Microsoft Research Focus 第 98 期：KLS 猜想攻克、CompactionBench 与 LCT 等研究进展
Microsoft Research Focus 第 98 期由 Anson Ho 主持，盘点微软最新研究：KLS 猜想这一 31 年悬案被攻克，为理解随机化算法效率扫清理论障碍。
#编码
Microsoft ResearchAI 评分4343
The DecoderAI 评分5757 Co-Design Bench 基准测试显示编码智能体近四分之三任务仍需人工收尾
阿里与多所亚洲高校研究者发布编码智能体基准 Co-Design Bench，基于真实用户改需求构建任务，测试十个模型。最佳模型 GPT-6 Astra 平均满足约 70% 任务要求，但完全正确率仅 26.4%，多模态任务完全解决率 41%、仓库任务不足 18%；Claude Opus 5 和 Qwen3.8-Max 紧随其后，Grok 4.6 垫底。
Microsoft Research精选AI 评分6262 Microsoft Research 推出 PDD Kit，用形式化验证约束智能体生成的全栈 Web 应用
Microsoft Research 与 GitHub Next、RiSE 合作推出 PDD Kit，把形式化验证引入日常软件开发：它在 GitHub Next 的 Chopin 规划环境中与开发者协作，把自然语言意图转成 Verus 形式化规范，自动为智能体生成的代码生成证明，证明覆盖每个输入，证明触及不到的部分则回退为测试。
推荐理由：原文完整展示了从意图到形式化规范再到证明的七步工作流，可迁移之处在于它把代码审查重心移到了意图审查。
The DecoderAI 评分6161 研究发现复杂 coding agent harness 提升成本但未提升 SWE-bench 通过率
一项研究让 5 个模型（Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash、HY4-Preview）在 Claude Code。
The DecoderAI 评分7070 Anthropic 用 Claude 自动生成形式化证明验证现有代码正确性
Anthropic 的 Frontier Red Team 与合作方 Theorem 让 Claude 对现有软件做形式化验证，几周内生成约 1.8 亿行数学证明代码，覆盖 Google OSS-Fuzz 安全项目中 123 个开源库的测试程序，证明由独立程序 Rocq 自动检查。
The DecoderAI 评分5757 Taste-Bench 评测显示 AI 智能体长期决策能力接近随机猜测
Pan 等研究者提出 Taste-Bench，用事后回溯方式评估 AI 智能体在长期任务中的决策质量，共 502 道二选一题目，数据来自 SWE-bench Pro 和 METR 的 MALT 公开转录。
Ars Technica · AIAI 评分6161 哈佛研究：AI 编码工具未提升软件产出或减少就业
哈佛大学研究人员 Fiona Chen 和 James Stratton 的研究发现，AI 编码工具带来的编码阶段效率提升被生产流程下游约束吸收，代码审查成为显著瓶颈，企业并未因此增加软件产出或减少就业。
GitHub Blog · AI & MLAI 评分5656 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放离线基准，语料基于对 103.9M GitHub pull requests 的分析，包含 19 种语言、187 个公开仓库的 219 个 pull requests。
OpenAI NewsAI 评分4545 OpenAI 分析 SWE-Bench Pro 编码评测中的信号与噪声问题
OpenAI 发布新分析，指出编码评测基准 SWE-Bench Pro 存在问题，引发对 AI 模型评测可靠性与准确性的担忧。
Hugging Face BlogAI 评分5656 IBM Research 开源 ScarfBench：评测 AI 智能体的企业级 Java 框架迁移能力
IBM Research 推出开源基准 ScarfBench，用于评测 AI 智能体在 Enterprise Java 跨框架迁移任务上的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态，包含 34 个应用、204 个迁移任务、约 151K 行代码和 1331 个专家编写的测试。
Hugging Face BlogAI 评分3838 3LM：面向阿拉伯语 LLM 的 STEM 与代码生成评测基准
Hugging Face 推出首个面向阿拉伯语 LLM 的 STEM 与代码生成评测基准 3LM，包含 865 道原生 MCQ、1,744 道合成 MCQ，以及翻译自 HumanEval+ 和 MBPP+ 的代码任务。
Hugging Face BlogAI 评分5555 Hugging Face 研究：结构化 JSON 输出让 CodeAgent 在多项基准上提升 2-7 个百分点
Hugging Face 发布研究，提出 Structured CodeAgent，让 CodeAgent 以 JSON 格式同时生成 thoughts 和 code 字段，在 GAIA、MATH、SimpleQA、Frames 等基准上比普通 CodeAgent 平均提升 2-7 个百分点。
OpenAI NewsAI 评分4949 OpenAI 推出 SWE-Lancer 基准测试
OpenAI 推出 SWE-Lancer 基准测试，让前沿 LLM 在真实自由职业软件工程任务中竞争赚取 100 万美元。该基准以真实 Upwork 悬赏任务为题源，考察模型端到端完成编码与管理工作交付的能力。
OpenAI NewsAI 评分4646 OpenAI 发布 SWE-bench Verified
OpenAI 发布了 SWE-bench 的人工验证子集 SWE-bench Verified，用于更可靠地评估 AI 模型解决真实世界软件问题的能力。
Hugging Face BlogAI 评分5656 BigCodeBench 发布：面向复杂函数调用的代码生成评测基准
Hugging Face Blog 宣布发布 BigCodeBench，一个包含 1,140 个函数级任务、覆盖 139 个库的代码生成评测基准，每个任务平均含 5.6 个测试用例、平均分支覆盖率达 99%，旨在替代任务过于简单且易受数据污染影响的 HumanEval。