DEV 与 Kaggle 合办的基准挑战赛要求参赛者别再读别人的排行榜，而是给自己真正在做的活儿造一套评测。获奖作品几乎都从一个作者早就知道很难的具体问题出发：阿尔伯塔 2026 年 6 月停止夏令时后，19 个前沿模型仍把卡尔加里算成 11 点而不是 10 点；12 个模型能背出 PHP 数组和 Go 协程的发布说明，却把结论套到错误场景还信心十足；十个模型为 Blender 四个版本写脚本，能跑通的代码里却说「版本间没有变化」。最扎心的是 Ariane 5 复现：13 个模型几乎每次都能指出问题，但常常是错的原因，甚至在不碰数据库的代码里报告 SQL 注入。