提出c-CRAB基准,通过将人类代码审查反馈转化为可执行测试来客观评估AI代码审查代理识别真实问题的能力,而非依赖文本相似性;在该基准上评测发现当前主流审查代理(如PR-Agent、Devin、Claude Code、Codex)仅能解决约40%的任务,表明仍有显著提升空间,并揭示人与AI审查视角互补,支持未来协…
机构:浙大
来源:arXiv 2603.23448 | AI4Papers 论文推荐平台