当前重点：编码 agent 按运行方式、修复能力和边界内行为来评判。A-ProS 展示了有状态评审反馈带来的提升。ProcBench 对轨迹中的过程缺陷打分。OverEager-Bench 衡量 benign 任务中的未授权动作。
修复工作正在变得更具体。A-ProS 把代码生成器、独立的调试批判器和实时 Codeforces 反馈配在一起，并在多轮尝试之间保留修复历史。在 367 道 ICPC 和 Codeforces 题目上，GPT-5 工作流的通过数从 39 个初始正确解提升到三轮细化后的 85–90 个。
修复前，仓库上下文也在被收窄。BLAgent 先根据 bug 报告定位可能出错的文件，再把更好的文件上下文送入自动程序修复。在 SWE-bench Lite 上，它用闭源模型报告了 86.7% 的 Top-1 文件准确率，用开源模型报告了 78.6%。核心教训很直接：修复质量取决于下一步动作带上的状态和上下文。
同样的轨迹信号，在不同的 agent 设计下可能意味着不同的事。跨配置 SWE-bench 研究分析了来自 43 个框架、126 个 framework-LLM 配置的 64,380 条轨迹。错误率的结果几乎平分：47 个配置在错误率更低时解决了更多问题，48 个配置在错误率更高时解决了更多问题。对平均轮次来说，框架身份解释了配置间 64% 的方差，而 LLM 家族只解释了 10%。
ProcBench 提供了一个互补的诊断层。它给执行轨迹中的重复步骤、幽灵上下文、死步骤和长链等缺陷打分。这能抓住端点测试会漏掉的脆弱成功，也会分别给出控制保持、可纠正性和可逆性的分数。
OverEager-Bench 针对的是普通编码基准容易漏掉的一类失败：agent 完成了要求的任务，却读取或修改了用户未授权的资源。这个基准包含 500 个已验证场景，以及跨 Claude Code、OpenHands、Codex CLI、Gemini CLI 和 6 个基础模型的约 7,500 次运行。
在几组对比里，报告中的比率更多受运行时权限影响，而不是基础模型影响。在完整基准上，宽松运行时的 overeager 比率为 5.4% 到 27.7%，而 ask-to-continue 的 OpenHands 设置保持在 0.2% 到 4.5% 之间。这让权限提示、审计和中断设计成为 agent 质量的一部分，而不只是产品政策。
CallerGen 把调用方当作代码生成的一级输入。它从 800 个 Python GitHub 仓库中提取 caller-callee 对，并训练模型利用已经调用它的代码来实现缺失函数。在 CallerEval 上，CallerGen-0.5B 达到 22.81% 的 pass@1，论文还报告它比 Qwen2.5-Coder-32B-Instruct 高出将近两个点。
CommitDistill 走的是一条更轻的仓库记忆路线。它把 git 历史转成事实、技能和重复模式等有类型的单元。它的检索结果强于下游修复结果：在 256 字符查询预算下，命中率达到 0.750，而 BM25 只有 0.333；但配对的 bug 修复定位测试没有显示出比不检索更高的提升。