一个公开基准测出了 1.9 倍：中位数模型在 SWE-bench Verified 上生成的代码量，约为人类修复方案的 1.9 倍；但在更新的 DeepSWE 基准上已接近 1 倍。这说明 AI 编程的下一道考题，不只是能否修好问题，还包括会留下多少维护负担。

这是什么

Parsimony 是一个开源基准，用来比较 AI 模型及其运行工具（harness，让模型调用终端、编辑代码和执行测试的一套工作流程）生成的代码复杂度。它不按代码行数计算，而统计语句、函数调用和命名等语法单位，并排除注释与测试。每份 AI 补丁都与同一问题的人类修复方案对照。

初步数据带来两个判断。第一，模型能力更强并不必然带来更简洁的代码：在 SWE-bench Verified 上，较聪明模型生成的代码反而略多。第二，运行工具的影响可能比模型本身更大。相同模型配合不同工具时，代码量从 Codex 的 0.80 倍变为 mini-SWE-agent、OpenClaw 的 0.99 倍。

行业怎么看

值得关注的是，AI 编程评测长期围绕“问题解决率”和调用成本展开，却很少惩罚过度设计与多余代码。代码能运行，不代表它适合长期维护；这些额外结构会提高理解、修改和交接成本，最终形成技术债。

但我们不把 1.9 倍直接解释为“新模型更差”。不同基准、模型版本和任务集合并不完全可比，公开补丁也不够完整，部分结果还需自行运行验证。更稳妥的结论是：模型与工具的组合需要一起评估，不能只看模型榜单，也不能把单次数据当成行业定论。

对普通人的影响

对企业 IT：采购 AI 编程工具时，应同时验收修复成功率、代码量、可维护性和测试覆盖；否则，低价生成代码可能只是把成本推迟到后续维护。

对个人职场：写代码的人会更需要代码审查与架构判断。AI 扩大了产出速度，也扩大了错误实现的扩散速度，“能生成”正在变得不那么稀缺。

对消费市场：短期看不到软件功能因此减少，但长期看，代码更简洁有助于降低迭代成本，让小团队更快上线产品，消费者也可能获得更稳定、少维护债务的应用。