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。
#编码
掘金AI 评分4242 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。