★ 4
研究揭示 Claude Code 与 Codex CLI 权限提升漏洞，58% 实例可被诱导放宽规则
论文研究编码智能体执行沙箱中的权限更新机制，发现仓库中植入的对抗性上下文可诱导智能体申请看似合理但过宽的 allow-rule。在 Claude Code 和 Codex CLI 等生产平台上，58% 的实验实例成功诱导出目标规则，获批后覆盖 56.9% 的能力测试用例，81% 的合格实例实现静默…
arXiv cs.AI12 天前
#编码智能体
共 47 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 4
Meta发布Muse Glimmer开源多模态模型
Meta超级智能实验室发布了其首个开源模型Muse Glimmer，这是一个300亿参数的多模态模型，采用Apache 2.0许可，专为本地编码智能体设计，并由Ollama的MLX引擎加速，支持原生DFlash和图像输入。
Ollama Blog84 天前
★ 4
AlphaEvolve：Gemini驱动的编码智能体
AlphaEvolve 利用 Gemini 驱动的算法，在商业、基础设施和科学领域扩展影响。该编码智能体展示了AI在跨领域问题解决中的潜力。
Google DeepMind179 天前
★ 3
Skill Dreaming：从 PR 流中演化代码仓库技能库
论文提出 Skill Dreaming 框架，从已验证的 Pull Request 中抽取可执行知识，构建仓库专属技能库并随新 PR 持续精炼。这些技能不仅指导编码智能体实现新功能，还维护测试、文档、兼容性与仓库约定。框架整合 PR 分析、技能管理、代码执行与持续集成，形成技能与仓库共同演化的闭环。
arXiv cs.AI4 天前
★ 3
SWE-Shift 基准发布：评估执行中途变更下的编码智能体
研究者提出 SWE-Shift 基准，模拟代码、依赖与需求在智能体执行过程中发生变化的情形，包含 120 个场景、12 类变更与 9 个干预位置。评测 17 个编码智能体系统，全部在变更场景下成功率低于无变更场景，GPT-6 Astra 从 67.35% 降至 24.79%。结果表明任务成功并不等…
arXiv cs.AI6 天前
★ 3
研究揭示编码智能体基准的「规范-测试」鸿沟
论文指出编码智能体基准常用自然语言描述任务、却用上游项目测试评分，通过测试需要描述中未给出的常量名、模块路径等信息，称为规范-测试鸿沟。作者构建五语言静态审计工具（精确率 89.2%、召回 92.9%），在 SWE-Milestone 上发现 98 个里程碑中 25 个存在此类依赖，含依赖单元失败…
arXiv NLP9 天前
★ 3
SWE-Verifier：选择性验证降低编码智能体成本
论文提出轻量生成模型 SWE-Verifier，对编码智能体提出的动作打分，仅在必要时触发候选采样与排序，从而降低推理开销。基于 Qwen3.5-4B 训练，在 MiniMax-M2.7 上把解决率从 75.47% 提升至 77.20%（1.09 倍成本），并零训练泛化到 DeepSeek-V4-…
arXiv cs.LG9 天前
★ 3
GenXR-Bench：首个评测编码智能体开发 XR 应用的基准
论文推出 GenXR-Bench，首个端到端评测编码智能体开发交互式 XR 应用的基准，含 112 个专家任务（24 项功能实现、21 项缺陷修复、67 项应用生成）。测试套件对 124 个候选应用与专家盲评一致率达 96.5%。评测 10 个模型，最强配置整体 Pass@1 仅 50.9%，失败…
arXiv cs.AI10 天前
★ 3
RegretBench 与 BackUpper：评测并补齐编码智能体备份意识
论文提出 RegretBench 基准，含 205 个源自用户「后悔未备份」场景的可执行任务。六个前沿模型平均完成 86.1% 任务，但仅 15.2% 会在关键修改前备份。作者提出 BackUpper 插件式备份层，检查每次工具调用并保存受影响状态，恢复相似度 92.2%，每任务成本仅 0.014…
arXiv cs.AI10 天前
★ 3
论文提出 REM：编码智能体的经验记忆生命周期管理
研究提出 REM（可复用经验记忆）框架，从智能体的思考-行动循环内部管理记忆生命周期，明确「存什么、何时召回、何时遗忘」三项决策。在仓库级 Bug 修复基准 SWE-ContextBench Lite 上，REM 的相关轨迹检索准确率达 68.7%，优于现有最优记忆系统的 55.6%，任务解决率从…
arXiv cs.AI11 天前
★ 3
TEAL：数据湖分析编码智能体的无监督工具演化
论文提出 TEAL，让编码智能体在无标签条件下为数据湖分析演化可复用工具库，由 Explorer 与 Critic 双智能体从互补证据提出工具，并引入 TEAL-Q 生成合成问题。在 KramaBench 与 LakeQA 上，Sonnet-5 在 15 步预算下分别提升 9.3 与 21.7 分…
arXiv cs.AI11 天前
★ 3
ReuF2F：244 道本科科研开放题 Lean 4 基准发布
研究者推出 ReuF2F，收录 244 道来自本科生科研项目（REU）的 Lean 4 形式化开放问题，用于端到端评测编码智能体的开放问题求解能力。基于 mini-SWE-agent 构建 Leanimum-agent 统一评测框架，结果显示最强模型仅解出约 40% 的题目。
arXiv cs.AI11 天前
★ 3
程序员撰写「编程讣告」：编码智能体夺走了解题乐趣
开发者 Jeremy Scheff 撰文为编程写下「讣告」，指出编码智能体让程序员失去了亲手解决逻辑难题的乐趣与掌控感。Simon Willison 转发并评论：对以解决问题为乐的开发者而言，这种失落是真实的。
Simon Willison Blog13 天前
★ 3
Self-HPO：编码智能体通过框架与策略协同自进化
论文提出 Self-HPO 递归自改进框架，交替优化编码智能体的 harness（交互框架）与策略模型，由当前策略分析自身失败并提出新 harness 候选，再在选定 harness 下用强化学习更新策略。在三个编码基准上均优于仅优化 harness 或仅优化策略的基线，将 Qwen3.5-35B…
arXiv NLP13 天前
★ 3
TokenEconomizer：编码智能体的黑盒 token 成本控制
论文指出前沿编码智能体在真实连续项目中存在反复出现的环境相关 token 成本，提出外部控制器 TokenEconomizer，通过注入操作微技能、剪除长期无关工具、干预无效失败循环来降本。在 Claude Code、Codex 与 GitHub Copilot CLI 搭配前沿模型时，平均 to…
arXiv NLP13 天前
★ 3
编码 LLM 可从数据中学习可解释模型
论文提出一种简单框架，反复提示编码 LLM 生成规则集中的下一条规则，从而从数据中学习可解释分类器。该方法在表格数据上与最先进规则学习方法相当甚至更优，在文本任务上大幅领先，并引入「构建可解释分类器」这一新型编码基准。
arXiv cs.LG18 天前
★ 3
DuplexAgent-RSI：全双工语音智能体协作的递归框架改进
论文提出 DuplexAgent 全双工协作系统，将任务接受、进度、取消、替换与结果交付等工作流表达为六个可编辑模块，并通过 Duplex-Harness-RSI 闭环从交互轨迹中自动修订模块。实验显示其在口语知识与可执行工具评分上优于对比的委派系统，同时保持强中断响应能力。
arXiv cs.AI23 天前
★ 3
研究：如何训练智能体可靠写代码
论文提出自主编码智能体的三种关键行为——位置多样性、编辑多样性与验证可靠性——可通过训练而非仅靠推理时算力获得。方法用执行反馈引导搜索并对补丁做回退树评分，在 SWE-bench Verified 上以不到一半的智能体步数解决 52.8% 的问题。加权 SFT 与强化验证器训练将 pass@1 从…
arXiv cs.AI26 天前
★ 3
IGMWorld 提出可执行世界编辑与干预深度基准 IGMBench
论文将「世界编辑」定义为在保留不变属性的前提下干预已有可执行世界，并提出干预深度这一维度。作者基于游戏模组构建 IGMWorld 与 IGMBench 基准，涵盖 Minecraft 与 Terraria 的 110 项任务、超 1100 条可执行状态与行为标准。前沿编码智能体最强配置在严格标准下…
arXiv cs.AI27 天前
★ 3
研究：强AI智能体做自主机器学习工程需要多少脚手架
论文探讨自主机器学习工程（MLE）智能体在公开榜单上的进展，指出当前多智能体编排、检索子智能体等复杂框架不断膨胀，但更原始却更强的编码智能体（LLM 通过读写与 bash 直接访问执行环境）却少被关注。研究对比不同框架对自主 MLE 能力的实际贡献。
Apple Machine Learning Research32 天前
★ 3
Codex 与 Claude Code 智能体优化 FRNN 搜索案例研究
论文以固定半径最近邻（FRNN）粒子追踪搜索为案例，让现成的 Codex 与 Claude Code 智能体在可执行目标（含正确性测试、性能剖析要求与验收标准）下自主优化。智能体移除 PyTorch 依赖并做假设驱动实验，产出独立 C++/CUDA 库，同步 NumPy 接口较原 GPU 常驻 P…
arXiv cs.AI33 天前
★ 3
编码智能体成本低效行为分析与缓解
研究首次系统分析编码智能体的行为性成本低效，基于 Claude Code 与 Mini-SWE-Agent 在 SWE-bench Verified 上的 1200 条轨迹，识别出子集化检索、重复脚本生成、测试重执行三类行为。这些行为影响 79%–98% 的任务，最高占任务成本 22.75%。开发…
arXiv cs.AI34 天前
★ 3
KEX-bench：编码智能体内核漏洞利用评测
论文提出 KEX-bench，用于评估编码智能体对真实操作系统内核生成漏洞利用原语的能力，涵盖 40 个 Linux 与 Windows CVE 的 45 个任务。在无参考 PoC 时最强配置仅解决 5% 的 Windows 任务和 56% 的 Linux 任务，有参考 PoC 时提升至 68.9…
arXiv cs.AI39 天前
★ 3
CodeMidas：从代码本身扩展智能体编码 RL 环境
论文提出 CodeMidas，仅以源代码为任务输入，将现有代码库中已实现的功能转化为可执行 RL 环境，通过智能体探索、测试构建与执行验证过滤候选任务。产出 5,545 个训练任务、覆盖 3,185 个代码库与 23 种语言，用 GRPO 训练 MiMo-V2.5 在五个基准上全面提升。
arXiv cs.AI41 天前
★ 3
新框架用快速树搜索实现编码智能体自我改进
论文提出 SIFT（Recursive Self Improvement via Fast Tree-search），针对编码智能体自我修改时评估瓶颈问题，引入 LLM-as-a-judge 对候选补丁做成对比较，用正则化 Bradley-Terry 模型聚合胜负记录，驱动轻量分离式树搜索中的排名…
arXiv cs.AI44 天前
★ 3
SemVerBench：LLM 版本约束解析语义理解基准
研究推出SemVerBench，评测LLM编码智能体对^1.2.3、>=2.0等版本约束语义的理解。Cargo的插入符语义（1.2意为>=1.3.0）几乎困住所有模型，接近60%出错；PEP 440前缀匹配普遍可行，但零填充与后发布边界情形下GPT-5.1全错（0/26），Claude保持97-1…
arXiv cs.AI50 天前
★ 3
RealSWE：真实用户请求下编码智能体的组合评估
RealSWE基于真实用户请求的差异，构建了381个多变量任务族，评估编码智能体性能。结果显示真实输入使解决率平均下降6.4个百分点，并可能改变模型排名，且明确期望行为与动机能显著提升性能。
arXiv cs.AI62 天前
★ 3
同一模型不同框架导致编码智能体结果差异
研究比较同一模型在不同框架配置下的编码表现，发现改变框架可显著影响结果。在紧凑上下文下，处理方式提高了任务成功率，但增加了失败率。这表明编码智能体评估应将模型与框架视为整体。
arXiv cs.AI65 天前
★ 2
开发者发布 rexmod，为 Superlogical Rex 加装编码智能体工具链
第三方开发者推出非官方 mod 项目 rexmod，为 Superlogical 的 Rex 增加变更记录、内嵌编辑器审阅与评论回传能力，支持 Claude Code、Codex、OpenCode 与 Pi 等编码智能体。该工具通过补丁方式修改本地 Rex 安装，可一键卸载还原官方版本。它反映出编…
Hacker News – AI7 小时前
★ 2
Chainguard 推出 AI 编码智能体安全工作区与安全校验
Chainguard 发布面向 AI 编码智能体的安全工作区与安全校验能力，用于约束智能体在代码生成与执行过程中的权限与行为。此举针对企业引入编码智能体后的供应链与运行时安全风险。
InfoQ AI2 天前