LLM-Code-Sandbox-Benchmark：AI 生成代码的沙箱自动化评测工具

GitHub 开源项目 LLM-Code-Sandbox-Benchmark 提供了一套针对 AI 生成代码的自动化评测框架，在受限 Python 沙箱子进程中执行候选代码，通过 baseline/edge/performance 测试集验证正确性，并基准测试运行时间与内存。工具基于最小二乘法拟合 O(1)…O(n³) 复杂度模型，输出加权 0–100 分的 JSON 报告和 Markdown 评分卡，支持 batch.py 批量排名多个候选及 --fail-under CI 门禁，适用于 HumanEval 式正确性检查与 RLHF 评分等场景。项目仅依赖 Python 3.10+ 标准库，采用 MIT 许可证。