100亿token实测18个模型，仅一家能长期维护

中山大学与阿里联合发布的 SWE-CI 报告，给正处于 AI 编程狂热中的我们泼了一盆冷水。这是首个关注持续集成循环（CI loop）的代码维护 Benchmark。
【核心数据揭晓】
Claude Opus 断层领先：但在长周期的代码演进中，最强模型的零回归率也仅过半（50%+）。
“快照式”神话破灭：绝大多数模型在面对跨越 200+ 天、多次 commit 的真实任务时，会迅速堆积技术债。
【为什么这支撑了我对 SDD 的判断？】
我最近一直对 Spec 驱动开发（SDD）持保留意见。SDD 布道者认为 Spec 是大型系统的唯一入口，但如果 AI 无法可靠地解决回归问题，所谓的 Spec 就会与实际代码产生脱节。
2026 年，AI 能写代码，但远不能可靠地“养”代码。
真实开发中，维护成本占比高达 80%。目前的 AI Agent 往往在短跑（SWE-bench）中表现惊艳，但在长跑（SWE-CI）中，如何利用“架构师+程序员”的双 Agent 体系守住可维护性（EvoScore），才是接下来的技术深水区。
👇 评论区聊聊：你敢把存量核心系统的维护交给 AI 吗，也就是长期全自动或者接近自动的 agent loop 式迭代？
📌 关注 + 转发给你的技术群
🔗 论文：arXiv 2603.03823
🔗 数据集：github.com/SKYLENAGE-AI/SWE-CI