SWE-Maintain: агент, который не проверил старые тесты, ломает работу следующему агенту

У двух третей репозиториев после работы агента старые тесты уже не проходят. Полностью зелёными заканчиваются только 1,9% цепочек из трёх задач подряд. Вывод исследования позволяет не отдавать следующему агенту сломанную базу: перед сдачей надо прогонять весь набор тестов, а не только тесты новой задачи. Фишка: код агента не хуже кода людей, пока старые тесты зелёные. Дело не в «плохом коде», а в регрессиях (новая правка ломает то, что работало). Если считать успехом ещё и сохранность старых тестов, разрыв между агентом и людьми растёт кратно.