可执行证据正在成为主要标准
评估正在进一步收紧到可执行证据。整周的每日趋势文档反复偏向那些用完整运行、工具轨迹、状态变化和真实工作流存活情况来评分的系统。单篇证据在代码仓库规模上也传达了同样的信息：RealBench 用真实代码仓库、UML 设计输入和人工验证测试来评估代码生成，而最佳平均 Pass@1 仍只有 19.39%。这周的信号很明确：人们要的是可运行的产物，不是打磨过的代码文本。
趋势
Coding-agent 研究正在按可运行证明、代码仓库真实性和 harness 质量来评判
概览
本周的 coding-agent 研究里，最有说服力的结论都落在可运行证据上。基准和系统持续追问的是：代码能否构建、执行，并通过工作流检查。同一批材料也反复显示出两个限制：仓库规模任务依然经常失败，而 harness 的选择对结果的影响可以和模型本身一样大。
研究发现
仓库规模自动化仍然会卡在环境搭建和复杂度上
代码仓库规模的编码仍然有明显上限。RealBench 报告称，代码仓库小于 500 LOC 时，Pass@1 超过 40%；超过 2000 LOC 时，Pass@1 降到 15% 以下。RAT 说明了为什么在这种场景下环境配置这么重要：它的自动化配置流程提高了 Python、Java、Rust 和 JS/TS 上可执行环境的搭建成功率，但也带来了真实的 token 和时间成本。这周传达出的实际情况很直接：让代码跑起来本身仍然是任务的重要组成部分。
资料来源
Harness 设计正在变成模型工作的核心部分
智能体质量很大程度上取决于模型外层的 harness。本文周的趋势覆盖表明，脚手架、文档和控制界面都是决定结果的关键变量。HARBOR 把这一点说得很具体：在它的手动调优研究中，一组较小的标志位配置把 Terminal-Bench 2 的结果从 15/89 提高到 17/89，而后续加入额外自评估和反思功能的配置反而降到了 13/89 和 12/89。这里更好的智能体表现来自严格的配置工作，不只是换一个更强的模型。