三位独立研究者汇总截至 2026 年 10 月 5 日可核实的 9B–20B 开源模型在 vLLM/SGLang 上的量化公开实测，发现所有计时都符合内存带宽与计算的 roofline 规则：batch 1 时 INT4 提速 1.35–2.12 倍，batch 256 时 W4A16 仅 1.02 倍，FP8 仍有 1.68 倍。
能拿走的是 roofline 判断法加 7 条量化报告清单，用来定小 batch 选 W4A16、大 batch 选 FP8 的配方；代价是证据来自不同引擎版本，只能组内比较。
一项对照实验用 Codex CLI 0.157 和 gpt-5.6-luna 在 shopizer 上跑六个功能任务，planner-coder-reviewer 团队只通过 25.7% 的隐藏验收测试，单 agent 通过 56.8% 且花费更低。
能拿走的是对照实验设计本身，同一批任务下把单 agent 与 planner-coder-reviewer 团队按成本对齐比较，并给出把 TASK.md 放进仓库让每个 agent 自读的修法；代价是只测了一个模型、一个 Java 代码库和六个功能，结论外推有限。
人大、复旦、上交联合团队在 arXiv 发布 ToolSpace，先从 20 万条真实执行轨迹中用确定性规则挖出工具间的数据、状态、重试三类依赖，聚成 804 个环境簇，再在图上随机游走生成任务并回放验收。
可借鉴的是先挖真实轨迹里的工具依赖再按需造环境，无状态环境直接缓存回放，省掉一半合成文件；前提是手里有真实执行轨迹，且冷门编排进不了图。
Google 和香港大学的论文 VeriCUA 把计算机操作智能体的任务完成判定从一次模型调用打分，改成先勘察环境再定验收标准、从 GUI 和代码两条通道取证、按证据可信度仲裁的验证流程。
可搬走证据分级（物证/证词）与先勘察再定标准两条规则，用于 agent 轨迹筛选和 RL 奖励判定；代价是验证要多花推理预算，且依赖对机器状态的只读特权访问。
Pallavi Singla 在 30 条 agent 式查询上横向评测 You.com、Tavily、Exa、Parallel 四家搜索 API，覆盖 GTM、保险、金融三类场景，每条查询重复 3 次共 90 次调用。
能拿走一套可复跑的搜索 API 评测框架，含 30 条 agent 式查询、答案键、promptfoo 配置和 MCP 接入方式，可用来给自家 agent 选搜索后端；代价是要自备四家 API key，且只跑了一天数据、每类 10 条，差一两条属噪声。
Virginia Tech 团队分析 3211 条多轮多智能体辩论失败轨迹，发现 94.9% 的失败包含恢复或纠正失败，正确答案中途出现过却未被采纳。研究基于 7 个开源模型在 8 个数据集上的 7300 个辩论任务，构建了含 6 个父类、24 个子标签的通信失败分类法，人工盲标注映射率 93.4%。
可借鉴逐轮分歧度加答案振荡的轻量监控思路，不读文本只靠答案动态预测失败，能插进现有辩论编排做预警；前提是实验以3B到14B中小模型为主，比例不宜外推到强模型。
GVS5H 提出免训练的 ledger-based zero-shot 自编排方法，让同一模型的新实例通过共享文件系统交换计划、笔记和当前解法来拆解问题。
能拿走的是多智能体共享文件系统做计划与解法的编排脚本和跑分命令，可接到软件工厂的编码评测线上；代价是要 uv、各家 API key 和 128k token 预算，且部分模型反而变差。
一项新研究提出 BackUpper，在编码 Agent 执行破坏性操作前自动备份关键状态，在 205 个任务的 RegretBench 上实现 100% 备份覆盖，恢复数据与原状态平均相似度 92.2%。
BackUpper 用四级保护加小模型判定，在 harness 层给 Agent 动作前做影子备份，可接到编码 Agent 产线；代价是每任务约 $0.014 额外开销，且需按 harness 适配。
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve，它用 GPT-4.1 分析智能体在训练任务上的轨迹，把成功与失败蒸馏成简短行为规则追加到 system prompt，不更新模型权重。
能从智能体自己的任务轨迹里自动提炼行为规则追加到 system prompt，不更新权重；代价是输入 token 涨 32%–65%，规则数量要按领域调。
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，现已开放研究预览版。基准包含 19 种语言、187 个开源仓库的 219 个 PR，其语言与仓库规模分布对齐对 103.9M 个 GitHub PR 的分析结果，PR 规模则刻意向可审查的中长尾加权。
可借鉴其多源金标集构建法：人工评审、后续提交推断、静态分析、多个前沿 LLM 汇总去重，再用统一 rubric 判分；代价是 219 条 PR 的标注与专家复核成本高，且依赖 Claude Sonnet 5 作 judge。