研究：人机组合查 bug 达 82.1%，人类单独约 50%、最佳 agent 单独 71.9%

人类评审与 AI 评审 agent 抓到的 bug 各不相同，组合起来能发现 82.1%，而人类单独约 50%、最佳 agent 单独为 71.9%。研究指出，以人类评审评论为标准答案的 benchmark 存在缺陷：人类评论含 nitpick、碍于情面被接受的建议和漏掉的 bug，agent 抓到这些反被判错。