编码代理需要仓库级测试和上下文防护
当天最强的信号是，围绕已经在处理多文件工作的编码代理，工程纪律开始变得更重要。DeNovoSWE、EsoLang-Bench 和 DeLM 都在测试代理能否构建完整仓库、通过执行进行适应，并且不浪费调用就共享已验证进展。安全论文给出明确警告：看起来正常的上下文，也能把生成或分析出来的代码带向不安全行为。
趋势
机器人论文正在集中到时间记忆、恢复和可用控制回路上
视觉语言动作（VLA）机器人工作的效果最好的是那些让策略保留时间状态、在出错后恢复、或接受低延迟人工输入的场景。MemoryVLA++、MotionWAM 和 YUBI 体现了当天的重点：让策略在更长时域上行动，收集更大的真实数据，并让修正尽量贴近执行。
AI 软件论文优先关注可测量的置信度和受控的 agent 运行时
当天的研究把 AI 软件工作当作一个工程控制问题。最强的论文会在生成代码和 agent 行动周围加入可测量的置信度、上下文限制和可追踪验证。《Code Is More Than Text》、FASE 和 Less Context, Better Agents 给出了最清晰的量化信号。
机器人 VLA 进展正由可执行控制来衡量
本周，机器人 Vision-Language-Action (VLA) 工作按可执行控制来评判。最有力的证据把性能收益与 3D 锚定、闭环世界模型，以及能降低真实机器人误差的动作头联系起来。Dex-BEV、PiL-World 和 ActionMap 在基准和硬件上都显示了这一模式。
编码代理需要轨迹、关卡和支出控制，自主性才可信
本周研究把大型语言模型（LLM）代理视为受控的软件工作者。最有力的工作要求提供轨迹、可执行检查、工具限制和审查关卡。Claude Code 说明这已经不只是基准测试问题：编码代理正在进入软件供应链。
Claude Code 让递归自我改进成为生产治理问题
当天的信号很窄，但很明确：AI 编码代理已经进入 AI 实验室内部的软件供应链。Claude Code 是最具体的例子，Anthropic 说 Claude 在 5 月写了它发布代码的五分之四以上。
代理系统正被上下文、工具、成本和安全控制限制住
这一时期最清楚的信号是，代理在真正做事时开始被操作控制包住。Context Sculpting 测试可编辑上下文，clawdcursor 暴露带保护的桌面操作，Cursor 增加支出控制。证据很实用，但不均衡：很多条目在讲机制，少数条目给出基准。
机器人策略的提升来自动作接口和执行约束
这一天的机器人策略工作集中在可执行动作设计上。Vision-Language-Action（VLA）论文在动作头、潜在动作对齐、任务适配器和机载延迟上做调整。最强信号很实际：更高的 LIBERO 成功率、更低的 Franka 误差，以及 10 Hz 的闭环目标，和模型大小一样重要。
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。
机器人策略正在按预测未来和执行延迟打分
这一天的内容主要是机器人论文，它们把 Vision-Language-Action（VLA）策略质量当作一个闭环控制问题。WLA、MPCoT 和 PiL-World 给出了最清楚的证据：未来状态预测、潜变量动作选择和想象 rollout 都直接和成功率与延迟相关。
完整运行循环定义代理式代码评估
当天最强的信号是面向代码代理的操作性评估。论文测试反馈轮次、harness 修复、有状态记忆，以及在接近部署条件下的仓库知识。实际问题是：当轨迹、UI 测试、提交记录或重复任务里出现证据后，代理是否会变得更好。
机器人策略工作正在接受几何、接触和真实执行的检验
机器人占据了当天的主要内容，策略质量被当作执行问题来检验。最强的论文在部署前加入几何、物理验证、成功评分或空间记忆。OSCAR、3DThinkVLA 和 MAD 提供了最清楚的证据。