AI生成的低質量貢獻導致首次貢獻者合併率下降18.18%：對294個倉庫的分析
一項新研究揭示了AI生成的低質量貢獻（稱為AI-DDoS）對開源社群造成的壓力。分析294個倉庫中超過200萬個拉取請求和問題後發現，2025年拉取請求數量增加，但合併率下降，首次貢獻者的合併率比預期低18.18%。研究還提出了11種補救策略。
2026年7月4日，一篇題為《AI Slop is DDoSing Open Source》的預印本論文在arXiv上釋出，引起了開源社群的廣泛關注。該研究由Sadia Afroz等六位作者完成，深入探討了生成式AI工具對開源軟體（OSS）可持續性的影響。研究者將這種現象稱為“AI-DDoS”，即一種拒絕服務效應，其中看似合理但質量低下的AI生成貢獻壓倒了開源社群的審查能力。
研究採用基於現象的混合方法。首先，他們分析了來自Reddit、OSS導師郵件列表和部落格的從業者敘述，識別出六個反覆出現的主題，並據此推匯出假設。隨後，使用貝葉斯結構時間序列分析對294個倉庫中超過200萬個拉取請求和問題進行了量化評估。結果顯示，雖然2025年拉取請求的數量顯著增加，但合併率卻有所下降。特別值得注意的是，首次貢獻者的拉取請求合併率相比反事實預期下降了18.18%。這意味著AI生成的低質量貢獻正在侵蝕社群吸納新成員的能力。
進一步的分析表明，AI-DDoS不僅僅是一個貢獻量的問題，更是一個可持續性陷阱。社群往往預設採用低成本的防禦策略，如提高接受門檻、依賴自動化篩選等，這些策略在短期內保護了審查能力，但從長遠來看卻使得開放變得難以維持。為了應對這一挑戰，研究者透過從業者訪談識別出11種補救策略，並透過一項針對229名開源從業者的調查進行了驗證。這些策略被分為三類：保留型（例如提高接受標準）、適應型（如引入自動化工件）、變革型（如重新設計貢獻流程）。研究強調，開源社群必須平衡審查質量與開放性，避免因過度防禦而扼殺活力。該研究為理解AI對開源生態的衝擊提供了重要視角，也提醒社群需要主動採取措施來維護其可持續性。