微软研究院开源了去中心化的多智能体编码框架 Agensh，移除了传统架构中的中心编排器，通过 Gitea、Mattermost 和共享上下文面板实现工作协同。该框架支持从 1 个扩展至 1,024 个 Agent 运行，在 ProgramBench 评测中随智能体数量增加显著提升了通过率。
推荐理由：该开源框架移除了多智能体系统中的中心编排器，通过去中心化协作和共享状态支持超大规模扩展，为复杂编程任务提供了新途径。
一项新研究对 Claude Code、OpenCode 和 mini-SWE-agent 等三种编码智能体框架进行了测试，发现框架间的性能差异大多在统计噪声范围内，但由于系统提示词和工具描述的差异，不同框架的 token 成本可相差两到三倍。研究还指出，纯粹的重复运行就能带来多达六个点的波动，因此建议在基准测试对比中附上重复运行结果。
Anthropic 联合 Theorem 让 Claude 自动生成数学证明以验证现有代码的安全性，在数周内产出了约 1.8 亿行数学证明代码并自主修复了数百个漏洞。这种方法能挖掘出传统测试难以发现的深度漏洞，但目前受限于特定的处理器架构、单线程程序和输入大小等严格条件且计算成本高昂。
OpenAI 发布研究报告称增强了 GPT-6 Astra 等模型构建和迁移 COBOL、Fortran、Visual Basic 等低资源编程语言的能力。结果显示 GPT-6.1 Sol 在高推理强度下的 COBOL 迁移准确率达到 97.9%，MultiLangBench 平均测试通过率大幅提升至 87.4%。
StarSkirmish Bench v0.2 公布了各主流 AI 模型在 1 小时内编写星际争霸 C++ 机器人并进行对战的测试结果。GPT-6 Astra 获得最高分，GPT-6.1 Sol 展现出极高的性价比，而最强的自研人类机器人胜率依然遥遥领先。
阿里 Qwen 团队发布 QwenGyre，这是一个专为超长时程智能体训练设计的弹性强化学习框架。该框架通过在 rollout 和训练阶段之间动态调度 GPU，并利用轨迹树处理技术将分支历史转化为有界训练样本，在处理近 1M tokens 的长任务时，相比传统 Colocate 架构实现了最高 1.85 倍的端到端加速。
NVIDIA 研究提出，在智能体轨迹中仅评估模型在首个使测试通过的编辑处的表现，比逐步打分更能准确预测其后训练潜力。该方法通过回放成功轨迹并检查模型写出关键编辑的概率，与模型在 SWE-bench Verified 上的后训练得分相关性高达 0.964，且仅需基准测试数据即可运行。
JetBrains 研究团队通过分析 4,782 个真实编程智能体会话发现，用户在实际使用中频繁切换提问、规划与编辑任务，而 SWE-Bench Pro 中功能开发与 bug 修复占比高达 93.8%。研究据此提出了 SWE-TaskFlow 基准，将任务拆分为多个回合并增加代码检查点，以更真实地模拟开发者的工作流。
AWS 与汇丰联合发布的论文提出 Double Ratchet 方法，通过让评分器与智能体技能同步进化，仅需 10 个标注样本即可达到接近真实标注的训练效果。该评分器由针对单一失败类型的规则化检查构建，版本选择依据与标注样本的一致性，在代码、SQL 和报告任务中保持了 88% 至 110% 的性能增益。
哈佛大学研究人员通过分析 700 多家企业、超 70 万名员工的工程数据发现，AI 编码工具虽能高效生成代码，但因代码审查环节耗时增加及修订需求上升，并未显著提高软件整体产出或减少人力需求。研究指出，编码阶段提升的效率被下游生产流程中的审查瓶颈所抵消。
Microsoft Research Asia 开源了 Agent Lightning v1.0，这是一个约 3500 行代码的轻量级智能体强化学习框架。该框架采用 Harnessed Agentic RL 范式，允许直接在部署环境上进行训练，支持 Kubernetes 原生部署，并实现了 Collocated Async RL 以提升 GPU 利用率。
推荐理由：该框架通过直接复用部署时的智能体环境进行强化学习，降低了训练与部署不一致的风险，并提供了轻量化的 Kubernetes 原生支持方案。
GitHub 发布了 ReviewBench，这是一个旨在评估 AI 代码审查智能体的开源基准测试。该基准包含 219 个真实 Pull Request，通过多源黄金集、统一评估准则及高级工程师验证，提供包括准确率、召回率在内的多维度评估指标，支持开发者提交并对比不同智能体的审查表现。
推荐理由：该基准测试通过分析超一亿次真实 Pull Request 构建，为评估 AI 代码审查智能体提供了可复用的离线评估方法与公开排行榜。
Apple 研究团队通过对比实验发现，在同等时间预算和模型基座下，现有的开源复杂智能体架构在机器学习工程任务中并未表现出比极简编码智能体基准更高的性能。研究认为，在当前编码智能体设置下，多智能体编排等辅助层往往是冗余的，模型基座性能才是决定性因素。
Apple 研究团队提出 RLTL;DR 方法，通过让模型在失败尝试后生成并内部化“TL;DR”洞察，突破了在缺乏教师模型或成功样本时的学习瓶颈。在 Qwen 3.5 9B Thinking 模型上的实验显示，该方法在极难的编码和工具调用任务中显著提升了 Pass@1 表现，并验证了将任务与洞察映射进行内部化训练的有效性。
Apple 推出 SCLATE 执行基底，通过统一的事件调度器和混合模拟时钟，支持在长周期多会话场景下对未经修改的智能体进行训练与评估。该系统可将长达数月的任务压缩至数小时内完成，并记录模型调用的 token 与概率。
推荐理由：该研究提出的执行基底解决了持续学习智能体在多会话场景下的调度难题，通过压缩时间轴和统一事件管理，为评估智能体在长周期任务中的表现提供了标准化方案。
在 DeepSWE 编码基准测试中，GLM-5.3 与 Claude Fable 5 的首轮通过率（pass@1）分别为 69.0% 和 69.7%，表现几乎持平。
推荐理由：通过对比 GLM-5.3 与 Claude Fable 5 在 DeepSWE 上的表现，揭示了两者在编码任务中相似的准确率与显著的成本差异，为开发者选择模型提供了性价比参考。
Together AI 在 DeepSWE 基准上对比了 GLM-5.3 与 GPT-5.6 Sol 的表现。GPT-5.6 Sol 在单次尝试中保持领先，而 GLM-5.3 在多次尝试下表现更优且成本仅为前者的一半。分析建议采用级联路由策略，即优先使用 GLM-5.3，在测试失败时再调用 GPT-5.6 Sol，以实现更优的成本效益与任务覆盖率。
推荐理由：通过对比 GLM-5.3 与 GPT-5.6 Sol 在 DeepSWE 上的表现，展示了不同模型在成本、速度与任务覆盖率上的权衡，并提出了基于验证器的级联路由策略。
Together AI 在 DeepSWE 基准上对比了 DeepSeek V4 Pro 0813 与 Claude Fable 5 的编码能力。结果显示，Claude Fable 5 在单次尝试中准确率略高，但 DeepSeek V4 Pro 0813 在多次尝试下表现更优且成本仅为前者的 1/90。
推荐理由：通过对比 DeepSeek V4 Pro 0813 与 Claude Fable 5 在软件工程任务中的表现，展示了低成本模型在多次尝试下的高性价比，并验证了通过级联路由优化成本与准确率的可行性。
Together AI 发布了 ParallelKernelBench (PKB)，这是一个专门用于评估多 GPU 内核生成能力的基准测试框架，包含 87 个源自真实代码库的分布式计算问题。测试显示，即使是 GPT-5.5 和 Gemini 3 Pro 等前沿模型，在零样本设置下也难以生成优于 PyTorch + NCCL 基准的内核，且在处理 rank 协调和通信机制选择时表现出明显的推理短板。
推荐理由：该研究通过 ParallelKernelBench 评估了前沿模型在多 GPU 环境下编写高性能 CUDA 内核的能力，揭示了模型在处理复杂分布式通信与硬件协同方面的局限性。
Together AI 对比了 Kimi K2.7 Code 与 Claude Fable 5 在网页生成任务中的表现，结果显示 Kimi K2.7 Code 平均成本比 Fable 5 低约 16 倍，且在引入设计 MCP 提供视觉参考后，生成网页的排版与结构质量显著提升。
Together AI 发布了针对编码智能体工作负载的推理基准测试，重点考察高并发、长上下文场景下的首字延迟（TTFT）与吞吐量表现。测试显示，Together Inference Engine 通过 ThunderMLA 等全栈优化，在 2.5M TPM 负载下相比 TensorRT-LLM 和 SGLang 表现出更优的延迟衰减曲线。