标签
TEX 是一个基于执行交叉验证的协作式测试时扩展框架，多个智能体并行生成测试与补丁并交叉执行形成反馈矩阵，在 SWT-Bench Verified 上达到 86.4% 的新 SOTA，比单智能体基线提升 9.0%。
HERO 提出了一种结合离线与测试时 harness 优化的方法，通过执行验证得到的成功和失败样本学习可复用的提示词更新，并在测试时利用执行反馈对生成的代码进行精细调整，在 SQL、Cypher 和 Python 基准测试中将 pass@1 提升了约 9.6 个百分点。
SkillDRE引入了一个双阶段反馈循环，用于自主进化代理中的恶意技能包，在保持良性任务功能的同时实现高攻击成功率。
本研究以编码代理重现Eurostat统计数据为基准进行评估，发现语义验证和重试预算对可靠性至关重要，远不止于执行诊断。
本文介绍了一种多阶段框架WER，它使用执行反馈的强化学习来训练技能优化器，以改进工具使用代理，在BFCL v4和τ2-bench等基准测试中实现了显著的性能提升。
FlowScout 是一个框架，能够从历史任务解决记录中自动生成集成工具智能体工作流，利用由执行反馈引导的蒙特卡洛树搜索。实验表明，与基线方法相比，它提高了工具调用正确性和执行分数。
本文引入了“结晶化问题”，用于评估文本到SQL系统中的可复用记忆，表明将经过验证的修正查询存储在每个数据库的库中，可以将BIRD上留出集的首次尝试准确率提高4.34个百分点，捕获按需修复所提供的44.4%的提升空间。受控干预措施识别出数据库特定内容是主要驱动因素。
本文介绍了一种自我调试技术，智能体通过迭代生成、执行和解释自身代码来发现错误，无需错误信息，准确率提升高达12%，并与生成10倍候选方案的基线持平。
EXPO-SQL 提出了一种细粒度的子句级策略优化方法用于 Text-to-SQL，通过执行反馈为每个子句而不是每个查询分配奖励，显著提升了性能，优于现有的监督微调和强化学习方法。
Evoflux 在推理时使用进化搜索来修复轻量级语言模型中失败的工具工作流，相比微调方法显著提升了执行可行性。
介绍GATE（从执行结果中测试后接地）方法，该方法从执行反馈中自举缺失的语义接地，以处理文本到SQL任务中未明确指定的用户短语，持续提升超越强基线。
CP-Agent 提出了一种借助大型语言模型的校准风险控制方法，用于反馈驱动型竞赛编程，无需参数更新即可在基准测试上取得显著改进。