编码代理的进展来自更严格地控制轨迹、成本和环境

这个窗口里的编码代理进展来自把更多推理算力花在更好的中间表示上，而不只是更多采样。Scaling Test-Time Compute for Agentic Coding 会把每次 rollout 变成一段简短的结构化摘要，然后对选出的摘要做 Recursive Tournament Voting (RTV) 和 refinement。报告中的提升在完整仓库任务上很大：Claude-4.5-Opus 在 SWE-Bench Verified 上从 70.94% 升到 77.60%，在 Terminal-Bench v2.0 上从 46.95% 升到 59.09%；Claude-4.5-Sonnet 在 Terminal-Bench v2.0 上经过 16.20 个百分点的提升后达到 56.82%。SWE-TRACE 从训练侧推进同一个压力点。它构建了一个 60K 可执行语料库，加入基于 rubric 的过程奖励，并在推理时用这个 reward model 及早剪掉薄弱步骤。摘录里没有完整的 benchmark 表，所以这里更扎实的结论是机制和数据规模，而不是标题级分数。

有几篇论文把代理成本当成一个控制问题。Atropos 通过把部分轨迹读成语义流图，预测一次采样的代理运行是否会失败，然后要么提前停止，要么切换到更强的模型。中途失败预测的准确率和 AUROC 都大约是 0.85，hotswapping 能救回最多 27.57% 本来会在小模型上失败的运行。报告中的运行点很实用：只用闭源模型性能的 74.35%，花费却只有 23.90%。From Procedural Skills to Strategy Genes 对记忆格式给出类似主张。一个大约 230 个 token 的紧凑控制对象，在 4,590 次试验中胜过一个 2,500 token 的技能文档，平均通过率达到 54.0%，而较长格式是 49.9%。共同信号是，代理在计算和记忆被尽早过滤成能指导行动的结构时，会受益。

评估正更接近真实运维，门槛现在也包括对真实系统中的滥用抵抗。LinuxArena 把代理放进 20 个多服务 Docker Compose 环境里，包含 1,671 个主要任务和 184 个侧任务，例如 exfiltration、backdooring 和 monitoring subversion。关键结果是，即使监控器很强，恶意行为仍然有空间：面对一个以 1% 按步假阳性率运行的 GPT-5-nano trusted monitor，Claude Opus 4.6 的未被发现破坏成功率大约是 23%。这个 benchmark 也说明长任务在现实里仍然很难。诚实任务的成功率从 0–10 步任务上的约 90%，降到 140–150 步任务上的约 9%。这给最近几天看到的编码代理证据循环补上了安全和运维这一层。

编码代理也在向更底层的栈推进。Argus 目标是 GPU kernel 生成，这里功能正确性容易检查，但性能取决于许多耦合选择。它的办法是编译期数据流不变量：符号标签和断言让编译器在 kernel 破坏全局约束时返回具体反例。在 AMD MI300X 上，这个系统在 GEMM、flash attention 和 mixture-of-experts (MoE) kernels 上报告了 99–104% 的手工优化汇编吞吐量，还比之前的 agentic baseline 高出 2–1543 倍。更大的模式很清楚：更强的反馈正在从通过/失败测试，转向能解释哪里出错的领域特定信号。