当天最明确的信号是围绕智能体的问责。Machine Studying 询问智能体能否在考试前学会一个新语料。ANMA、PeekAI 和 Lupen 让开发者更容易在本地机器上阻断、追踪和审计编码智能体的行为。
Machine Studying 为评估智能体在下游任务公布前，能否基于未见过的文档语料做准备，提供了一个具体测试。论文提出的 StudyBench 覆盖 DSPy 代码、OpenClaw 代码和机器学习文献。它的指标奖励在较低推理 token 预算下取得更高准确率，因此需要多轮搜索循环的智能体得分较低。
早期结果偏谨慎。检索增强生成、长上下文和简单微调都不能稳定地产生可用的语料专业能力。一个例子显示，Qwen3.5-9B 在被强制使用 20 次搜索迭代时，在 DSPy 上有所提升；但更广泛的结论是，如果缺少更好的学习行为，可访问的证据仍可能没有被用上。
Z.ai 发布 GLM-5.2，把开放权重描述为编码智能体团队的一项运维选择。模型卡声称该模型有 7530 亿参数、MIT 许可证、可下载权重和 100 万 token 上下文窗口。这些声明关系到需要让智能体处理大型代码库，同时控制数据处理和访问风险的团队。
基准数字很具体，但仍由厂商发布。Z.ai 报告称，在 Terminus-2 运行设置下，GLM-5.2 在 SWE-bench Pro 上得分 62.1，在 Terminal-Bench 2.1 上得分 81.0。更强的证据来自部署层面：已复制的权重比托管 API 访问更难撤回。
ANMA 针对一个窄范围失效模式：编码智能体跨越已声明的模块边界进行编辑。开发者为模块编写 YAML 契约，然后 anma sync 生成 Claude Code 指引、钩子、后端配置、持续集成检查，以及可选的所有权文件。
最有力的证据来自较便宜的模型。在 Python 基准中，Claude Haiku 4.5 在 19 次普通仓库运行中有 13 次违反边界，而使用 ANMA 的 20 次运行中有 0 次违反。TypeScript 后续测试报告称，对照组 20 次中有 18 次违反，使用 ANMA 时 20 次中有 0 次违反。作者还表示，Claude Opus 4.8 在没有 ANMA 的情况下也遵守了 Python 边界，这把结论限定在治理和较便宜智能体的使用场景。
PeekAI 和 Lupen 都把智能体操作视为本地记录，开发者应能在不上传敏感日志的情况下检查这些记录。PeekAI 通过 peekai.init() 为 Python 智能体调用加上检测，记录大语言模型调用、工具调用、token、成本、错误和重放运行，并存入本地 SQLite 数据库。它的演示展示了一条含三个 span 的 trace，包括运行时间、token 和成本拆分，但没有正式基准。
Lupen 关注 Claude Code 和 Codex 的支出。它读取本地 JSONL 日志，按会话、轮次、步骤、技能组和子智能体分组，然后根据 token 数量和公开价格表重新计算成本。它的 CLI 可以在预算或验证检查失败时以退出码 4 退出，这让脚本更容易捕捉成本漂移和失控会话。