SWE-NFI评测编码代理非功能改进

SWE-NFI研究团队提出编码Agent基准，用188个源自开源Python项目真实合并PR的任务和92条可执行规则，评测代理在保持原有可观察行为的同时改进软件质量的能力；基于论文摘要，测试先检查功能保持，再评估五类开发者关注的非功能性改进。 团队评测了八种商业及开源Agent配置，每种配置在每个任务上运行五次。结果显示，即使表现最好的配置，通过全部任务特定功能保持检查的有效输出也不超过70.0%，说明现有配置在完成非功能性修改时仍较易破坏原功能；该结论目前来自论文摘要所报告的评测。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。