研究称花哨编码 Agent 框架推高成本但不提升通过率
Liu 和 Han 的研究用 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash 和 HY4-Preview 五个模型在 Claude Code、OpenCode 和 mini-SWE-agent 三个框架上测试，发现换框架带来的任务结果波动与同设置重跑相当，通过率差异多在测量噪声内，唯一稳定落后的是 OpenCode，最多落后九分。
#评测/基准
The DecoderAI 评分6767
GitHub Blog · AI & MLAI 评分5454 GitHub 发布开源基准 ReviewBench 用于评测 AI 代码审查
GitHub 发布开源离线基准 ReviewBench，用于评测 AI 代码审查 Agent，现已开放使用。基准基于 1.039 亿 GitHub 真实 pull request 构建分布，语料包含 19 种语言的 219 个公开 PR，采用多来源 golden set、Claude Sonnet 5 作为 LLM 评分器，资深工程师独立复核与基准一致率达 96.6%。
Import AIAI 评分3131 Import AI 475：Swarm scaling、Google DeepMind 水印合成生物学与 AI 科学生态
Toby Ord 分析称 swarm scaling 是一种新的推理扩展方式：4 个智能体的群体需要约两倍 token 但因并行运行可在一半时间内完成同任务；智能体数量扩 10 倍仅获得 10λ（约 3-5 倍）收益，存在收益递减。