层级技能进化(HSE):针对编码智能体的可迁移技能蒸馏框架
HSE 通过层级证据聚合从编码轨迹中蒸馏可跨仓库复用的程序化技能,在 SWE-bench Verified 和 DeepSWE 上验证了其通用性。该框架利用外部生成-评估循环,保持底层模型(如 GLM-5.2、GPT-5.5、Opus 4.8)参数冻结,仅从 SWE-Gym 进化的 10 项技能即可提升性能。
HSE 通过层级证据聚合从编码轨迹中蒸馏可跨仓库复用的程序化技能,在 SWE-bench Verified 和 DeepSWE 上验证了其通用性。该框架利用外部生成-评估循环,保持底层模型(如 GLM-5.2、GPT-5.5、Opus 4.8)参数冻结,仅从 SWE-Gym 进化的 10 项技能即可提升性能。
EdgeDeID 是一个 0.6B 参数的本地运行临床去标识模型,完全使用合成数据训练,无需真实患者文本参与。 在 100 条合成临床笔记的基准测试中,该模型达到 0.994 micro-F1,99% 的笔记无遗漏标识符;对比八款现成系统中最强者的 0.857 F1 和 12% 遗漏率表现更优,量化后仅需 615 MB CPU 内存。
研究提出基于高斯扰动的数据选择方法,结合预测变化频率与非翻转边缘收缩信号。在 MedGemma-4B 模型上,RSP 和 RSP-Drop 在 128 样本预算下 Macro-F1 分别达 47.55 和 48.28。该方法仅使用问题和选项进行筛选,结果基于回顾性评估,未确立临床有效性。
Greptile 利用 GPT-6 Astra 测试用户工作流,将缺陷检测能力延伸至代码审查阶段。 同时应用 Daybreak 强化安全防护,并使用 Codex 降低返工率。
CodeRabbit 采用 GPT-6.1 Sol 调查复杂代码库中的安全风险。 该模型支持安全智能体分析发现并提供修复建议。 开发者可据此对安全智能体推荐的检测结果和修复方案进行审查。
OpenAI 工程师使用 Codex Ultrafast 工具,将事故调查时间从数小时大幅缩短至数分钟。 该工具在快速安全分析、代码重构及日常工作流中发挥关键作用,显著提升了开发效率。
Kimi 开放平台上线 K3.1 Pro 及高速版模型,这是 K3.1 系列首个 3 万亿级参数模型,支持 100 万 Token 上下文,输入价格为每百万 Token 1.3 至 13 元。
CuraLoc 在 SWE-Bench Verified 数据集上,使用 GPT-5.2 将 Func@1 从 53.8% 提升至 59.3%,同时减少 90.3% 的记录 token 消耗。
OpenSWE 提供了 45,320 个可执行 Docker 环境,覆盖 12.8k 个代码仓库,并开源了全部基础设施。 项目通过 64 节点集群的多智能体流水线自动构建环境,筛选出 9,000 个高质量环境并生成 13,000 条轨迹。
PROBE 是用于结构导向药物设计中 LLM 智能体分子优化的框架,在 CrossDocked2020 基准上达到 SOTA 性能并缓解绑定亲和力与成药性冲突导致的优化失败。 该框架将配体分解为可编辑位点并构建袋特异性位点图谱,通过受控探测编辑生成 EditManual 引导多智能体迭代优化。
研究提出触发词中性化反事实评分(TNCS)方法,通过对比有触发词输入与反事实输出的评分差异,精准筛选对自回归代码模型最具攻击性的后门毒化样本。该方法在极低中毒率下于 CodeXGLUE 的三项任务和五类触发词家族中均优于基线模型,且对纯净任务性能无损害。TNCS 是目前唯一对所有触发词家族均有效的方法,其筛选出的毒化样本可迁移至不匹配的受害模型。
研究提出 ImpasseBench 基准,量化 8 个前沿大模型在 Coding Agent 任务中的证据-行动差距。在 19,371 条轨迹中,约三分之一模型因过度执着耗尽预算,且所有不安全请求均发生在证据充分后。
SWE-Clar 基于 Upwork 真实订单构建,包含 100 个总付款至少 $4,000 的任务及 512 个澄清问题。 该基准要求先进行需求澄清再进行代码实现,9 个前沿模型测试显示 GPT-6 Astra 任务通过率仅 67%。 数据集和评估代码已开源。
对 13 种语言热门 GitHub 仓库的普查显示,部分仓库使用 AGENTS.md 或 CLAUDE.md 引导编码智能体,且两者共存时前者常指向后者。 指令集包含代码规则与工作流,但大量指令缺乏解释;三分之一指令集带有 AI 生成签名,且约五分之四在创建后被编辑。 研究发布了标注数据、分类体系及文件版本指针,为理解智能体指令实践提供实证基础。
Compact-Bench 显示上下文压缩导致 5-64% 的全历史成功任务受损,Claude Opus 4.8 保留率最高,DeepSeek-Flash 损伤最大。 该基准包含 35 个 SWE-bench 修复和 146 个会话,机械提取保留 79.1% 细节,远超 LLM 摘要的 16.0%。 结果表明可靠压缩需保留任务进展,仅保留相关信息无法确保任务成功。
SWE-Shift 基准测试评估编码智能体在执行任务期间应对工作区动态变化的能力。 该基准包含 120 个场景、12 个变化族及 9 个干预点,成功标准包括完成当前任务、保留有效工作及满足状态检查。 对 17 个系统的测试显示,所有系统在“偏移”条件下的成功率均低于“干净”条件,且工具变更导致所有系统配对成功率为零。
Qoder 国际版和 CN 版全系列同步上线刚刚发布的 Kimi K3.1 Pro。该模型拥有 3 万亿级参数,支持 100 万上下文,在 Terminal-Bench 4.0 得分 65.7%,Kimi 内部长程编码测试得 61.2%,BenchCAD 3D 建模得 92.7%。用户可在 Qoder 模型选择器中选择 Kimi-K3.1-Pro 使用。
推荐理由:Qoder 作为集成平台首发上线 Kimi K3.1 Pro,明确了其在长程编码任务中的实测数据与调用入口。
ZCode于10月23日启动1024程序员节活动,不限用户登录最新版客户端即可免费领取20万份5亿Tokens福利包,包含GLM-5.3与GLM-5.3-Flash。 福利包在23日20:00至26日09:00期间可用,采用先到先得机制。 近期ZCode更新办公模式、Workflow动态工作流及插件市场,将编程Agent能力延伸至日常专业工作与深度数据分析场景。
月之暗面发布 Kimi K3.1 Pro 模型,这是其 3 万亿级参数、支持 100 万上下文的版本。K3.1 Pro 在 Terminal-Bench 4.0 基准测试中得分 65.7%,并在内部金融与 3D 建模场景中实现了长程智能体工作流的端到端交付。即日起可通过 Kimi 官网、API 及桌面应用使用,完整模型权重将于 11 月 4 日前发布。
推荐理由:月之暗面发布 3 万亿参数 Kimi K3.1 Pro,其在代码和金融长程任务上的提升为评估新一代模型能力边界提供了直接样本。
第 19 天 / 小更新。调用 dots 连接更快,Codex 中的推理方式改变,对话中途变更不再使缓存失效,并且我们还更新了 Codex CLI。
Qoder 插件市场上线 php2shell Defense 和 Node.js 漏洞扫描两款插件,用于应对 PHP 和 Node.js 近期的安全更新。该功能允许用户通过预设指令对项目进行只读检查,在用户确认方案后执行文件修改与本地测试,并协助验证部署结果。文中指出使用 DeepSeek-V4.1-Flash-1017 执行该检查流程目前免费。
推荐理由:官方针对 PHP 和 Node.js 高危漏洞提供了两款配套插件及标准化检查指令,帮助开发者在不接触生产环境的前提下完成风险排查与修复验证。
summary_zh: Ares在LLM智能体驱动的RTL PPA优化中引入三项创新:报告归一化单次LLM调用美元成本、证明长期记忆构建重要性有限,并通过耐心计数器在低努力停滞时升级推理深度。
研究团队发布了对 Claude Code 自动模式权限系统的独立评估,指出该机制在处理用户意图明确但范围模糊的任务时存在防御缺口。使用包含 128 个提示词的 AmPermBench 基准,评估了 253 个状态变更操作,端到端漏报率(FNR)达 81.0%,显著高于生产流量中的 17%。
推荐理由:论文通过独立压力测试揭示了 Claude Code 自动模式在模糊授权场景下的防御盲区,指出文件编辑路径未被覆盖导致漏报率高达 81%。
**summary_zh:** 提出R²Orch递归自我博弈编排范式,解决手工课程、优势坍缩及评估信号不可靠等挑战。 该方法引入“递归可学习性”目标奖励任务提案者,并通过“技能撤回”机制将失败蒸馏为技能及参数,最终实现零技能部署。 在12个数据集的实验显示,R²Orch在问答、数学、代码及交互任务中持续优于基线模型。
ManimAgent 是一款自进化多模态智能体,通过双通道情景记忆库在任务间传递反思经验,无需权重更新或人工种子。 记忆库包含存储成功范例的正向通道和存储失败模式的负向通道,由视觉语言模型对渲染关键帧进行评分后生成。 在固定探针评估中,随着记忆库规模增加,盲测 Pass@1 指标上升且所需反思轮数减少。
DoorDash 构建端到端多智能体 LLM 系统,自动清理 1,659 个过时特征标志。 系统通过 MCP 查询实时数据并生成 PR,成功移除 50 个评估样本中的 45 个。 单次清理平均成本 $4.79,耗时 13.8 分钟,显著降低技术债务与运维风险。
论文推出 ProductWebBench 基准,在 320 个变更任务和 80 个长期构建任务中评估前端编码代理的网站连续性。 基准基于 8,737 次运行和 13 个模型测试,发现 28.2% 通过目标检查的运行仍存在连续性故障,18.3% 破坏了已验证状态。 ProductWebBench 通过冻结快照和确定性检查,实现对动态系统中补丁影响的精确溯源。
提出代理式验证优化框架,利用机器检查证明确保代码加速且行为不变。 该框架通过 Aqueduct 迁移 C/C++/Go/Rust 程序至 Lean 4,并在 Verina 的 189 个实现中成功对 156 个生成带证明的快速重写。 在 17 个迁移应用中的 51 个场景里,92 次验证重写有 47 次实现加速,证实代理已具备生产级验证优化潜力。
summary_zh: 研究人员提出 Adaptive Skill Granularity 框架,将技能粒度视为条件化策略,结合特征控制器与有限状态恢复执行器,旨在解决 coding agents 执行时的动态控制问题。
研究团队提出恢复导向训练框架 RIPPLE,旨在解决长程编程智能体中“Critique-to-Action Handoff Gap”问题,实现单次自我恢复策略的内部化。
CANNBot-CAKE 在 Ascend 950PR 上对 53 个算子的标准测试集实现 100% 通过,平均得分 78.63 分。 该系统通过自适应多 DSL 路由与自演化智能体,将 EngramGateFusion 等设备时间减少 46.6%,整体性能较基线提升 1.334 倍。 CAKE 为缩小昇腾 NPU 在 AI 内核生成上的能力差距提供了可行路径。
SWE-Verifier 通过对编码智能体动作进行选择性候选采样与验证,在 MiniMax-M2.7 上将任务解决率从 75.47% 提升至 77.20%。该模型基于 Qwen3.5-4B 训练,验证步骤占比低于 4%,且成本仅为原模型的 1.09 倍。
一项预注册研究测试了 8 个开放权重模型在 558 份真实文档上的表现,发现当 schema 设定未强制的最小计数 k 时,模型倾向于填充列表。 显示 schema 中的最小计数会将列表长度超过真实数量的比例从 34.5% 提升至 55.4%,且约一半的填充项来自原文,难以通过常规检查发现。 研究者发布了代码和运行记录,指出常见修复方法效果有限,重新询问验证错误反而使填充更常见。
SageMaker 上线 training session APIs,开发者在本地代码中编写 SFT、RL 等训练循环,SageMaker 负责 GPU 上的 sample、forward_backward、optim_step 等算力操作。
推荐理由:SageMaker training session APIs 把训练循环和底层算力分离,让开发者可以保留算法控制权同时避开 GPU 运维。
IskayPet 基于 Amazon Bedrock 托管知识库构建了支持多语言的企业知识助手,通过 Kiro 和 Claude Haiku 4.5 开发,实现了无需管理 RAG 基础设施的知识检索。
研究显示编程语言显著影响编码智能体的 Token 消耗成本,且该差异在五个最新模型中表现一致。 通过 Python、Java、Rust 和 OCaml 的实验发现,智能体常在陌生语言中生成非编译代码,并倾向于用 Python 原型代替目标语言。 研究提出按语言进行 Token 效率基准测试,为多语言智能体开发提供指导。
VeeReview 基于 V 模型构建与验证对,发现 Agent 生成的 Pull Request 在四个配对中的仅构建率均低于人类,但架构-集成配对无显著差异。
提出一种基于能量函数的迁移学习方法,利用分布外检测使预训练教师策略仅在训练分布内的状态进行干预。 该方法通过理论联系能量得分与在策略强化学习下的状态访问模式,在单任务和多重任务设置中提升了样本效率与性能。
提出名为 FactReview 的框架,通过执行代码验证论文实证声明。 在 300 篇论文测试中,它在 7 项指标中的 5 项排名最高,分类准确率 79.2%,误支持率 6.8%。 协助审稿人每篇发现 9.4 个问题,耗时减少 74.1%。
研究者发布 SWE-DIVE,一种动态交互式验证框架,用于在多轮环境中评估编码智能体。 框架包含用户模拟器模拟行为模式,对话验证器评估输出,并由 Harbor 环境编排执行测试。该成果被 NeurIPS 2026 研讨会接收,代码已开源。