研究表明：换 Agent 框架对结果的影响堪比重跑一次
同一模型跑 Claude Code、mini-SWE-agent、OpenCode 对比，结论很实用：精简提示词和工具能省最多 3 倍成本，写 Agent 的都该看看。
#SWE-bench Verified
共 10 条 · 7 天 2 条 · 30 天 4 条
信息流里打上「SWE-bench Verified」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月8日
10月6日
测量优先的智能体排行榜审计框架：污染风险与评分器验证
一群研究者专门审计智能体排行榜的基准污染问题，用 GPT-4.1 和 DeepSeek-V4-Flash 在 SWE-bench 上做了对照实验，结论是很多污染指控证据不足，做评测的人值得看看这套框架。
9月24日
Google 论文提出 RRSI：防止智能体 harness 自动进化过拟合基准
Google 这篇论文值得做 Agent 的人细读：自动优化 harness 会让你 eval 分数涨但真实任务变差，RRSI 用双向正则化解决了这个问题。
9月23日
PACT 论文：对齐 critic 与策略，提升 LLM 强化学习训练效果
一篇把 LLM 强化学习里 credit assignment 讲清楚的论文，PACT 训练后在数学推理上比 GRPO 高 8.8 个点，搞 RL 后训练的值得看看推导。
8月10日
PMCoder：为软件问题修复耦合规划与情景记忆的LLM智能体
PMCoder把规划和记忆绑在一起，SWE-bench Verified上多解25个issue，换Claude或DeepSeek也有效，思路挺巧。
8月4日
7月30日
7月10日
TRACE：智能体识别缺失能力自我改进，Qwen3.6-27B达73.2%
斯坦福AI Lab搞了个新方法TRACE，让AI自己找短板补课。只用四分之一训练量就超过了GRPO和GEPA，还赢了大模型Codex 5.2和GLM 5。
7月7日
论文12:51
CompactionRL：用上下文压缩强化学习训练长程智能体一篇论文提出用强化学习+上下文压缩训练长程智能体，在SWE-bench等基准上显著提升开源模型表现，适合关注Agent训练和RL方法的人。
6月19日
探针-改进调优法提升编码智能体仓库指导效果
这篇论文告诉你：给编码智能体写AGENTS.md时，别一次性写好就完，得用探针-改进法迭代修。实测在SWE-bench上解决率涨了近5个点，主要是能让智能体多搞定14.5%的实例。