代码研究正在围绕生成内容收紧行为检查
4 月 21 日的研究在代码系统面对更严格的行为检查时最强。DebugRepair、PlayCoder 和 MuCoCo 都提出了比标准通过率更难的问题：模型在运行时轨迹、真实交互或等价改写下是否还能站住脚？另一条较小的线索补充了多用户 agent 的操作规则，ClawNet 把身份、权限和可审计性放在中心位置。
主题概况
Code LLM Evaluation
可执行行为门槛
行为检查已经具体到足以改变编码工作流。最近最清楚的三个动作是：把运行时轨迹收集加到自动修复里，把交互试玩加到 GUI 代码生成里，以及在提交报告前用可执行测试筛查 API 文档漂移。