深度精读 COLM 2026 论文 SWE-Bench ProMax——字节跳动与香港科技大学合作的专家策划多语言代码重构基准。170个实例覆盖7种编程语言，平均每实例修改11.4个文件、261.6行代码。揭示近60%未解决的 SWE-bench Verified 实例存在过窄或过宽的缺陷测试，前沿模型甚至能逐字复现训练数据中的 gold patch。在两种 Agent scaffold 下，最强模型解决率仅41.2%，证明基准未饱和。多阶段专家策展流程从源头堵住测试质量和数据泄漏两大漏洞。
腾讯发布多领域编码 Agent 基准 WorkBuddy Bench，覆盖代码、前端、办公、安全四大真实工作场景。其核心贡献在于从真实 commit/CVE/业务场景逆向工程出抗污染的口语化任务，并将任务目录、环境镜像、评估框架、测试与参考方案完全开源。跨模型排行榜显示没有任何单一模型通吃，开源权重模型 GLM-5.2 在安全子集双框架登顶，为可信代码评测体系的构建提供了新的方法论范式。
VideoCoCo由港中文Pheng-Ann Heng联合中国科学技术大学等26位作者提出，用可执行的Blender程序作为视频生成的过程级链式思维：编码智能体将文本提示合成为Blender代码，仿真引擎运行产生确定性时空草稿，生成式视频引擎通过草稿条件编辑转化为逼真视频。PhyGenBench从0.475提升至0.558，VBench-2.0从52.18提升至77.88。
Sakana AI 与 UC Berkeley 提出 RHI（递归式框架自改进）：把多智能体框架当作提示词级对象，仅用当前与上一版本的自我比较来迭代优化，少数几轮就能让低推理强度的 Agent 超越同族最高推理强度设置，同时把推理成本降低最高 60%。本文从 Harness 是什么、模型-框架协同进化讲起，拆解 RHI 的轨迹局部目标、算法流程、信息论隐式目标，并提炼可推广的通用性灵感。
2026年Q2 AI季报深度解读：Anthropic与OpenAI的模型竞争进入新阶段，GPT 5.6与Claude Maestro/Phable正面交锋；RSI（递归自进化）从科幻概念变成明确的创业方向，Recursive、Miranda等公司涌现；Cursor以600亿美元天价被收购；中国开源模型"四杀"引发全球关注；Anthropic的Cloud Tag与OpenAI的Record and Replay重新定义AI交互。本文基于播客全文转写整理，涵盖竞争格局、RSI、机器人、智能扩散、交互创新和公司动态。
WAIC 2026期间，科大讯飞AI大学堂发布AI热点和AI Vault两大新功能。围绕"AI时代什么值得学"，极客时间业务负责人王一鹏、科大讯飞开放平台总经理李佳琪、野生AI Hacker许恒在围炉夜话中展开了深度讨论：AI的角色正从"知识百科"转向"私人教练"和"军师谋士"，个人知识库被AI记忆系统取代，系统化学习回归经典课程，人才供需的gap在持续拉大——这个时代真正奖励的是热爱、执行力和深度判断力。
编码 Agent 在多轮交互中累积大量冗余工具输出，现有剪枝方法依赖外部评分模型。SWE-Pruner Pro 提出一个关键发现：Agent backbone 在读取工具输出时，其内部隐藏状态已经编码了行级重要性信号。通过一个轻量级 head 直接从 backbone 内部表示读取剪枝决策，在四个多轮基准上节省高达 39% 的 token，同时在部分基准上甚至提升了任务质量。本文精读其动机发现、方法设计、工程实现与通用性启示。
代码生成领域综述。从 B23 软件工程桶 770 篇筛出 358 篇逐篇下载全文 PDF 通读（非仅摘要），聚焦 pass@k 失效、仓库级定位与探索、代码幻觉、AI 代码的审查信任与组织影响、评测有效性、形式化验证等议题，识别出隐形彩票、验证地平线、substrate collapse 等 12 个新颖问题与研究范式转移。
Lilian Weng（Thinking Machines Lab 联合创始人、前 OpenAI 研究副总裁）在这篇万字综述中系统梳理了「Harness 工程」——围绕基础模型的运行时系统——作为通往递归自我改进（RSI）现实路径的核心命题。文章从 RSI 的思想起源讲起，把 Harness 定义为决定模型如何思考、规划、调用工具、管理上下文、评估结果的系统层，并梳理了三大设计模式（工作流自动化、文件系统持久记忆、子代理并行）、四大优化方向（上下文工程、工作流设计、自我改进、进化搜索）以及与模型权重的联合优化，最后坦诚列出七大瓶颈。本精读将这篇综述放在 RSI→Harness 的研究脉络中定位，提炼其方法论骨架与可迁移的普适灵感。
通过40轮迭代搜索arxiv上596篇论文，逐一验证GitHub仓库可用性，最终筛选出33个有公开可用代码仓库的coding方向benchmark。覆盖仓库级SE、代码审查、形式化验证、硬件RTL、安全等12个方向，并预测代码重构（当前0个可用仓库）、安全联合评估等12个值得做的未来方向。