今天的研究集中在能在运行时被检查的软件工作。最强的论文把推理接到代码执行、证明义务或测试行为上。Think-Anywhere、WybeCoder 和 SemLoc 都把松散的自然语言指导换成系统可以验证、打分或拒绝的中间信号。
代码模型在生成循环里获得更紧的反馈。Think-Anywhere 训练模型在写代码时在困难位置插入推理，并报告平均 pass@1 为 70.3，高于基础模型的 61.0 和一个 GRPO 基线的 68.4。ConSelf 用执行行为判断哪些自生成训练问题值得学习，再按行为一致性加权偏好学习；它报告的提升较小，为 2.73% 到 3.95%，但这种方法不需要教师模型或测试判题器。共同模式很直接：更多训练信号来自做决定时的可执行行为，而不是先写好的单一计划。
验证工作正在更接近生成的命令式代码，而不只是针对玩具函数的证明。WybeCoder 把代码生成、不变式生成、SMT 求解和 Lean 证明步骤连到一个循环里。它在 Verina 上报告 74.1% 的求解率，在 Clever-Loom 上用 Claude 4.5 Opus 报告 62.1%，都明显高于列出的基线。论文还在评估规范上花了不少力气：启用命令式检查后，一个 GPT-5 设置从 75.1% 降到 51.9%。这个细节很重要，因为它说明在没有控制基准泄漏时，进展很容易被夸大。
调试论文正在把模型推理建立在运行时检查上，而不是自由形式解释上。SemLoc 让模型给出语义约束，把它们转成可执行检查，并在通过和失败测试上打分。在 SemFault-250 上，它报告故障定位准确率 Top-1 为 42.8%，Top-3 为 68.0%，而 SBFL-Ochiai 分别是 6.4% 和 13.2%。它还把开发者需要检查的代码缩到可执行行的 7.6%。这让 LLM 输出更容易在调试流程中测试、比较和排序。
这一天还有一篇具体的工业软件工程遥测论文。BayesInsights 在 Bloomberg 内部用贝叶斯网络把交付指标和开发者体验因素连起来，再让团队做交互式假设分析。系统报告平均推理延迟 24 ms，在 50 个并发用户下中位响应时间低于 40 ms。来自实践者的反馈里，95.8% 认为它有助于识别交付问题。这比代码论文的主题更窄，但它展示了同样的偏好：看重能支持行动的运营信号，而不只是仪表盘视图。