代码审查相关资讯

SWE-Gate基准：34%通过功能测试的AI修复违反代码审查约束

2026年9月3日arXiv发布的SWE-Gate论文构建303个任务新基准，644个功能测试通过的修复中有221个（34%）违反代码审查要求，覆盖75个开源Python仓库，证明现有基准系统性高估Agent能力。

GPT-4o在最新评测中遭遇滑铁卢：代码bug检测能力从满分暴跌至0分。面对一段存在明显逻辑错误的代码，GPT-4o竟然回答"代码本身没有明显的bug"，暴露出其工程判断力的严重退化。