同源模型程式碼審查偏差，建議別讓 Claude 審查 Claude 程式碼

2026 年 11 月 5 日，DEV Community 上出現了一篇討論 AI 程式碼審查實踐的文章，標題為「別讓 Claude 審查 Claude 的程式碼，同源模型易犯相同錯誤」。作者在文中援引 ICML 2025 一篇由 Goel 等人完成的論文，分析了同源模型在相互打分時可能出現的偏差，指出同家族模型在評判答案時，會偏好與自己相同的錯誤方式。

文章給出的資料來自論文中的一組評分實驗：Qwen2.5-72B 為兩個較小模型的自由形式答案評分時，給自家的 7B 模型打出了 71% 的正確率，而給 Llama-3.1-70B 只打出 67%。換成同一批題目的選擇題版本後結果出現反轉：Qwen 7B 答對了 41%，Llama 則答對了 51%。作者援引的這組資料出自 Goel 等人題為《Great Models Think Alike》的研究。

基於這一結論，作者提出兩條建議：一是不要讓同一廠商的模型審查自己寫的程式碼，在程式碼審查環節應改用其他廠商的審查智慧體；二是即便引入自動化審查，仍然要保留人工閱讀 diff 的環節。截至目前，這一觀點仍停留在個人作者的提議層面，材料中未見有廠商或機構對此作出回應，也沒有後續實證跟進的報道。

值得說明的是，文章標題中的 Claude 是作者對問題的舉例，正文部分並沒有給出 Claude 實際參與評分或程式碼審查的資料，材料中可核對的評分實驗只涉及 Qwen2.5-72B、Qwen 7B 和 Llama-3.1-70B 三個模型。