Show HN:Parsimony —— 一个衡量 AI 模型新增多少代码的开源基准
Show HN: Parsimony – an open-source benchmark for how much code AI models add

原始链接: https://parsimony.lasu.dev/

Parsimony 是一个衡量 AI 编程智能体中多余代码的基准。与解决率/成本指标不同,它衡量净编程单元:语句、调用、比较、名称、字面量等语法元素。它减去删除的代码(净 = 新增 − 删除),并避免按行计数,因此堆砌代码不会得到奖励。模型按其在已解决任务上新增的平均净单元排名,从低到高;失败尝试也计入平均值。已解决数据来自 SWE-bench Verified,不重新运行测试。补丁会被应用,变更文件会被解析;仅限 Python,排除测试、文档、生成文件。它使用相同的 mini-SWE-agent,不过智能体会影响输出。更小并不总是更好:单元衡量的是规模,而非可读性/设计,而且写更多代码的模型往往能解决更多任务。用户可以比较模型、查看排行榜,或通过示例 JSON 提交结果。代码/数据:github.com/La5u/Parsimony。

Hacker News 的“Show HN”栏目介绍了一个名为 Parsimony 的开源基准,用于衡量 AI 模型新增了多少代码。现有基准会追踪解题率和 token 成本,但不会惩罚多余代码,而多余代码会让代码库更难维护。Parsimony 分析来自 DeepSWE、SWE-bench Verified 和 SWE-bench Live 的补丁,统计“编码单元”(如语句、调用、名称和字面量),而不是代码行数,并减去删除量,以衡量净新增量。GPT-6 和 Claude 5.5 没有公开补丁,因此作者亲自在 3–10 个任务上运行了它们;结果显示为淡化的、未排名的圆圈。欢迎反馈和公开补丁导出。 评论者讨论了把圈复杂度作为可读性指标、减少智能体生成内容冗长程度的方法,以及担忧当前领先者 Astra 是靠难以阅读的极简“代码高尔夫”取胜。其他人则争论冗长与简洁之间的取舍,并希望有面向 Qwen 3.8 27B 等可本地运行开源模型的基准。
相关文章

原文
Parsimony: which AI coding agent changes the least code?

Existing benchmarks measure solve rate and cost, but don't punish excess code, which makes a codebase harder to work with in the long term. Parsimony measures how much code AI models add.

It takes the patches that benchmarks already publish and counts coding units: syntax elements like statements, calls, comparisons, names and literals. Lines aren't counted, so cramming code isn't rewarded, and deleted code is subtracted: net units = added − removed.

联系我们 contact @ memedata.com