编码代理研究正在测量用户负担、运行时成本和工具风险
当天最强的工作把编码代理视为需要会话级评测的长时间运行系统。SWE-Together、SWE-INTERACT 和 MirrorCode 让用户反馈、完整程序行为和计算预算进入评分。
主题概况
Interactive Benchmarks
编码智能体运行控制
编码智能体团队现在可以把会话级检查加入发布和运维工作：统计用户纠正的多轮测试、显示重复前缀读取的服务看板，以及在执行前阻止不安全工具序列的 MCP 网关。
当天最强的工作把编码代理视为需要会话级评测的长时间运行系统。SWE-Together、SWE-INTERACT 和 MirrorCode 让用户反馈、完整程序行为和计算预算进入评分。
编码智能体团队现在可以把会话级检查加入发布和运维工作：统计用户纠正的多轮测试、显示重复前缀读取的服务看板，以及在执行前阻止不安全工具序列的 MCP 网关。