Over-editing refers to a model modifying code beyond what is necessary
Le phénomène d'Over-Editing désigne la tendance des modèles à réécrire davantage de code que nécessaire pour corriger un bug, ce qui génère des diffs volumineux qui compliquent la revue et la maintenance malgré une correction fonctionnelle. Pour le quantifier, l'auteur a généré 400 exemples corrompus à partir de BigCodeBench et a utilisé une distance de Levenshtein au niveau des tokens ainsi que l'augmentation de la « cognitive complexity » pour mesurer l'écart entre le patch minimal et la sortie du modèle. Les résultats montrent que de nombreux modèles de pointe, en particulier leurs variantes de reasoning (par exemple GPT‑5.4), ont tendance à sur-éditer, tandis que des modèles comme Claude Opus 4.6 produisent des diffs beaucoup plus petits, et que l'ajout explicite d'une consigne de conservation du code initial réduit significativement la Levenshtein et parfois améliore la Pass@1. En entraînement, des méthodes comparées sur Qwen3 4B (SFT, rSFT, DPO, RL) ont révélé que la SFT sur-apprendait les corrections in-domain et échouait hors distribution en provoquant un oubli catastrophique, alors que l'entraînement par RL favorise une édition fidèle qui généralise et n'induit pas de dégradation des capacités générales, effet confirmé sur Qwen3 14B. Des expériences complémentaires montrent que LoRA à rang modéré peut approcher les gains de RL, que la conception de la récompense est critique pour éviter le reward hacking, et que l'Over-Editing est une faiblesse mesurable et corrigeable par prompting et entraînements ciblés.