DataBugBench：评估 LLM 诊断 Python 数据科学隐性 Bug 的基准测试

DataBugBench 基准测试评估了 Claude 3.5 Sonnet、GPT-4o、Gemini 1.5 Pro、Qwen 2.5 Coder 32B 和 Llama 3.3 70B 五款 LLM 诊断 Pandas、NumPy、Scikit-Learn 中五种不报错的隐性 Bug 的能力。