SWE-Journey：面向长周期多轮交互的编程助手更真实评测基准
研究者推出 SWE-Journey 基准，用于更真实地评测 Claude Code、Codex 等编程助手。该基准通过弱到强合成流程自动构建长周期编程任务，并从真实交互数据中挖掘四类用户画像、构建用户模拟智能体来复现多轮交互。结果显示，面对软件架构师角色模型平均通过超 75% 的功能测试，而面对非程序员角色时通过率不足 25%。
#多智能体
arXiv cs.SEAI 评分4343 arXiv cs.SEAI 评分2222 跨供应商审查作为编码智能体的运行时契约：一项受控试点与故障注入研究
研究提出一种跨供应商审查契约，要求编码智能体使用独立资源池、受限审查能力与逐次尝试的持久证据。在20轮配对开发试点中，8轮出现实质性审查发现（95%精确区间19.1-63.9%）；边界扫描复现了部分输入下的假成功，并修复了进程回收期间的取消问题。CLI探测显示Claude无写入工具，Codex在5次只读试验中均尝试写入但均失败，未改动任何仓库。