可见推理并非通用优化器：分析代码生成中的人设与思考依赖效应
一项基于 SQL-pandas 匹配查询基准的研究发现，可见 CoT 并不带来普遍准确率优势，让推理表示匹配目标语言（如"用 SQL 思考"）也无一致收益。效果取决于人设、目标语言、模型配置与内部推理设置，控制消融实验进一步区分了推理内容与提示词格式的影响。研究认为推理策略应针对模型、人设、目标和内部推理配置联合选择，而非作为通用默认。
#评测/基准
arXiv cs.SEAI 评分3232 arXiv cs.SEAI 评分3333 WorldBench：评估 LLM 生成 Three.js 体素世界的能力
针对 LLM 生成 Three.js 体素世界缺乏可靠自动评分的问题，研究者提出 WorldBench 基准与评判器，它同时探索运行中的世界并读取代码，且不单独信任任一通道。
arXiv cs.SEAI 评分3838 TestPrism：重新思考超越单一参考实现的测试评估
针对 LLM 编码智能体测试评估仅依赖单一参考解的问题，研究者推出 TestPrism，包含来自 17 个来源的 300 个测试任务和 3000 个候选实现，有效与无效解各占一半。
arXiv cs.SEAI 评分3232 研究：LLM 生成的无代码修复能否真正解决 bug？基于浏览器执行的自动化验证
一项研究提出基于执行的自动化流水线，在真实浏览器环境中评估 LLM 生成无代码修复的能力，测试了 12 种配置生成的 322 个修复。结果显示，不同执行器下仅 14.6% 至 49.7% 的修复解决了 bug，最强配置 Claude Opus 4.6 在 Claude Sonnet 5 执行下最高解决 74.1%。
arXiv cs.SEAI 评分2626 IRONPROOF：基于 SMT 等价性检查的 COBOL 到 Python 转译
IRONPROOF 将 COBOL 解析为中间表示并生成 Python，再用 Z3 编码为共享输入上的公式，输出可机器校验的等价性证书（UNSAT）或反例（SAT）。
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。
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search 检索层，FinanceBench 准确率提升至 86%
Mistral 发布 Agentic Search，一个让模型在多步检索循环中查找、检查和验证信息的检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries。
推荐理由：原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断传统 one-shot RAG 的边界。
Sourcegraph BlogAI 评分4040 Sourcegraph 推出 Code Finder：为编程智能体提供快速高效的代码搜索
Sourcegraph 在 MCP server 中上线智能体搜索工具 Code Finder，它自行运行搜索循环，直接返回匹配的文件路径、行范围和用途说明。基准测试显示，Code Finder 比使用本地搜索工具的编程智能体快 2 倍以上，比调用其 MCP 工具的智能体成本低最多 40%，结果质量相当。该工具已通过 MCP 正式可用，并为 Deep Search 提供文件发现能力。