One month coding with GLM 5.3 Flash

现有 benchmark 只验证行为正确性，不检查迁移是否真的发生，给了 agent 抄旧实现骗过测试的空间（作者称为 Blindness）SWE Refactor Bench 用 20 个整仓迁移任务覆盖 4 类技术债，配合三阶段评测：Migration Audit 确认迁移确实发生固定测试套件验证行为再用 6 个独立 coding agent 生成针对性测试抓隐藏行为差异520 次运行（8 个前沿模型26 组 model-effort 配置）只有 28 次（5.4%）三段全过，20 个任务里 13 个没有任何被接受的解，最好的 claude-opus-5 也只拿 47.0/100作者结论：迁移完整性与行为正确性是两种能力，多数运行要么保行为跳过迁移要么做了迁移弄坏行为，整仓级完美迁移目前做不到

论文提出 GSE，把 coding agent 的技能演化从局部追加升级为全局技能关系图聚类合并和 replay 验证它显式维护 Skill Relation Graph 以保持技能库一致性，用 cluster-based consolidation 抽象可复用能力，并用 replay-driven verification 防止过拟合和行为回退；在 bug-revealing test generationfalse-positive bug report filtering 和内部工业 agent 上报告明显 F1 提升

SWE-Touch 把编码 Agent 放到用户会中途修改代码的共享工作区中，用与任务冲突但表面合理的 Counter-Edit 压测 Agent 的状态感知和适应能力摘要报告在 SWE-bench Verified 上平均解决率下降 7.7 个百分点，且问题在更长周期的 SWE-Bench Pro 和 DeepSWE 中仍然存在，指向检测工作区变化协调冲突编辑和针对性测试的下一代基准需求

论文提出 STAIR，把历史修复轨迹抽象成多层可复用计划，再注入新 issue 的 prompt摘要报告在 SWE-bench Verified 上，STAIR + Lingxi 使用 MiniMax M2.5 达到 81.2% Pass@1，使用 GPT-5 达到 79.2%；同一计划还能把 mini-SWE-agent v2 从 75.8% 提升到 81.0%这篇适合和Agent 记忆到底该存什么放在一起读