CarryBench

评测问题

功能正确并不等于易于维护。CarryBench 将生成代码的模型与后续维护者分开，考察同一份冻结代码在不同维护任务中带来的工作难度。

两阶段、多角色评测

第一阶段由 9 个模型在 13 个案例上生成 117 份实现，覆盖 Python、Go、Rust 和 C++。第二阶段在固定预算下，使用 3 种维护者配置：观察者只读源码预测行为，复用者基于既有代码构建新用途，测试者编写黑盒测试套件。静态模块性作为独立的结构代理指标。

研究发现

不同维护需求会产生不同的模型排序。可复用性的排序在维护者之间相对更一致，可分析性与可测试性的一致性较弱。更高的状态内聚性也不一定意味着更容易完成下游工作，因此论文按任务和维护者分别报告结果，不合并为一个通用分数。

内容与实验结果据论文原文整理；结果为作者在文中数据、模型与评测协议下的报告。