nac xử lý xong benchmark multiPL-E trong 2 giờ, rút ngắn thời gian kiểm định từ nhiều ngày xuống còn vài tiếng

Nhà phát triển @code_star đã dùng 47 phiên nac chạy song song thông qua Codex và một MCP server để kiểm tra, sửa lỗi trên các bộ benchmark multiPL-E, MBPP và HumanEval.