标签
MemScope 是一个由中国科学院提出的框架，通过工具使用的 Patch Agent 检查原始执行轨迹、运行时内存状态和现有架构代码，实现对智能体记忆架构的证据驱动、局部化原位进化，在 GAIA、xBench 和 ALFWorld 上均取得显著提升。
PreciseCoder 提出在单元测试奖励之外加入语义验证的局部编辑奖励信号，显著减少模型在调试时的多余改动并防止幻觉式 bug 修改；在 4B/9B/27B 模型上将平均编辑行数从 7-15 行降至 3 行，并能泛化到仓库级程序修复，其推理轨迹还能提升 GPT-5.6 Sol 等前沿模型的编辑精度。
RSI-Anything 提出一个基于 JEPA-Anything 的领域通用递归自我改进框架，利用预测性世界模型指导行动与学习数据选择，在代码修复、GUI 任务、实验室规划和反应优化等多个领域均取得显著性能提升。
Rules to Tools (R2T) 研究了为 LLM 编码智能体提供现成可运行的可执行检查（针对已写明的科学需求），是否能改善 SciCode 类任务上的程序修复效果。结果喜忧参半且因任务而异：在某些任务组中，工具组略微优于基于文本的检查（30 个任务中完整修复 29 个 vs 26 个），其他任务组则打平；此外，检查机制可能降低智能体侧的模型输出成本，但会增加 CPU 使用量。
Failure Map 是一个开放的代码库，包含 20,168 个精简的 Python 调试任务，涵盖 254 个类别，每个任务都附有契约说明、存在缺陷的实现以及可执行的边界检查，用于在代码修复方面对本地编码模型进行基准测试。作者提供了示例用例、标准化的提示词模板、程序基线以及评测指南，并指出目前尚未测量任何本地模型的得分。
论文提出 Rules to Tools（R2T），为科学计算中的 LLM 代码修复代理提供可执行的公开需求检查工具，并在 SciCode 基准上对比纯文本说明与可调用检查的修复效果与成本。
该论文研究了在竞赛编程中，Large Language Models是通过最小编辑修复错误还是从头重新实现解决方案，发现LLMs经常修改超过必要，并且在生成新解决方案时解决得更好，这对调试工具有启示意义。
ScienceIDE引入了基础设施，用于将科学代码仓库转化为科学智能体的可编程环境，支持任务生成、执行和验证，训练后的模型在科学代码修复和通用能力方面均有提升。
一种修复工具，能从单个完整示例中推断修复方案，并在未见过的代码中成功修复了5个bug中的5个，仅使用4条CPU指令和零令牌，并进行穷尽验证。
提出锚定自博弈（ASP）方法，通过生成器-修复器自博弈，结合嵌入相似度奖励和参考错误混合，来扩展代码修复监督，在全新基准测试BugSourceBench上，相较于标准自博弈，修复率相对提升24%。
PatchWorld 引入了一种免梯度框架，通过反例引导的代码修复，将离线轨迹转换为可执行的 Python 世界模型，从而为部分可观测环境中的规划提供可解释和可检查的信念状态程序。
本文提出了一种针对组相对策略优化（GRPO）的信号重塑方法，以改进弱反馈的代理代码修复，在编译和语义准确性方面取得了显著提升。