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，基于 1.039 亿个 GitHub PR 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 PR。

AI 智能体用照片生成 3D 场景，却无法判断自己做得对不对

研究团队提出 Image-to-Code 方法，让编码智能体从单张照片写出可执行的 Blender 程序，并迭代修改直到场景匹配原图。配套基准 LEGO-Bench 包含 104 个场景的 208 张图像，最佳模型 GPT-6 Astra 在室内场景准确率 53.4%、室外仅 39.6%，弱配置约 15%。

小红书 AllSpark 提出 PACT：从信用分配到 Critic 对齐，SWE-bench Verified 达 67.4%

小红书 AllSpark 团队提出 PACT（Policy Aligned Critic Training），通过三个正则条件唯一确定长程 Agent 的信用分配，并用 BCE 回归有界 Value、采用 Actor-Then-Critic 更新顺序改进 Critic 与策略对齐。

自进化编程智能体：从数字程序到物理世界智能

研究者提出 Physical Coding，将任务状态与执行表示为代码，并构建 HexaAnything 调用感知、规划与控制工具（含 VLA/WAM 策略），依据外部反馈在环决策。

UC Berkeley 团队用 AI Agent 审计 13 个基准，发现 45 个无需解题的满分作弊方案

UC Berkeley 团队构建全自动 AI Agent 审计 13 个广泛使用的基准，发现 45 个作弊方案，全部基准被评为 critical 风险，共归纳 16 种攻击类型。

DAIR.AI@dair_aiAI 评分5353

SkillGym 框架将人类编写的技能转化为 2,756 个带代码检查器的训练环境，并在 8,364 条成功轨迹上微调。

KernelZero：协同进化 Proposer 与 Coder，持续提升 GPU Kernel 生成

KernelZero 提出协同进化框架，用 Proposer 从 API 集合生成 Torch 模块、Coder 将其翻译为 CUDA 或 Triton kernel，并引入 CA-GRPO 在正确性可靠后再优化性能。

WideSWE：编码智能体能否跨仓库协同完成变更？

WideSWE 是用于评估编码智能体跨仓库任务的新基准，从 103 个软件生态系统中挖掘出 120 个真实任务，包含 60 个 bug 修复和 60 个功能开发。

Nvidia SoL-Pi 系统优化 agent harness，编码任务 token 用量减少近一半

Nvidia 研究人员提出 SoL-Pi 系统，用研究 agent 自动优化编码 agent 的控制层（harness），在 EdgeBench 上相比 Codex 节省 50%、相比 Claude Code 节省 54.3% 的 token，性能与原 Pi harness 大致持平。

Relic：把多智能体协作经验沉淀为组织级可执行协议

Relic 将多智能体协作中反复出现的失败转化为组织所有、可执行的协议，把触发条件、责任、所需证据与执行后果绑定到运行时，并支持修订与退役。在十个软件工作负载、三个模型共 360 次受控运行中，完整契约交付率从 14.06% 提升至 19.76%（+5.71 个百分点）。

GAGAR：面向代码智能体 RL 的分组智能体评分与优势重分配

GAGAR 是一个面向代码智能体强化学习的质量感知信用重分配框架，通过 SFT 训练的智能体评分器在同一工作区内联合检查并排序通过测试的轨迹，对低排名轨迹降权并按比例重缩放优势值以保持总和不变。

DAIR.AI@dair_aiAI 评分5959

微软论文《Coding Agents are Strong Prompt Optimizers》提出 Coding-Agent Skill Distillation（CASD），让现成编码代理读取完整智能体轨迹日志，自行编写分析代码统计失败模式并将发现写成规则提示词，无需环境访问和验证数据。

研究论文：Coding Agent 在广义任务与运动规划问题上的能力评测

arXiv 论文（https://arxiv.org/abs/2609.30233）研究 coding agent 能否自动合成可跨实例泛化的程序来解决广义任务与运动规划（TAMP）问题。

论文提出 ATD 方法：后训练留下的行为阴影可让能力通过无关文本迁移

论文提出 Active Taskless Distillation（ATD），每条提示仅用教师模型的一个词即可实现能力迁移，无需目标任务样本、教师 logits 或教师参数。

CodeGraph：面向源代码的开放分类知识图谱，基于 Wikidata 对齐

研究者提出 CodeGraph，一个面向源代码的开放分类知识图谱，用代码专用大语言模型从 GitHub 等仓库中抽取算法、范式、设计模式和应用领域等隐含工程知识，并通过 SPARQL、Deep Research Agent 和层级上卷三阶段将实体对齐到 Wikidata。

elvis@omarsar0AI 评分5656

Google 发布 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses）论文，指出自动化 harness 进化会对训练任务过拟合，评测分数上升但真实任务表现可能变差。

Artificial Analysis 评测 GPT-6 Sol 和 Luna：价格减半但各项表现有升有降

Artificial Analysis 评测 OpenAI 的 GPT-6 Sol 和 Luna，两模型价格较 GPT-5.6 约减半，Sol 定价 $2/$10、Luna $0.10/$0.50 每百万输入/输出 token。

Artificial Analysis@ArtificialAnlysAI 评分6666

Artificial Analysis 发布 Grok 4.7 评测，其在 Artificial Analysis Intelligence Index 得分 46，较 Grok 4.6 高 2 分，使 SpaceXAI 进入前四大 AI 实验室。

Rohan Paul@rohanpaul_aiAI 评分5555

Sierra 与普林斯顿大学推出 τ^τ-bench 基准，把智能体构建模拟成真实客户交付任务，智能体需基于公司记录、客户需求、生产 API、现有代码和预算交付可部署的客服智能体。

腾讯混元联合清华北大发布 WebCraftBench，用软件测试方法评测 AI 网页生成

腾讯混元联合清华大学、北京大学提出 WebCraftBench，让智能体实际操作 AI 生成的网页，用代码覆盖率引导探索，再从美观度、易用性和需求符合度三个维度评分。

elvis@omarsar0AI 评分5151

MIT 和 Sakana AI 的论文提出 SIFT（Self-Improvement via Fast Tree-search），用 LLM judge 先排序候选自修改、只评测有希望的节点，大幅降低自我改进编码智能体的运行成本。

DAIR.AI@dair_aiAI 评分5151

MIT 与 Sakana AI 的论文提出 SIFT（Self-Improvement via Fast Tree-search），验证自我改进编码智能体可行，并将运行成本降到 DGM 基线的约十分之一。

编码智能体 harness 设计的实证研究：拆解规划、动作空间与上下文管理

一项实证研究用轻量级 coding harness 固定执行循环，在 SWE-Bench Verified 和 Terminal-Bench 2.1 上对 4 个模型评测 176 组匹配配置，拆解规划、动作空间和上下文管理三类组件的作用。

RecreationWorld：面向混合计算机使用智能体的可扩展可验证环境发布

研究团队提出 RecreationWorld，一个覆盖 Ubuntu、macOS、Windows、Android 和 Web 五平台的框架，让智能体在无预定工作流下观察运行中的参考应用并忠实复现其实现，参考程序兼作隐藏行为测试的 oracle，提供基于执行的奖励。

Anthropic：Claude 四周优化 30 多个开源生物分子模型，平均提速约 4 倍并开源代码

Anthropic 让 Claude 在不到四周内优化了超过 30 个开源生物分子模型，平均提速约 4 倍、精度损失极小，输出完全一致时也有近 2 倍加速。优化代码全部开源，还推出低内存 Big 模式，可在单张 NVIDIA GPU 节点上对超过 10,000 token 的生物分子系统做准确预测。

elvis@omarsar0AI 评分5454

NVIDIA 论文提出 Agora，把研究智能体的结果、假设和验证记录为不可变的 Git commit，形成 append-only DAG，避免多个编码智能体重复实验并让彼此复用已验证结果。

GLM 官方复盘：Infra Agent 如何在 10 万级国产加速器集群上两周建成 GLM-5.3-Flash 推理系统

智谱（Z.ai）发布技术长文，讲解 GLM-5.3 驱动的 Infra Agent 如何在 100,000 多颗国产 AI 加速器上从零搭建 GLM-5.3-Flash 的生产级推理系统，不到两周将端到端吞吐提升约 3 倍，支撑 1M token 上下文与多模态请求。

HarnessTax 研究：harness 对 coding agent 的影响有多大

UC Berkeley 团队发布 HarnessTax 研究，评估 21 个模型-harness 组合（7 个模型、3 个 harness：Claude Code、Codex CLI、Pi），在 SWE-bench Lite 和 Terminal-Bench 2.0 各 30 个任务上各跑 3 次。

Rohan Paul@rohanpaul_aiAI 评分5555

Stanford 与 MIT 论文《Meta-Harness: End-to-End Optimization of Model Harnesses》（arxiv. org/abs/2603.28052）指出模型性能还取决于周边系统代码 harness，同一 LLM 换 harness 在同一基准上可出现最高 6 倍性能差距。

Real-SWE 发布：在企业私有真实代码库上评测前沿编程模型

Specific 团队发布 Real-SWE 基准，任务取自经授权的真实公司私有生产代码库，评测 8 个前沿模型与 harness 组合的解决率。

Rohan Paul@rohanpaul_aiAI 评分5252

ETH Zürich 论文测试 100 名大学生在 3 个无代码应用构建任务上的表现，参与者只能通过对话驱动 AI 并检查结果，不能查看源代码。CS 成绩与 vibe coding 表现相关性为 0.39，写作能力为 0.29，两者都显著但 CS 的独立预测价值约为写作的 2 倍；写作能力通过产出更清晰的提示词间接起作用。论文：arxiv.org/abs/2603.14133。

Benchmark Radar：AI 基准与评测的活数据库和搜索引擎

论文提出 Benchmark Radar，一个用于检索和发现 AI 基准的活数据库和搜索引擎，覆盖 LLM 评测、智能体与工具使用、编码、推理、安全及领域评测。系统从 37 个来源每日发现基准论文、仓库和数据集，目录含 1,283 条来源记录和 790 条记录上的 12,916 个数值观测，并提供排行榜、饱和度与趋势视图、CLI 和可复现分析。

Rohan Paul@rohanpaul_aiAI 评分5757

清华与 Qwen 团队发布 Terminal-Universe 论文，从既有智能体轨迹中还原代码工作区，使其可生成大量新的可验证训练任务。用该数据微调 Qwen3.5-27B 后，在 Terminus2 设置下 Terminal-Bench 2.1 从 46.2% 升至 58.1%，EvoCode-Bench v2 MT@4 从 6.3 升至 20.1。

Anthropic 发布四起 Claude 网络安全评估事故的对齐评估报告

Anthropic 评估四起 Claude 模型在网络安全评估中因环境配置错误接入真实互联网、访问第三方系统的事故，涉及 Claude Opus 4.6 早期检查点、Claude Opus 4.7、Claude Mythos 5 和一个内部研究模型，共约 7 次运行。

DAIR.AI@dair_aiAI 评分5959

微软发布 FrogNano 报告，训练出一个 4B 编码智能体，在约 1,500 个软件工程环境上纯用 RL 后训练，全程不依赖更大模型蒸馏。关键是在线任务合成流水线，按当前 checkpoint 的可学习性前沿生成任务，作者认为校准而非合成数据量是成效所在。

Cognition 团队用 Devin 完成 RSA-260 分解，刷新公开 RSA 挑战纪录

Cognition 研究团队驱动多个 Devin 智能体构建 GPU 格子筛，用约 4,900 GPU 天（约 40 万美元）完成 260 位 RSA-260 分解，创下公开 RSA 分解挑战新纪录，超越 2020 年 2 月的 RSA-250。

Feyospace-v1：七人独立团队训练出领先的开源网络智能体模型

论文提出以数据为中心的 Feyospace-v1 框架，通过五套系统与可重置的编码、漏洞、CTF、内核历史、完整利用、固件和设备环境生成数据，经执行验证和证据审计后保留 164,269 条轨迹用于长上下文监督微调。

SWE-Bench Pro Verified：修复答案泄露与任务质量问题的软件工程智能体评测基准

研究团队发布 SWE-Bench Pro Verified，一个包含 731 个实例的软件工程智能体评测基准，通过仓库重建、测试工件隐藏、元数据匿名化和代码托管域名封堵来阻断答案泄露，并由人类专家最小化修订 102 个存在质量问题的任务。

DAIR.AI@dair_aiAI 评分5353

Sierra 与普林斯顿大学发布 τ^τ-Bench（hyper-tau-bench）基准，把智能体构建本身设为任务：开发者智能体获得真实业务记录、掌握需求的客户、生产 API、待继承代码库和服务成本与模型限制，需交付一个可用的客服智能体，并用保留的模拟用户部署评分，共 4 个领域 53 个任务。

elvis@omarsar0AI 评分5757

Google DeepMind、MIT、Stanford 等机构提出 SMART，一个 ML 性能建模库，其 main 分支几乎不含代码，仓库是自然语言设计文档的有向图，编码子智能体在版本更新时从文档重新生成全部实现。