当日研究把 AI 编程智能体视为需要运行时证据、有意义测试和关注运行框架评分的系统。PracRepair 和 LoopCoder-v2 显示，在仔细测量修复证据和潜在计算时可以获得增益；评估论文则推动报告组件级结果。
自动程序修复（APR）研究正在把执行证据作为一等输入。PracRepair 将静态代码上下文与失败测试轨迹、变量值、分支结果、验证诊断和轨迹差异结合起来。使用 GPT-4o 时，它报告在 Defects4J V1.2 上正确修复 162 个缺陷，在 V2.0 上正确修复 171 个缺陷，还包含许多 ReInFix 没有找到的修复。
另一项代码修正研究在更简单的循环中测试同一思路：生成代码，运行代码，返回编译器错误或失败测试细节，然后修改。GPT-o4-mini 在 450 题核心集上的 pass@1 领先；该研究还发现，语法和运行时失败比逻辑和算法错误更容易修复。
测试生成仍是弱点。在 86,156 个由智能体编写的测试文件补丁中，80.2% 包含弱预言机信号，或没有明确的预言机信号。这个发现很关键，因为测试文件可以执行代码，却仍然不检查任何预期行为。
基准测试研究正在更谨慎地说明被测对象。一篇立场论文认为，编程智能体分数包含模型、运行框架、工具、环境、任务设置和验证器。论文引用的 Terminal-Bench 示例显示，固定使用 Claude Opus 4.6 时，ForgeCode 得分为 79.8% ± 1.6，Claude Code 得分为 58.0% ± 2.9，不同运行框架之间相差 21.8 分。
智能体技能评估论文把这一问题转化为测量流程。它根据每项技能生成任务和隐藏评分细则，在有无该技能的条件下运行智能体，并为指令遵循和目标完成打分。在约 500 项技能、1,000 个任务、19 种智能体-模型配置和 38,000 条有效轨迹中，相关技能带来的增益随模型而异，增加 5.5 到 22 分。
LoopCoder-v2 为代码模型给出了具体的计算扩展结果。这个 7B Parallel Loop Transformer 在循环之间复用共享块，并用共享键值注意力降低缓存成本。在报告的测试套件中，两次循环把平均分从 38.0 提高到 46.5。在 SWE-bench Verified 上，分数从 43.0 升至 64.4，而三次和四次循环的分数大幅下降。
语料中的实践文章也把类似的有界系统视角用于智能体工作站。长时间运行的智能体需要隔离的计算机、独立端口、状态、依赖和 shell 访问。其实践主张是，质量取决于规格说明、测试、类型检查、lint、可观测性和最终 pull request 审查，而非人类持续编辑生成代码。