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。
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。
Naver Labs、Einsia.AI 与清华大学推出 AI4AI-Bench：冻结 10 个真实研究仓库，覆盖 SFT、agentic RL、蒸馏、奖励建模、DPO、扩散 RL、遗忘、图扩散、权重平均与剪枝十族算法，测评 agent 能否改写仓库训练算法本身。agent 在单块 B300 用 4 小时改代码；提交后源码从零训练 12 小时，由冻结评估器打分，σ 坐标统一指标（0.1 为原算法，1.0 为最优）。负结果：290 格平均 0.166，最强系统 Claude Opus 5 仅 0.250；触及学习层者平均 0.226，远高于只动运行层的 0.126。
浙江大学联合新加坡国立大学、东北大学、Heriot-Watt 大学与腾讯提出 MemTrapBench，首次系统评测记忆诱发的认知陷阱：忠实记录且语义相关的记忆，仍可能扭曲大模型的推理与信念，使表现跌破无记忆水平。基准按植入陷阱、噪声掩埋、触发陷阱三阶段生成 1050 个多轮对话实例，覆盖认知偏差、任务边界、创伤、安全四类场景；五个主流记忆框架在 Gemini 与 Qwen 上全部落后无记忆基线逾 10 个百分点，创伤场景去陷阱对照的正确性从 66.40% 回升至 91.07%，证明退化源于陷阱语义而非上下文长度。论文进一步提出推理时提示技能 AdaptiveMem，把是否该用记忆显式化为决策前的静默校验，最高提升 14.9 个百分点且不损害常规记忆基准表现。
本文精读 arXiv 2608.20290《Phantom Gains: Auditing Self-Improvement Against a Measured Null》。论文指出：逐题得失（transition-level）分析已成为自我改进研究的标准证据，但一次得失是两个含噪估计之差，极易产生测量伪影。作者让一个从未训练的冻结模型走完完全相同的评估管道，实测每个统计量的噪声底，识别出七种测量失败——单次贪心解码、m=1 扩展统计量、固定 token 上限、欠功效、单训练种子、欠功效探针、只测一次的零假设——每一种在缺少对照时都会反转一个结论。受控审计表明：外部蒸馏能真正改进基模型几乎够不到的题，而三种自训练不能；自训练毁掉的题远超噪声底；其全部新增解均为锐化而非能力扩张。论文主张：逐题审计必须为每个统计量单独实测零假设。
深度精读 HKUST、HKBU 与 NTU 合作的 arXiv 2026 论文 ReguSim。论文构建可执行金融合规交易环境与 ReguBench 监控基准，将陈述推理、尝试动作、执行强制与监控证据四类工件分离审计，发现规则全文可见时 DeepSeek V4 Pro 仍有 24.2% 订单被拒，简单结构化基线反超最强 LLM 监控器，交易者自辩还会把独立监控者的误接受率从 25.0% 推高到 46.9%。
SWE-bench Science 由上海创新研究院与复旦大学联合提出，是一个仓库级科学软件工程基准：119 个任务、98 个真实 GitHub 仓库、覆盖 20 个科学领域，通过证据链协议将公有测试与私有科学断言物理隔离，并把任务分为 Issue 驱动、专家探索、工程集成三种范式。八个前沿 coding agent 横评中最高 Pass@1 仅 47.90%（Claude-Opus-5），而同配置公开分高达 96.64%，暴露出「表面修复」问题。论文还人工归因出四类失败机制，并用 91 任务配对消融证明科学知识注入并非普遍有益——错位信息反而诱发锚定。
这篇 ESEM 2026 论文回答一个基准测试长期回避的问题：对编码智能体而言，一个 issue 修复任务到底难在哪里、难度可否预知？作者在 CoderForge-Preview 的 45,769 个任务、1,553 个仓库上，用补丁、仓库、提示词三组共 54 个确定性静态特征预测智能体成功率，AUC 达 0.863、可解释 41% 的通过率方差。消融发现补丁碎片化与仓库规模几乎承载全部难度信号，而提示词的语言特征只有在中等难度区间才浮现（进入 top-5 贡献者占 70.3%），呈现清晰的分层结构。本精读覆盖其动机、特征体系、实验设计、根源解释与可迁移灵感。
当代码库被改写成语义等价的形式——控制流重写、死代码注入、标识符重命名——修 bug 的代码 Agent 还靠得住吗？Colorado State、Microsoft、UIUC 与 CMU 四方合作，用一套随机变体采样器对 2 个 Agent 框架 × 4 个前沿模型 × 54 个 SWE-bench 实例做了首个仓库级 Agent 鲁棒性系统评估：多数配置出现小幅退化（最大平均 6.7 个百分点，16 个配置中 6 个统计显著），但更扎心的发现是「锯齿前沿」——没有任何模型鲁棒性排名能跨框架、跨基准保持稳定，Qwen 在一个框架下最鲁棒、换一个框架反而最脆弱；更简单的框架反而更皮实；即使 solve 率不掉，token 成本最多也要多花 22.9%。本精读覆盖其 14 种语义保持变换的设计、非反馈采样的下界逻辑、配对实验统计方法，以及锯齿现象背后的机制因果链。
康奈尔与斯坦福的两位研究者提出 Adversarial Review（AR）：主编码 Agent 冻结工件后，reviewer 评审、critic 以结构化分歧审计这份评审，收敛后才允许修改代码。AR 在 LiveCodeBench 上以三个 Agent 取得 87% 最高通过率，胜过五 Agent 的 MARS；在 SWE-PRBench 上先暴露「伪共识」失败模式——Agent 为一致而一致，再用一次 prompt 迭代把分歧显式化即取得最高 F1 0.533；在 SWE-bench Verified 上以纯文本 SKILL.md 协议达到 75.2%。本精读拆解其构造式方法、三基准证据链，以及「分歧必须最小、结构化、有证据」的设计哲学。