code agent跨仓库不到45%

今日概览

Code agent出了单仓库就不灵，BeyondSWE四维度500实例评测，最强模型成功率不到45%，加搜索也帮不上忙
合作训练、独立部署：HACRL让异构agent共享验证rollout互相补课。采样成本减半，推理时零额外开销
小模型筛记忆比大模型翻全量历史更靠谱——MemSifter用RL训练代理检索器，奖励直接挂钩任务完成度，8个基准全部达标
一个编码器通吃五类点云。Utonia在密度和几何特性完全不同的五个域做到统一表征，133个upvotes拿下今天HF最高热度

重点关注

01 代码智能 SWE-bench只测了code agent能力的一个切面

当前主流的code agent评测几乎只覆盖一种场景：单仓库bug修复。BeyondSWE把评测范围扩展到四个方向——跨仓库推理、领域专业问题、依赖驱动迁移和完整仓库生成，用500个真实实例勾勒出更完整的能力画像。结果不意外但值得重视：即使是最强的前沿模型，成功率也停留在45%以下，且没有任何一个模型能在所有任务类型上保持一致表现。研究者还构建了SearchSWE框架，测试给agent加上深度搜索能力能否改善表现——结论是效果不稳定，某些情况下搜索反而拉低了成绩。这说明开发者在写代码时那种搜索与推理交替进行的工作流，目前的agent还远没学会。对日常使用code agent的团队来说，这份评测提供了一个实用参考：知道你的工具在跨仓库协作和大规模代码生成上还不可靠，能帮你更好地规划人机协作的边界。

单仓库bug修复只是code agent能力的一个切面，四维度评测揭示了更大的能力缺口前沿模型在扩展任务上成功率不到45%，且表现参差不齐搜索增强并不能稳定提升agent表现，开发者工作流的复杂性还没被有效建模

原文：BeyondSWE: Can Current Code Agent Survive Beyond Single-Repo Bug Fixing?

02 训练优化别人做对的题，为什么不拿来用？

不同模型犯的错不一样——A解不出的数学题，B可能轻松搞定，反过来也成立。HACRL抓住了这个直觉：既然各家agent的rollout已经产生了，为什么不互相共享验证过的成功经验？具体做法是在训练阶段让异构agent（不同架构、不同规模）共享验证通过的rollout，通过HACPO算法解决策略分布偏移问题，保证优势估计无偏。关键在于推理时完全独立——不需要协调部署，不需要多模型联动，每个agent各跑各的，但训练时已经「偷学」了彼此的长处。实验显示平均比GSPO高3.3%，而rollout采样成本只有一半，92个HF upvotes说明社区对这种「合作训练、独立部署」的范式很感兴趣。

异构agent共享验证rollout实现双向互学，突破单agent自采样的效率瓶颈训练协作但推理独立，部署成本零增加采样成本减半同时性能提升，对资源受限的RL训练团队很有吸引力

原文：Heterogeneous Agent Collaborative Reinforcement Learning

03 检索用小模型做记忆筛选，成本和准确率两全

Agent跑得越久，积累的历史记忆越多，检索就越成问题：让主力LLM处理全部记忆太贵太慢，建索引（如记忆图谱）计算量大还容易丢信息。MemSifter加了一个小模型当「筛选层」——先推理当前任务需要什么，再从记忆库中精准召回给主力LLM。训练方式比较务实：用RL，奖励信号直接挂钩主力LLM拿到检索结果后的任务完成度，而不是传统的检索相关性指标。在8个记忆基准上（包括Deep Research任务），检索准确率和任务完成度均达到或超过现有方案，索引阶段几乎零额外计算，模型权重和代码已开源。

小模型做记忆预筛选，大幅降低主力LLM的上下文处理成本RL奖励直接绑定任务完成度而非检索相关性，更贴合实际使用场景开源可评估，适合构建长时间运行的Agent应用

原文：MemSifter: Offloading LLM Memory Retrieval via Outcome-Driven Proxy Reasoning

04 模型架构五种几何特性完全不同的点云，一个编码器真能通吃？

点云数据一直是「各管各的」——遥感、LiDAR、室内RGB-D、CAD模型、视频重建，每种的密度、几何结构和先验差异巨大，没人指望一个模型全搞定。Utonia偏要试：用同一个自监督点云Transformer编码器跨五个域训练，结果不仅没有互相拖后腿，统一表征反而带来了单域训练看不到的涌现行为。更实用的是下游迁移效果：把Utonia特征接到视觉-语言-动作策略上，机器人操作任务有提升；接到VLM（视觉语言模型）上，空间推理也变强了。NLP早就走过了「统一预训练表征」这条路，点云领域现在可能正站在同样的起跑线上——133个upvotes拿下今天HF最高热度，说明做3D和具身智能的团队已经在关注了。

五种密度和几何特性完全不同的点云域共享统一编码器，跨域迁移被验证可行联合训练产生单域训练不具备的涌现行为，统一表征的价值不只是省事点云表征对机器人操作和空间推理等下游任务有直接增益，做3D相关方向的团队值得跟进

原文：Utonia: Toward One Encoder for All Point Clouds

也值得关注

把CFG重新理解为PID控制器 图像生成解释了固定guidance scale为何有局限，提出自适应调节方案。链接

统一多模态模型的生成能力到底有没有帮助理解？ 评测30个子任务的系统性测试给出分场景答案。链接

无需配对数据的视频编辑 视频生成用稀疏控制点实现局部编辑的时间和背景一致性。链接

Deep think越想越多反而放大错误 推理PRM作为实时正确性信号可缓解population enhancement瓶颈。链接

原生多模态模型的设计空间实验 多模态Transfusion框架下从零训练，哪些因素最关键。链接

世界模型不需要decoder 模型架构在表征空间直接预测下一步embedding，MBRL效果更好。链接

LM agent在长上下文中会被上下文压力带偏 安全对齐偏离原始目标，最新模型也不例外。链接

测试时自适应：LLM给自己出题再自我微调 推理针对当前问题生成合成训练数据的meta-learning方案。链接

视频扩散模型水印在生成过程中直接嵌入 安全对齐盲提取，不影响质量。链接

更深的推理链不一定更对 可解释性数学推理模型61%准确率中混合了可靠和不可靠的推理路径。链接

今日观察

今天三篇独立工作不约而同指向了同一个问题：从「单一任务做得好」到「跨场景泛化」之间的鸿沟，靠堆参数量填不平。

BeyondSWE的数据最直接——code agent在SWE-bench式的单仓库bug修复上已经很强，但换到跨仓库推理和依赖迁移，成功率断崖式下跌到45%以下。能力没有自动迁移，搜索增强也救不回来。Utonia从正面证明这个gap可以被显式设计解决：同一个点云编码器跨遥感、LiDAR、室内、CAD、视频重建五个域做到一致表征，关键不是更大的模型或更多数据，而是重新设计了跨域一致性的学习目标。HACRL提供了第三个视角：让不同架构的agent互相共享验证过的训练经验，用协作机制绕过单一模型的泛化天花板，采样成本还减了一半。

三篇的共同信号：扩展能力边界的杠杆可能不在模型规模，而在训练范式和评估维度的重新设计。如果你在用code agent做超出单仓库修复的工作，BeyondSWE的四维度评测框架值得拿来审视一下自己团队的实际使用场景——知道工具的能力边界在哪，比盲目信任更有价值。