ExecRetrieval：衡量代码嵌入检索中的功能正确性差距

论文提出 ExecRetrieval 代码检索基准，包含 939 个 Python 任务，每个任务配有一个经执行验证的规范实现和最多四个执行验证的缺陷干扰项。在评测 23 种稠密嵌入配置与 BM25 后，检索池含近似克隆反事实时头部托管系统的 exec@10 达到 1.00，但 exec@1 仅 0.331。