4 月 21 日的研究在代码系统面对更严格的行为检查时最强。DebugRepair、PlayCoder 和 MuCoCo 都提出了比标准通过率更难的问题：模型在运行时轨迹、真实交互或等价改写下是否还能站住脚？另一条较小的线索补充了多用户 agent 的操作规则，ClawNet 把身份、权限和可审计性放在中心位置。
最强的论文会先加入更严格的执行证据，再相信代码结果。DebugRepair 通过模拟插桩收集运行时状态，在 Defects4J 和 DeepSeek-V3 上报告了 295 个正确修复，并且相对每个骨干模型的原始设置平均提升 51.3%。PlayCoder 在 GUI 任务上说明了同样的问题：编译和单元测试通过会漏掉很多交互缺陷，论文还显示 GPT-5 和 Claude-Sonnet-4 这类强模型从 Exec@3 到 Play@3 的下降幅度很大。Cascade 把执行检查用到文档上。它先把 API 文档转成测试，再要求这些测试在当前代码上失败、在重生成的代码上通过，然后才判定不一致；在额外仓库里它发现了 13 个未知问题，其中 10 个后来被修复。
测试生成正变得更有针对性。MuCoCo 检查的是，当任务被改写成等价形式时，代码模型是否还能保持稳定。它在 147,935 对测试中发现 14.82% 存在不一致，其中词法变换暴露出的失败最多，达到 16.28%。MockMill 把开发者测试里已经存在的 mock 行为喂给模型，然后用编译、执行、修复循环处理结果。在它的 10 类 Java 研究中，Claude Sonnet 4.5 的中位 mutation score 达到 89%，GPT-5 Mini 达到 84%，更强的模型最终编译几乎都能通过。这个共同想法很直接：生成的测试正在变成行为稳定性的探针，而不只是提升覆盖率的手段。
Agent 工作也带上了一条治理线索，但现有证据比代码论文更薄。ClawNet 关注跨用户协作，一个 agent 只为一个所有者行动，跨所有者协调需要明确批准、限定访问和审计日志。论文详细说明了双层授权、追加式审计记录，以及文件操作的回滚支持。它在可见摘录中的贡献主要是架构设计，没有用汇总性能数字做基准评测。这仍然让它和当天的主题相关：agent 论文正在把身份和权限检查当作系统设计的一部分，而不是事后补丁。