def solve(line: str) -> list[str]:
    fields = []
    current = []
    i = 0
    n = len(line)
    in_quotes = False

    while i < n:
        ch = line[i]
        if in_quotes:
            if ch == '"':
                if i + 1 < n and line[i + 1] == '"':
                    current.append('"')
                    i += 2
                else:
                    in_quotes = False
                    i += 1
            else:
                current.append(ch)
                i += 1
        else:
            if ch == '"':
                in_quotes = True
                i += 1
            elif ch == ',':
                fields.append(''.join(current))
                current = []
                i += 1
            else:
                current.append(ch)
                i += 1

    fields.append(''.join(current))
    return fields
```

只输出 Python 代码，不要解释。实现 solve(intervals: list[tuple[int, int]]) -> list[tuple[int, int]]。intervals 是整数闭区间，先按起点排序；重叠或端点相邻的区间要合并，例如 [1,2] 和 [3,4] 合并为 [1,4]。

Reference tests:
assert solution.solve([(5,7),(1,2),(3,4),(10,10)]) == [(1,7),(10,10)]
assert solution.solve([(1,1),(3,3)]) == [(1,1),(3,3)]
assert solution.solve([]) == []

```python
def solve(intervals: list[tuple[int, int]]) -> list[tuple[int, int]]:
    if not intervals:
        return []
    intervals.sort(key=lambda x: x[0])
    merged = [intervals[0]]
    for start, end in intervals[1:]:
        last_start, last_end = merged[-1]
        if start <= last_end + 1:
            merged[-1] = (last_start, max(last_end, end))
        else:
            merged.append((start, end))
    return merged
```

只输出 Python 代码，不要解释。实现 solve(events: list[tuple[str, int]], window: int, limit: int) -> list[bool]，模拟按用户限流。events 按时间非降序排列。某用户在当前事件时间 ts 的窗口 (ts-window, ts] 内，已放行事件数少于 limit 才放行；被拒绝的事件不计入窗口。

Reference tests:
events=[('a',1),('a',2),('a',3),('a',4),('a',8)]
assert solution.solve(events, 5, 2) == [True, True, False, False, True]
assert solution.solve([('x',10),('x',11),('x',16)], 5, 1) == [True, False, True]

```python
def solve(events: list[tuple[str, int]], window: int, limit: int) -> list[bool]:
    from collections import defaultdict, deque
    
    user_queues = defaultdict(deque)
    result = []
    
    for user, ts in events:
        q = user_queues[user]
        while q and q[0] <= ts - window:
            q.popleft()
        if len(q) < limit:
            q.append(ts)
            result.append(True)
        else:
            result.append(False)
    
    return result
```

只输出 Python 代码，不要解释。实现 solve(path: str) -> str，规范化绝对 Unix 路径：处理重复斜杠、.、..；.. 在根目录时仍留在根目录；返回结果必须以 / 开头且除根目录外不能以 / 结尾。不要使用 os.path。

Reference tests:
assert solution.solve('/a//b/./c/../') == '/a/b'
assert solution.solve('/../../x') == '/x'
assert solution.solve('/') == '/'

```python
def solve(path: str) -> str:
    parts = path.split('/')
    stack = []
    for part in parts:
        if part == '' or part == '.':
            continue
        elif part == '..':
            if stack:
                stack.pop()
        else:
            stack.append(part)
    return '/' + '/'.join(stack)
```

只输出 Python 代码，不要解释。实现 solve(words: list[str]) -> list[list[str]]，按变位词分组。大小写敏感；组内保持输入顺序；组的顺序按该组第一个单词在输入中出现的位置。

Reference tests:
assert solution.solve(['eat','tea','tan','ate','nat','bat']) == [['eat','tea','ate'], ['tan','nat'], ['bat']]
assert solution.solve(['b','B','bb']) == [['b'], ['B'], ['bb']]

```python
def solve(words: list[str]) -> list[list[str]]:
    groups = {}
    order = {}
    for i, w in enumerate(words):
        key = tuple(sorted(w))
        if key not in groups:
            groups[key] = []
            order[key] = i
        groups[key].append(w)
    return [groups[k] for k in sorted(order, key=lambda x: order[x])]
```

只输出 Python 代码，不要解释。实现 solve(text: str) -> dict，解析 Markdown front matter。只有第一行正好是 --- 时才解析，直到下一行 --- 结束；每行 key: value，key 和 value 两侧 trim；形如 [a, b] 的 value 返回字符串列表；其他 value 返回字符串。没有完整 front matter 返回 {}。

Reference tests:
text='---\ntitle: Test\ntags: [ai, bench,  v0]\ndraft: false\n---\nbody'
assert solution.solve(text) == {'title':'Test','tags':['ai','bench','v0'],'draft':'false'}
assert solution.solve('hello\n---\na: b') == {}
assert solution.solve('---\na: 1') == {}

```python
def solve(text: str) -> dict:
    lines = text.split('\n')
    if not lines or lines[0].strip() != '---':
        return {}
    result = {}
    for line in lines[1:]:
        if line.strip() == '---':
            return result
        if ':' not in line:
            continue
        key, value = line.split(':', 1)
        key = key.strip()
        value = value.strip()
        if value.startswith('[') and value.endswith(']'):
            inner = value[1:-1].strip()
            if inner == '':
                result[key] = []
            else:
                result[key] = [item.strip() for item in inner.split(',')]
        else:
            result[key] = value
    return {}
```

只输出 Python 代码，不要解释。实现 solve(items: list[str], k: int) -> list[str]，返回出现次数最高的前 k 个元素；次数相同按第一次出现的先后排序；k 大于不同元素数量时返回全部。

Reference tests:
assert solution.solve(['b','a','b','c','a','b'], 2) == ['b','a']
assert solution.solve(['x','y','z','y','z','x'], 2) == ['x','y']
assert solution.solve(['a'], 5) == ['a']

```python
def solve(items: list[str], k: int) -> list[str]:
    from collections import OrderedDict
    
    count = {}
    order = {}
    for i, item in enumerate(items):
        count[item] = count.get(item, 0) + 1
        if item not in order:
            order[item] = i
    
    unique = list(count.keys())
    unique.sort(key=lambda x: (-count[x], order[x]))
    
    return unique[:k]
```

只输出 Python 代码，不要解释。实现 solve(config: dict, overrides: dict[str, object]) -> dict。overrides 的 key 是点号路径；值为 None 表示删除该路径的叶子 key；其他值写入路径，必要时创建中间 dict；不能修改输入 config。

Reference tests:
base={'db':{'host':'old','port':5432},'feature':{'x':1}}
overrides={'db.host':'new','feature.x':None,'api.timeout':30}
res=solution.solve(base, overrides)
assert res == {'db':{'host':'new','port':5432},'feature':{},'api':{'timeout':30}}
assert base == {'db':{'host':'old','port':5432},'feature':{'x':1}}
assert solution.solve({'a':1}, {'a.b':2}) == {'a': {'b': 2}}

```python
def solve(config: dict, overrides: dict[str, object]) -> dict:
    import copy
    result = copy.deepcopy(config)

    for path, value in overrides.items():
        keys = path.split(".")
        if value is None:
            # Delete leaf key
            current = result
            for key in keys[:-1]:
                if isinstance(current, dict) and key in current:
                    current = current[key]
                else:
                    break
            else:
                if isinstance(current, dict) and keys[-1] in current:
                    del current[keys[-1]]
        else:
            # Write value, creating intermediate dicts as needed
            current = result
            for key in keys[:-1]:
                if key not in current or not isinstance(current[key], dict):
                    current[key] = {}
                current = current[key]
            current[keys[-1]] = value

    return result
```

只输出 Python 代码，不要解释。实现 solve(query: str) -> dict[str, list[str]]，解析 URL query string。& 分隔参数；没有 = 的参数值为空字符串；+ 表示空格；%XX 需要按 UTF-8 百分号解码；同名 key 保留所有值的列表。可以使用标准库。

Reference tests:
assert solution.solve('a=1&b=two+words&a=3') == {'a':['1','3'], 'b':['two words']} 
assert solution.solve('empty=&flag&x=a%2Bb') == {'empty':[''], 'flag':[''], 'x':['a+b']} 
assert solution.solve('') == {}

```python
from urllib.parse import unquote_plus

def solve(query: str) -> dict[str, list[str]]:
    result: dict[str, list[str]] = {}
    if not query:
        return result
    for param in query.split('&'):
        if '=' in param:
            key, value = param.split('=', 1)
        else:
            key, value = param, ''
        key = unquote_plus(key)
        value = unquote_plus(value)
        result.setdefault(key, []).append(value)
    return result
```

只输出 Python 代码，不要解释。实现 solve(html: str) -> bool，校验简化 HTML 标签是否配对。标签形如 <a>、</a>、<br/>，标签名只含小写字母；自闭合标签不入栈；普通文本忽略。

Reference tests:
assert solution.solve('<div><br/><p>x</p></div>') is True
assert solution.solve('<a><b></a></b>') is False
assert solution.solve('text<a><b/></a>') is True

```python
def solve(html: str) -> bool:
    stack = []
    i = 0
    n = len(html)
    while i < n:
        if html[i] == '<':
            j = html.find('>', i)
            if j == -1:
                return False
            tag = html[i+1:j]
            if tag.startswith('/'):
                tag_name = tag[1:]
                if not stack or stack[-1] != tag_name:
                    return False
                stack.pop()
            elif tag.endswith('/'):
                pass
            else:
                stack.append(tag)
            i = j + 1
        else:
            i += 1
    return len(stack) == 0
```

只输出 Python 代码，不要解释。实现 solve(grid: list[str]) -> int。grid 中 S 是起点，E 是终点，# 是墙，. 可走。每步上下左右移动一格，返回从 S 到 E 的最短步数；不可达返回 -1。

Reference tests:
assert solution.solve(['S..','##.','..E']) == 4
assert solution.solve(['S#','##','E.']) == -1
assert solution.solve(['SE']) == 1

```python
from collections import deque

def solve(grid: list[str]) -> int:
    rows = len(grid)
    cols = len(grid[0]) if rows > 0 else 0
    
    start = end = None
    for r in range(rows):
        for c in range(cols):
            if grid[r][c] == 'S':
                start = (r, c)
            elif grid[r][c] == 'E':
                end = (r, c)
    
    if not start or not end:
        return -1
    
    visited = [[False] * cols for _ in range(rows)]
    queue = deque([(start[0], start[1], 0)])
    visited[start[0]][start[1]] = True
    
    directions = [(-1, 0), (1, 0), (0, -1), (0, 1)]
    
    while queue:
        r, c, dist = queue.popleft()
        if (r, c) == end:
            return dist
        for dr, dc in directions:
            nr, nc = r + dr, c + dc
            if 0 <= nr < rows and 0 <= nc < cols and not visited[nr][nc] and grid[nr][nc] != '#':
                visited[nr][nc] = True
                queue.append((nr, nc, dist + 1))
    
    return -1
```

只输出 Python 代码，不要解释。实现 solve(nums: list[int], k: int) -> list[float]，返回每个长度为 k 的滑动窗口中位数。k 为奇数时返回中间值；k 为偶数时返回两个中间值平均数。

Reference tests:
assert solution.solve([1,3,-1,-3,5,3,6,7], 3) == [1, -1, -1, 3, 5, 6]
assert solution.solve([1,2,3,4], 2) == [1.5, 2.5, 3.5]

```python
import bisect

def solve(nums: list[int], k: int) -> list[float]:
    window = sorted(nums[:k])
    result = []
    
    def get_median():
        if k % 2 == 1:
            return float(window[k // 2])
        else:
            return (window[k // 2 - 1] + window[k // 2]) / 2.0
    
    result.append(get_median())
    
    for i in range(k, len(nums)):
        # Remove nums[i-k] from window
        out_val = nums[i - k]
        idx = bisect.bisect_left(window, out_val)
        window.pop(idx)
        # Insert nums[i] into window
        bisect.insort(window, nums[i])
        result.append(get_median())
    
    return result
```

只输出 Python 代码，不要解释。实现 solve(versions: list[str]) -> list[str]，按简化语义版本排序。版本为 major.minor.patch 或 major.minor.patch-label；major/minor/patch 按数字比较；同一数字版本下，带 label 的预发布版本低于正式版本；label 按字典序比较。

Reference tests:
assert solution.solve(['1.0.0','1.0.0-alpha','1.0.1','1.0.0-beta','0.9.9']) == ['0.9.9','1.0.0-alpha','1.0.0-beta','1.0.0','1.0.1']
assert solution.solve(['1.0.10','1.0.2']) == ['1.0.2','1.0.10']

```python
def solve(versions: list[str]) -> list[str]:
    def key(v: str):
        parts = v.split("-", 1)
        base = parts[0]
        label = parts[1] if len(parts) > 1 else None
        major, minor, patch = (int(x) for x in base.split("."))
        # Pre-release (has label) sorts before release (no label) for same base
        # label "" (no label) should be treated as no pre-release: use (0, "") for release, (1, label) for pre-release
        if label is None:
            return (major, minor, patch, 0, "")
        else:
            return (major, minor, patch, 1, label)

    return sorted(versions, key=key)
```

只输出 Python 代码，不要解释。实现 solve(deps: dict[str, list[str]], changed: list[str]) -> list[str]。deps 表示 package -> 直接依赖。返回所有 changed 包，以及直接或间接依赖 changed 包的包，按字典序排序；只出现在依赖列表中的包也要能作为 changed 包返回。

Reference tests:
deps={'app':['lib','ui'],'ui':['core'],'lib':['core'],'core':[],'docs':[]}
assert solution.solve(deps, ['core']) == ['app','core','lib','ui']
assert solution.solve({'a':['x']}, ['x']) == ['a','x']
assert solution.solve({'a':['b'], 'b':[]}, ['a']) == ['a']

```python
def solve(deps: dict[str, list[str]], changed: list[str]) -> list[str]:
    # Build reverse dependency graph: package -> packages that depend on it
    reverse_deps = {}
    for pkg, dep_list in deps.items():
        for dep in dep_list:
            if dep not in reverse_deps:
                reverse_deps[dep] = []
            reverse_deps[dep].append(pkg)
    
    # BFS/DFS from changed packages through reverse deps
    result = set()
    stack = list(changed)
    while stack:
        pkg = stack.pop()
        if pkg in result:
            continue
        result.add(pkg)
        if pkg in reverse_deps:
            for dependent in reverse_deps[pkg]:
                if dependent not in result:
                    stack.append(dependent)
    
    return sorted(result)
```

只根据资料回答。

资料 A：早期草案说 v0.3 只新增 20 道题。
资料 B：2026-06-16 的确认方案是 v0.3-challenge100，在现有 50 题基础上新增 50 道题。
资料 C：新增题应先生成审题 HTML，确认后再跑模型，不要立即消耗 API。

问题：下一步应该新增多少题？是否应该立刻跑模型？

Required phrases: 50、审题
At least one from each group: 不跑 / 不要立刻 / 先不跑 / 不应立刻 / 不应该立刻 / 不应立即 / 不应该立即 / 不应立刻跑 / 不应该立刻跑 / 不应立即跑 / 不应该立即跑
Length guidance (diagnostic only): min=n/a, max=160

根据资料 B（2026-06-16 的确认方案），下一步应新增 **50 道题**。

根据资料 C，**不应该立刻跑模型**，应先为新增题生成审题 HTML，待确认后再跑模型，避免立即消耗 API。

只根据资料回答，不要自行补充。

资料：报告展示 pass_rate、avg_latency_ms、total_cost、reasoning_tokens、失败样例和逐题明细。资料没有包含用户满意度调查，也没有包含模型训练数据来源。

问题：能否根据这份报告判断用户满意度？

Required phrases: 不能、用户满意度
At least one from each group: 没有包含 / 没有提供 / 资料没有 / 未包含
Forbidden phrases: 可以判断
Length guidance (diagnostic only): min=n/a, max=120

不能。报告未包含用户满意度调查相关数据，无法据此判断用户满意度。

只根据资料回答。

资料：模型 A 通过 48/50，平均延迟 20 秒，成本 0.20 美元，没有超时失败。模型 B 通过 44/50，平均延迟 4 秒，成本 0.05 美元，没有超时失败。模型 C 通过 46/50，平均延迟 9 秒，成本 0.04 美元，但有 3 次 API 超时。

问题：如果要选低延迟且稳定的生产摘要模型，资料更支持选择哪个？

Required phrases: B、延迟
At least one from each group: 没有超时 / 无超时
Forbidden phrases: 选择 A、选择 C
Length guidance (diagnostic only): min=n/a, max=160

模型 C

只根据资料回答。

资料：DracoBench 当前 scoring policy 中，text_rules 的 max_chars/min_chars 只作为诊断信息记录，length_scored 为 false。缺少 required、required_any 或出现 forbidden 才会导致失败。

问题：如果答案超过 max_chars，但 required 都满足且没有 forbidden，会因为长度直接扣分吗？

Required phrases: 诊断
At least one from each group: 不扣分 / 不会 / 不会因长度 / 不会因此被扣分 / 不会直接导致扣分 / 不会导致扣分 / 不会导致失败或扣分；length_scored / 长度
Forbidden phrases: 直接失败、必须重跑
Length guidance (diagnostic only): min=n/a, max=140

不会。根据资料，length_scored 为 false，max_chars/min_chars 仅作为诊断信息记录，不会直接导致扣分。

只根据资料回答。

资料 A：某模型原始结果为 45/50。
资料 B：修正一个同义表达评分规则后，rescored 结果为 46/50。
资料 C：总览 index 使用 rescored JSONL 作为展示结果。

问题：写文章引用总览结果时，应写 45/50 还是 46/50？

Required phrases: 46/50
Forbidden phrases: 45/50 更合适、原始结果为准
Length guidance (diagnostic only): min=n/a, max=140

46/50

只根据资料回答。

资料：为了复现一次 benchmark，记录中包含 model、case_id、prompt_hash、parameters、scorer details、output、latency_ms 和 usage。记录不包含 chain of thought，也不包含训练数据。

问题：复现评测主要应该依赖哪些记录字段？

Required phrases: model、prompt_hash、parameters、scorer
Forbidden phrases: chain of thought、训练数据
Length guidance (diagnostic only): min=n/a, max=200

根据资料，复现评测主要应依赖以下记录字段：

- **model**：确定使用的模型
- **case_id**：确定评测用例
- **prompt_hash**：确定输入提示
- **parameters**：确定生成参数
- **scorer details**：确定评分方式
- **output**：记录模型输出结果
- **latency_ms**：记录延迟性能
- **usage**：记录资源消耗

只根据资料回答。

资料 A：早期 ability mode 使用 4096 max_tokens。
资料 B：后来为了公平，ability mode 统一放宽到 16384 max_tokens。
资料 C：当前总览页只展示 v0.2-challenge50 且 ability16384 的结果。

问题：当前总览页对应的 token limit 是多少？

Required phrases: 16384
Forbidden phrases: 4096
Length guidance (diagnostic only): min=n/a, max=100

根据资料 C，当前总览页展示的是 ability16384 的结果，因此对应的 token limit 是 **16384**。

只根据资料回答。

资料：coding-004 的失败是代码运行时 ValueError，根因是把字符串 key 强转 int。rag-006 的失败曾经是规则没有把 int 类型视作“整数”的同义表达，后来通过人工复查修正规则。

问题：哪类失败更需要人工复查评分规则？回答时也说明 coding-004 是否属于这种情况。

Required phrases: 人工复查、coding-004
At least one from each group: rag-006 / 规则 / 评分规则 / 同义表达；不属于 / 不是 / 不需要
Length guidance (diagnostic only): min=n/a, max=180

**rag 类失败**更需要人工复查评分规则。

**原因：** rag-006 的失败直接源于评分规则本身的缺陷（未将 int 类型视为"整数"的同义表达），必须通过人工复查才能发现并修正规则。

**coding-004 不属于这种情况。** 其失败是代码运行时错误（ValueError，强转类型失败），属于代码实现层面的问题，而非评分规则本身的缺陷，不需要人工复查评分规则。

只根据资料回答。

资料：usage 字段包含 prompt_tokens、completion_tokens、reasoning_tokens 和 cost。报告没有供应商真实利润率，也没有供应商内部成本。

问题：能否从 usage 字段判断供应商利润率？

Required phrases: 不能、利润率
At least one from each group: 不包含 / 没有
Forbidden phrases: 可以判断
Length guidance (diagnostic only): min=n/a, max=120

不能。

资料明确指出：报告没有供应商真实利润率，也没有供应商内部成本。

只根据资料回答。

资料：当前 index 页只显示最后这版 50 道题的 v0.2-challenge50 结果，并且 token limit 都统一为 ability16384。之前的版本和 ability4096 结果不显示在 index 页。

问题：index 页是否应该展示旧版本结果？当前展示范围是什么？

Required phrases: v0.2-challenge50、ability16384
At least one from each group: 不应该 / 不展示 / 未展示 / 不显示 / 均不显示 / 不应展示；旧版本 / 之前的版本
Length guidance (diagnostic only): min=n/a, max=160

根据资料：

- **当前 index 页不展示旧版本结果**，只显示最后这版 50 道题的 v0.2-challenge50 结果。
- **当前展示范围**：仅包含 v0.2-challenge50 这版 50 道题的结果，且 token limit 统一为 ability16384。之前的版本和 ability4096 的结果均不显示在 index 页。

只根据资料回答。

资料：某 coding 题中，模型响应的 finish_reason 为 length，output 为空，测试报错为 module has no attribute solve。报告认为这不是算法逻辑错误，而是输出被截断后没有形成可执行函数。

问题：这次失败应如何归因？

Required phrases: 输出
At least one from each group: 截断 / length / token
Length guidance (diagnostic only): min=n/a, max=140

根据资料，这次失败应归因为**输出截断导致代码不完整**，而非算法逻辑错误。具体原因是模型响应的 `finish_reason` 为 `length`，输出被截断后没有形成可执行函数，导致测试报错 `module has no attribute solve`。

下面代码期望 funcs[0]()、funcs[1]()、funcs[2]() 分别返回 0、1、2，但实际都会返回 2。请指出根因，并给出最小修复。最后单独一行写 FIX: <修复后的 append 行>。

```python
funcs = []
for i in range(3):
    funcs.append(lambda: i)
```

Expected regex pattern:
FIX:\s*`?\s*funcs\.append\(lambda\s+i=i\s*:\s*i\)\s*`?

根因：lambda 捕获的是变量 `i` 的引用（而非值），循环结束后 `i` 的终值为 2，所有 lambda 共享同一个 `i`，因此都返回 2。

最小修复：利用默认参数在定义时绑定当前值。

FIX: funcs.append(lambda i=i: i)

下面 context manager 期望异常继续向外抛出，但实际异常被吞掉。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
class Span:
    def __enter__(self):
        return self
    def __exit__(self, exc_type, exc, tb):
        return True
```

Expected regex pattern:
FIX:\s*`?\s*return(?:\s+False|\s+None)?\s*`?

`__exit__` 返回 `True` 会抑制异常。若要让异常继续传播，应返回 `False`（或 `None`）。

FIX: return False

下面代码期望每个 Bag 实例都有独立列表，但不同实例会共享 items。请指出 bug，并给出最小修复。最后单独一行写 FIX: <新增到 __init__ 中的赋值行>。

```python
class Bag:
    items = []
    def add(self, x):
        self.items.append(x)
```

Expected regex pattern:
FIX:\s*`?\s*self\.items\s*=\s*\[\]\s*`?

**Bug**: `items = []` 是类属性，所有实例共享同一个列表。

**修复**: 在 `__init__` 中创建实例属性。

FIX: `self.items = []`

下面代码期望每次不传 ts 时使用当前时间，但默认时间只会在函数定义时计算一次。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的函数定义行>。

```python
from datetime import datetime

def mark(ts=datetime.utcnow()):
    return ts.isoformat()
```

Expected regex pattern:
FIX:\s*`?\s*def\s+mark\(ts=None\)\s*:

**Bug**：默认参数 `ts=datetime.utcnow()` 在函数定义时求值一次，之后所有不传 `ts` 的调用都返回同一个时间戳。

**修复**：将默认值设为 `None`，在函数体内判断并赋当前时间。

FIX: `def mark(ts=None):`

下面代码期望返回小写字符串，但实际返回的是方法对象。请指出 bug，并给出最小修复。最后单独一行写 FIX: <修复后的 return 行>。

```python
def normalize(s):
    return s.strip().lower
```

Expected regex pattern:
FIX:\s*`?\s*return\s+s\.strip\(\)\.lower\(\)\s*`?

`lower` 是方法，需要调用它。

FIX: `return s.strip().lower()`

只输出 JSON 对象，不要 Markdown。字段 version 必须是 "v0.3"；字段 ready 必须是 true；字段 cases 必须是正好两个对象组成的数组。cases 中每个对象只能包含 id、weight、active 三个字段；id 是字符串且匹配 case-1 或 case-2；weight 是整数；active 是布尔值。

Expected JSON schema:
{
  "type": "object",
  "required": [
    "version",
    "ready",
    "cases"
  ],
  "additionalProperties": false,
  "properties": {
    "version": {
      "type": "string",
      "const": "v0.3"
    },
    "ready": {
      "type": "boolean",
      "const": true
    },
    "cases": {
      "type": "array",
      "minItems": 2,
      "maxItems": 2,
      "items": {
        "type": "object",
        "required": [
          "id",
          "weight",
          "active"
        ],
        "additionalProperties": false,
        "properties": {
          "id": {
            "type": "string",
            "pattern": "^case-[12]$"
          },
          "weight": {
            "type": "integer"
          },
          "active": {
            "type": "boolean"
          }
        }
      }
    }
  }
}

{"version": "v0.3", "ready": true, "cases": [{"id": "case-1", "weight": 10, "active": true}, {"id": "case-2", "weight": 20, "active": false}]}

写一段不超过 160 个汉字的公众号小结，主题是“为什么 v0.3 要扩到 100 题”。必须包含“推理题”“边界条件”“人工复查”，不能出现“排行榜”。

Required phrases: 推理题、边界条件、人工复查
Forbidden phrases: 排行榜
Length guidance (diagnostic only): min=n/a, max=160

v0.3 将题库扩至 100 题，主要出于三点考虑：一是增加推理题比例，更全面考察模型逻辑能力；二是覆盖更多边界条件，避免模型在特殊场景下表现失真；三是每道题均经人工复查，确保答案准确、评分公正。题库扩容后，评测结果将更具参考价值。