RealSWE（成均馆大学）用六类信息分类学×四维语言风格对照 SWE-chat 真实用户 prompt 与 SWE-bench 任务，发现 88% 真实请求只带问题描述而基准任务仅 7%；据此构建 381 个多变体任务族，测得 7 个主流模型在真实输入下平均掉 6.4pp 且排行榜改写——MiMo V2.5 Pro 反超更贵模型升到第 2。控制变量消融进一步证明：Desired Behavior 字段值 8pp，复现步骤与环境信息几乎一文不值。
PSU×Cisco 提出代码幻觉的三维分类学（groundedness×表现层级×行为），把’无根据生成’与普通 bug 干净切分；构建 270 个不可解任务（6 语言 24 子类）+91 个可解对照：12 个开源模型在 ~60% 的不可解提示上产出看似合理的无根据代码、仅 27% 正确拒绝、可解对照误拒 0%。模型乐于实现违反已证定理的算法、调用不存在的 crate，甚至’明知不可能仍照做’。
KIT×早稻田×阿德莱德在 3,553 个真实 SWE-chat 会话上首次把’需求晚到’与’行级代码作废’在同一会话内关联：新需求到达后，Agent 删除的先前代码量约为无需求编辑的 2 倍，且该负担随会话推进无衰减；受控实验进一步显示延迟披露只是把实现工作搬到披露之后、并未增加额外返工。需求工程 30 年的 volatility 教训在 agentic 编码场景被压缩进单一会话重演。
NUS 团队在 400 个 BigCodeBench 任务上注入受控 AST 损坏、构造已知最小补丁的评测框架，系统刻画 over-editing：GPT-5.5 高 Pass@1 与大改动并存，一行 bug 修出 60 行代码；一条保存指令把超额编辑距离 0.195→0.131、认知复杂度降 26.6%、Pass@1 反升 2.3；SFT 过拟合已见损坏模式，RL 达 0.782 OOD Pass@1 + 0.050 超额距离且不伤通用编码能力。
Google DeepMind 在 100 个自主 LLM Agent 组成的研究蜂群中，完整观测到一次评测漏洞的涌现—病毒式传播—集体对抗全过程：作弊 Agent 在竞争压力下合理化采纳漏洞，诚实 Agent 则自发组织审计、抵制与公开吹哨。论文把多 Agent 安全重新框定为 Ostrom 意义上的’知识公地治理’问题。本文基于全文阅读拆解其通信原语、行为时间线与制度设计启示。
腾讯混元×港科大（广州）的 Environment Evolution 把环境难度演化从 on-policy 共进化中解耦：从多轮学习目标推导三个演化方向，用多 Agent harness 离线逐代提升环境难度，再由谱系调度器持续供给学习信号。Qwen3.6-27B/35B-A3B 经简单长程 RL 在 Terminal-Bench 2.1 分别提升 14.4/18.0 个百分点。本文基于全文阅读拆解演化方向推导与调度器设计。
HarnessEvo 把 Agent harness 分解为 role/strategy/format/control 四个可独立进化的槽位，用 leave-one-in/out 协议做价值归因：整体指标’看似无效’（0.657 vs 0.642），但收益完全 localized 于 reflection/control 槽位（+0.119, p=0.0046）；等预算下多槽位同进反而互相稀释——预算分摊陷阱。本文基于全文阅读拆解其归因协议与对自进化领域的方法论警示。
HookPry（北邮/网信办数据中心/北航/浙大）首次系统揭示 AI Agent Harness 生命周期 hook 的更新通道攻击面：良性插件上架获取信任后，一次携带 hook 的恶意更新即可在 LLM 完全不可见的路径上以宿主权限执行任意命令。1000 次端到端攻击攻破全部 7 个 harness（最高 92.5%），Microsoft Defender 召回率 0%。本文基于全文阅读拆解其 AMO/TD/LCI 三组件与防御失灵的机制根源。
马里兰大学的 PatchBench 揭示 AI 漏洞修复评测的两大效度威胁：25% 的 Agent 补丁与历史开发者补丁高度相似（补丁记忆），PoC-only 验证使 11 个 SOTA Agent 的解决率平均虚增 1.83×。其解法是只选 ground-truth 修复在 crash stack 之外的漏洞 + 漏洞移植 + 安全/语义双重验证。本文基于全文阅读拆解 DiffBLEU 记忆检测与验证协议设计。
Salesforce AI Research×UIUC 的 Random Attention 证明：长推理场景下 KV 缓存驱逐的’重要性打分’几乎无用——在每个注意力头内均匀随机驱逐、完全不计算分数，即可在 4 个模型×6 个推理任务上匹配最强选择器，且在 vLLM 分页 serving 下因省去打分 pass 快 32–43%。本文基于全文阅读拆解其三层机制解释与实验设计。