SWE-1.7 这种刷榜数据到底有多少水分，得看它能不能处理那些烂透了的遗留代码

所谓的 SWE-1.7 测试数据刷得漂亮，真能代表它具备了顶级闭源模型的智力吗？如果仅仅是逻辑推理和代码解决能力的跑分，那不过是模型厂商的数字游戏。现在的 AI Agent 进化速度快到让人怀疑逻辑，但这并不意味着它能直接接管工程现场。

看它在自主解决 issue 上的表现，似乎正在从简单的“代码助手”向“自主程序员”跨越，甚至在某些维度上试图叫板 GPT-5.5 或 Claude 3 Opus。但我更关心的是：当它面对现实工程中那些缺乏文档、逻辑混乱、耦合严重的 Legacy Code 时，是能精准修复，还是会因为上下文理解偏差直接把整个代码库搞崩？

如果这种专门针对软件工程优化的模型真的能把 Intelligence 指标拉到接近顶级闭源模型的水平，开源界的格局恐怕要变天了。但别忘了，真正的工程落地看的是稳定性与流程协同，而不是看它在 Benchmark 上能跑多高。