添加是机器，删除是人：测量和减轻 LLM 代码编辑中的删除避免

大语言模型 越来越多地编写和修复生产代码，但越来越多的证据表明，他们的测试通过补丁使代码库更难维护。我们确定了一个具体的来源：避免删除，即保留预期编辑需要删除的代码的系统倾向。在官方 SWE-bench Verified 排行榜上的五个领先模型中，即使在所有五个任务都解决的情况下，针对开发人员补丁的删除召回率也最多达到 71.7%，并且模型在超过 92% 的所需删除中达到了正确的文件，但在不到 52% 的情况下删除了确切的行。相反，29.0% 的传递补丁将目标代码包装在防护或回退中，我们将这种模式称为 Guard-and-Go。此类补丁之所以能够通过，是因为原始测试很少检查删除：当我们改造 34 个经过验证的任务时，如果目标代码仍然存在，测试就会失败，跨越封闭和开放权重的四个前沿模型从 63.2% 下降到 41.9%。因为真正的修复混合了删除和添加，所以我们策划了 CanItDelete，这是从真实提交中挖掘的 200 个任务的基准，其整个所需的编辑都是删除。即使没有额外的工作，最好的模型仍然有五分之一的任务失败，而较小的开放模型则下降到 18.0%。然后，我们在四个累积提示下消融 GPT-5.6 Sol；在我们提供精确的行之前，成功率几乎没有变化，这几乎消除了不完全删除，但成功率仅提高到 80.5%，因为模型随后会删除超出范围的内容或添加代码。最后，通过一项试点研究，我们展示了一个潜在的解决方案：在 后训练 期间教授删除可以减少删除避免并提高更广泛的代码编辑性能，这表明该行为未经过充分训练而不是超出范围。