超越输出正确性：基准测试与评估大语言模型在编码任务中的推理能力

大语言模型日益依赖显式推理解决编码任务，但其推理质量评估仍具挑战。现有评估器非专为编码设计，且基准多集中于代码生成。本文提出 CodeRQ-Bench，首个涵盖生成、摘要和分类三类任务的推理质量基准。通过分析不匹配案例，识别五大局限并提炼四项设计洞察。据此提出 VERA，一种结合证据验证与歧义感知评分修正的两阶段评估器。实验表明，VERA 在多个数据集上显著优于强基线，大幅提升了评估指标。