这项由南洋理工大学、华为时间有限公司和香港大学联开展的接头金华钢绞线厂，以预印本神情于2026年7月7日发布，论文编号为arXiv:2607.06065，感兴味的读者可通过该编号查阅完满论文。
软件开辟的宇宙里，有个让整个表率员都头疼的问题：你费精心力写了段代码来援手个软件瑕玷，提交上去之后，却不知谈它到底修好了莫得。莫得东谈主帮你搜检，莫得东谈主给你响应，你就像把封信投进了邮筒，却历久不知谈收件东谈主有莫得收到。
连年来，东谈主工智能编程器用的向上让情况有了变化。AI还是好像上演"代码工程师"的角，自动分析软件问题并提交援手案——也便是所谓的"拉取恳求"（Pull Request，简称PR，不错一语气为"援手建议稿"）。但是问题依然存在：AI提交完援手案之后，相似莫得东谈主帮它搜检，这个案是确凿处罚了问题，如故仅仅"看起来处罚了"？通盘过程仍然是单向的、枯竭响应的。
这便是这篇论文要处罚的中枢问题。接头团队提议了个叫作念SWE-Review的框架，中枢想路是：给AI写的援手案配个"审稿东谈主"——另个AI，门慎重搜检那份援手案写得对不合，那里有问题，应该怎样改。这么来，通盘经过就从"写完就算"变成了"写——审——改——再审"的闭环轮回。
、为什么份AI写的援手案需要另个AI来审查
代码审查在软件工程里是个陈腐而伏击的执行。东谈主类团队里，名表率员写完代码之后，另名共事会仔细阅读并提议看法，这个过程叫作念Code Review（代码审查）。它能发现演叨、造就质料、止问题代码插足郑再版块。
但是，当AI开动多数提交援手案时，这个要津却严重滞后。现存的自动代码审查器用大多只会作念件事：把援手案的"各异文献"（也便是娇傲那里改了什么的纪录）交给AI模子，让它次给出通过或拒的判断。这就好比请位考官评卷，但只给他看学生写了哪几行字，而不给他看整本讲义、参考谜底和出题布景——考官只可凭阅历料想对不合，很容易出错。
真实的问题在于，个看起来理的援手案，未处罚了真实的根源问题。它可能仅仅舍弃了名义的报错，而根底的逻辑残障依然藏在代码处。判断这件事，需要审查者入挖掘通盘代码仓库，跟踪问题的世代相承，而不仅仅盯着那几行被修改的代码看。
这便是SWE-Review与以往审查器用根底的区别：它西宾出的"审查者"（Reviewer Agent）不是静静坐在那里读份文献，而是主动在代码仓库里四处探索、跟踪调用链、开始运行测试，像位切身傍观的探员那样，在掌抓了迷漫字据之后再作念出判断。
二、探员式审查：主动探索与静态阅读的差距到底有多大
接头团队门联想了个基准测试集——SWE-Review-Bench，来计算这种"主动探索式审查"到底比"静态阅读式审查"强些许。这个测试集包含1384份由AI生成的援手案，来自500个真实软件问题，使用了三个材干杂沓不都的AI代码生成器来产生这些案，酿成了、中、低三种质料眉目的样老实散。
评价个审查者好不好，接头团队使用了三把尺子。把叫"完成率"，计算的是审查者能不成产出份神情正确、不错被领路的审查叙述，就像看个探员终有莫得写出结案叙述。二把叫"有野心准确率"，计算审查者判断"通过如故要求修改"这个二选的准确度，就像看探员抓没抓到真凶。三把叫"修改后处罚率"，这是实用的把尺子：审查者给出响应之后，代码工程师照着响应去改，改完之后问题处罚了吗？这把尺子成功计算了审查的实践价值。
论文里有个绝顶直不雅的案例——sympy-13877问题。这是个Python数学库里的瑕玷：当你用某个算法计算个包含标志变量的矩阵的行列式时，会报出个"违纪NaN比拟"的演叨（NaN是"不是个数字"的真理，出当前不应该出现的地就会激勉崩溃）。个AI代码工程师提交了份援手案，在代码的某个下流位置加了个保护搜检，止NaN值触发比拟操作。名义上看，崩溃磨灭了，演叨不报了。
但是，当接头团队的主动探索式审查者介入时，它莫得成功看援手案。它先读懂了问题形容，然后顺着代码的调用链路纪念——矩阵行列式计算经过从那里插足、经过哪些函数、调用了哪些器用。它发现金华钢绞线厂，真实的问题其实在另个文献`matrices.py`里：行代码本该写成`ret = cancel(ret)`，但实践上只写了`cancel(ret)`，复返的遵循被成功丢弃了，未被简化的抒发式因此被演叨地当成非值参与了后续计算，进而致系列连锁演叨。阿谁候选援手案仅仅鄙人游堵住了崩溃，但演叨遵循（行列式复返NaN而非正确数值）依然存在。
主动探索式审查者发现了这点，要求修改，并指出了真实的援手位置。静态阅读式审查者则因为莫得纪念上游，只看到了援手案"止了崩溃"，就批准通过了。后者的论断——这个援手"安全、有针对且不引入转头问题"——在逻辑上看似理，实践上却是错的。
在量化比拟上，使用Claude Opus 4.6看成统的审查模子，主动探索式审查在三个不同质料眉目的援手案上胜出。以有野心准确率为例，在由弱AI生成的援手案上，主动探索式审查达到89.4，而静态阅读加上稀零文献高下文的式只好80.8，仅看各异文献的式只好72.0。这差距在难度的案例上加显然——接头团队按照援手案与表率谜底的各异进度和需要考据的活动范围，将测试集分红了绵薄、中等、费事三档，发现主动探索式审查在费事档案例上的有野心准确领先幅度大。
这个论断背后有个了了的敬爱：当个问题的谜底不在那几行被修改的代码里，而是藏在通盘代码仓库的某个边缘时，只盯着各异文献看是不够的，须主动去找。
三、让小模子也能作念好审查：从轨迹数据中学习探员手段
主动探索式审查之是以强，是因为它好像动态网罗字据。但这种式依赖于庞大的模子（如Claude Opus 4.6），老本很，也法成功让广宽接头者复现或使用。那么，能不成把这种材干"教给"小、轻量的模子？
接头团队的申诉是深信的，而且他们为此构建了个门的西宾数据集——SWE-Review-Traj，包含8914条质料的审查轨迹。所谓"审查轨迹"，便是个完满的审查过程纪录：审查者在代码仓库里走了哪些才能、看了哪些文献、运行了哪些测试、得出了什么论断、给出了什么会诊建议。这就好比把位阅历丰富的探员破案的全过程详实录下来，然后用这些摄像来培训新探员。
这些西宾数据来自SWE-rebench这个大范围真实软件问题集。接头团队先用三个AI代码生成器产生候选援手案，再用材干较强的开源模子GLM-5（带有"想考模式"）看成敦厚模子来对每份案作念审查，纪录下完满的探索过程。原始产生了14156条轨迹，经过筛选——只保留有野心论断正确的（即正确通过了真实有的案，或正确拒结案的轨迹）——终留住8914条看成西宾数据。
为了考据西宾数据的质料，接头团队从两个维度进行了覆按。语义层面，他们让Claude Opus 4.6和GPT-5.4两个模子远离对审查叙述的会诊质料分，评估三个维度：会诊是否准确指出了问题根源、修改建议是否正确、论据是否有塌实的代码依据。两位评委的平平分都过3分（满分5分），致很（Cohen's κ整个为0.72），只好3.3的评分收支过2分。层面，接头团队立时抽取100个真实被拒的案例，分四种条目让代理重新援手：莫得审查响应、只好拒决定莫得会诊、有敦厚模子的完满审查响应、有访谒了表率谜底和测试用例的"神谕"审查。遵循娇傲，莫得响当令援手得胜率只好3，只好拒信号时造就到8，加上敦厚模子的会诊响应后跃升到21，而"神谕"的上限是32。这意味着那些会诊信息如实是有效的，能匡助代理找到正确向。
用这套数据西宾出来的模子（接头团队称之为SWE-Review-8B和SWE-Review-30B-A3B，远离基于80亿和300亿参数的基础模子）阐扬绝顶可不雅。以较小的SWE-Review-8B为例，西宾前这个模子险些法产出神情正确的审查叙述（完成率约4），有野心准确率接近立时料想水平（约50）。西宾后，完成率升至71到84，有野心准确率造就了18到21个百分点，达到67到72。在实践应用中，关于由较弱AI生成的援手案（原始处罚率27.5），SWE-Review-8B能将审查后修改的终处罚率造就至35.1，造就幅度接近8个百分点。
四、审查手段还能反哺代码生成：个模子同期学会写和审
接头的另个发现出东谈主料想：审查轨迹不仅仅对西宾审查者有效，它们对西宾代码生成者相似有效。
接头团队作念了组对比实验：用相似数目的数据，远离西宾个只学代码生成轨迹的模子，和个同期学习代码生成轨迹与代码审查轨迹的模子，然后成功比拟两者在处罚真实软件问题上的收成。
遵循出东谈主料想解了了。在1000条代码生成数据的范围上，单西宾代码生成的模子处罚率为27.6，锚索混加入等量审查数据后造就到28.4。在2000条数据范围上，单西宾达到31.2，混西宾达到36.8，差距扩大到5.6个百分点。在3000条数据范围上，单西宾34.0，混西宾37.8。这阐明审查西宾数据为模子提供了种对代码生成也有匡助的想维式——要援手个问题，你得先真实一语气它的根源在那里，而审查西宾偶合强化了这种材干。
敬爱的是，混西宾出来的模子同期成为了个可用的审查者。它的审查完成率从蓝本的9到33（仅学代码生成时的水平）跳升到了68到87，有野心准确率达到67到72。这意味着同个模子不错既上演代码工程师又上演审查者，在我方写完援手案之后我方审遍，发现问题再我方修改——套完满的"写-审-改"轮回由个模子承担。在这种诞生下金华钢绞线厂，终软件问题处罚率从初度生成时的27.6造就到了34.6，31.2造就到41.8，34.0造就到41.2，取决于西宾数据范围。
五、比"多试几次"聪惠的战略：审查驱动的迭代修改
当AI系统在面对个费事问题时，种常见的卤莽式是"多试几次，然后挑好的阿谁"——就像扔骰子，多扔几次，总能撞到个好遵循。这种法在学术界叫作念"Best-of-N"（N选）。
问题在于，每次尝试都是从开动，互相之间莫得任何信息传递。前九次失败的阅历，对十次尝试莫得匡助。这好比个学生作念谈应用题，作念错了之后把卷子揉掉，重新发张空缺卷连续作念，而不是在演叨基础上修改——率低。
接头团队提议的"审查驱动迭代修改"（Review-Guided Iterative Revision）则是另种战略：每次援手案被拒，审查者都会给出具体的会诊和修改建议，代码工程师在原有案基础上针对地矫正，而不是倒重来。这就像敦厚改卷之后给出详实批注，学生照着批注修改，而非重新作念遍。
接头团队将这种战略与另外两种法进行了量化比拟，都使用Qwen3-30B-A3B看成代码生成模子，使用西宾好的SWE-Review-8B看成审查者。种比拟对象是"考据器选N"——用另个门西宾的评分模子（SWE-Lego-Verifier-8B）给多份候选案分，挑分数的。二种是"审查者门控重采样"——审查者审查候选案，审查通过了就停驻，不然重更生成个，直到通过或达到大次数上限。
在大尝试预算为5次的情况下，审查驱动迭代修改的处罚率从基线的22.9造就到了38.4，而且平均只用了2.44次就达到了这个遵循（因为审查通过就坐窝罢手轮回）。审查者门控重采样在大预算16次时才达到32.3的处罚率，但平均耗尽了8.9次。考据器选N在大预算16次时只可达到25.6，而且每次增多预算都要付出完满的采样老本，莫得任何提前罢手机制。
从率角度看，审查驱动迭代修改达到了2.28个百分点/百万词元（词元是AI模子处理笔墨的基本单元）的造就率，而审查者门控重采样只好0.35个百分点/百万词元——收支约6.5倍。这意味着，在耗尽相似计算资源的前提下，前者能带来比后者多6.5倍的能造就。
六、入剖解：审查者在那里会犯错，以及为什么
接头团队莫得停步于展示好遵循，还详实分析了审查者的演叨模式——这部天职容关于一语气通盘系统的局限绝顶伏击。
通过分析Claude Opus 4.6在整个测试案例上的272个演叨，接头团队发现演叨分为两大类：167次"假通过"（实践上没修好，却被批准了）和105次"假拒"（实践上修好了，却被要求改）。
假通过的根源约莫分为三类，比例左近：神秘的逻辑残障经过代码搜检仍被暴虐（占37.7），测试用例不够充分未能流露问题（占32.1），以及跨文献的理断链（占29.0）。值得贵重的是，"莫得运行测试"这个选项在Opus的演叨分析中是空的——因为Opus险些在每次审查中都会运行复现测试（99.9的案例），是以假通过的问题不在于测试缺席，而在于测试质料不及或测试自己便是由有相似演叨想维的AI写出来的。在假通过的案例里，有82的审查叙述里出现了"通过"字样，阐明审查者被我方写的测试行使了；而62的假通过援手案里包含了由AI代码工程师我方写的测试文献，这些测试当然会考据与援手案疏通的想路，酿成了种自我轮回的盲区。
假拒则主要源于代码误读（占44.3）——审查者看错了代码逻辑，和非表率但正确的解法（占25.8）——援手案用了种不寻常的式处罚了问题，审查者因为风俗了"表率旅途"而误判为演叨。
从难度分层来看，假通过率跟着问题难度飞腾而急剧增多：在绵薄档为7.6，中等档为8.2，费事档为16.7。这阐明跟着AI代码生成器变得强，它们提交的案接近正确谜底，其中包含的残障也加遮蔽，难被审查者发现。换句话说，改日审查者濒临的挑战会越来越大。
在探索活动分析上，接头团队还发现了个敬爱规则：在有野心正确的审查案例里，探索才能经常少；在有野心演叨的案例里，探索才能反而多。Opus在有野心正确时平均用了23.2步，有野心演叨时用了28.1步，各异显贵。这阐明"探索才能多"不是材干强的体现，而是概略情的信号。快的四分之审查（不外17步）达到了90.8的有野心准确率，慢的四分之（过28步）只好69.4。这意味着才能数目不错看成个轻量的信心宗旨——当审查者探索了很久还没下论断时，这自己便是个警戒信号。
从资源耗尽来看，Claude Opus 4.6平均每次审查耗尽148K词元，而西宾好的SWE-Review-8B耗尽2.36M词元——足足出16倍，有野心准确率却低10到13个百分点。这阐明小的模子在审查上还有很大的造就空间，它们当前接管的是"广撒网"式的探索战略，而Opus则像是"定位"。
说到底，SWE-Review这项接头作念的事情，是把东谈主类软件工程执行里个陈腐而有的机制——代码审查——用AI的式重新终了，何况阐述了它在AI辅助开辟的全链路中能阐扬多大的价值。当AI代码生成器越来越普及，每天提交的援手案越来越多，有个能真实判断"这个案修好了莫得"的审查机制就变得至关伏击。
这项接头还揭示了件反直观的事：审查材干和生成材干并不是两种判然不同的手段。让个模子学会审查，果然也能让它好地生成代码；让个模子上演审查者，它反过来还能把我方当生成者写出的案改得好。两者背后分享的，是种在代码仓库里跟踪问题根源的理材干。
这关于改日的AI编程器宅心味着什么？意味着改日的AI助手可能不会仅仅"帮你写代码"，而是能在写完之后自我审查、自我会诊、自我矫正，酿成个需东谈主类全程介入的质料保险轮回。虽然，接头也坦诚地指出了现阶段的局限：当前通盘框架只聚焦于"援手软件瑕玷"这类任务，莫得波及开辟、重构、文档等粗拙的代码变类型；评价宗旨也只饶恕（修好了莫得），不波及代码格调、可读、安全等维度。这些都是后续值得入探索的向。
有兴味入了解这套框架时间细节的读者，不错通过arXiv编号2607.06065查阅完满论文，接头团队也应允将公开辟布基准测试集、审查轨迹数据和西宾好的审查模子，以便多接头者在此基础上连续探索。
Q&A
Q1：SWE-Review和广宽代码审查器用有什么区别？
A：广宽代码审查器用经常仅仅把修改内容交给模子次判断，就像只看试卷谜底而不看题目布景。SWE-Review的审查者会主动在通盘代码仓库里探索，跟踪问题根源，运行测试考据，像位亲自傍观的探员，能识别出那些"名义看起来修好了但实践没修好"的案。
Q2：SWE-Review-Traj这个西宾数据集有什么用？
A：SWE-Review-Traj包含8914条完满的代码审查过程纪录，用来西宾微型开源模子学会作念代码审查。用这些数据西宾后，个80亿参数的小模子的审查完成率从约4造就至71到84，有野心准确率造就了约20个百分点。同期，这些审查数据还能造就代码生成模子的能，混西宾后软件问题处罚率造就了5.6个百分点。
Q3：审查驱动迭代修改和"多试几次挑好"有什么本色各异？
A：中枢的各异是有莫得信息传递。"多试几次挑好"每次都从开动，前几次失败的教诲对后续莫得匡助。审查驱动迭代修改则在每次失败后由审查者给出具体会诊，代码工程师在原有基础上针对矫正。数据上，前者在多尝试16次时处罚率只好25.6，后者多尝试5次就达到38.4，而且平均只用了2.44次，计算率出约6.5倍。天津市瑞通预应力钢绞线有限公司相关词条:管道保温施工 塑料挤出设备 预应力钢绞线 玻璃棉厂家 保温护角专用胶
1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》金华钢绞线厂，以此来变相勒索商家索要赔偿的违法恶意行为。