论文《SWE-Gate》发现，代码智能体在SWE-bench基准上通过功能测试的补丁中，约34.3%违反工程约束，导致隐藏失败率高。研究构建了双轨基准，从真实PR评论提取约束测试，并评测四个模型，其中最强模型GPT-5.5的失败率仍达29.5%。显式约束提示虽能提升合规性，但可能削弱修复能力，强调需关注产物的可合入性。