SWE-Verifier选择性验证编码智能体动作
SWE-Verifier由Qwen3.5-4B训练，在不足4%步骤触发候选采样与排序。mini-swe-agent上，MiniMax-M2.7解决率从75.47%到77.20%，成本1.09倍；DeepSeek-V4-Flash从72.60%到74.27%，成本1.13倍。国内可用性与价格未知。
要点
- SWE-Verifier仅在不足4%的步骤触发候选动作采样与排序，以控制额外成本。
- MiniMax-M2.7的解决率从75.47%升至77.20%，成本约为原来的1.09倍。
- 该方法可泛化到未经其动作训练的DeepSeek-V4-Flash；国内可用性、价格与具体参数未知。
为什么值得看
编码智能体的错误动作会浪费计算并抬高接口成本，而每步都采样验证又带来明显开销；选择性触发可在小幅成本下提高解决率。
谁会受影响
面向使用编码智能体、同时关注任务解决率与推理成本的研究者和工程团队。
今天就能怎么试
论文称模型、代码与数据已公开，但具体获取方式、国内可用性、价格和训练参数未知，本文未实测。
原始来源
1SWE-VERIFIER: Selective Verification for Cost-Efficient Coding Agents · arXiv cs.AI · 2026年10月23日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。