编码代理需要明确工件，才能获得信任
当天最强的证据支持这样一类编码代理：将模型输出绑定到明确的软件工件，包括功能映射、性能分析 traces、编译器错误、基准和审批记录。FeatX、MOA 和 AdaTrans 显示出最清晰的收益，而协议和成本研究暴露了治理和任务经济性方面的限制。
主题概况
Benchmarking
可审计的代码变更自动化
当编码智能体围绕审查者已经信任的工件工作时，采用路径最具体：特性到代码映射、profiler 跟踪、编译器诊断、可复现的计时运行和分阶段审批记录。最适合先尝试的是维护和性能工作流，因为团队可以在不改变整个开发流程的情况下衡量定位质量、补丁接受率、构建成功率或计时改进。
编码代理需要经过失败测试的指导和带关卡的执行
这一时期的编码代理工作由运行证据来判断：用失败来测试仓库指令，用基线测试为拉取请求设关卡，以及用基准暴露语言和项目规模上的差距。Probe-and-Refine、Phoenix 和 Multi-LCB 定下了基调：有用的自动化需要一个执行环境来记录尝试过什么，以及失败发生在哪里。
编码代理发布控制
仓库维护者现在可以把代理指令、拉取请求创建和模型选择当作可测试的软件工作来处理。实际做法包括：在失败探针后修订的紧凑仓库指导、由基线对照测试和权限门禁阻断的 issue 代理拉取请求，以及覆盖生产所用语言和项目规模的评估套件。
编码代理正在接受轨迹、行级证据和对抗性测试的评判
这一窗口里的编码代理工作围绕证据密集的控制展开：轨迹变成训练数据，仓库搜索得到行级评分，评估加入随机上限和运行时检查。Socratic-SWE、SWE-Explore 和 CapCode 的信号最强。
编码代理审计轨迹
运行编码代理的团队可以在每次运行周围增加更有用的审查点：补丁前查看过的具体代码区域、用于识别测试作弊的随机化评测器检查，以及针对第三方 skills 的运行时检查。共同的运营需求是：代理成功或失败之后，都能审计这些证据。
机器人学习工作对运行时瓶颈和脆弱评测越来越认真
这一天的机器人论文都很务实。最强的工作同时收紧了 VLA 的执行和评测。FocusVLA 和 StreamingVLA 报告了操作质量和控制速度的提升，而 LIBERO-Para 和 ManipArena 在把措辞和真实世界设置变严格之后，让现有模型显得没那么成熟。关于世界模型、仿真和触觉遥操作的支撑性论文传达了同样的信息：更好的机器人性能依赖于从训练数据到运行时控制，全程保留与任务相关的信号。
部署可靠性基准
机器人学习工作正在更接近部署里真正会出问题的地方：控制器时序、指令鲁棒性和物理评测。最近最明确的变化是一个测量停顿间隙的异步 VLA 运行时、一个给指令跟随策略用的改写测试门槛，以及一个固定机器人本体和任务条件的共享真实世界评测流程。