同源模型代码审查偏差，建议别让 Claude 审查 Claude 代码

2026 年 11 月 5 日，DEV Community 上出现了一篇讨论 AI 代码审查实践的文章，标题为「别让 Claude 审查 Claude 的代码，同源模型易犯相同错误」。作者在文中援引 ICML 2025 一篇由 Goel 等人完成的论文，分析了同源模型在相互打分时可能出现的偏差，指出同家族模型在评判答案时，会偏好与自己相同的错误方式。

文章给出的数据来自论文中的一组评分实验：Qwen2.5-72B 为两个较小模型的自由形式答案评分时，给自家的 7B 模型打出了 71% 的正确率，而给 Llama-3.1-70B 只打出 67%。换成同一批题目的选择题版本后结果出现反转：Qwen 7B 答对了 41%，Llama 则答对了 51%。作者援引的这组数据出自 Goel 等人题为《Great Models Think Alike》的研究。

基于这一结论，作者提出两条建议：一是不要让同一厂商的模型审查自己写的代码，在代码审查环节应改用其他厂商的审查智能体；二是即便引入自动化审查，仍然要保留人工阅读 diff 的环节。截至目前，这一观点仍停留在个人作者的提议层面，材料中未见有厂商或机构对此作出回应，也没有后续实证跟进的报道。

值得说明的是，文章标题中的 Claude 是作者对问题的举例，正文部分并没有给出 Claude 实际参与评分或代码审查的数据，材料中可核对的评分实验只涉及 Qwen2.5-72B、Qwen 7B 和 Llama-3.1-70B 三个模型。