TestEvo-Bench：一个可执行且实时的测试与代码协同进化基准

软件测试与代码共同进化：代码变更需伴随新测试或更新以记录新行为。现有基准常孤立测试与代码变更，依赖静态元数据，难以验证测试的可执行性及语义关联。本文提出 TestEvo-Bench，这是一个源自软件仓库的测试与代码协同进化基准，包含测试生成与测试更新两个赛道。每个任务基于真实提交历史，支持执行导向的评估指标。作为实时基准，它通过时间戳筛选和数据持续挖掘降低数据泄露风险。实验表明，当前先进 Agent 在该基准上表现尚可，但在最新任务和成本受限下成功率显著下降。