Benchmark-Bericht
Methode und Ergebnisse für Codna gegen Cursor in 87 abgestimmten Bugfix-Fällen.
Ressourcen
Leitfäden, Benchmarks und Vergleiche.
Leitfäden, der gemessene Benchmark und direkte Vergleiche. Die Zahlen stammen aus 87 abgestimmten Bugfix-Fällen gegen Cursor: 5× weniger Tokens, 1,7× schneller, 87 von 87 verifiziert.
Ressourcen
Öffnen
Autonome Code-Reparatur
Warum Agenten eine deterministische Karte brauchen, bevor sie beheben.
KI-Code-Review
Wie Schweregrad, Konfidenz und ein klares Urteil das Pull-Request-Review beschleunigen.
Von Sentry zum PR
Verwandle einen Produktionsfehler in einen Fix-Pull-Request mit Ursache.
Häufige Fragen
In 87 abgestimmten Bugfix-Fällen gegen Cursor brauchte Codna 5× weniger Tokens und lief 1,7× schneller. Beide verifizierten 87 von 87 Fixes. Codna kostete im Schnitt etwa 0,02 $ an Modellausgaben pro Fix.
Gesamt-Tokens, Laufzeit, Modellkosten und verifizierte Fixes pro Fall, gemittelt über 87 abgestimmte Fälle auf identischen Checkouts.
Codna kartiert das Repository ohne Modell, für null Tokens, und übergibt dem Agenten ein auf das Issue zugeschnittenes Evidenzbündel. Es gibt bei jedem Lauf das Verhältnis von Roh- zu Bündelgröße aus.
Die Repository-Karte wird aus Import-Mustern gebaut und ist daher nicht an eine Sprache gebunden. codna impact grenzt einen Diff auf die Tests ein, die er beeinflussen kann. On-Device-Recall deckt Python, JavaScript, TypeScript, Go, Rust, Java, C, C++, C#, PHP und Ruby ab.
Codna lokalisiert den betroffenen Code mit seinem Abhängigkeits- und Wirkungsradius-Graphen, behebt aus dem Evidenzbündel und meldet Ursache, Konfidenz, Wirkungsradius und Regressionsrisiko. Auf GitHub öffnet es einen Pull Request, der sich selbst erklärt. Du mergst.
Das Verstehen läuft auf deinem Rechner. Nur das Evidenzbündel oder der Diff erreicht deinen Modellanbieter, mit deinem Schlüssel. Setze privacy.egress in codna.yaml auf fail-closed, und Codna führt deine Tests nur unter Netzwerksperre auf Kernel-Ebene aus.