作者引述一篇论文指出，在整仓库迁移任务中，同一 GPT-5.6 Sol 模型与相同 effort 设置下，把 Codex 换成 HERMES harness 后成功率从 6.5% 升至 31.0%。

Google 的一篇论文提出 FlowAgent，它在预提交测试失败上运行 ReAct 式生成-验证循环，并在 Google 代码审查工具中展示修复建议；两道弃权过滤器分别在执行前后判断修复是否值得展示，避免弱建议触达开发者。

Stanford 论文提出 DeLM，用共享上下文和任务队列替代中心协调智能体，让各智能体独立领取任务并即时共享发现。

DAIR.AI 推荐一篇论文，研究模型不变时 agent harness 会带来什么变化。作者用同一模型在 SWE-bench Verified 上运行 Claude Code。

AWS AI Labs 的一篇论文提出 AECP 协议，要求多智能体编码团队只通过结构化产物通信并由 harness 执行，在不更换模型的情况下将测试通过率提升 28.2%、缩短 16.5% 的墙钟时间。

Rohan Paul 转述 Apple 新论文，指出自动 ML 工程的进展来自模型与运行时而非外围脚手架。论文用同一代码库、模型、硬件和 24 小时预算重跑各种封装，发现一个带 shell 和文件访问的单一编码智能体匹配或超过 4 个多智能体 ML 系统，给模型 shell 而非聊天框是唯一明显起作用的改动。

Meta 新论文发现，让两个不同的编码智能体互相审查补丁，比给单个智能体更大预算能捕获更多静默 bug。在相同预算下，混合使用 Claude Code 和 Codex 处理同一任务，将完全正确的补丁比例从 45.8% 提升到 62.5%。

GitHub Blog · AI & MLAI 评分5959

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基准，研究预览版现已上线。

一篇 arXiv 论文提出 SelfSearch，让编码智能体反复改写自己的 harness（指令、工具与流程），用 DeepSeek V4 Flash 在 Terminal-Bench 2.1 上达到 82.0%，搜索成本仅 $4.03，在同一设置下的九款 harness 公开对比中追平顶级的 Codex。

微软一篇新论文提出，编码智能体无需中心管理者：在 ProgramBench 的 200 项任务中，让智能体自行认领任务的无管理者团队规模从 1 扩展到 128 个智能体时，平均得分在每一步都有提升，即使在最难的 5 项任务上也是如此。

DAIR.AI 推荐 Meta 关于可靠自动科研智能体的论文 RankEvolve：它用编译后的协议约束每个研究阶段与关卡，让 Claude Code 和 Codex 作为独立节点互相评审并修复改动。

DAIR.AI 介绍论文 AutoCompact，训练智能体自行决定何时压缩上下文、保留哪些工作状态以及如何恢复。

The DecoderAI 评分5252

AI 智能体从单张照片生成 Blender 3D 场景，但无法判断自己是否做对

研究提出 Image-to-Code 方法，让编码智能体接收单张图片后编写可执行的 Blender 程序，通过写代码、运行、查看结果并迭代修改来还原场景。团队同时发布 LEGO-Bench 基准，包含 104 个室内外场景的 208 张图像和 443 个注册资产，从有效性、几何精度和外观相似度三个维度评分。

研究：编程智能体仅修复 9% 的 Agent 框架 bug，AgentBug-Smith 基准发布

来自中美顶尖实验室的论文提出 AgentBug-Smith，可将真实 GitHub bug 报告自动转化为可运行测试，构建出持续增长的 200 个 bug 基准。3 个编程智能体中表现最好的仅修复 9% 的 Agent 框架 bug，而普通软件 bug 的修复率约为 40%。一份过往修复经验简编让某智能体在 79 个未见 bug 上的正确修复数从 1 提升到 6。

LEGO-Anything 用于3D场景重建的编码智能体 论文：huggingface.co/papers/2609.3…

智能体写应用代码，但出问题时你凌晨 2 点还是得被叫醒。 我们想知道 AI 能否也处理这部分工作。 推出 Incident Arena：一个让编码智能体值班的基准！ 查看下方论文与完整数据集发布！

AI 说网站做完了，结果首页报错、按钮重叠，还加了个你从没要求过的登录流程。🙃 推出 WebCraftBench：智能体实际使用线上应用，覆盖引导的探索找出从未被访问到的部分，然后我们对美观度、可用性以及原始需求是否满足进行评分。 在 197 组人工验证的配对上，与人类偏好的一致率为 85.3%。 论文：arxiv.org/abs/2609.15387

Hugging Face Blog精选AI 评分6262

Multiverse Computing 提出 Quantization-Aware Healing，4-bit 压缩模型在 7/9 基准上超过其 bfloat16 版本

Multiverse Computing 发布论文《Quantization-Aware Healing: A Practical Recipe for Recovering Compressed, 4-Bit LLMs》，提出 QAH 方法：在结构压缩并量化后，直接从压缩前的原始模型蒸馏，而非从恢复出的 bfloat16 检查点蒸馏。

Import AIAI 评分7474

Import AI 466：机器人领域的苦涩教训、AI 完成周级编程任务与 OpenAI 意外出现的 AI 黑客

Epoch 与 METR 发布 MirrorCode 基准，用于测试 AI 系统完成长周期编程任务的能力，Claude Opus 4.7 用 14 小时、251 美元推理成本解决了一个 METR 与 Epoch 估计人类需 2 至 17 周完成的任务，25 个目标程序中 17 个至少有一次满分运行，8 个从未达到 100% 阈值。

OpenAI 分析指出 SWE-Bench Pro 编码评测存在可靠性问题

OpenAI 发布新分析，指出流行编码基准 SWE-Bench Pro 存在可靠性与准确性方面的问题。该分析揭示了这一用于评估 AI 模型的基准在评测中可能产生误导性结果。

Hugging Face BlogAI 评分4444

ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试

Hugging Face 发布开源基准 ScarfBench，用于评估 AI 智能体在企业级 Java 框架迁移中的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态，含 34 个应用、102 个框架实现、204 个迁移任务和 1331 个专家测试。

OpenAI 发布 SWE-Lancer 基准测试

OpenAI 推出 SWE-Lancer 基准测试，用于检验前沿 LLM 能否完成真实自由职业软件工程任务并赚取 100 万美元。该基准围绕真实外包项目设计，衡量模型在实际软件工程工作中的表现。

OpenAI 发布人工校验的 SWE-bench Verified

OpenAI 发布 SWE-bench 的人工校验子集 SWE-bench Verified，用于更可靠地评估 AI 模型解决真实软件问题的能力。

Hugging Face BlogAI 评分4040

BigCodeBench：下一代 HumanEval 代码生成基准

Hugging Face 发布 BigCodeBench，一个面向大语言模型代码生成的新基准，包含 1,140 个函数级任务，需调用来自 139 个库的多个函数，每项任务平均含 5.6 个测试用例、分支覆盖率平均 99%。

Hugging Face BlogAI 评分4343

Meta 发布 CyberSecEval 2：大语言模型网络安全风险与能力评估框架

Meta 推出 CyberSecEval 2，从代码解释器滥用、攻击性网络安全能力和提示注入攻击三方面评估 LLM 的网络安全风险。相比 2023 年 12 月的首版，LLM 协助网络攻击的平均合规率已从 52% 降至 28%。测试显示提示注入仍是未解难题，LLM 目前也难以可靠完成端到端漏洞利用挑战。

Hugging Face BlogAI 评分4141

Hugging Face 推出 LiveCodeBench 排行榜：面向代码 LLM 的无污染整体评估

Hugging Face 上线 LiveCodeBench 排行榜，基于 UC Berkeley、MIT 和 Cornell 研究者开发的基准，按题目发布时间窗口评估代码 LLM，以检测和防止数据污染。

Hugging Face BlogAI 评分4141

Hugging Face 发布 WebSight 数据集，用截图生成 HTML 代码

Hugging Face 推出 WebSight 数据集，用于训练 AI 将网页截图转换为 HTML 代码。该数据集从 v0.1 的 82.3 万对 HTML 与截图样本扩展至 v0.2 的 200 万例，改用真实图像截图并切换至 Tailwind CSS。基于该数据集微调的视觉语言模型 Sightseer 可将网页截图转为可用的 HTML 代码，并能在生成结果中嵌入与原截图相近的图像。