AIの“長期的なコードの保守能力”はどれほどか？　新たな評価テスト「SWE-CI」　中国チームが提案

コード変更時に既存機能を一度も壊さなかった割合を示し、50％を超えたのはClaude Opus 4.5（51％）と4.6（76％）のみ