Parsimony es una métrica de evaluación diseñada para medir la eficiencia de los agentes de código generados por inteligencia artificial, específicamente enfocándose en la parsimonia o economía de código. A diferencia de los benchmarks tradicionales que priorizan la tasa de resolución y el coste, Parsimony penaliza el exceso de código, un factor crítico para la mantenibilidad a largo plazo de las bases de código. El método cuenta las unidades de codificación (elementos sintácticos como declaraciones, llamadas y comparaciones) en lugar de las líneas, evitando que la compactación de código sea recompensada y restando las unidades eliminadas para obtener una métrica neta.
La herramienta analiza 26 modelos de IA en 34 tareas de Python de DeepSWE, evaluando el código añadido por cada intento resuelto. Los resultados muestran una clara jerarquía: Gemini 3.1 Pro Preview lidera con 1479.5 unidades netas, seguido por Claude Fable 5 y Gemini 3.5 Flash. Los modelos más recientes, como GPT-5.6 Sol y Claude Opus 5, presentan cifras significativamente más altas, superando las 2000 unidades netas, lo que indica una mayor tendencia a generar código redundante. Además, el análisis incluye datos de otros lenguajes como JavaScript, TypeScript, Go y PHP, así como benchmarks SWE-bench. Esta métrica ofrece a los desarrolladores una forma objetiva de comparar el rendimiento de diferentes modelos de IA en tareas de ingeniería de software, destacando que la calidad del código no siempre se correlaciona con la capacidad de resolución del modelo.