Coding

深度精读 ISSTA 2026 的 MCR-Bench（中山大学+重庆大学+华为云）——首个「缺陷状态感知」的多轮代码审查基准。现有 LLM 代码审查评测把审查简化为单轮静态决策，而真实 Gerrit 数据显示近半数代码变更涉及多轮审查（单轮 0.33 天、超 6 轮 31.3 天）。MCR-Bench 含 2,269 个真实多轮审查任务（5 语言、38 个高星仓库、平均 3.8 轮），每任务带细粒度缺陷卡片与跨轮生命周期标注（New→Open→Resolved→Reopened）。构建管线用「先局部检测后全局追踪」两阶段 LLM 标注+3 次运行一致性过滤+6 名开发者双人交叉验证（kappa 0.87）+SZZ 排除合并后引入 bug 的 PR。实验发现：7 个主流 LLM 缺陷检测 F1 最高仅 0.551；最大错误模式是把 Resolved 误判为 New（38.29%）——跨轮时序错位；现成 ACR 流水线（PR-Agent 等 F1 0.257-0.416）普遍不如直接 prompt 裸 LLM。

Agent 的自我改进大多发生在一次任务结束之后——但那时这次运行已经救不回来了。AllSpark 团队的 PILOT 把自改进做成 live 的：监督者通过双向活通道在工作者执行中途重定向或中止（live steering），同时从活轨迹蒸馏可复用技能进持久 harness（live self-evolution），模型参数全程冻结。在 Terminal-Bench 2.0 上 PILOT 以 71.6 均分领先最强单 Agent 基线 5.3 个点；20 轮自改进迭代后 GLM-5.1 从 66.3 升至 80.9（+14.6pp），每任务输出 token 反降 42.9%。评测协议设计严谨：运行中零基准反馈，验证器只决定哪些更新进入下一轮。本文精读其监督者-工作者架构与两个中途纠偏案例。

同一个模型、同一批任务，只换 Agent Harness 的配置，编码成功率能差多少？独立研究者 Sydney Lewis 用严格的配对实验给出答案：在 20,480-token 紧窗口下，SWE-bench Verified 的平均 F2PF 从 28% 涨到 49%，完全解决数从 43 到 72。treatment 只有三件机械武器：半衰期规则缩短旧工具结果、检测器打断重复劳动、命令防护。论文最有冲击力的结论是方法论层面的——模型加 harness 才是被测求解器，单报模型名字的编码评测并不完整。本文精读其实验设计、跨四模型迁移证据与机制分析（阅读边界翻倍）。

深度精读投 IEEE TDSC 的浙大+南通大学论文——研究 LLM 生成 RTL（硬件描述语言）代码时被忽略的「隐式安全义务」问题。软件漏洞还能打补丁，不安全的硬件一旦流片就无法修复。作者构建 SECRTL-GEN 基准：98 个真实 SoC IP 设计×4 种硬件语言=392 个任务，实测 5 个前沿模型功能通过率 73-79% 但安全通过率仅 14-35%，功能强不等于安全。提出 RTL-Obliger 神经符号框架：LLM 提取功能语义图，符号引擎对照 CWE 模式本体做确定性匹配找出「缓解证据缺口」，最后两阶段生成先写功能草稿再做义务引导局部修订，将全通过率从基线 49.6-51.4% 提升到 61.6%，token 成本仅为编码 Agent 的 1/3.6 到 1/8.7。

深度精读 Stanford + CMU + Grid Dynamics 的 ASE 2026 论文：提出 RAMP 四级仓库 AI 成熟度标度（基于团队 commit 到版本库的 AI 配置工件而非问卷），对 509 个采用 coding agent 的仓库分层再分析——agent 在各成熟度层都加速开发（+28~38% commits），但质量代价分化：无配置仓库的认知复杂度增幅约为有配置仓库的 2 倍（+53% vs +27%）。

深度精读 KOPE 论文——香港城市大学与华为联合提出的硬件内核优化自进化 Agent 框架。在公共语料极度稀缺的昇腾 NPU 场景下，KOPE 用经验图记忆保留「决策-结果」证据链，配合预算化三层上下文注入，使模型参数完全冻结的前提下通过率达 84.6%（最强基线 57.8%），token 消耗反而下降 93%。本文从内核优化领域背景、经验记忆机制、主动上下文管理、双消融实验到 RISC-V 跨硬件迁移，完整拆解「经验复用为何在语料稀缺场景碾压模型能力」的因果链。

斯坦福单作者实证研究：固定模型、系统性变化任务描述本身，量化 prompt 信息量对编码 agent token 开销的影响。2,700 次受控运行显示——把完整规格砍到裸 user story 使成本 +29.7%、轮数 +16.4%（五个任务全部同向）；prompt 只动均值不动方差（重复运行几何标准差恒为 ×1.34）；输出 token 仅占 2.7% 却占 51.1% 花费；单次 $0.11 探测可把未知任务成本预测误差从 161% 降到 36%。「具体性而非要求的存在」才是省轮数关键。

西湖大学 AGI Lab 与南洋理工提出 Code World Model：让编码 Agent 充当「世界大脑」，用可执行代码维护持久世界状态并驱动世界演化，再通过 proxy（粗粒度代理视频）接口把状态翻译成帧级时空约束，交给视频模型渲染高保真画面。该框架把「世界演化」与「视觉实现」解耦，直面视频世界模型只能从画面反推规则、上下文不足一分钟、离屏后果无法延续三大结构性缺陷。在仅 5.6 小时 GTA V 游戏数据上 LoRA 微调 MiniMax-H3 后，模型即可跟随 proxy 指定的角色位置、轨迹、场景布局与相机运动，并泛化到训练之外的角色与风格。本精读覆盖其问题定义、方法组件、数据管线与局限。

Texas A&M 与诺维萨德大学团队提出 FuzzingBrain-Bench：第四代 LLM 漏洞发现评测范式——不再要求模型复现预定义目标漏洞，而是在自包含 Docker 沙箱中经 fuzzing harness 触发尽可能多的不同 crash，按「去重后的不同 crash 签名数 × 难度系数」计分。基准含 77 道挑战（43 个开源项目，36 C/32 C++/9 Java），覆盖内存安全与 DoS 等 14 类缺陷；三跑复现门控防 flaky 虚增、每挑战 3 签名封顶防单一多产缺陷主导、答案剥离+无网络+oracle 不可达防作弊。三个 Claude 模型实测：Opus 4.8 以 196/579（34%）居首，触发 60/77 挑战的 crash；13 道 D5 挑战无一模型攻破。实验还证明模型常发现计划外缺陷——这正是放弃「目标复现式」评分的直接证据。附带成本/token/轮次的行为分析揭示输入 token 是输出的 84–188 倍。

代尔夫特理工大学团队提出 Narcissus：当任务固定目标语言（CFG 定义的 DSL）时，LLM 提案通常违反语法或不满足规格——与其反复重提示，不如把提案一次性编译成「上下文感知」的搜索启发式。它将提案解析修复为语法树，用前缀对齐（相同上下文的提案是否用了同一规则）、子程序复用（提案反复出现的片段）与正则化（提案指示的程序规模+保底项）三个信号给每次扩展打分，搜索期间零 LLM 调用。在五个域、两种搜索后端上，Narcissus 在每个预算下击败静态先验：SLIA-70 上 51.4 对 32.2，ARC-100 上解决 40% 而原始提案仅 13%，到达提案区域快约 12 倍；DeepSeek 弱提案加搜索甚至超过 GPT-4o 直接采样。正则化保底项保证任何规则不被剪枝——错误提案只会延迟解、不会藏死解。