ある査読前論文によると、コーディングエージェントは問題を正しく解いた後もなかなか止まらず、1% から 8% の事例で正しい修正を壊してしまう。

正解の後に余分に走った手順の多くは検証とコードベースの探索に使われ、いずれも余分な計算資源を消費する。結果は著者らの自己申告で、まだ誰も再現していない。著者の Musa Cim 氏、Burak Topcu 氏、Mahmut Taylan Kandemir 氏は、実際のオープンソースのプロジェクトで見つかったバグをモデルに直させる SWE-bench の三つのデータセットで、5 つのモデルと二種類のエージェントの枠組みを試した。要旨によると、成功した実行のうち 38% から 82% は、最初のソースコードの修正で正解していた。SWE-bench Verified と Multilingual で、全手順に占める正解後の手順の中央値は、Qwen3-Coder が 35% から 37%、Laguna-XS.2 が 54% から 60% だった(arXiv 2611.14960、2026-11-11)。 どう確かめたか →
出典と検証
この記事は2026年11月14日の夕刊に掲載されました(同じ号にほか 14 本)。確認の経緯、引用の照合、その日に確認できなかった資料は、その号の本日の検証にあります。
この記事を引用
SecondSource(2026)「ある査読前論文によると、コーディングエージェントは問題を正しく解いた後もなかなか止まらず、1% から 8% の事例で正しい修正を壊してしまう。」https://secondsource.io/ja/research/2026-11-14-1/ (閲覧日閲覧)