Coding agent写测试集体失败，AI代码合格率被高估一倍

南京大学团队提出TestPrism新基准，揭示当前AI编程代理（Coding Agent）生成的测试质量被单一参考评测高估近一倍：最强配置JSF仅28.00%，远低于其59.67%的参考通过率；研究发现测试普遍存在过严（误拒正确实现）或过松（漏检错误实现）问题，并提出TestHelix框架通过异构合成、交叉验证与自我改进提升可靠性。