密歇根大学新论文发现,让前沿编码智能体分析完全无效应数据时,最高 98% 的运行仍报告 p<0.05 的“发现”,全部为假阳性。原因是智能体在见到数据后反复试模型再挑结果,破坏了经典 p 值的先验假设。研究者用子样本重放校正,将假阳性率压至约 5%。
编码代理
Coding Agent
能自主编写、执行与调试代码以完成任务的智能体系统,正被扩展至机器人控制场景
收录情报动态
一位开发者借助编码代理,在可重编程 FPGA 上完成了大模型推理的硬件实现,并称整个流程“直接跑通了”。文章复盘了从零进入硬件领域的一系列关键突破,认为编码代理把低层硬件开发的门槛大幅拉低,让此前只有专业团队才能涉足的方向变得可行。
西北大学、卡内基梅隆大学等 8 所高校联合提出 Embodied First Exam(EFE),将通用编程智能体接入仿真机器人,统一评测其在物理约束下的任务完成能力。结果显示,Fable 5.2 在开卷模式下完成率达 80%,闭卷模式骤降至 47%,暴露出智能体对文档与外部提示的强依赖。该框架为编程智能体从数字世界走向具身场景提供了可复现的失败边界刻画。
Agent37 提出一种面向编码智能体的低成本调度方案:由于智能体约 95% 的时间在等待模型响应,CPU 利用率仅约 5%,因此允许多个智能体共享同一批物理核心,从而以每小时 0.68 美元运行 100 个智能体。该设计以牺牲独占 CPU 资源换取价格优势,本质上是针对智能体 I/O 等待特性做的资源超卖。
Expo 推出 Expo Simulators,为编码智能体提供云端 iOS/Android 模拟器环境,使其在提交改动前能自行安装构建、驱动应用并录制屏幕。智能体可通过 eas simulator 命令启动远程会话,配合 agent-device、Argent 或 Appium 操作应用,并回传截图、视频与可交互的浏览器链接供人工复核。这填补了编码智能体“能写代码却看不到应用运行”的关键闭环缺口。
南京大学刘佳恒团队提出测试生成基准 TestPrism,指出主流单一参考评测(Single Reference Evaluation)会系统性高估 Coding Agent 的测试质量。该基准覆盖 17 个来源的 300 个测试任务与 3000 个候选实现,每个任务配有经校验的正确与错误实现面板,并以 Joint Success Function(JSF)为核心指标,要求测试同时通过全部正确实现并拒绝全部错误实现。结果显示,Coding Agent 在写测试任务上的集体失败率远高于此前评估,AI 代码合格率被高估约一倍。
陶哲轩借助现代编码智能体重构了其 2018 年的交互式逻辑教材 QED,新版本 Lean Grimoire 支持实时展示与游戏状态对应的 Lean 证明过程,并加入奇幻主题模式。该项目展示了编码智能体在数学可视化与教学工具现代化改造中的实际生产力,作者正寻求试玩反馈以优化逻辑证明与 Lean 教学效果。
Chrome 正式发布 Modern Web Guidance 1.0 稳定版,将经过专家审核的 Web 平台最佳实践与跨浏览器兼容数据直接注入编码智能体,弥补前沿模型生成代码在性能、无障碍与安全上的短板。1.0 新增可扫描现有代码库的现代化工作流、扩展的指南数据库与公开评估面板,并升级为 Chrome、Firefox、Edge 共同参与的跨浏览器计划。
卡内基梅隆大学与 JetBrains 联合研究发现,工程师的 Token 消耗量与其代码提交量仅呈弱相关:同一工程师消耗翻倍,提交量仅增加约 10%。研究基于 404 名 JetBrains 工程师 5 周的编码智能体使用数据与提交记录,并辅以 412 人的企业调研。作者建议 Token 消耗只用于预算管理,评估智能体辅助工作应依据任务与结果证据。
GitHub 负责人 Jay Parikh 披露,平台上由 Coding Agent 起草首版的 Pull Request 占比已从 3 月的 17% 升至 9 月的 40%,半年增长约 6 倍。他认为 PR 不应成为所有项目的必经流程,GitHub 将把协作环节改为可配置,同时强调企业级代码审查与权限管理仍不可替代。