量子代码的测试也能自动生成：跑得起来不等于测得准，最好模型判别力只有0.71
量子程序由概率输出和领域专用检查器判定对错，因此一段语法正确的测试仍可能与基准结论相反。QTestBench 让模型为每个任务生成语法、语义、行为三类 pytest 测试，再注入候选解，用基准自带的检查器而非测试本身作为真值，在三个验证队列中比较测试判定与检查器标签。五个模型在八个 PennyLane QHack 挑战和十个 Qiskit HumanEval 任务上生成的测试几乎都能执行，但判别力明显落后：QHack 上最佳测试质量 0.71，Qiskit 上仅 0.34，说明可执行性会高估测试质量。