最强信号是，agent 需要可检查的执行过程和更严格的任务证据。DuST 把带执行标签的候选代码当作训练数据，Shepherd 记录实时 agent 状态以便分叉，ComplexMCP 则显示工具型 agent 在有状态软件工作上仍落后于人类。
DuST 将生成的代码样本当作成对监督的来源。基础模型为每个问题采样 64 个候选程序，沙箱为每个候选程序标记通过或失败，混合分组再用 Group Relative Policy Optimization（GRPO）训练同一个模型，让它把正确程序排在错误程序前面。奖励只评估排序质量，但生成效果仍然提升。
在 LiveCodeBench v6 上，Qwen3-30B-Thinking 的 pass@1 从 65.4% 升到 68.5%。它的判断分数从 70.1 的 NDCG 升到 76.3，Best-of-4 准确率从 68.7% 升到 72.6%。这给出了一个明确做法：把推理阶段的测试时扩展数据拿来继续训练。
Shepherd 把一次 agent 执行变成一个带类型的对象，另一个 agent 可以检查、分叉、回放和修改。每次模型调用、工具调用、文件写入和环境操作都会变成 Git 风格轨迹中的一个事件。分叉使用进程和文件系统的写时复制隔离，因此不同后续路径可以从同一过去状态开始。
报告的系统指标已经足够影响 agent 搜索。对于最大 5.8 GB 的 Terminal-Bench 2.0 镜像，Shepherd 的分叉时间是 134–143 ms。完整文件系统复制在最大镜像上达到 53,462 ms。回放在 Claude Haiku 4.5 上、跨八个任务时的 prompt-cache 命中率也接近 95%。
ComplexMCP 通过 Model Context Protocol（MCP）测试 agent，包含 300 多个工具和 7 个有状态沙箱。表现最好的模型 Gemini-3-Flash 在 47 个任务上的成功率是 55.31%。人类用户通过同一个接口达到 93.61%。失败包括工具检索饱和、跳过环境检查，以及出错后恢复能力差。
BenchCAD 对多模态设计工作施加了类似压力。它包含 17,900 个经过执行验证的 CadQuery 程序，覆盖 106 个工业零件家族。这个基准把 image-to-code 生成、视觉问答、代码问答和编辑任务分开评估。模型读 CAD 代码比从渲染图中推断同样细节更好：最好的 Code QA 大约是 0.838，而 Vision QA 最高只有 0.587。
JAW 表明，当攻击者控制的内容进入与 token、工具或密钥相关的提示词时，agent 工作流会被劫持。它结合了工作流路径分析、提示词来源追踪、能力检查和负载演化。论文报告了 4,174 个可劫持的 GitHub 工作流和 8 个可劫持的 n8n 模板，影响包括凭证泄露和命令执行。
上下文问题也出现在编码 agent 里。In-Context Autoencoder（ICAE）把观测压缩成连续记忆 token，让 agent 跑得更长，但细节丢失会损害真实问题修复。在 SWE-bench Verified 上，这个压缩系统只解决了 500 个问题里的 7 个，低于未压缩的 Qwen3-8B 基线 19 个，也远低于监督微调模型的 86 个。