跳到正文
10月22日周四
  1. arXiv · AI23

    MemoryTax: Agent 记忆系统的“苦涩教训”实证研究

    研究显示,强模型自身检索优于预设记忆系统,Agent 记忆是弱模型的昂贵补丁。Mem0 仅在 GPT-4o-mini 上优于全上下文,其构建成本超过单次全上下文运行。 Claude Opus 5.5 搭配 Pi 编码 Agent 表现最佳,准确率 99% 且成本不足全上下文一半。部分优势源于 Agent 读取照片描述,非记忆机制本身。

  2. arXiv · AI29

    MeMoDecode:用于一致DSL生成的元模型引导LLM解码框架

    MeMoDecode框架通过联合执行具体语法、抽象语法及良构约束,解决了现有约束解码难以保证元模型级一致性的问题。 该框架在检测到不一致时从最近可完成快照恢复解码,并结合重试机制运行。在跨四个DSL及0.6B至70B参数规模的六款开源LLM测试中,MeMoDecode比无约束解码平均提升23%一致性,比语法约束解码提升8%。

  3. arXiv · AI40

    UserSWE:评估多轮动态交互中编码智能体的基准

    提出 UserSWE 基准以评估编码智能体在多轮对话中修复仓库级 Bug 的能力,涵盖 42 个仓库的 72 项任务。 测试基于 20,859 个开发会话校准的 persona chain,每轮执行测试并由双智能体判定结果。 评估显示 Claude Fable 5.1 在单轮解决任务最多,GPT-6-Astra 在八轮时表现最佳,证明单轮性能无法充分表征交互能力。

  4. arXiv · AI27

    GenXR-Bench 首个评测 XR 开发编码智能体的基准发布

    GenXR-Bench 是首个端到端评测 XR 软件开发编码智能体的基准,包含 112 个专家编写任务。测试套件在消费级 XR 硬件上对 124 个候选应用盲测,准确率达 96.5%。 对 10 个模型的评测显示,最强配置的整体 Pass@1 仅为 50.9%,失败分析指出异步传感器生命周期和物理定位是主要弱点。

  5. arXiv · NLP28

    REPOCOD 基准测试:大语言模型尚不能替代程序员

    研究者构建了 REPOCOD 基准,包含 11 个真实项目中的 980 个 Python 全函数生成任务,其中 50.8% 需要仓库级上下文。 该基准配备 314 个开发者编写的测试用例,评估发现 10 个大语言模型均未超过 30% 的 pass@1,且检索增强生成优于依赖上下文。 这表明当前模型在真实软件开发场景中表现有限,需构建更强 LLM 辅助开发者。

  6. arXiv · NLP36

    SDDC:自分解扩散模型用于代码生成

    研究人员提出自分解扩散代码生成框架SDDC,通过先生成程序分解契约再进行并行实现,显著优化了准确率与延迟的权衡。 该框架基于两个7B扩散模型骨干,在五个基准测试中将pass@1提升最高达31.1个百分点,解码速度较基础模型快7.5至13.7倍。 相比微调基线,SDDC在更低延迟下将性能提升最多23.5个百分点。

  7. arXiv · ML28

    LLM 对代码转换的脆弱性:CETBench 代码等价性基准测试

    研究指出 LLM 在判断代码功能等价性上表现脆弱,CETBench 基准测试证实即使是简单的代码转换也会导致 SOTA 模型性能显著下降。 该基准通过随机应用预定义转换生成等价或非等价代码对,跨语言场景下性能降幅更为明显,微调可改善表现。 实验分析揭示 LLM 可能仍缺乏对代码深层语义的理解,结果发表于 ACL 2026 Findings。

10月21日周三
  1. NVIDIA Blog59

    NVIDIA GTC Berlin 本地 AI 硬件更新:RTX Spark 支持个人智能体,发布 Recursive Flint 模型

    NVIDIA 在 GTC Berlin 展示了本地 AI 硬件全线更新,RTX Spark 现已支持运行 Underdog 桌面智能体,实现个人智能体在 Windows PC 端侧运行。同步推出 Recursive Flint 本地编码模型,该 40B 参数 MoE 模型在 Apache 2.0 许可下开放,并优化了 llama.cpp 与 vLLM 推理引擎以加速端侧 Agent 任务。

  2. arXiv · AI44

    编码智能体对仓库依赖度高于人类,评估需以仓库为单元

    研究表明,编码智能体提交代码的解决时间变异中,约五分之二源于仓库差异,而非智能体本身。 在280个仓库中,智能体PR的仓库间方差是人类的1.76倍。仓库慢一个标准差,智能体等待时间通常延长2.8倍。 这提示对编码智能体的监督与评估,必须以仓库而非仅智能体为分析单元。

  3. arXiv · AI28

    MemDev-Bench:基于真实仓库历史评估记忆系统对代码智能体的影响

    MemDev-Bench 针对 555 个基础任务构建 4,869 个历史任务,评估记忆系统对代码智能体的作用。 记忆系统提升了细粒度定位与编辑的功能正确率,但无关历史会增加因盲目复用导致的失败。 直接提供原始历史轨迹比使用记忆系统能显著减少智能体执行步骤,保留过程信息至关重要。

  4. arXiv · AI28

    Ask-to-Distill:用于在策略知识蒸馏的合成分布式提问框架

    研究提出 Ask-to-Distill 框架,将合成问题作为分布提取器,用于优化在策略知识蒸馏过程中的监督信号。 该框架通过结合师生模型分歧与教师模型在学生候选支持集上的概率质量,计算无需参考答案的分布替代奖励来筛选和优化问题。 该方法在数学推理、代码生成和智能体任务上提升了模型平均性能并缩小了师生差距,相关代码与模型已公开提供。

  5. arXiv · AI30

    TEX: 基于执行交叉验证的测试时扩展框架提升测试用例生成

    TEX 框架通过并行化智能体生成测试和补丁,并交叉执行以构建 $K \times K$ 反馈矩阵,在 SWT-Bench Verified 上取得 86.4% 的新 SOTA,较单智能体基线提升 9.0%。 其交叉验证机制允许智能体利用矩阵切片进行精炼,且随机选择 TEX 输出(84.4%)也超过了此前的 SOTA(84.0%),证明了执行驱动反馈对长时程任务的有效扩展性。

10月20日周二
  1. Qoder62

    Qoder 支持接入 MiniMax M3.1 Flash 模型

    Qoder 现已支持 MiniMax M3.1 Flash 模型。MiniMax M3.1 Flash 在 Agentic 任务、编程、Computer Use 及网络安全能力等方面实现了代际提升,线上推理速度提升近 3 倍,使用成本降低 70%。用户可在 Qoder 国际版和 CN 版产品中切换体验。

    推荐理由:Qoder官方确认接入MiniMax M3.1 Flash模型,该模型在Agentic任务和编程能力上有所提升,且推理速度与成本表现更优。

  2. Qoder53

    Qoder 如何通过 Harness 层工程优化让 Fast 档位更快

    Qoder 通过 Harness 层工程优化缩短 Fast 档位的用户等待时间。文章解释了优化机制,包括将字节码解析移至构建时、后台化身份初始化、预热 Git 上下文,以及利用前缀缓存和按需加载 MCP 工具定义来减少推理开销。在执行层面,通过流式调度实现工具并行运行,并建立基于调用 ID 的中断恢复机制以保留已确认的执行进度。

  3. 豆包工作63

    豆包工作学术科研实战指南:7 个场景提示词与 Skill 教程

    豆包工作官方发布学术科研实战教程,覆盖 Origin 绘图、COMSOL/MATLAB/ANSYS 仿真、文献调研、论文精读、写作润色、投稿审查及组会汇报 7 个场景。

    推荐理由:通过 7 个科研场景的实操案例,展示了如何利用豆包工作配合 Skill 工具,实现从文献检索、论文精读到仿真建模的自动化流程。

  4. MiniMax 稀宇科技88

    MiniMax 发布 M3.1 Flash,Agent 任务成本降低 70%

    MiniMax 正式更新 M3.1 Flash,该模型在复杂 Agent 任务、编程、Computer Use 及网络安全能力上实现代际提升。M3.1 Flash 线上推理速度提升近 3 倍,使用成本降低 70%,输入价格为每百万 Token 1 元,输出价格为每百万 Token 4 元。模型现已上线 MiniMax API、MPlan 及 MiniMax Code。

    推荐理由:发布M3.1 Flash模型,推理速度提升3倍且成本降低70%,在自动化与编程等Agent任务中达到顶尖水平。

  5. arXiv · AI38

    Zero2Repo:评测编码智能体从零构建软件仓库的能力

    Zero2Repo 是一个从零构建代码仓库的评测基准,要求智能体根据需求文档和接口契约在空工作区交付完整项目。 该基准通过语言无关的流水线生成任务,当前包含 Python、TypeScript、Go 和 C++ 任务,采用二值奖励且不使用 LLM 裁判。在 11 个高频任务中,最强智能体仅解决 10 个,失败案例多源于对单一规则的遗漏。