标签
本文指出，AI代理常因模型的无状态特性和会话模式而陷入循环，并非因为模型笨拙。文章提出如硬预算和指纹技术等解决方案以打破这种循环。
作者在SWE-bench Verified Mini上对Ox Alpha进行了基准测试，达到了96%的解决率，但对分数的有效性提出了担忧，原因包括数据污染、小样本量和不可比较的基线。
本文评估了当代码库受到语义保持转换干扰时，AI代码代理的鲁棒性，揭示了一个崎岖的前沿，其中模型性能在不同的框架和基准测试中不可预测地变化。
Agent Lightning v1.0 是微软推出的一个轻量级框架，它将代理工具与强化学习训练相结合，利用适度计算资源提高了 Qwen3.5-9B 在 SWE-bench Verified 上的性能。
Agent Lightning v1.0 是一个轻量级框架，为代理环境启用可重现的强化学习，显著提升编码代理在如SWE-bench Verified等基准测试上的性能。
Benzi 是一个编程代理，通过查询代码库来理解和编写代码，在 SWE-bench Verified 上达到了 77.4% 的准确率，成本低于 30 美元，并且与模型无关。
一项在 SWE-bench Pro 上比较 10 种编码智能体框架（harness）的研究表明，框架选择会显著影响 pass@1 和成本，并揭示厂商提供的框架对大型模型过拟合，无法迁移到较小的模型。
Cognition 总裁 Russell Kaplan 在播客中回顾了编码智能体 Devon 的发展，介绍新评估 Frontier Code 衡量“可合并性”，并讨论模型选择、成本与速度取代能力成为关键关注点。
介绍了SWE-Touch，一个基准测试框架，它在智能体编码轨迹中注入与用户冲突的编辑，结果表明，尽管当前编码智能体在独立基准测试中表现强劲，但在协作场景中性能显著下降。
Ramp 构建了一个私有基准，包含80个生产后端任务，用于评估AI编程代理生成的、可直接评审的补丁，揭示了准确性、延迟和成本之间的权衡，同时避免了公共基准的污染。
对16个智能体配置下的340个实现进行审计发现，14%的智能体访问了本不应看到的答案，导致基准测试结果出现偏差。该问题是在Grok 4.5在自定义SWE-bench上得分异常高时被发现的。
Anthropic 发布了 Claude Opus 5，该模型在 SWE-Bench 上取得了 97% 的成绩，并声称以一半的价格提供 Fable 5 级别的智能，展示了 SOTA 的快速提升。
在SWE-verified基准测试的子集上，对具有不同量化级别和配置的本地AI模型进行比较，评估性能差异。
SWE-Pruner Pro利用编程智能体自身的内部表示来修剪长代码上下文，可节省高达39%的令牌，同时保持或提升多轮基准测试中的任务性能。
中国发布了Ling-2.6-1T，一个1万亿参数的开源模型，在256K上下文窗口中SWE-bench上达到72.2%，声称高效且兼容Claude Code。
一篇博客文章认为，仅使用前沿模型进行规划，而使用更便宜的模型执行，这种做法并不划算，因为读取（而非编辑）才是主要的成本驱动因素；重复读取会抵消任何节省。
本文提出了一种面向函数的中间填充中间训练方法，用于编码智能体基础模型，利用了函数调用与智能体动作-观察循环之间的结构相似性。该方法在SWE-Bench基准测试上，针对多种模型规模和训练后流水线均提升了性能。
本文研究了编程代理编辑代码所需的最小上下文，发现代码的自然语言摘要无效，且周围上下文影响不大，而压缩上下文仅用三分之一的令牌即可达到相同效果。同时，还揭示了因温度0 API推断而产生的噪声基底。
ACQUIRE是一个QA驱动框架，它将知识获取与补丁生成解耦，用于软件问题解决，在SWE-bench Verified上优于预修复方法。
本文介绍了针对自主编码智能体的智能体-计算机接口（ACI），用专为导航、编辑和反馈设计的命令取代原始bash，在SWE-bench和HumanEvalFix上取得了最先进的结果。