近期证据使操作性验证更加精准。DiffTestGen 针对发生变更的行为，而 GapForge 针对未覆盖的编译器区域；两者的表现都优于覆盖范围更广的测试生成基线。治理和安全研究将同一原则延伸到了测试之外，但其中一些结论仍依赖小规模研究或不完整的报告。
当测试生成以具体的执行目标为锚点时，基于 LLM 的测试正变得更加有效。DiffTestGen 利用调用图、文档和覆盖率反馈来触达修改后的 Python 代码。在 463 个拉取请求中，它发现了其中 78.2% 的行为差异，平均联合覆盖率达到 90.7%。
GapForge 将同样的目标定位逻辑应用于编译器覆盖缺口。它推断触达未覆盖区域所需的程序结构和编译器选项。在 72 小时的运行中，它比 WhiteFox 多覆盖了 24,736 行 GCC 代码和 19,798 行 LLVM 代码，并发现了 12 个编译器故障。这些结果进一步支持了近期关于可执行检查的证据，表明反馈的位置和结构很重要，而不仅仅是是否存在测试循环。
代理控制正被规定为仓库政策，而不是留给临时审查。Agent Governance Manifest 将贡献风险、所需证据、责任归属和维护者审批关卡关联起来。在一项小规模受控评估中，使用这些材料后，风险标签的准确恢复率从 15/37 提升到 37/38；感知到的审查支持度则从七分制的 3.27 提升到 6.14。
一个包含 85 个工程循环的公开库展示了更轻量的实现模式：每个工作流都定义检查项、停止条件和可供审查的产物。这些示例具体明确，但没有提供总体成功率或基线评估。总体而言，这些来源支持流程规范性正在增强这一判断；不过，只有该 manifest 提供了审查收益的受控证据。
安全证据现在将指令和导入的代码都视为可信计算基的一部分。一项由解析器驱动的研究发现，移除提示词中的约束、守卫条件、条件语句或概念绑定，可能会改变开放式大语言模型生成不安全代码的可能性。现有结果没有提供效应量或按模型划分的漏洞率，因此影响程度仍不确定。
《Code-Poisoning Property Inference Attacks》展示了更直接的供应链风险：恶意训练代码可以编码私有数据集属性，之后通过仅标签查询将其提取出来。该论文报告称，在四个数据集、八种架构和 18 个属性上，攻击准确率均为 100%，且没有降低模型准确率。综合来看，这些研究表明，在生成指令和可执行依赖进入自动化工作流之前，应对二者进行审查。