研究与基准测试/2026-10-04/16 分钟编码智能体的强化学习跨基准迁移（续）：四种失败模式成对轨迹显示，基座模型的失败多是差一点：需求丢失、测试过窄、无声回归、地面真值太弱。训练后的模型把规格说明当成必须完整兑现的契约。
研究与基准测试/2026-10-04/14 分钟编码智能体上的强化学习，能否跨基准迁移Surge AI 只用强化学习，在 1,700 道专家编码任务上后训练 Kimi K2.7 Code。六个外部基准的 pass@1 全部上升，包括训练时没用过的 harness，以及长达数小时的 SWE-Marathon。
研究与基准测试/2026-08-03/7 分钟Qwen3.8-Max：从编码到协作，Agent 走向长程交付Qwen 官方发布 Qwen3.8-Max，展示模型在多日自主编码、论文复现改进和真实竞赛中的长程交付能力，并强调模型、环境与 Harness 的协同扩展。
研究与基准测试/2026-07-23/11 分钟四块分数不能加总：腾讯 WorkBuddy Bench 把编码 Agent 拆成四套尺子80、70、50、60 题，两套 harness，每格三次 think mode。报告明确不报套件总分。Claude Opus 4.8 拿下五列第一，GLM-5.2 拿下两列安全，GPT-5.5 只在 Claude Code 的 Office 上最高，86.05。
