这一时期最清楚的信号是，编码研究正在围绕证据、上下文和反馈收紧控制回路。CollabCoder、仓库压缩研究，以及 SAP HANA 测试生成论文都显示出同一条实用规则：更好的结果来自更有选择性的引导和更严格的检查，而不是让代理在没有约束的情况下跑更久。最强的论文用通过率、延迟或 mutation score 的具体提升支撑了这个判断。
代理改进工作正越来越具体地指向该在什么地方干预。CollabCoder 把调试看作是在修计划还是修代码之间做选择，然后用存下来的失败历史避免重复无效修复。在 Qwen2.5-Coder-32B 上，它报告平均 Pass@1 为 82.50，高于 CodeSIM 的 80.22，而且 API 调用更少。另一项编译器研究在更底层得出了类似结论：更好的反馈通道很重要。在 TSVC 上，加入编译器备注把 Intel 在温度 0.8 下的成功率从 2.38% 提高到 6.95%，而手写的依赖备注带来大得多的提升。共同信号是，编码代理在循环中拿到明确诊断时表现更好，而不只是再试一次。
仓库上下文工作不再只是塞进更多 token。这里最强的结果表明，只要压缩把噪声过滤得好，压缩后的上下文可以超过全上下文推理。在仓库压缩研究中，4 倍压缩下的 text-to-vector 方法把 QC-7B 的 Python completion BLEU 从 32.21 提高到 41.34，同时还降低了延迟。当天还有一个很实际的产品信号与此一致：系统正在尝试把更丰富的项目上下文带进编码工具，但有用的单位是结构化、与任务相关的上下文，而不是原始提示长度。
记忆正在被当作可复用的操作知识，而不只是存下来的轨迹。Memory Transfer Learning 会从其他编码基准中检索先前经验，并发现抽象的 “Insight” 记忆效果最好。在 GPT-5-mini 上，六个基准的平均 Pass@3 从 0.523 升到 0.560，ReplicationBench 和 MLGym-Bench 的提升更大。论文还说，算法策略迁移只解释了 5.5% 的收益，这指向一种更窄但有用的复用：验证习惯、安全编辑模式，以及感知环境的调试步骤。
评估论文正在更严地检验泛化。一个研究通过扰动输入并跟踪 19 个基准上的性能下降来估计记忆化优势。它发现测试生成属于最敏感的设置之一，数值大约在 0.4 到 0.7 之间，而代码摘要保持在 0.3 以下。另一篇论文用真实代码库把同样的弱点表现出来：四个测试模型在开源 LevelDB 的整套生成上都达到 100% mutation score，但在专有的 SAP HANA 上，最好的仅源码 mutation score 只有 10.25%，加入依赖上下文后升到 25.14%，仍低于 30.41% 的降级人工基线。这一天的证据更支持更 কঠ更不容易泄漏的检查，而不是头条式的基准分数。