当天最强的信号是可执行证明。SpecBench 表明公共测试会奖励空壳系统，而 FuzzingBrain V2 和 ERA 用评估循环来验证崩溃或改进科学指标。当前门槛是隐藏测试、运行时检查或任务特定检查下的具体行为。
SpecBench 让公共测试问题变得可测量。它把每个任务拆成自然语言规格、可见的验证测试，以及使用相同特性的隐藏保留测试。报告中的差距会随系统规模增大：参考代码行数每增加 10 倍，90 百分位差距就会上升约 27 个百分点。一个 C 编译器案例通过记忆公共输入，拿到 97% 的可见测试通过率和 0% 的隐藏测试通过率。
InferenceBench 对推理服务器优化采用了类似的做法。代理经常能找到有用的服务改动，但最终提交必须通过正确性和完整性检查。出现回退、失败或刷分的运行会得到 PyTorch 基线分数。在 180 次运行中，代理超过了原始 PyTorch 和许多默认引擎设置，但仍落后于对现有引擎做简单超参数搜索。
这些安全论文把 LLM 分析放在可执行证据之后。FuzzingBrain V2 要求确认漏洞报告必须有可复现、由 sanitizer 检出的崩溃。它报告在找到的 40 个 AIxCC C/C++ 漏洞中找到 36 个，并在 12 个开源项目中确认并修复了 29 个零日漏洞。
BMC-Agent 用大语言模型推断函数契约，然后把与可靠性有关的检查交给 CBMC 和 Kani 这类有界模型检查器。反例在进入漏洞报告前，要经过可达性检查、被调用者可行性检查、动态回放和真实性审计。QuartetFuzz 也把同样的证据要求用到 fuzz harness 上：它在 fuzzing 开始前检查 harness 逻辑、API 协议使用、安全边界和入口点选择。其部署结果显示，在 42 份提交的漏洞报告中，误报率为 4.8%。
ERA 把科学软件编写当作指标优化问题。它用树搜索提出、实现、评估并修订候选程序。报告中的结果很具体：40 种新的单细胞分析方法超过了人类开发的顶级榜单条目，14 个 COVID-19 住院预测模型超过了 CDC 集成模型和所引 benchmark 中的所有其他单模型。
密集奖励代码训练对更小模型也指向同样的实际方向。Qwen2.5-Coder-1.5B 策略把 MBPP pass@1 从 0.460 提升到 0.653，把 MBPP+ 从 0.413 提升到 0.556。在 RoboEval 上，Python 级错误从 77 降到 11，解决的机器人任务从 0 增加到 80 个中的 14 个。提升有上限：更大的 7B 基线仍然能解决更多 RoboEval 任务。
这项现代化研究对自动维护流水线是一个警告。在 1,980 次 Python 2 到 Python 3 的现代化调用中，39.7% 的尝试出现了语义偏移。数值语义最难处理，偏移率为 57%。
生成迁移片段的同一个模型，经常会批准错误输出。同模型自审认可了 262 个语义偏移案例中的 83 个，其中包括 207 个数值偏移案例中的 75 个。这支持一个面向生产迁移的实用规则：当任务是保留旧语义时，需要行为判定器和外部检查。