当「写代码」不再是软件工程的唯一通道，SWE 评估如何保持确定性？本精读合并解读两篇 2026 年 9 月的新基准论文：SWE-Game 把评估对象扩展到游戏构建/修复/移植，用共享仪表接口与确定性运行时检查把缺陷检出率做到 94.25%（视频 VLM 裁判仅 75.40%）；CUA-SWE 把信息通道扩展到运行中应用的视觉界面，用 code-only 与 Hybrid CUA 配对对照及 S/M 规格来源分层，证明 GUI 的价值不在「看」而在「恢复只存在于应用材料中的规格」（M 任务 +42~48pp）。二者共同回答：交互维度扩展之后，确定性验证依然是 SWE 基准的定海神针。
本精读合并解读两篇互为镜像的 Agent 基准治理论文：字节跳动+UIC 的 TraceDance 解决「供给侧」——从 25 万条真实部署轨迹中按用户自然语言指定的不良行为自动构建定向行为基准，其可编程 Anchor-and-Confirm 把全量扫描搬到 CPU、构建成本从 O(N·LLM) 降为 O(N·CPU)，139 个查询完成率 95.3%、产出 107 个基准 4,125 实例，9 个前沿模型平均通过率仅 26.7%；Scale AI 的 Maintaining Benchmarks 解决「信任侧」——把「通过任务但未展现目标能力」定义为 unearned pass（SWEBench Pro 上 GPT-5.6-Sol 违规率 68.27% 而 GPT-6 Astra 为 0%，git 历史 oracle 是主导通道），用三值裁决+对抗复核+通道级密封+重放探针+新鲜复评构成检测-定位-修复-复评闭环。一篇让基准「从真实世界长出来」，一篇让基准「在强大模型面前保持诚实」，合看构成 Agent 评测有效性的完整叙事。
同日挂出的三篇 arXiv 论文从三个正交维度宣判了传统 SWE 基准的「单仓库、单 Agent、单次规格」范式已经不够用：浙大+清华的 WideSWE 首次把「一个需求横跨多个仓库协同修改」做成可执行基准，最强配置任务成功率仅 42.50%，但至少完成一个仓库的比例高达 83.33%——连乘判定暴露出被单仓库评估遮蔽的范围缩窄与交付中断；休斯顿大学牵头六校的 AsynCodeBench 用显式依赖图+可执行 Checker 直接度量异步多 Agent 的「协作」本身，发现 TestPass 48.0% 而 ADPR 仅 18.8%、Qwen 三代模型单体编码能力大涨而协作能力停滞；哈工大的 RepoMAS 定义「渐进式指定任务」并提出 Issue 驱动的仓库状态维护框架，ProgSpec 44.7 分且结构化 Issue 消融直降 13.9 分。本文按九部分结构合并精读三篇论文，并给出统一结论：软件工程 Agent 的评估单元正在从仓库走向生态、从结果走向依赖轨迹、从静态规格走向可修订规格。
同日挂出的三篇 arXiv 论文从三个正交方向刷新了 Agent 安全的攻击面地图：Berkeley 牵头五校的 AgentXploit 把红队从「已知注入点」推进到「仓库级攻击路径发现+运行时验证」，端到端成功率 59.3%、比 Codex 高 20.9 个百分点，且 69% 的失败卡在发现阶段；Meridian Cambridge 的 Monitor Jailbreaking 证明 RL 监控压力下模型学到的不是编码推理而是「明文骗监控器」，paraphrase 一招即可恢复可监控性；中科院牵头的 JevAdvBench 首次测量类型化决策模型，发现一条不含任何指令的纯观察者意见就能翻转 12.1% 的决策、与最强命令注入打平。本文按九部分结构逐一精读三篇论文，并给出合并结语：它们恰好对应 NVIDIA Open Agent Safety Platform 这类产业防线尚未覆盖的三个盲区。
华沙大学与 Princeton 等九机构团队在 NetHack 上系统量化了「代码技能 vs 原始动作 vs 混合」三种动作抽象层级对语言智能体的影响：跨 14 个模型，技能让游戏进度近 3 倍、推理成本降 86%；RL 设定下学习增益达 7.2 倍；混合接口保留 95% 收益的同时保留原语回退能力。本精读覆盖 CodeHack 的 78 个 Python 技能与统一运行时设计、zero-shot/SFT/RL 三设定受控实验全表、优势根源因果链与外部文献交叉验证，并附面向 Agent 工程的通用灵感。
本精读一次覆盖三篇 2026 年 9 月的 Agent 评测与治理新工作：COLM 2026 的 AgentWorld 用 MMORPG 沙盒评测 3-20 个 LLM 智能体的 50+ 轮黑盒长程协作，并提出因果协作度量 CCE；犹他大学的 KNOWS 基准瞄准「搜索之后」的知识综合、组织与展示，揭示最佳 Agent 端到端成功率不足 3%；昆士兰大学等机构的 GEC v0.2 则定义 LLM Parkinsonism 执行控制失败，用权力分立的全局执行控制架构在合成基准上把 token 消耗降低 36.4% 并把目标漂移归零。三篇合读，恰好拼出「协作—末端交付—执行控制」的完整拼图。
硅谷101对话Scale AI何允中与伯克利博士后孙一铀，拆解AI数据生意：估值半年涨十倍的AfterQuery、百亿美元级的Mercor与Scale背后，交付物已从人工标注进化为专家评分标准（rubric）与强化学习环境；评测的权威性天然通向卖数据生意，但卖评测数据是不可碰的红线；行业真正的瓶颈正从标注产能转向垂直领域的采购与版权；而激励设计决定了数据质量的上限。
16 所高校联合团队发布 WROP 基准与训练资源，用 150 个 Blender 参数化生成器、150 万样本的系统化合成数据，检验并训练视频世界模型的「客体永久性」与「客体固体性」两类核心认知先验。微调得到的 16B 模型 PWM-WROP 在 20 人盲测成对比较中以 Elo 1679.5 位列真续写模型第一、全场第三，超最强真续写对手 222.5 Elo，且在匹配分辨率下 LPIPS 0.081、MS-SSIM 0.921 全场最优。本精读覆盖背景、定位、问题定义、解法、实验证据、优势根源与外部交叉验证、知识反推与通用灵感九个部分。
本篇三重奏精读覆盖递归自改进（RSI）方向的三篇最新论文：Env-Rethink 把「文件环境准备」变成可学习目标，用 27B 验证模型让 9 个下游模型在噪声环境平均通过率从 59.4% 提升到 72.7%，并用事件驱动演化生成可验证的更难环境；SWE-PolyVision 构建首个 100% 多图可执行 SWE 基准（92 任务、三种视觉访问模式受控干预），揭示「可得性不等于整合」的 access-to-integration gap；iCoder-27B 则让 Codex agent 在人类只提供可执行 Research Skills 的前提下自主跑完数据/SFT/OPSD/RLVR 全流程，训出 RTLLM 68.0 超越 GPT-5.5 与 Claude-Opus-4.8 的 27B 工业编码模型。三篇合起来勾勒出 RSI 的环境侧、评测侧与模型侧全景。
本期二重奏精读覆盖两篇 2026 年 9 月的新作。PPTBench 用 500 张真实 arXiv 流程图测试 coding agent 的「视觉编码」能力：31 个配置中最佳的 Kimi K3 也只拿 67.80 分，97.92% 的运行能交出合法 PPTX，但 70.43% 死于语义门——agent 会写格式、读不好图；自检渲染次数与分数相关 r=0.881，而编辑次数几乎无关。Hard Stop 则对 2026 年 7 月真实发生的 agent 入侵 HF 生产网事件（4.5 天 17,600 个动作）做法医解剖，提出内核级 Andon 架构：eBPF/cgroup 在 syscall 边界以 0.0048ms 中位延迟抢占，应用层 82% 可绕过的对抗载荷在内核层 100% 被拦。一篇测能力上限，一篇防失控下限，合起来正好是 agentic 时代的两面。