真实软件需求会不断追加。SlopCodeBench 让模型接手自己上一阶段留下的代码，再逐步透露新要求，从而观察代码能否继续修改，而不是只做一次性题目。10月15日这轮报告采用固定 v1.0 题库、默认 just-solve 提示、seed 42、Python 3.12 Docker 环境；每个模型设置运行36个问题、共196个阶段检查点，每种设置只完成一轮。
读图要分开两种通过。Strict 要求该阶段各类测试全过，包括回归测试；Core 只表明当前核心功能过关，可能仍损坏旧行为。图中实色段是 Strict，淡色延伸是额外的 Core-only。Astra XHigh 的严格通过为32/196，而核心成功为136/196；差距说明“新增功能看似能用”与“整个既有要求仍成立”之间存在很大距离。196个检查点又来自36条连续问题轨迹，不能视为196个独立项目。
费用与思考强度也没有整齐的单调关系。三个可配对模型中，提高到 XHigh 后只见 Astra 的严格通过数由29升到32；SOL 6 从30降到26，Opus 5.5 从28降到25。作者报告费用增加约2.11至4.22倍。单轮结果不足以证明高强度普遍有害，却足以提醒人们，额外预算是否值得需要按任务验证。
代码风格指标是另一层证据。报告把大函数、冗长和侵蚀等启发式信号用于分析可测量的28个问题，未覆盖全部36题；被标记的代码行也不等于每一行都错。原文有一处把32与29之差写成“两项”，本期按表格核对为三项，不沿用该句。