使用 LLM 生成的测试用例来筛选 LLM 生成的代码候选集是一项具有挑战性的任务，因为测试用例本身可能存在错误。现有方法要么对所有测试用例一视同仁，要么依赖于特定的人工启发式规则（ad-hoc heuristics）来过滤不可靠的测试。然而，判断测试用例的正确性需要预先知道哪些代码是正确的，这从而产生了一种循环依赖（circular dependency）。我们的核心洞察是：我们根本不需要去判定测试用例的正确性，因为测试投票应当用于“排序”，而不仅仅是“计数”。关键不在于有多少代码通过了某个测试，而在于该测试能否区分（distinguish）正确代码与错误代码。我们通过“留一法评估”（leave-one-out evaluation）打破了这种循环依赖：预留一个测试用例，根据代码在所有其余测试上的聚合得分进行排序，然后测量被预留的测试用例的通过/失败模式是否与该排序一致。我们将这种一致性形式化为“留一法 AUC”（LOO-AUC），并证明了预期的 LOO-AUC 与每个测试用例区分正确代码与错误代码的能力成正比。基于此，我们提出了 ACES（AUC ConsistEncy Scoring），并包含两种互补的变体：ACES-C 在关于平均测试质量的温和假设下，提供了在期望上可证明近似 Oracle（真值）的闭式权重（closed-form weights）；ACES-O 则无需该假设，通过迭代优化一个可微的 LOO-AUC 目标函数来进行工作。两种方法都仅基于二值化通过矩阵（binary pass matrix）运行，且开销极低，并在多个代码生成 benchmark 上实现了最先进的（state-of-the-art）Pass@$k$k 性能。