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。
SWE-Gate（中山大学/浙大/重大）从真实 PR 评审评论中提取约束并构造 303 个仓库级修复实例，发现 644 个通过功能测试的补丁中 221 个（34.3%）违反评审约束——SWE-bench 式功能唯一评测系统性高估了 Agent 的真实修复能力。本文基于全文逐页阅读，拆解其约束提取管线、双测试设计与 221 个隐藏失败的分布规律。
北大团队用557个真实Agent编码会话的94,813个事件与33,097个Agent PR的69万条文件变更，首次系统测量了编码Agent与技术文档的真实交互。四大发现颠覆行业直觉：60.5%的文档交互指向AGENTS.md等Agent自有工件而非经典技术文档；读文档→写代码的关联在数据上未获解析；零次显式文档验证；文档产出速率达咨询的0.87倍却始终滞后于代码。论文据此提出双瓣循环模型，并指出「可操作性」「可验证性」两大agent-friendly文档假设缺乏行为支撑。