这项由南洋理工大学、华为技艺有限公司和香港大学集聚开展的征询，以预印本样貌于2026年7月7日发布，论文编号为arXiv:2607.06065，感风趣的读者可通过该编号查阅完好论文。

软件拓荒的寰宇里，有一个让统统法子员都头疼的问题：你用度心力写了一段代码来诞生一个软件粗放，提交上去之后，却不知谈它到底修好了莫得。莫得东谈主帮你查验，莫得东谈主给你响应，你就像把一封信投进了邮筒，却恒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还是大致饰演"代码工程师"的扮装，自动分析软件问题并提交诞生有研究——也等于所谓的"拉取申请"（Pull Request，简称PR，不错贯通为"诞生建议稿"）。干系词问题依然存在：AI提交完诞生有研究之后，相似莫得东谈主帮它查验，这个有研究是果真经管了问题，照旧仅仅"看起来经管了"？统统这个词过程仍然是单向的、缺少响应的。

这等于这篇论文要经管的中枢问题。征询团队建议了一个叫作念SWE-Review的框架，中枢想路是：给AI写的诞生有研究配一个"审稿东谈主"——另一个AI，有益追究查验那份诞生有研究写得对分歧，何处有问题，应该怎样改。这么一来，统统这个词历程就从"写完就算"变成了"写——审——改——再审"的闭环轮回。

一、为什么一份AI写的诞生有研究需要另一个AI来审查

代码审查在软件工程里是一个陈旧而进攻的履行。东谈主类团队里，又名法子员写完代码之后，另又名共事会仔细阅读并建议办法，这个过程叫作念Code Review（代码审查）。它能发现失误、普及质料、驻防问题代码参加郑再版块。

干系词，当AI启动大都提交诞生有研究时，这个要道却严重滞后。现存的自动代码审查器用大多只会作念一件事：把诞生有研究的"互异文献"（也等于骄横何处改了什么的记载）交给AI模子，让它一次性给出通过或拒却的判断。这就好比请一位考官评卷，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——考官只可凭阅历臆想对分歧，很容易出错。

委果的问题在于，一个看起来合理的诞生有研究，有时经管了委果的根源问题。它可能仅仅摒除了名义的报错，而根底的逻辑过错依然藏在代码深处。判断这件事，需要审查者长远挖掘统统这个词代码仓库，跟踪问题的一脉相传，而不仅仅盯着那几行被修改的代码看。

这等于SWE-Review与以往审查器用最根底的区别：它西宾出的"审查者"（Reviewer Agent）不是静静坐在那里读一份文献，而是主动在代码仓库里四处探索、跟踪调用链、着手运行测试，像一位切身观察的观察那样，在掌捏了裕如凭据之后再作念出判断。

二、观察式审查：主动探索与静态阅读的差距到底有多大

征询团队有益假想了一个基准测试集——SWE-Review-Bench，来掂量这种"主动探索式审查"到底比"静态阅读式审查"强若干。这个测试集包含1384份由AI生成的诞生有研究，来自500个真实软件问题，使用了三个智力错乱不王人的AI代码生成器来产生这些有研究，变成了高、中、低三种质料端倪的样本散布。

评价一个审查者好不好，征询团队使用了三把尺子。第一把叫"完成率"，掂量的是审查者能弗成产出一份时势正确、不错被剖释的审查论说，就像看一个观察最终有莫得写出了案论说。第二把叫"决策准确率"，掂量审查者判断"通过照旧要求修改"这个二选一的准确度，就像看观察抓没抓到真凶。第三把叫"修改后经管率"，这是最实用的一把尺子：审查者给出响应之后，代码工程师照着响应去改，改完之后问题经管了吗？这把尺子顺利掂量了审查的推行价值。

论文里有一个相称直不雅的案例——sympy-13877问题。这是一个Python数学库里的粗放：当你用某个算法算计一个包含标志变量的矩阵的行列式时，会报出一个"行恶NaN相比"的失误（NaN是"不是一个数字"的意旨风趣，出当今不应该出现的场地就会激发崩溃）。一个AI代码工程师提交了一份诞生有研究，在代码的某个下贱位置加了一个保护性查验，驻防NaN值触发相比操作。名义上看，崩溃销毁了，失误不报了。

干系词，当征询团队的主动探索式审查者介入时，它莫得顺利看诞生有研究。它先读懂了问题刻画，然后顺着代码的调用链一起回首——矩阵行列式算计历程从何处参加、经过哪些函数、调用了哪些器用。它发现，委果的问题其实在另一个文献`matrices.py`里：一瞥代码本该写成`ret = cancel(ret)`，但推行上只写了`cancel(ret)`，复返的戒指被顺利丢弃了，未被简化的零抒发式因此被失误地当成非零值参与了后续算计，进而导致一系列连锁失误。阿谁候选诞生有研究仅仅不才游堵住了崩溃，但失误戒指（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少量，要求修改，并指出了委果的诞生位置。静态阅读式审查者则因为莫得回首上游，只看到了诞生有研究"驻防了崩溃"，就批准通过了。后者的论断——这个诞生"安全、有针对性且不引入回来问题"——在逻辑上看似合理，推行上却是错的。

在量化相比上，使用Claude Opus 4.6当作融合的审查模子，主动探索式审查在三个不同质料端倪的诞生有研究上全面胜出。以决策准确率为例，在由最弱AI生成的诞生有研究上，主动探索式审查达到89.4%，而静态阅读加上罕见文献高下文的方式独一80.8%，仅看互异文献的方式独一72.0%。这一差距在难度更高的案例上愈加通晓——征询团队按照诞生有研究与法子谜底的互异进度和需要考证的步履范围，将测试集分红了通俗、中等、贫穷三档，发现主动探索式审查在贫穷档案例上的决策准确率最先幅度最大。

这个论断背后有一个明晰的风趣：当一个问题的谜底不在那几行被修改的代码里，而是藏在统统这个词代码仓库的某个边际时，只盯着互异文献看是不够的，必须主动去找。

三、让小模子也能作念好审查：从轨迹数据中学习观察技巧

主动探索式审查之是以强，是因为它大致动态蚁集凭据。但这种方式依赖于宽敞的模子（如Claude Opus 4.6），资本很高，也无法顺利让普通征询者复现或使用。那么，能弗成把这种智力"教给"更小、更轻量的模子？

征询团队的回话是投诚的，而且他们为此构建了一个有益的西宾数据集——SWE-Review-Traj，包含8914条高质料的审查轨迹。所谓"审查轨迹"，等于一个完好的审查过程记载：审查者在代码仓库里走了哪些法子、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。这就好比把一位阅历丰富的观察破案的全过程详备录下来，然后用这些摄像来培训新观察。

这些西宾数据来自SWE-rebench这个大规模真实软件问题蚁合。征询团队先用三个AI代码生成器产生候选诞生有研究，再用智力较强的开源模子GLM-5（带有"想考模式"）当作赤诚模子来对每份有研究作念审查，记载下完好的探索过程。原始产生了14156条轨迹，经过筛选——只保留决策论断正确的（即正确通过了委果有用的有研究，或正确拒却了无效有研究的轨迹）——最终留住8914条当作西宾数据。

为了考证西宾数据的质料，征询团队从两个维度进行了锤真金不怕火。语义层面，他们让Claude Opus 4.6和GPT-5.4两个模子分裂对审查论说的会诊质料打分，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。两位评委的平中分都杰出3分（满分5分），一致性很高（Cohen's κ悉数为0.72），独一3.3%的评分进出杰出2分。功能层面，征询团队赶快抽取100个真实被拒却的案例，分四种条款让代理从头诞生：实足莫得审查响应、独一拒却决定莫得会诊、有赤诚模子的完好审查响应、有探询了法子谜底和测试用例的"神谕"审查。戒指骄横，实足莫得响当令诞生凯旋率独一3%，独一拒却信号时普及到8%，加上赤诚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照实是有用的，能匡助代理找到正确标的。

用这套数据西宾出来的模子（征询团队称之为SWE-Review-8B和SWE-Review-30B-A3B，分裂基于80亿和300亿参数的基础模子）推崇极端可不雅。以较小的SWE-Review-8B为例，西宾前这个模子险些无法产出时势正确的审查论说（完成率约4%），决策准确率接近赶快臆想水平（约50%）。西宾后，完成率升至71%到84%，决策准确率普及了18到21个百分点，达到67%到72%。在推行应用中，关于由较弱AI生成的诞生有研究（原始经管率27.5%），SWE-Review-8B能将审查后修改的最终经管率普及至35.1%，普及幅度接近8个百分点。

四、审查技巧还能反哺代码生成：一个模子同期学会写和审

征询的另一个发现出东谈主预料：审查轨迹不仅仅对西宾审查者有用，它们对西宾代码生成者相似有用。

征询团队作念了一组对比实验：用相似数目的数据，分裂西宾一个只学代码生成轨迹的模子，和一个同期学习代码生成轨迹与代码审查轨迹的模子，然后顺利相比两者在经管真实软件问题上的收货。

戒指出东谈主预料地明晰。在1000条代码生成数据的规模上，单独西宾代码生成的模子经管率为27.6%，搀杂加入等量审查数据后普及到28.4%。在2000条数据规模上，单独西宾达到31.2%，搀杂西宾达到36.8%，差距扩大到5.6个百分点。在3000条数据规模上，单独西宾34.0%，搀杂西宾37.8%。这阐明审查西宾数据为模子提供了一种对代码生成也有匡助的想维方式——要诞生一个问题，你得先委果贯通它的根源在何处，而审查西宾刚巧强化了这种智力。

更酷好的是，搀杂西宾出来的模子同期成为了一个可用的审查者。它的审查完成率从原本的9%到33%（仅学代码生成时的水平）跳升到了68%到87%，决策准确率达到67%到72%。这意味着并吞个模子不错既饰演代码工程师又饰演审查者，在我方写完诞生有研究之后我方审一遍，发现问题再我方修改——一套完好的"写-审-改"轮回实足由一个模子承担。在这种诞生下，最终软件问题经管率从首次生成时的27.6%普及到了34.6%，31.2%普及到41.8%，34.0%普及到41.2%，取决于西宾数据规模。

五、比"多试几次"更聪惠的计谋：审查驱动的迭代修改

当AI系统在面对一个贫穷问题时，一种常见的应答方式是"多试几次，然后挑最佳的阿谁"——就像扔骰子，多扔几次，总能撞到一个好戒指。这种方法在学术界叫作念"Best-of-N"（N选最优）。

问题在于，每次尝试都是从零启动，互相之间莫得任何信息传递。前九次失败的阅历，对第十次尝试实足莫得匡助。这好比一个学生作念一谈应用题，作念错了之后把卷子揉掉，从头发一张空缺卷接续作念，而不是在失误基础上修改——后果极低。

征询团队建议的"审查驱动迭代修改"（Review-Guided Iterative Revision）则是另一种计谋：每次诞生有研究被拒却，审查者都会给出具体的会诊和修改建议，代码工程师在原有有研究基础上针对性地蜕变，而不是推倒重来。这就像赤诚改卷之后给出详备批注，学生照着批注修改，而非从头作念一遍。

征询团队将这种计谋与另外两种方法进行了量化相比，都使用Qwen3-30B-A3B当作代码生成模子，使用西宾好的SWE-Review-8B当作审查者。第一种相比对象是"考证器选最优N"——用另一个有益西宾的评分模子（SWE-Lego-Verifier-8B）给多份候选有研究打分，挑分数最高的。第二种是"审查者门控重采样"——审查者审查候选有研究，审查通过了就停驻，不然从头生成一个，直到通过或达到最大次数上限。

在最大尝试预算为5次的情况下，审查驱动迭代修改的经管率从基线的22.9%普及到了38.4%，而且平均只用了2.44次就达到了这个戒指（因为审查通过就坐窝住手轮回）。审查者门控重采样在最大预算16次时才达到32.3%的经管率，但平均破钞了8.9次。考证器选最优N在最大预算16次时只可达到25.6%，而且每次增多预算都要付出完好的采样资本，莫得任何提前住手机制。

从后果角度看，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模子处理翰墨的基本单元）的普及后果，而审查者门控重采样独一0.35个百分点/百万词元——进出约6.5倍。这意味着，在破钞相似算计资源的前提下，前者能带来比后者多6.5倍的性能普及。

六、长远剖解：审查者在何处会犯错，以及为什么

征询团队莫得留步于展示好戒指，还详备分析了审查者的失误模式——这部老实容关于贯通统统这个词系统的局限性相称进攻。

通过分析Claude Opus 4.6在统统测试案例上的272个失误，征询团队发现失误分为两大类：167次"假通过"（推行上没修好，却被批准了）和105次"假拒却"（推行上修好了，却被要求改）。

假通过的根源轻便分为三类，比例独揽：奥妙的逻辑过错经过代码查验仍被冷落（占37.7%），测试用例不够充分未能知道问题（占32.1%），以及跨文献的推理断链（占29.0%）。值得安宁的是，"莫得运行测试"这个选项在Opus的失误分析中是空的——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身等于由有相似失误想维的AI写出来的。在假通过的案例里，有82%的审查论说里出现了"通过"字样，阐明审查者被我方写的测试诈欺了；而62%的假通过诞生有研究里包含了由AI代码工程师我方写的测试文献，这些测试当然会考证与诞生有研究换取的想路，变成了一种自我轮回的盲区。

假拒却则主要源于代码误读（占44.3%）——审查者看错了代码逻辑，和违规子但正确的解法（占25.8%）——诞生有研究用了一种不寻常的方式经管了问题，审查者因为民俗了"法子旅途"而误判为失误。

从难度分层来看，假通过率跟着问题难度上涨而急剧增多：在通俗档为7.6%，中等档为8.2%，贫穷档为16.7%。这阐明跟着AI代码生成器变得更强，它们提交的有研究更接近正确谜底，其中包含的过错也愈加遮掩，更难被审查者发现。换句话说，将来审查者面对的挑战会越来越大。

在探索步履分析上，征询团队还发现了一个酷好章程：在决策正确的审查案例里，探索法子经常更少；在决策失误的案例里，探索法子反而更多。Opus在决策正确时平均用了23.2步，决策失误时用了28.1步，互异权臣。这阐明"探索法子多"不是智力强的体现，而是不细想法信号。最快的四分之一审查（不杰出17步）达到了90.8%的决策准确率，最慢的四分之一（杰出28步）独一69.4%。这意味着法子数目不错当作一个轻量级的信心运筹帷幄——当审查者探索了很久还没下论断时，这自身等于一个申饬信号。

从资源破钞来看，Claude Opus 4.6平均每次审查破钞148K词元，而西宾好的SWE-Review-8B破钞2.36M词元——足足高出16倍，决策准确率却低10到13个百分点。这阐明更小的模子在审查上还有很大的普及空间，它们当前接管的是"广撒网"式的探索计谋，而Opus则更像是"精确定位"。

说到底，SWE-Review这项征询作念的事情，是把东谈主类软件工程履行里一个陈旧而有用的机制——代码审查——用AI的方式从头兑现，何况讲解了它在AI缓助拓荒的全链路中能施展多大的价值。当AI代码生成器越来越普及，每天提交的诞生有研究越来越多，有一个能委果判断"这个有研究修好了莫得"的审查机制就变得至关进攻。

这项征询还揭示了一件反直观的事：审查智力和生成智力并不是两种截然违抗的技巧。让一个模子学会审查，果然也能让它更好地生成代码；让一个模子饰演审查者，它反过来还能把我方当生成者写出的有研究改得更好。两者背后分享的，是一种在代码仓库里跟踪问题根源的推醒目力。

这关于将来的AI编程器宅心味着什么？意味着将来的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、自我蜕变，变成一个无需东谈主类全程介入的质料保险轮回。诚然，征询也坦诚地指出了现阶段的局限：当前统统这个词框架只聚焦于"诞生软件粗放"这类任务，莫得触及功能拓荒、重构、文档改善等更普通的代码变更类型；评价运筹帷幄也只宽恕功能性（修好了莫得），不触及代码格调、可读性、安全性等维度。这些都是后续值得长远探索的标的。

有风趣长远了解这套框架技艺细节的读者，不错通过arXiv编号2607.06065查阅完好论文，征询团队也答应将公拓荒布基准测试集、审查轨迹数据和西宾好的审查模子，以便更多征询者在此基础上接续探索。

Q&A

Q1：SWE-Review和普通代码审查器用有什么区别？

A：普通代码审查器用时时仅仅把修改内容交给模子一次性判断，就像只看试卷谜底而不看题目布景。SWE-Review的审查者会主动在统统这个词代码仓库里探索，跟踪问题根源，运行测试考证，更像一位亲自观察的观察，能识别出那些"名义看起来修好了但推行没修好"的有研究。

Q2：SWE-Review-Traj这个西宾数据集有什么用？

A：SWE-Review-Traj包含8914条完好的代码审查过程记载，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，一个80亿参数的小模子的审查完成率从约4%普及至71%到84%，决策准确率普及了约20个百分点。同期，这些审查数据还能普及代码生成模子的性能，搀杂西宾后软件问题经管率普及了最高5.6个百分点。

Q3：审查驱动迭代修改和"多试几次挑最佳"有什么本质互异？

A：最中枢的互异是有莫得信息传递。"多试几次挑最佳"每次都从零启动，前几次失败的熏陶对后续莫得匡助。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性蜕变。数据上，前者在最多尝试16次时经管率独一25.6%，后者最多尝试5次就达到38.4%真钱上分老虎机app官网，而且平均只用了2.44次，算计后果高出约6.5倍。