阿里实验研究：使用AI智能体花了233天！维护100个代码库！考的是经过8个月演变，代码还能不能跑。

[Anano (小熊)]

结果是：75%的模型越维护越乱，最后把本来能跑的代码搞崩了。
只有ClaudeOpus保持了一半以上的零退化率，其他全凉

[apparition]

Paper: SWE-CI: Evaluating Agent Capabilities in Maintaining Codebases via Continuous Integration

虽然这有点不太礼貌
但我觉得纯是 iFlow CLI 太烂

不过评测结果挺符合大家的印象
Qwen Max 真的烂

图 4: SWE-CI 上 8 家供应商的最先进模型的 EvoScore 变体

图 6: 所有模型按零回归率从小到大排序

水论文 +1

[moonlky]

@Anano

只有ClaudeOpus

克劳德宣传片~

[Adam.H (阿达姆)]

gemini不配上桌么，还有他怎么不测一下sonnet

[linuxdo (Eray)]

没办法claude编程就是强

[apparition]

某些程度上也可以当成 claude opus 很万用
就算塞到奇怪框架里效果也不错
看看 gpt-5.2

[test121212 (test2024001)]

gpt5.2竟然这么低

[Allyourneed]

豆包居然垫底

[zydmyhz]

预期之内

[seamee (不紧不慢不快不慢)]

符合刻板印象

[light04 (Geng)]

克劳德还是太好用了

[IKAR0S (andrew)]

怎么着，软件测试的春天要来了吗？

[TheRedBoy (LingCore)]

实际用下来，国产的的确就是水货

[walkmansk]

GPT5.2不如glm5吗？和我实际用下来的感觉不是很一致