NFV（Microsoft Research，单作者 Shuvendu K. Lahiri）让 AI Agent 当形式验证语言的前端：Python 开发者用自然语言问’这个函数对不对’，Agent 把程序与规范翻译到 Dafny，由成熟验证器逐条机器检查，证明可查、缺陷有 witness。在 206 条数据集上 57.3% 的条目给出机器检查证明 @92.2% 精度——而 LLM-as-judge 直接判定的精度只有 72% 且无 artifact；无纪律的’LLM+验证器自由证明’更是 98% 的正确程序和错误程序都被’证明’（精度 50%）。关键机制是’无证明即弃权’与 staged discipline（溯源标签+冻结翻译堵死为证明而改代码的捷径）。

Prime Agent（Prime Intellect × Princeton × MIT）用一个持久 IPython REPL + 递归子 Agent 的抽象，证明同一模型仅更换 harness 即可把 ARC-AGI-3 成绩从 30.2% 推到 95.5%、超过人类专家基线 95.4%。本精读拆解其两层核心抽象——Recursive Language Model（把上下文当变量、子 Agent 委派当函数调用）与 Continual Harness（把 harness 自身状态变成可 CRUD、可在线自我改进的数据），并解释为什么’harness 表达力’是被严重低估的能力放大器。

Repo2Skill-Evo（字节跳动 × 北京大学 × 北京交通大学）提出并评测了一个此前无人命名的问题：‘仓库技能静默失效’——仓库版本升级后，从旧版蒸馏的 Agent 技能不报任何错、继续被加载检索，但内容已全面过时。基准要求 Agent 依据官方 release patch 维护技能集（删掉过时内容），用人工逐行验证的 12,217 行’黄金过时行集’做删除式指标：6 个前沿模型全部不及格，最强的 Claude-opus-4.6 也只有 69.7% F1，85/105 个版本转换低于 0.65 的 Easy 阈值。

Signal or Noise（百度 NLP）用字节长度匹配对照（±5% 的无关 Skill 控制组）证明：向编码 Agent 注入匹配的 WebDev Skill 平均是负收益——4 个模型 ΔPass@2 全负（-1.3~-4.2pp），token 开销却 +72%~394%。更深一层，负效应有两种机制：Sonnet/Qwen 是’长度分心’（该缩短 prompt），GPT-5.1/DeepSeek 是’内容误导’（该审查内容），需要相反对策；且 Skill 效用的跨模型相关性近零（|r|≤0.12）——Skill 是 (Skill,项目,模型) 三元组属性，不是可移植资产。

SkillAlchemy（北航 × 山东大学 × 西北工业大学）把开放世界技能创建形式化为’来源接地的程序准入’问题：用配对对比探针发现隐式需求（改这个因子会不会改变程序行为？），对候选程序做 General/Scoped/Exclude 三态准入，再按公共技能语法编译技能包。结果：自动创建的技能在 SkillsBench v1.1 全量 87 任务上拿到 55.8%，首次与人工策划技能（54.4%）持平，且对来源注入攻击零传播——12 个恶意 payload 无一被提升进技能。

SWE Refactor Bench（Naver’s Lab × Einsia.AI × 清华）命名并防御了行为评测的 Blindness 盲区：迁移任务的起点测试本来就全绿，‘原样交回’的空 diff 可以骗过任何行为测试。该基准用 20 个真实开源项目（86.7 万行代码）+ 三阶段协议（迁移审计否决门 + 130,118 条固定检查 + 6 个对抗验证 Agent）证明：8 个前沿模型 520 个 run 中仅 5.4% 通过全部关卡，最强 claude-opus-5 也只拿 47/100——‘迁移完成’与’行为保持’是两种独立能力。

Task-CoEvolve（东京大学）把 harness 优化中被忽视的’评估侧’变成优化变量：每次迭代在哪些验证任务上评估候选 harness？方差加权采样把预算集中到’候选结果会分歧’的判别性任务上（>70% 的任务池处于全对/全错两个极端、毫无判别力且分布随优化漂移），配 Horvitz-Thompson 式包含概率校正消除子集偏差。结果：20% 评估预算匹配全量搜索（49.3% vs 48.6%），Terminal-Bench 2.1 上 token 评估成本直降 80%，7% 预算用 1/16 样本逼近全量。

Ascp（北京大学 × 腾讯）为生成式搜索建立了’上下文分配定律’：同预算下窄窗多轮（k=2 检索×T=12 轮生成）比宽窗单轮（k=24×T=1）的 portfolio recall 高 0.144，T:1→12 带来 16.8-20.5pp 提升，且验证到 32B 规模。其测量工具是因果留一（LOO）探针——teacher-forced 反事实消融直接测量每篇文档对生成文本的因果利用率，在 same-query 硬负例下 AUC 0.876，而 embedding 相似度坍缩到 0.484（随机水平）。相关性代理测的是’话题相关’，不是’真被用了’。

这篇来自 VIDRAFT AI Research（韩国）的论文证明：‘看 mask’这个全行业默认的因果性检查，在混合架构时代完全失效——192 次注入故障中 mask 检查 0/192 发现，而两次前向传播的前缀不变性审计 192/192 精确定位到泄漏层。更重磅的是实际战果：在两个已发布模型（Zamba2-1.2B 与 Nemotron-H-8B）中挖出真实因果泄漏——chunk 边界处未来信息泄漏进当前表示，缺陷源于同一段三行代码（inter-chunk 递归 reduce 求和轴错误），两行修复后泄漏精确归零。方法只需两次前向、无梯度，135M 模型 CPU 上半秒。

这篇 ICLR 2027 论文（阿里 Amap × 南京大学）用结构因果模型（SCAE）把编码 Agent 的’过程评测’拆成三个被混用的层次，并给出三个可检验的颠覆性结论：下一动作由’执行出处’（provenance，模型刚看到什么）而非代码图结构决定（top-3 0.326 vs 0.058）；不确定性属于任务而非步骤（190 个步骤级因果效应 0 个通过 FDR）；全轨迹 LLM judge 存在系统性 collider 偏置——judge 能看到下游步骤时，归责位置系统性后移 +0.537。‘过程分数测的是语义相关性，不是认证的因果贡献。’