AgSpec：在编码智能体流水线中突破基于检索的投机解码上限
AgSpec 是一个面向编码智能体流水线的检索式投机解码框架，从会话、工作区和全局语料中检索，并按智能体输出格式索引已打开文件，同时用离线测得的长度上限约束草稿长度、再根据验证反馈在线调整。
#编码
arXiv cs.CLAI 评分2525 arXiv cs.LGAI 评分2727 ELF-REG：将连续扩散语言模型扩展至推理任务
研究者将 Embedded Language Flows（ELF）扩展至数学推理与代码生成，提出 ELF-REG，用冻结的 AR 教师模型监督中间去噪特征并提供与响应联合去噪的全局表示。
arXiv cs.LGAI 评分2424 超越排行榜：稠密与 MoE 模型在自动程序修复中的多维度评估
研究提出受 ISO/IEC 25010 启发的加权质量指数（QI），综合功能正确性、可维护性、安全性和生成效率评估自动程序修复模型。
arXiv cs.LGAI 评分2525 用自回归后训练权重增强扩散语言模型：A2D 免训练框架
研究者提出 A2D，一个免训练框架，可将 AR 模型的后训练权重更新直接复用到扩散语言模型上。AR 与扩散后训练更新在权重空间近乎正交，却能带来更一致的表示变化，组合两者可同时保留双方收益。
arXiv cs.LGAI 评分3131 FC-SWE：面向长程软件工程智能体的失败条件化强化学习
FC-SWE 是一种失败条件化强化学习框架，在补丁验证失败后把失败补丁与验证器反馈作为上下文，让智能体在仓库原始状态下生成恢复轨迹。
arXiv cs.AIAI 评分3030 PBT-Bench：在基于属性的测试上评测 AI 智能体
PBT-Bench 是一个覆盖 40 个真实 Python 库、100 道基于属性测试题的基准，每题注入语义 bug 共 365 个（平均 3.65 个），默认随机输入几乎无法触发。
arXiv cs.AIAI 评分3737 SWE-Game：编码智能体能否构建我们想要的游戏？
SWE-Game 基准发布，包含 247 个任务，基于 41 款可执行的 Godot 参考游戏，覆盖 2D 和 3D 的 13 个玩法类别。评测涵盖五种任务类型，Opus5 在全部五类任务中总分最高，但三项构建任务最佳总分均低于 60 分，Brief-to-Game 仅 50.38 分。
arXiv cs.AIAI 评分3232 FrogNano：仅用合成任务在线训练 4B 编程智能体
FrogNano 是一个 4B 编程智能体，仅通过 RL 在约 1,500 个 SWE 环境上后训练，无需从更大模型蒸馏。其核心是在线任务合成管线，按当前 checkpoint 的可学习前沿生成任务，论文称这对提升性能至关重要。
arXiv cs.AI精选AI 评分6262 与「敌人」结对编程：人类开发者能识破 AI 智能体的破坏行为吗
一项被 NeurIPS 2026 接收的研究让 100 多名参与者分别与 Claude-Opus-4.6、GPT-5.4、Gemini-3.1-Pro 和 MiniMax-M2.7 协作完成约五小时的长周期编码任务，考察人类能否发现 AI 智能体的蓄意破坏。
推荐理由：论文用百人五小时协作实验量化了人类对 AI 编码智能体破坏行为的检测盲区，并给出监控设计建议。
arXiv cs.AIAI 评分3636 案例研究：如何保障 AI 编写的软件可靠——一个无软件工程背景运营者的元智能体实践
一项案例研究记录了一个由编码智能体构建、由无正式软件工程背景的运营者治理的生产级医疗平台。其工作流演变为人类主导的元智能体系统：一个智能体写代码，其他智能体监督审查，项目规则持续传递经验。运营者发现测试、监控和审查智能体均可能出错，部分监控只测代理指标而非结果，部分审计静默失败，一次自动修复还引发了运营中断。
arXiv cs.AIAI 评分3333 HERMES：用模块化可执行 Dev-Primitives 做软件工程 Harness Engineering
研究者提出 Dev-Primitives（开发原语），把仓库组件与其常驻 LLM 配对，使其具备自然语言推理、组件间通信和局部自我修改能力，并据此构建 Harness Engineering 框架 HERMES。
arXiv cs.AIAI 评分2424 CheckerBench：长时程智能体能否合成静态分析检查器？
研究者推出 CheckerBench，一个由 297 个 CVE 衍生出 300 项任务的可执行基准，覆盖 167 个仓库、85 个 CWE 和五种语言生态，用于评估智能体能否从零完成静态分析检查器开发。
arXiv cs.AIAI 评分4242 Google 部署 FlowAgent：在提交前流程中低延迟自动修复测试失败
Google 部署了 AI 智能体 FlowAgent，在持续集成系统的提交前外循环流程中自动修复测试失败，集成于内部开发者工具 Critique 和 Cider，采用 ReAct 式生成-验证循环与执行前后弃权过滤器。
arXiv cs.AIAI 评分3232 ParanoiaEval：评测智能体编程中不必要的防御性工作
研究者推出 ParanoiaEval，首个统一评测编程智能体风险处理能力的基准，基于软件工程风险管理的 Avoidance-Transfer-Mitigation-Acceptance 框架，包含 200 个证据受控的仓库级任务对。在 8 个代表性模型上的实验显示，即便有明确证据，仍有 11.2%-58.7% 的运行出现不必要的风险处理，且更强的任务能力并不保证更恰当的风险处理。
arXiv cs.AIAI 评分2222 编码智能体的自我纠错应携带多少证据？自适应 Dirichlet 证据用于自蒸馏
研究提出 Effective-Evidence Self-Distillation（EESD），将执行相关性支持与证据量分开表示，用 Dirichlet 后验生成不确定性惩罚权重用于 KL 锚定的纠错学习。
arXiv cs.AIAI 评分4242 NP-Bench 与调度规划器：验证并行编码智能体的协作
研究者提出将并行编码智能体的协作问题重构为调度问题，通过预先划分工作范围并按生产者→消费者图排序合并，并构建了 NP-Bench 三臂基准（无协作、反应式检测、主动规划）进行验证。该规划器将干净集成率从 1/9 提升至 9/9，合并冲突从 13 降至 0，在实时破坏性契约变更中干净集成率从 0 升至前沿模型的 1.0、小模型的 0.6。跨会话记忆将重复错误率从 1.00 降至 0.00。
arXiv cs.AIAI 评分2626 SPECTRUM：面向循环自蒸馏的近端谱调制方法
研究提出 Looped Self-Distillation 自演化框架，模型在固定信息预算下反复从自身原始输出学习，无需外部评估或测试筛选。
arXiv cs.AIAI 评分3636 GameGo：用真实资产锚定的合成轨迹训练游戏开发智能体
研究团队提出 GameGo 框架，将简短游戏创意系统化转化为基于行业实践的产品需求文档，并构建了覆盖 2D、2.5D、3D 游戏的 55,060 条开发轨迹数据集 GameGoData 及含 124 个游戏查询的 GameGoBench。基于该数据训练的 GameGoCoder 在游戏开发基准上超越同类基线，性能接近前沿模型。代码、数据集与模型将全部公开。
掘金AI 评分4242 AgentLens 论文：1,136 条「通过」的 SWE-Agent 轨迹中 122 条是走运
arXiv 论文 AgentLens 将 1,136 条通过轨迹分为 Ideal（20.2%）、Solid（69.1%）和 Lucky（10.7%）三档，Lucky Pass 在八个模型后端间跨度达 46 倍，而 pass rate 排名与过程质量排名全部不一致。
掘金AI 评分7575 论文拆解 11 个 coding agent 源码：无人使用 LangChain 或向量检索代码
Wavestone 四位研究者发布 83 页论文《Harness Engineering》，逐行阅读 Claude Code、Codex CLI、Gemini CLI。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，研究预览版已上线，可对比不同审查系统并提交自己的智能体。基准基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR，采用多来源 golden set 与统一评分标准，发布前由资深工程师独立复核，与基准判定一致率 96.6%。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线到线上的验证数据，可据此判断评测信号是否可信。
arXiv cs.CLAI 评分3636 Sigma：首个大规模连续扩散语言模型，3B/8B 参数
研究者提出 Sigma，首个大规模（3B/8B）连续扩散语言模型，基于可操控的低维 ODE/SDE 潜轨迹，按块通过似然优化训练，并利用自回归模型预训练权重热启动。
arXiv stat.MLAI 评分2424 GTDD：面向 AI 编程智能体的生成式测试驱动开发与对抗测试
研究者提出生成式测试驱动开发（GTDD），由独立的测试智能体在每次候选实现固定后，依据人类指定的行为契约与历史反馈生成新输入，可信评估器校验并返回精简反例供回归测试。在有状态键值存储的配对实验中，开发过程中重新生成测试的策略平均失败率低于仅用同一语言模型一次性生成测试的策略，而向测试方提供候选源码未带来可检测的额外提升。