当Sam Altman宣称大模型将取代"低阶程序员"时，OpenAI自家的最新研究却给出了相反的答案。该研究联合百名工程师开展SWE-Lancer基准测试，结果显示：面对价值百万美元的真实软件开发任务，三大顶尖大模型的总收入竟不足21%，最强者Claude 3.5也仅解决26%技术问题。这场AI与人类程序员的"抢饭碗"对决，暂时以机器的惨败告终。
百万美元悬赏：AI抢不走程序员饭碗？
研究团队从自由职业平台Upwork精选1,488个真实开发任务，总赏金高达100万美元。这些任务被分为两类：技术攻坚（IC，764项，41.5万美元）需解决程序错误或开发新功能；项目管理（Manager，724项，58.5万美元）则需评估技术方案优劣。三大参赛选手——OpenAI的GPT-4o、o1和Anthropic的Claude 3.5 Sonnet被置于完全断网的Docker容器中，以防止其"偷看"GitHub代码。
为确保测试真实性，研究人员构建了堪称严苛的评估体系：首先由专业工程师编写Playwright自动化测试脚本，模拟用户登录、金融交易等真实操作流程；每项AI生成的代码方案需经过专业软件工程师的"三重验证"，确保其能通过所有测试用例；最终结果直接接入企业级报销平台Expensify，完全复现真实商业场景。
经过测试，研究人员发现，没有一个模型能包揽100万美元的全部任务奖励。表现最好的Claude 3.5 Sonnet（OpenAI自家模型o1和GPT-4o分列二三位）也只赚了20.8万美元，解决了26.2%的个人贡献者问题。然而，研究人员指出，“它的大部分解决方案都是错误的，可信部署需要更高的可靠性。”
LLM尝试不同类型软件开发任务的通过率
有趣的是，在技术方案评估的管理任务（SWE Manager）上，所有大模型都表现得更好（上图）。
AI开发的致命短板：定位快，但治标不治本
研究者指出，顶级大模型普遍存在致命短板：AI能快速定位bug（速度远超人类），但通常对问题如何跨越多个组件或文件表现出有限的理解，无法解决根本原因，导致解决方案不正确或不够全面。
"就像急诊室里只会贴创可贴的医生。"研究报告犀利指出，大模型处理bug时呈现明显模式：通过关键词搜索快速锁定可疑代码段，却无法理解跨组件/文件的深层关联。典型案例中，AI会机械修改表面错误代码，却放任引发bug的根源继续潜伏——这种"头痛医头"的解决方式，导致多数方案仅能暂时消除症状。
值得玩味的是，尽管当前测试显示AI尚难取代初级软件工程师，但研究者警告："这种优势可能不会持续太久。"当被问及是否担心研究结果影响行业信心时，OpenAI团队回应称："揭示技术边界，正是为了突破边界。"这场人机博弈的终局，或许比我们想象中来得更快。