跨模型 LLM 代码审查：您应该使用 Claude 来审查 Codex 还是反之亦然？

开发人员越来越多地同时使用两台 编码智能体：一个编写草稿，另一个进行审阅。然而，目前尚不清楚这种配对是否值得花费成本和时间，也不清楚配对的顺序是否重要。我们与 Claude 和 Codex 在 6 种条件下对 116 个最近的困难和中等 lcb 任务进行了对照实验，以近似软件从业人员的工作流程：两个单独基线、两个跨模型排序和两个相同模型排序。审阅者看到问题和作者的草稿，但无法执行测试，这类似于代码审阅步骤。克劳德审查将法典草案从 71.6% 提高到 89.7% ($p_{BH}=.001$)；法典自我审查将其提高到 84.5% ($p_{BH}=.022$)。相反的方向不会有回报：法典审查克劳德草稿将通过率从 91.4% 降至 82.8% ($p_{BH}=.046$)，而克劳德自我审查则保持 91.4% 的基线不变。我们的评估表明，有用的配对是不对称的：使用 Claude 来审查 Codex，而不是相反。