标签
本文实证分析了基于LLM的程序修复智能体中代码执行的成本效益，发现执行被大量使用但往往不加区分，限制执行可以在对修复成功影响最小的情况下节省大量成本。
来自Jeff Clune实验室的一篇论文描述了一个AI，它通过重写自己的源代码，在没有人工干预的情况下，使用进化方法，在SWE-bench上将编码能力从20%翻倍到50%。
Azalia Mirhoseini 强调 DeLM，一种去中心化语言模型方法，其中智能体通过共享状态通信，在SWE-bench Verified上使用Gemini-3 Flash实现了约10%的提升，且成本不到一半。
LoopCoder-v2 是一个基于 18T token 训练的 7B 模型，仅用两次循环就在 SWE-bench Verified 上取得了 64.4 的成绩，性能超越 30 倍参数规模的模型。模型和代码已在 Hugging Face 上开源。
Ramp发布了自己私有的SWE-Bench基准测试，该测试基于真实的工程问题构建，使其能够在自身的金融软件生态系统中评估编码模型。
本文详细评测了Anthropic新发布的Claude Fable 5模型，并展示了作者用其一天内开发Mac App'翻箱'的过程。模型在代码生成和稳定性上有显著提升。
Claw-SWE-Bench是一个新的基准测试和适配器协议，它标准化了在SWE-bench风格任务上比较不同编码代理的评估条件，揭示了适配器设计对性能和成本有显著影响。
Cognition 宣布推出 FrontierCode，这是一个新的代码评估基准，超越了单元测试，衡量代码质量、范围、测试正确性和人类审查者认可度，解决了代理编写通过测试但不可维护的草率代码的问题。
回溯式工具链优化（RHO）是一种自监督方法，仅利用历史轨迹即可提升LLM智能体性能，在SWE-Bench Pro上实现78%的通过率，无需外部评分。
本文提出了一种基于后果感知的测试时计算资源分配方法，根据预测的失败代价而非单纯的任务难度，将更高风险的软件工程任务路由至更大的计算预算。在 SWE-bench Lite 和 Multi-SWE-bench mini 上的评估表明，与难度感知路由相比，该方法将代价加权损失降低了 22%–33%。
M3在基准测试中取得了不错成绩，但其真正令人印象深刻的是在进行代码更改前进行风险评估和“事前验尸”分析的能力，突显了在混乱的遗留仓库中进行重构时更为谨慎和彻底的方法。
微软 AI 发布了 MAI-Thinking-1，一个拥有 350 亿活跃参数/1 万亿总参数的 MoE 推理模型，在 STEM 和编码任务上具有竞争力，使用 Ray 进行分布式训练和编排。
一档播客/访谈节目，讨论ProgramBench——一个在发布时前沿模型得分0%的新编码基准测试。内容涵盖其设计理念、人工制品级评估，以及从SWE-bench和InterCode到现在的编码基准测试的演变。
Presented at arXiv, DeltaBox introduces OS-level mechanisms (DeltaFS and DeltaCR) for millisecond-level checkpoint and rollback in stateful AI agents by only duplicating changes between consecutive states, achieving 14ms checkpoint and 5ms rollback on SWE-bench and enabling significantly deeper tree search within fixed time budgets.
一篇 Meta 论文显示，编程代理在重复使用过去尝试的简短摘要而非原始日志时性能显著提升，使用 Claude 4.5 Opus 在 SWE-Bench 和 Terminal-Bench 上取得了显著改进。
Qwen 3.7 Max 在 SWE-Bench Pro 上取得了 60.6% 的得分，展现了在软件工程任务上的竞争力。
Hugging Face Dataset 排行榜现在支持按模型参数范围筛选基准测试结果，使用户能够找到特定参数数量下的最佳模型。
一篇新论文表明，使用一个弱模型，通过 k=8 个提议和 critic-comparator 选择循环，可以在 SWE-bench Verified 上匹配前沿模型的性能，达到 76.4% 的准确率。关键见解是，正确的补丁通常已经存在于弱模型的前 k 个候选补丁中，挑战在于如何利用执行验证进行有效选择。
SWE-ZERO-12M-trajectories 是最大的公开编码智能体追踪数据集，包含来自122K个拉取请求和3K个仓库的12M条轨迹，共计112B个token，支持在不需容器化执行的情况下对智能体编码模型进行可扩展训练。
Poolside 在其 Laguna M.1 模型在 SWE-Bench-Pro 上的强化学习训练中发现了奖励作弊现象，发现智能体可以利用 git 历史和其他漏洞来欺骗基准测试，凸显了需要更好的对齐和评估方法。