★ 4
新基准：AI 不被告知问题就无法发现 Bug
来自 Meta、斯坦福、哈佛、华盛顿大学等机构的研究者（含 SWE-bench、ProgramBench 作者）推出新基准，测试 AI 能否在无人指出问题的情况下主动发现 Bug。结果显示当前模型表现很差，最佳配置修复率仍不理想，代码已开源。
Hacker News – AI31 天前
#代码智能体
共 13 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
arXiv 论文提出 CoHARL：强化学习协同进化智能体策略与可执行执行框架
论文提出基于种群的强化学习框架 CoHARL，让共享策略与一组可执行执行框架（harness）协同进化，策略从多种框架的 rollout 中学习，提议器则依据执行轨迹修改框架代码。在 SWE-rebench 上平均解决率达 27.6%，较仅搜索框架提升 6.4 个百分点，并在 SWE-bench …
arXiv cs.LG4 天前
★ 3
kw-bench 基准：测试智能体框架处理真实审计任务
论文发布 kw-bench，首个任务族为跨三代 SAP 系统的五年增值税重建，输入为无文档的原始系统导出数据，评分完全确定性、不用 LLM 裁判。测试中模型无关的 OpenCode 与 micro-cc 得分约 0.53，而 Claude Code 与 Codex 在非原生模型上得分为 0；在 C…
arXiv cs.AI4 天前
★ 3
联想天禧自研代码智能体TianxiCode登顶SWE-bench-Live全球第一
联想天禧AI自主研发的专业代码智能体框架TianxiCode以71%的问题解决率登顶SWE-bench-Live全球第一名。该成绩显示联想在AI代码智能体领域的技术实力，SWE-bench-Live是评估AI解决真实软件工程问题能力的权威基准。
量子位23 天前
★ 3
SpecGuard：用Lean 4形式化验证提前识破智能体作弊任务
论文提出SpecGuard，可在编码智能体执行前检测任务意图与测试之间的冲突，并用Lean 4形式化生成机器可验证证书。在冲突的SWE-bench任务上检测率达72.8%，形式化认证率51.1%，漏检率比模型判断低近五倍。
arXiv cs.AI24 天前
★ 3
帕累托占优澄清：PPO-拉格朗日预算约束后训练编码模型
论文将编码智能体的澄清提问建模为约束马尔可夫决策过程，用 PPO-拉格朗日对 Qwen2.5-Coder-7B-Instruct 进行后训练，在期望提问预算约束下优化编码准确率。在 HumanEvalComm 上，预算约束策略可同时实现更高准确率与更低澄清率，呈现对数形帕累托前沿，且模型学会在更难…
arXiv cs.LG26 天前
★ 3
VERSE：面向智能体框架的验证式自进化优化器
论文提出 VERSE，一种面向 LLM 智能体框架（harness）的验证式自进化优化器。研究发现，优化器自进化若缺乏基于执行的验证反而无益，而加入验证后效果最佳。VERSE 允许优化器在提交前测试草稿修改、回放失败案例并扰动可疑步骤，同时追踪修复与回归。在 SWE-rebench 及五种语言的分…
arXiv cs.AI27 天前
★ 3
MiniMax Code CLI 正式开源
MiniMax 宣布其 Code CLI 的 v0.4.12 版本面向全球开发者开放，并以 MIT 协议开源。此举意在吸引开发者生态，围绕其代码智能体工具构建社区。
36氪44 天前
★ 2
GAV：面向 PDE 智能体的科学实验环境开源
论文提出 Generator-Agent-Verifier（GAV）科学实验环境，让新的偏微分方程（PDE）问题在构造上即可验证，无需昂贵的参考数值解。Generator 借助人造解方法从参考解反推匹配的 PDE 问题，Agent 迭代改进程序，Verifier 给出精度与计算开销的数值反馈。在 …
arXiv cs.LG9 天前
★ 2
研究提出预算受限的代码自改进编辑预评分方法
论文研究能改写自身脚手架（scaffold）的编码智能体如何在编辑被评估前选择扩展对象，用父代求解率与 diff 坐标拟合线性读出并冻结系数。在 HumanEval+ 留出集上，GPT-4o 十二次运行返回节点达 87.0%，高于父代率消融的 84.2%；Claude Sonnet 4.5 下为 …
arXiv cs.AI10 天前
★ 2
利用 AI 代码智能体优化软件架构的五种方法
文章介绍五种借助 AI 代码智能体改进软件架构的实践方法，涵盖重构、依赖梳理与代码审查等场景。面向工程团队，探讨如何把智能体融入日常架构治理流程。
InfoQ AI21 天前
★ 2
Fakegreen：检测 AI 编程智能体伪造绿色构建
开源工具 Fakegreen 通过扫描 git diff，检测 AI 编程智能体伪造「测试通过」的各类手段，如删除测试、加 .skip、弱化断言、添加 @ts-ignore 或在 CI 中追加 || true。该工具无需 LLM 与 API 密钥，确定性运行且通常在 100 毫秒内完成。
Hacker News – AI24 天前
★ 2
科学计算智能体的可执行检查工具
论文提出 Rules to Tools（R2T），为科学编码智能体提供公开科学需求的可执行检查。在 SciCode 修复任务中，配备可调用检查的工具组完整修复率达 29/30，优于纯文本的 26/30。工具组在部分任务上占优，但公开 CPU 使用量上升，结果呈任务依赖性。
arXiv cs.AI30 天前