DracoBench Report: qwen/qwen3.7-plus

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_section = None
    for line in lines:
        line = line.strip()
        if not line or line.startswith('#'):
            continue
        if line.startswith('[') and line.endswith(']'):
            current_section = line[1:-1].strip()
            if current_section not in result:
                result[current_section] = {}
        elif current_section is not None and '=' in line:
            key, value = line.split('=', 1)
            result[current_section][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
    seen = set()
    amounts = {}
    revoked = set()
    for event in events:
        parts = event.split()
        if parts[0] == 'rev':
            tid = parts[1]
            if tid in seen and tid not in revoked:
                revoked.add(tid)
                balance -= amounts[tid]
        else:
            tid = parts[0]
            if tid not in seen:
                seen.add(tid)
                val = int(parts[2]) if parts[1] == 'credit' else -int(parts[2])
                amounts[tid] = val
                balance += val
    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]]:
    nodes = set(deps.keys())
    for prereqs in deps.values():
        nodes.update(prereqs)
    
    in_degree = {node: 0 for node in nodes}
    adj = {node: [] for node in nodes}
    
    for task, prereqs in deps.items():
        for p in prereqs:
            adj[p].append(task)
            in_degree[task] += 1
            
    result = []
    current_layer = sorted([node for node, degree in in_degree.items() if degree == 0])
    
    while current_layer:
        result.append(current_layer)
        next_layer = []
        for node in current_layer:
            for neighbor in adj[node]:
                in_degree[neighbor] -= 1
                if in_degree[neighbor] == 0:
                    next_layer.append(neighbor)
        current_layer = sorted(next_layer)
        
    if sum(len(layer) for layer in result) != len(nodes):
        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
from collections import OrderedDict

def solve(capacity: int, ops: list[str]) -> list[int]:
    cache = OrderedDict()
    res = []
    for op in ops:
        parts = op.split()
        if parts[0] == "get":
            key = int(parts[1])
            if capacity == 0:
                res.append(-1)
            elif key in cache:
                cache.move_to_end(key)
                res.append(cache[key])
            else:
                res.append(-1)
        elif parts[0] == "put":
            key = int(parts[1])
            value = int(parts[2])
            if capacity == 0:
                continue
            if key in cache:
                cache.move_to_end(key)
            else:
                if len(cache) == capacity:
                    cache.popitem(last=False)
            cache[key] = value
    return res
```

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}

import copy

def solve(base: dict, patch: dict) -> dict:
    res = copy.deepcopy(base)
    for k, v in patch.items():
        if v is None:
            res.pop(k, None)
        elif isinstance(v, dict) and isinstance(res.get(k), dict):
            res[k] = solve(res[k], v)
        else:
            res[k] = copy.deepcopy(v)
    return res

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

import re

def solve(text: str) -> int:
    multipliers = {'d': 86400000, 'h': 3600000, 'm': 60000, 's': 1000, 'ms': 1}
    return sum(int(val) * multipliers[unit] for val, unit in re.findall(r'(\d+)\s*(d|h|m|s|ms)', text))

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 = []
    in_single = False
    in_double = False
    i = 0
    n = len(s)
    match = {')': '(', ']': '[', '}': '{'}
    while i < n:
        c = s[i]
        if c == '\\':
            i += 2
            continue
        if c == "'" and not in_double:
            in_single = not in_single
        elif c == '"' and not in_single:
            in_double = not in_double
        elif not in_single and not in_double:
            if c in '([{':
                stack.append(c)
            elif c in match:
                if not stack or stack[-1] != match[c]:
                    return False
                stack.pop()
        i += 1
    return not stack
```

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, ts = row['user'], row['ts']
        if u not in best or (ts, i) > (best[u][0], best[u][1]):
            best[u] = (ts, i, row)
    return [v[2] for v in sorted(best.values(), key=lambda x: x[2]['user'])]
```

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**：Python 的默认参数在函数定义时仅求值一次。`iter([1, 2, 3])` 创建的迭代器在首次调用 `sum()` 后被耗尽，后续调用会复用这个已耗尽的迭代器，导致再次读取时为空。

**最小修复**：将默认参数改为 `None`，并在函数内部进行初始化，确保每次调用时都能创建新的迭代器。

FIX: def summarize(items=None):

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：`lambda: shared` 每次返回的是同一个字典对象 `shared` 的引用，导致所有新用户的键都指向同一个字典，从而共享了 `'seen'` 列表。

最小修复：让 lambda 函数每次返回一个全新的字典实例，而不是引用外部变量。

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：`range` 的 `stop` 参数使用了 `len(items) - page_size`。当列表长度不是 `page_size` 的整数倍时，这会导致最后剩余的元素（不足一页的部分）无法被遍历到。

最小修复：将 `stop` 参数改为 `len(items)`。Python 的切片操作会自动处理超出列表长度的索引，因此直接遍历到 `len(items)` 即可安全且完整地获取包括最后一页在内的所有分页。

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*`?

Bug: `sorted` 函数默认按字符串的字典序进行排序，没有指定按数值大小比较的规则。

最小修复: 为 `sorted` 函数添加 `key=int` 参数，使其在比较时将字符串转换为整数。

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：缓存键 `key` 仅使用了函数名 `fn.__name__`，没有包含参数 `args` 和 `kwargs`，导致不同参数的调用会命中同一个缓存键，从而返回错误的结果。

修复：将参数也加入到缓存键中。为了保证字典键的可哈希性，需要将 `kwargs` 转换为排序后的元组（或 `frozenset`）。

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` 只是将变量引用指向同一个列表对象，并未创建新列表（未进行浅拷贝），导致修改 `copied` 时原列表 `items` 也被修改。

修复：使用 `items.copy()`、`list(items)` 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()` 只能接受字符串、字节或字节数组。如果传入的 `payload` 已经是 `dict`，会引发 `TypeError`。

最小修复：在解析前检查 `payload` 的类型，若已是字典则直接使用，否则进行 JSON 解析。

FIX: data = payload if isinstance(payload, dict) else json.loads(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：在 Python 中，`finally` 块中的 `return` 语句会覆盖 `try` 块中的返回值，导致函数始终返回 `None`。

最小修复：删除 `finally` 块中的 `return None`。

FIX: 删除 finally 中的 return None

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

125

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

D

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

0

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

18

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

根据提供的资料，未提及 v0.2 没有把 LLM-as-judge 作为默认判分的原因。

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

资料更支持选择**模型 Beta**（因为其成本更低且延迟更低，符合低成本高吞吐的需求）。

多模态表现**不能判断**（资料明确说明没有给出两者在多模态任务上的表现）。

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 上的原始结果为 47/50。若排除 2 道因题面歧义（复测已通过）的题目，其实际有效通过题数为 49/50（通过率 98%）；另有 1 题未通过是因 reasoning tokens 用尽导致空输出。

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。资料明确指出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":90,"debugging":85,"rag":88},"note":"各项指标均达标"}

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，能有效检验考生的真实水平。

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

模型在简单题上拿满分，绝不等于具备强大的真实能力。盲目迷信高分容易陷入误区，我们更应关注模型在复杂场景下的失败样例。只有直面短板、深入剖析，才能客观评估其真实水平，避免被表面的完美所误导。

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

该模型表面性能优异，但在面临复杂调试时，其稳定性明显不足。

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]:
    inv = {}
    for e in events:
        inv[e["user"]] = inv.get(e["user"], 0) + (int(e["amount"]) if e["type"] == "add" else -int(e["amount"]))
    return {k: v for k, v in sorted(inv.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:
    res = 0
    num = 0
    sign = 1
    stack = []
    for char in expr:
        if char.isdigit():
            num = num * 10 + int(char)
        elif char == '+':
            res += sign * num
            num = 0
            sign = 1
        elif char == '-':
            res += sign * num
            num = 0
            sign = -1
        elif char == '(':
            stack.append(res)
            stack.append(sign)
            res = 0
            sign = 1
        elif char == ')':
            res += sign * num
            num = 0
            res *= stack.pop()
            res += stack.pop()
    res += sign * num
    return res
```

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]]:
    max_scores = {}
    for row in rows:
        parts = row.split()
        if not parts:
            continue
        name, score = parts[0], int(parts[1])
        if name not in max_scores or score > max_scores[name]:
            max_scores[name] = score
    return sorted(max_scores.items(), key=lambda x: (-x[1], x[0]))
```

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:
    i, j = 0, 0
    star_idx = -1
    match = 0
    
    while i < len(text):
        if j < len(pattern) and (pattern[j] == '?' or pattern[j] == text[i]):
            i += 1
            j += 1
        elif j < len(pattern) and pattern[j] == '*':
            star_idx = j
            match = i
            j += 1
        elif star_idx != -1:
            j = star_idx + 1
            match += 1
            i = match
        else:
            return False
            
    while j < len(pattern) and pattern[j] == '*':
        j += 1
        
    return j == len(pattern)
```

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(d, path=""):
        for k, v in d.items():
            p = f"{path}.{k}" if path else str(k)
            if isinstance(v, dict):
                yield from dfs(v, p)
            else:
                yield f"{p}={v}"
    return sorted(dfs(tree))
```

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:
    dp0 = nums[0]
    dp1 = 0
    ans = float('-inf')
    for i in range(1, len(nums)):
        dp1 = max(dp0, dp1 + nums[i])
        dp0 = max(nums[i], dp0 + nums[i])
        ans = max(ans, dp1)
    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：当前的列表推导式缺少过滤条件，导致 `strip()` 后变为空字符串的字段依然被保留在结果列表中。

最小修复：在列表推导式末尾添加 `if part.strip()` 条件，以过滤掉空字符串。

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']` 是字符串类型，`sort` 会按字典序进行比较。如果 `ts` 是 Unix 时间戳的字符串形式（例如 `"1000"` 和 `"200"`），字典序会导致 `"1000" < "200"`，从而产生错误的排序结果。

**最小修复**：在排序时，将字符串显式转换为数值类型（如 `float` 或 `int`）再进行比较。

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 在于使用了 `or` 运算符。在 Python 中，`0` 是 falsy 值，因此当 `limit=0` 时，`limit or 10` 会计算为 `10`，导致误判。

最小修复是显式检查 `limit` 是否为 `None`，而不是依赖其布尔值。

FIX: limit = 10 if limit is None else limit

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)` 仅执行浅拷贝，嵌套的字典（如 `config['db']`）仍指向原对象的引用，因此修改副本时会影响原配置。

最小修复：使用 `copy` 模块的 `deepcopy` 进行深拷贝（需在文件顶部添加 `import copy`）。

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()` 函数在没有提供默认值时，如果生成器为空（即找不到匹配项），会抛出 `StopIteration` 异常。

最小修复：为 `next()` 函数添加第二个参数 `None` 作为默认返回值，并将生成器表达式用括号括起来以满足语法要求。

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 指出**：
Python 中的可变默认参数（如 `[]`）在函数定义时仅被求值并初始化一次。这会导致所有未显式传入 `logs` 参数的调用共享同一个列表实例，从而产生意外的状态累积。

**最小修复**：
将默认参数改为不可变的 `None`，并在函数内部判断，若为 `None` 则初始化为新的空列表 `[]`。

```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

3

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

讨论“模型真实能力”应优先引用 **ability mode**；讨论“低预算可用性”应优先引用 **efficiency mode**。

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

这次失败的根因是“擅自补类型假设”。

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

不支持。

依据：资料明确指出“资料没有提到图表功能”，且列出的报告展示内容（Summary、By Suite、Failure Examples 和 Case Details）中均未包含图表。

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":["Warning 1","Warning 2"]}

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 | 处理复杂任务，提供深度分析与详细解答 | 响应延迟较高，计算资源消耗大 |
| efficiency mode | 快速响应简单任务，提供简洁直接的答案 | 可能缺乏深度，忽略复杂细节或上下文 |

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

评估模型为何要同时展示原题、模型输出与错误解释？原题还原真实场景，模型输出呈现实际表现，错误解释则精准剖析逻辑漏洞。三者结合，让评估过程透明、客观且完全可复查。这不仅能帮助开发者精准定位缺陷，更能告别盲目猜测，高效驱动模型迭代升级。

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

15

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

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

20

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

12

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

C

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

3

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

2

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

8

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

-2

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

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

8

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

丙

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

463

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]:
    result = []
    current = []
    in_quotes = False
    start_of_field = True
    i = 0
    n = len(line)
    
    while i < n:
        c = line[i]
        if start_of_field and c == '"':
            in_quotes = True
            start_of_field = False
        elif in_quotes:
            if c == '"':
                if i + 1 < n and line[i + 1] == '"':
                    current.append('"')
                    i += 1
                else:
                    in_quotes = False
            else:
                current.append(c)
        else:
            if c == ',':
                result.append("".join(current))
                current = []
                start_of_field = True
            else:
                current.append(c)
                start_of_field = False
        i += 1
        
    result.append("".join(current))
    return result
```

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
from collections import defaultdict, deque

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

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:
    stack = []
    for part in path.split('/'):
        if part == '' or part == '.':
            continue
        if 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']]

def solve(words: list[str]) -> list[list[str]]:
    groups = {}
    first_idx = {}
    for i, w in enumerate(words):
        k = "".join(sorted(w))
        if k not in first_idx:
            first_idx[k] = i
            groups[k] = []
        groups[k].append(w)
    return [groups[k] for k in sorted(first_idx, key=first_idx.get)]

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') == {}

def solve(text: str) -> dict:
    lines = text.splitlines()
    if not lines or lines[0] != '---':
        return {}
    
    end_idx = -1
    for i in range(1, len(lines)):
        if lines[i] == '---':
            end_idx = i
            break
            
    if end_idx == -1:
        return {}
        
    result = {}
    for i in range(1, end_idx):
        line = lines[i]
        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 not inner:
                result[key] = []
            else:
                result[key] = [x.strip() for x in inner.split(',')]
        else:
            result[key] = value
            
    return result

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]:
    counts = {}
    first_seen = {}
    for i, item in enumerate(items):
        if item not in first_seen:
            first_seen[item] = i
        counts[item] = counts.get(item, 0) + 1
    return sorted(counts.keys(), key=lambda x: (-counts[x], first_seen[x]))[: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
import copy

def solve(config: dict, overrides: dict[str, object]) -> dict:
    result = copy.deepcopy(config)
    for path, value in overrides.items():
        keys = path.split('.')
        current = result
        for key in keys[:-1]:
            if not isinstance(current.get(key), dict):
                current[key] = {}
            current = current[key]
        
        last_key = keys[-1]
        if value is None:
            current.pop(last_key, None)
        else:
            current[last_key] = 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 parse_qsl

def solve(query: str) -> dict[str, list[str]]:
    res = {}
    for k, v in parse_qsl(query, keep_blank_values=True):
        res.setdefault(k, []).append(v)
    return res
```

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

import re

def solve(html: str) -> bool:
    stack = []
    for m in re.finditer(r'<(/?)([a-z]+)(/?)>', html):
        if m.group(3) == '/':
            continue
        if m.group(1) == '/':
            if not stack or stack[-1] != m.group(2):
                return False
            stack.pop()
        else:
            stack.append(m.group(2))
    return not stack

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:
    if not grid:
        return -1
    rows, cols = len(grid), len(grid[0])
    start = next(((r, c) for r in range(rows) for c in range(cols) if grid[r][c] == 'S'), None)
    if not start:
        return -1
    
    q = deque([(start[0], start[1], 0)])
    visited = {start}
    
    while q:
        r, c, d = q.popleft()
        if grid[r][c] == 'E':
            return d
        for dr, dc in [(-1, 0), (1, 0), (0, -1), (0, 1)]:
            nr, nc = r + dr, c + dc
            if 0 <= nr < rows and 0 <= nc < cols and grid[nr][nc] != '#' and (nr, nc) not in visited:
                visited.add((nr, nc))
                q.append((nr, nc, d + 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]

import bisect

def solve(nums: list[int], k: int) -> list[float]:
    if not nums or k == 0:
        return []
    
    window = sorted(nums[:k])
    res = []
    mid = k // 2
    
    if k % 2 == 1:
        res.append(float(window[mid]))
    else:
        res.append((window[mid - 1] + window[mid]) / 2.0)
        
    for i in range(k, len(nums)):
        out_num = nums[i - k]
        in_num = nums[i]
        
        idx = bisect.bisect_left(window, out_num)
        window.pop(idx)
        bisect.insort(window, in_num)
        
        if k % 2 == 1:
            res.append(float(window[mid]))
        else:
            res.append((window[mid - 1] + window[mid]) / 2.0)
            
    return res

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 get_key(v: str):
        if '-' in v:
            core, label = v.split('-', 1)
            m, n, p = map(int, core.split('.'))
            return (m, n, p, 0, label)
        m, n, p = map(int, v.split('.'))
        return (m, n, p, 1, "")
    return sorted(versions, key=get_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
from collections import deque

def solve(deps: dict[str, list[str]], changed: list[str]) -> list[str]:
    rev_deps = {}
    for pkg, dependencies in deps.items():
        for dep in dependencies:
            rev_deps.setdefault(dep, []).append(pkg)
    
    affected = set(changed)
    queue = deque(changed)
    
    while queue:
        curr = queue.popleft()
        for pkg in rev_deps.get(curr, []):
            if pkg not in affected:
                affected.add(pkg)
                queue.append(pkg)
                
    return sorted(affected)
```

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

下一步应该新增 50 道题。不应该立刻跑模型（应先生成审题 HTML，确认后再跑）。

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。

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

资料更支持选择模型 B。模型 B 的平均延迟最低（4 秒），且没有超时失败，符合低延迟且稳定的要求。

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，max_chars 只作为诊断信息记录，length_scored 为 false，只有缺少 required、required_any 或出现 forbidden 才会导致失败。

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

应写 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

复现评测主要应该依赖的记录字段包括：model、case_id、prompt_hash、parameters、scorer details、output、latency_ms 和 usage。

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

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

根据资料，评分规则本身存在缺陷或未能涵盖某些同义表达（如 rag-006 中规则未把 int 类型视作“整数”）的失败更需要人工复查评分规则。

coding-004 不属于这种情况，因为它的失败是代码运行时错误（ValueError），而非评分规则问题。

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：
1. **是否应该展示旧版本结果**：资料未说明是否“应该”，但明确指出之前的版本结果不显示在 index 页。
2. **当前展示范围**：仅显示最后这版 50 道题的 v0.2-challenge50 结果，且 token limit 统一为 ability16384。

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

归因为：输出被截断导致没有形成可执行函数，而非算法逻辑错误。

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：Python 的闭包存在延迟绑定（late binding）特性。`lambda` 函数在**调用时**才会去查找变量 `i` 的值，而不是在定义时。循环结束后，`i` 的最终值为 2，因此所有函数调用时都返回 2。

最小修复：利用函数默认参数在定义时求值的特性，将当前循环的 `i` 值绑定到 `lambda` 的局部作用域中。

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*`?

Bug：`__exit__` 方法返回 `True` 会抑制（吞掉）异常，阻止其向外抛出。
最小修复：将 `return True` 改为 `return False`（或 `return None`），以允许异常正常传播。

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 = []` 被定义为类属性，导致所有 `Bag` 实例共享同一个列表对象。

修复：删除类级别的 `items = []`，并添加 `__init__` 方法将其初始化为实例属性。

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

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 指出**：
在 Python 中，函数的默认参数只在函数定义时（模块加载时）计算一次。因此 `datetime.utcnow()` 仅在定义时执行一次，导致后续不传 `ts` 调用该函数时，始终返回那个固定的旧时间，而不是每次调用时的当前时间。

**最小修复**：
将默认参数改为 `None`，并在函数体内部判断，若 `ts` 为 `None` 则赋值为 `datetime.utcnow()`。

修复后的完整代码：
```python
from datetime import datetime

def mark(ts=None):
    if ts is None:
        ts = datetime.utcnow()
    return ts.isoformat()
```

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*`?

Bug：`lower` 方法没有被调用，缺少括号 `()`，导致返回的是方法对象本身。

最小修复：在 `lower` 后添加 `()` 以调用该方法。

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":1,"active":true},{"id":"case-2","weight":2,"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 版本将题库扩充至 100 题，旨在更全面评估模型能力。新增的推理题能深度考察逻辑推演水平；同时，扩充题库有助于覆盖更多复杂的边界条件，防止模型靠简单模式匹配得分。每一道新题均经过严格的人工复查，确保题目质量与答案准确。这不仅提升了测试严谨性，也为开发者提供了更可靠的优化方向。