用户改代码让Agent成功率降7.7个百分点

重点关注

01 代码智能 用户一改代码，Agent就可能跟不上了

用户在任务进行中顺手改了几行代码，编码Agent面对的就不再是静态仓库，而是一个随时变化的共享工作区。SWE-Touch把这种真实协作现场做成了可复现的压力测试：在Agent触及关键代码时，注入看似合理、却与任务目标冲突的用户改动，并附上对应的上下文消息。对9个编码模型的评测显示，这类改动让SWE-bench Verified的平均任务解决率下降7.7个百分点，而且在更长链路的SWE-Bench Pro和DeepSWE任务上，性能退化依然存在。

更值得关注的是失败方式：Agent可能保留冲突代码，也可能直接覆盖用户修改，却没有重新检查仓库状态或用针对性测试验证行为。这说明对话里「知道用户说了什么」还不够，真正的协作能力包括发现外部变更、判断改动归属、重建当前任务状态，再决定合并还是回退。对准备把编码Agent接入真实团队工作流的人来说，SWE-Touch提供了一个很实用的提醒：部署前不仅要测它能否独立完成任务，还要测它在代码被别人碰过之后能否稳妥接手。

原文：SWE-Touch: Benchmarking Coding Agents When Users Touch the Code

02 推理 能看见梯度路径，就等于看懂模型推理了吗？

测试时优化正在从「调一团连续隐状态」，走向追踪每次更新如何影响后续推理。GradCuit把可优化状态插入Transformer的指定层，让整段输出的奖励梯度能直接分配给此前的隐状态；在5个模型、3类推理基准和2种答案格式上，平均准确率达到64.5%，比思维链提示高6.6个百分点，也比最强对比方法高2.4个百分点。它对学习率也更稳定：横跨7档设置持续领先LatentSeek，准确率标准差从1.53降至0.82。梯度归因显示影响集中在推理连接词，早期到中间层似乎是更有效的优化位置，但这只是提供了一条可检查的因果路径，并不等于可解释性已经解决。对考虑测试时扩展的团队，更值得验证的是这种优势能否跨任务成立，以及额外优化预算和失败模式是否可控。

原文：GradCuit: Credit-Assigned Gradient Flow Enables Robust and Interpretable Test-Time Latent Reasoning

03 检索 一套表示收拢词项匹配和跨模态召回

稀疏检索长期依赖双向编码器，多模态扩展还常需额外的跨模态模块。UEmbed尝试用decoder-only（单向因果）架构在一次前向计算中同时生成稀疏和稠密表示，把这些能力收进同一个模型。它通过多个可学习的特殊token分管不同词表子集，再拼出完整的稀疏向量，同时保留稠密语义表示。公开数据训练的9B版本在多模态基准MMEB-v2上取得稠密71.8、稀疏71.0，超过RzenEmbed等同类模型，在文本检索基准BEIR上也保持竞争力。对团队而言，真正需要验证的不是单项分数，而是统一模型能否减少部署与维护成本，又不牺牲词项匹配的可解释性或跨模态召回质量；摘要尚未给出端到端延迟、索引成本和两类表示冲突时的取舍，需要看全文确认。

原文：UEmbed: Unified Sparse and Dense Multimodal Embeddings