لاگِ پایشِ روزانه

دیده شد: 0 آیتم تازه از 1000 — 0 مورد ارزیابی شد

تصمیم: هیچ آیتم تازه‌ای نیامد — بدون تغییر.

دیده شد: 1 آیتم تازه از 1000 — 1 مورد ارزیابی شد

تصمیم: 1 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

دیده شد: 26 آیتم تازه از 999 — 26 مورد ارزیابی شد

تصمیم: 26 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: RIPPLE: Recovery Internalization through Process-Level Policy Learning and Effect-Aware Credit for Long-Horizon Agentic Coding؛ ProductWebBench: Evaluating Website Continuity Beyond Task Completion؛ Donating Agent Skills to the Agentic AI Foundation؛ PLE: Physical-Engineering's Last Exam؛ What the Specification Did Not Say: Specification-Oracle Gaps in Test-Graded Coding-Agent Benchmarks

دیده شد: 24 آیتم تازه از 973 — 24 مورد ارزیابی شد

تصمیم: 24 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: SWE-DIVE: Multi-Turn Coding Agent Evaluation with Dynamic User Simulation؛ VeeReview: Measuring Build-Verify Pairs in Agent-Authored Pull Requests from a V-Model Perspective؛ HGM-Dual: Lineage-Aware Guided Agent Harness Optimization for Long-Horizon Planning؛ An Explicit Feedback Contract for Iterative ML-Agent Harnesses؛ Act on Your Behalf, Beyond Your Authorization: Benchmarking LLM Agent Authorization Alignment

دیده شد: 32 آیتم تازه از 949 — 32 مورد ارزیابی شد

تصمیم: 32 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: Elicitation or Expansion? Demystifying Gains from Agent Harness Optimization؛ Act on Your Behalf, Beyond Your Authorization: Benchmarking LLM Agent Authorization Alignment؛ Harness Self-Evolution for Long-Horizon Terminal Agents؛ REM: What to Store, When to Recall, What to Forget in Experience Memory for Coding Agents

دیده شد: 38 آیتم تازه از 917 — 38 مورد ارزیابی شد

تصمیم: 38 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: How Effectively Do Security Skills Guide Coding Agents in Vulnerability Detection in Linux Kernel?؛ Accountable partial understanding: securing the epistemic attack surface of agentic systems؛ Peer Pressure: Execution-Verified Co-Evolution of Attacker and Defender Populations for Code Security؛ Cortex: A Fixed-Point Theory of Governed Coding Agents - Technical Report؛ Harness-Delta Attribution: Dissecting Gains From Harness Evolution؛ Towards Agentic Cloud Engineering: Graph and Loop Engineering with a Zero-Trust Agent Harness

دیده شد: 28 آیتم تازه از 879 — 28 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: Quoting Matthew Green

• 7Quoting Matthew Green
  قاعدهٔ 6 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ شکلِ عملیاتی (standard)؛ منبعِ معتبرِ تحتِ پایش

زیرِ آستانه: llm-tools-datasette 0.1.1؛ Dyna-2: General Purpose Physical Agents with Hour-Long Autonomy — Jason Ma, Dyna Robotics؛ llm-echo 0.5؛ Quoting Geoffrey Huntley

دیده شد: 0 آیتم تازه از 851 — 0 مورد ارزیابی شد

تصمیم: هیچ آیتم تازه‌ای نیامد — بدون تغییر.

دیده شد: 0 آیتم تازه از 851 — 0 مورد ارزیابی شد

تصمیم: هیچ آیتم تازه‌ای نیامد — بدون تغییر.

دیده شد: 24 آیتم تازه از 851 — 24 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: HPCAgent-Bench: A Framework for Sound Benchmarking of Code-Optimizing

• 6HPCAgent-Bench: A Framework for Sound Benchmarking of Code-Optimizing Agents, Harnesses, and Skills
  قاعدهٔ 11 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ لحنِ تردید (cannot)؛ شکلِ عملیاتی (benchmark)

زیرِ آستانه: OPRD: On-Policy Reminder Distillation for Long-Horizon Coding Agents؛ What Survives Self-Evolution: Provenance Marks in Copied Agent Harnesses؛ RT-J: Large-Scale Pretraining of Relational Transformers for Context-Efficient Predictions

دیده شد: 18 آیتم تازه از 827 — 18 مورد ارزیابی شد

تصمیم: 18 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: EmbodiedEvo: Self-Evolving Coding Agent For Physical Intelligence؛ RT-J: Large-Scale Pretraining of Relational Transformers for Context-Efficient Predictions

دیده شد: 42 آیتم تازه از 809 — 42 مورد ارزیابی شد

تصمیم: 42 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: SWEPatchTest: Evaluating Software Tests Beyond Reproduction؛ Verifier-Harness Co-Evolution for Training-Free Self-Improvement on Open-Ended Tasks؛ RT-J: Large-Scale Pretraining of Relational Transformers for Context-Efficient Predictions؛ Jev-Guard: Fast Routing and Auditing Agent Actions over Editable Policy Trees

دیده شد: 0 آیتم تازه از 767 — 0 مورد ارزیابی شد

تصمیم: هیچ آیتم تازه‌ای نیامد — بدون تغییر.

دیده شد: 17 آیتم تازه از 767 — 17 مورد ارزیابی شد

تصمیم: 17 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: ProgramGym: Scaling Training Environments for Long-Horizon Program Reproduction Agents؛ TestSuiteBench: Coding Agents Struggle to Generate Strong Test Suites from Specifications؛ Don't Guess, Just Ask: Evaluating Interactive Requirement Clarification for Repository-Level Software Development؛ AgentSWE: Can Coding Agents Build the Agent You Actually Want?؛ Humanize MLE Agents: Multi-Agent Session Alternation Beyond Single-Agent Limits

دیده شد: 0 آیتم تازه از 750 — 0 مورد ارزیابی شد

تصمیم: هیچ آیتم تازه‌ای نیامد — بدون تغییر.

دیده شد: 1 آیتم تازه از 750 — 1 مورد ارزیابی شد

تصمیم: 1 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

دیده شد: 30 آیتم تازه از 749 — 30 مورد ارزیابی شد

تصمیم: 30 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: PolyCodeEval: Benchmarking Multilingual Code Generation from Functions to Repositories؛ Lower bounds for Ramsey numbers: $\mathrm{R}(6,8)\ge 135$ and $\mathrm{R}(8,10)\ge 345$؛ LLM Agents as Resilience Engineers for Scientific Applications؛ Safe, Persistent, and Evolving Agent Harness for Understanding Partially Observable Worlds

دیده شد: 15 آیتم تازه از 719 — 15 مورد ارزیابی شد

تصمیم: 15 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: Coding-Agent Benchmarks Should Match Their Users' Task Flows

دیده شد: 21 آیتم تازه از 704 — 21 مورد ارزیابی شد

تصمیم: 21 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: CheckerBench: Can Long-Horizon Agents Synthesize Static-Analysis Checkers?؛ Internalizing Agent Experience into Diffusion Model Weights via On-Policy Context Distillation؛ Harness Engineering for Software Engineering via Modular Executable Dev-Primitives؛ MemMux: Runtime Verification and Honest Resource Attribution for Fleets of Parallel Coding Agents

دیده شد: 31 آیتم تازه از 683 — 31 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: Asymmetric Repository Lineage Modeling and Verifier-Guided Coordinatio

• 6Asymmetric Repository Lineage Modeling and Verifier-Guided Coordination in Concurrent AI Coding Agents
  قاعدهٔ 1، 5 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ شکلِ عملیاتی (contract)

زیرِ آستانه: Back to the Future: Regressing Readability Features from LLMs؛ StateWise: Diagnosing and Repairing Persistent Operational State Before Agent Actions

دیده شد: 19 آیتم تازه از 652 — 19 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: VERSE: Verified Self-Evolving Optimizer for Agent Harnesses

• 6VERSE: Verified Self-Evolving Optimizer for Agent Harnesses
  قاعدهٔ 4 را لمس می‌کند؛ شواهد ضدجهتِ صریح (fails to)؛ شکلِ عملیاتی (controlled study)

زیرِ آستانه: Pincer: Resource Authorization for Agents using a Digital Twin؛ SideKernel: A Usable microVM Sandbox for AI Coding Agents on macOS

دیده شد: 0 آیتم تازه از 633 — 0 مورد ارزیابی شد

تصمیم: هیچ آیتم تازه‌ای نیامد — بدون تغییر.

دیده شد: 0 آیتم تازه از 633 — 0 مورد ارزیابی شد

تصمیم: هیچ آیتم تازه‌ای نیامد — بدون تغییر.

دیده شد: 24 آیتم تازه از 633 — 24 مورد ارزیابی شد

تصمیم: 24 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: Groundability, Not Scale Alone: When Weak Reviewers Can Audit Strong Coding Agents؛ FORALL-LEAN-AGENT for Auditable Reasoning in Formal Mathematics and Software Verification

دیده شد: 32 آیتم تازه از 609 — 32 مورد ارزیابی شد

تصمیم: 32 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: A2Z GameSpec-Bench: How Faithfully Can Coding Agents Generate Games from Game Design Specifications?؛ cua-speedrun: Standardized Benchmarking of the Speed of Computer-Use Agents؛ Fyan: A Human--AI Harness with Semantic Auditing for Document-Level Formalization؛ ASENA: Self-evolving Agents for Embodied Navigation؛ From Verification Failures to Reusable Guidance for Coding Agents؛ HARDE: Optimizing Agent Harnesses for Runtime Risk Detection and Execution Control

دیده شد: 32 آیتم تازه از 577 — 32 مورد ارزیابی شد

تصمیم: 2 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: LoLBench: Evaluating Coding Agents with Long-Horizon Proposals on Larg؛ GPT 6.1 Sol: Near-Astra intelligence for a fifth of the price

• 6LoLBench: Evaluating Coding Agents with Long-Horizon Proposals on Large Software Systems
  قاعدهٔ 2، 6، 12 را لمس می‌کند؛ لحنِ تردید (however)؛ شکلِ عملیاتی (benchmark)
• 6GPT 6.1 Sol: Near-Astra intelligence for a fifth of the price
  قاعدهٔ 13 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ

زیرِ آستانه: Quoting Anthropic Frontier Red Team؛ Deser: Rethinking Rust Serialization؛ From Dead Code and Static Requirements to Working Engines: Software Revival with Coding Agents

دیده شد: 45 آیتم تازه از 545 — 45 مورد ارزیابی شد

تصمیم: 45 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence؛ Beyond Skill Evolution: Self-Evolving Context Management Policies for Long-Horizon Agent Harnesses؛ Long-Horizon Analog Design Bench: Benchmarking Agents on Hours-Long Analog and Mixed-Signal Circuit Design Tasks؛ Methodological Harness in Agentic Software Engineering: An Empirical Study on Mining Software Repositories؛ Research-Native by Construction: Minimal Nodes, Re-verifiable Workflows, and Compounding Memory for Long-Horizon Scientific Agents؛ Timeline-Bench: Evaluating Agents on Realistic Video-Editing Tasks, from Raw Footage to Final Cut

دیده شد: 11 آیتم تازه از 500 — 11 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: 2026 in LLMs (so far)

• 62026 in LLMs (so far)
  قاعدهٔ 13 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ

دیده شد: 1 آیتم تازه از 489 — 1 مورد ارزیابی شد

تصمیم: 1 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

دیده شد: 3 آیتم تازه از 488 — 3 مورد ارزیابی شد

تصمیم: 3 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

دیده شد: 22 آیتم تازه از 485 — 22 مورد ارزیابی شد

تصمیم: 2 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: Evaluating Agent Skills for Version-Specific Plugin Migration: A Retro؛ datasette 1.0a41

• 7Evaluating Agent Skills for Version-Specific Plugin Migration: A Retrospective Study
  قاعدهٔ 1، 11 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ لحنِ تردید (does not)؛ شکلِ عملیاتی (contract)
• 6datasette 1.0a41
  قاعدهٔ 11، 13 را لمس می‌کند؛ شکلِ عملیاتی (dataset)؛ منبعِ معتبرِ تحتِ پایش

زیرِ آستانه: Demystifying Agent Skills for Smart Contract Auditing: Design, Effectiveness, Behavioral Impact؛ SWE-Prometheus: Measuring Engineering Governance Improvements in Real-World Repositories؛ Where Does Exactly-Once Live? Model, Harness, and Tool-Contract Effects on Duplicate Side Effects in LLM Agents

دیده شد: 9 آیتم تازه از 463 — 9 مورد ارزیابی شد

تصمیم: 9 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

دیده شد: 20 آیتم تازه از 454 — 20 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: llm 0.36

• 8llm 0.36
  قاعدهٔ 11، 13 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ لحنِ تردید (do not)؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ

زیرِ آستانه: CliffCompaction: Cost-Efficient Compaction for Long-Horizon Coding Agents؛ Evaluating Coding Agents on Kernel Exploit Generation

دیده شد: 22 آیتم تازه از 434 — 22 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: Packaged, But Not Portable: Why Conforming to the Agent Plugin Standar

• 7Packaged, But Not Portable: Why Conforming to the Agent Plugin Standard Is Rare, and Why Conforming Would Not Be Enough
  قاعدهٔ 11، 12 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ شکلِ عملیاتی (standard)؛ مقیاسِ داده بزرگ

زیرِ آستانه: Agents That Edit Documents: Measuring Agentic PDF Forgery Against a Non-Agentic Control؛ GameLogicBench: Evaluating Coding Agents on Runtime Game Logic with Tick-Level State Assertions

دیده شد: 9 آیتم تازه از 412 — 9 مورد ارزیابی شد

تصمیم: 9 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: llm-keys-ui 0.1؛ GameLogicBench: Evaluating Coding Agents on Runtime Game Logic with Tick-Level State Assertions

دیده شد: 1 آیتم تازه از 403 — 1 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: datasette-auth-github 1.0

• 6datasette-auth-github 1.0
  قاعدهٔ 11، 13 را لمس می‌کند؛ شکلِ عملیاتی (dataset)؛ منبعِ معتبرِ تحتِ پایش

دیده شد: 3 آیتم تازه از 402 — 3 مورد ارزیابی شد

تصمیم: 3 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: Quoting Thariq Shihipar

دیده شد: 24 آیتم تازه از 399 — 24 مورد ارزیابی شد

تصمیم: 24 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: How Do Agent Harnesses Create Value? Planning Information and Release Control in Stateful LLM Agents

دیده شد: 41 آیتم تازه از 375 — 41 مورد ارزیابی شد

تصمیم: 41 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: Tasks over Application Manuals: Revealing Gaps in Long-Horizon Procedural Reasoning for Language Models؛ Can Skills Learned in Games Transfer to Real-World Work?؛ ReFigBench: Benchmarking Scientific Figure Reconstruction as Editable PowerPoint Artifacts؛ Fragments: September 16؛ Stellar Colosseum: A Many-Agent Harness for Long-Horizon Research in Mathematics and Theoretical Computer Science؛ ModularRSI: Modular and Generalizable Recursive Harness Self-Improvement

دیده شد: 0 آیتم تازه از 334 — 0 مورد ارزیابی شد

تصمیم: هیچ آیتم تازه‌ای نیامد — بدون تغییر.

دیده شد: 6 آیتم تازه از 334 — 6 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: What blog posts influenced your thinking the most?

• 6What blog posts influenced your thinking the most?
  قاعدهٔ 13 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ

دیده شد: 2 آیتم تازه از 328 — 2 مورد ارزیابی شد

تصمیم: 2 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

دیده شد: 3 آیتم تازه از 326 — 3 مورد ارزیابی شد

تصمیم: 3 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

دیده شد: 7 آیتم تازه از 323 — 7 مورد ارزیابی شد

تصمیم: 7 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: Quoting huggingface.co/security.txt

دیده شد: 8 آیتم تازه از 316 — 8 مورد ارزیابی شد

تصمیم: 8 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: SemVerBench: Benchmarking LLM Comprehension of Version-Constraint Resolution Semantics؛ SaltBench: A Referee-Gated Protocol for Measuring Method Effects in Machine-Checked Software Work؛ Execution-First Synthetic Tool-Use Trace Generation for LLM Agents

دیده شد: 14 آیتم تازه از 308 — 14 مورد ارزیابی شد

تصمیم: 14 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: OpenDiscoveryTrace: Process Traces for Evaluating AI Scientist Workflows؛ IdeaAMBIG: Benchmarking Implementation-Critical Gaps in Research-Idea Specifications؛ TrajMark: Ownership Attribution and Segment-Level Tamper Localization for Coding-Agent Trajectories

دیده شد: 23 آیتم تازه از 294 — 23 مورد ارزیابی شد

تصمیم: 23 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails؛ SolutionsX: supergravity theories/solutions as code, with an agentic workflow for machine-verifiable physics؛ Scanning the Harness: An Empirical Study of Supply-Chain Defects in AI Coding-Agent Configurations؛ VEX-Bench: Benchmarking LLM Agents for Assessing Exploitability of Software Supply Chain Vulnerabilities

دیده شد: 6 آیتم تازه از 271 — 6 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: llm 0.34

• 6llm 0.34
  قاعدهٔ 13 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ

دیده شد: 11 آیتم تازه از 265 — 11 مورد ارزیابی شد

تصمیم: 11 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

دیده شد: 2 آیتم تازه از 254 — 2 مورد ارزیابی شد

تصمیم: 2 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

دیده شد: 3 آیتم تازه از 252 — 3 مورد ارزیابی شد

تصمیم: 3 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: OpenAI's rogue agents were caught communicating via public wikis

دیده شد: 11 آیتم تازه از 249 — 11 مورد ارزیابی شد

تصمیم: 1 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: SWE-Gate: Passing Functional Tests Is Not Enough for Software Engineer

• 6SWE-Gate: Passing Functional Tests Is Not Enough for Software Engineering Agents
  قاعدهٔ 2 را لمس می‌کند؛ شواهد ضدجهتِ صریح (is not enough)؛ شکلِ عملیاتی (benchmark)

زیرِ آستانه: Environment Evolution for Terminal Agents

دیده شد: 14 آیتم تازه از 238 — 14 مورد ارزیابی شد

تصمیم: 14 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: PaperCompiler: Faithful Paper-to-Code Generation via Repository-Level Specification Compilation؛ When Agents Implement Systems: A Case Study in Defects, Detection, and Evaluation Rigor؛ Agent Flight Recorder: Tamper-Evident Audit Trails with On-Chain Anchoring for Long-Horizon Tool-Using Agents؛ Skill-as-API: Confidential Multi-Agent Coordination for Agentic Software Engineering؛ ExecRetrieval: Measuring the Functional-Correctness Gap in Code-Embedding Retrieval

دیده شد: 25 آیتم تازه از 224 — 25 مورد ارزیابی شد

تصمیم: 25 آیتم تازه بررسی شد، هیچ‌کدام به آستانهٔ قابل‌تامل نرسید — بدون تغییر.

زیرِ آستانه: CordisBench: Can Language Models Reason About Component Lifecycles in Dynamic Agent Harnesses?؛ datasette-mcp 0.2؛ Claude Fable 5.1 made me a really nice animated pelican؛ Towards Agentic Cloud Engineering: Graph and Loop Engineering with a Zero-Trust Agent Harness

دیده شد: 199 آیتم تازه از 199 — 188 مورد ارزیابی شد

تصمیم: 2 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: Better Models: Worse Tools؛ The Tower Keeps Rising

• 7Better Models: Worse Tools
  قاعدهٔ 1 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ لحنِ تردید (do not)؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ
• 6The Tower Keeps Rising
  قاعدهٔ 13 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ

زیرِ آستانه: From Chrome DevTools to AI Engineering, with Addy Osmani؛ Compliance-first AI: proving agent provenance for regulated engineering teams؛ Works on my machine: how we use AI to reproduce reported bugs؛ A smarter way to run code migrations with less LLM context؛ A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting؛ Introducing Hy4 Preview

دیده شد: 199 آیتم تازه از 199 — 188 مورد ارزیابی شد

تصمیم: 2 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: Better Models: Worse Tools؛ The Tower Keeps Rising

• 7Better Models: Worse Tools
  قاعدهٔ 1 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ لحنِ تردید (do not)؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ
• 6The Tower Keeps Rising
  قاعدهٔ 13 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ

زیرِ آستانه: From Chrome DevTools to AI Engineering, with Addy Osmani؛ Compliance-first AI: proving agent provenance for regulated engineering teams؛ Works on my machine: how we use AI to reproduce reported bugs؛ A smarter way to run code migrations with less LLM context؛ A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting؛ Introducing Hy4 Preview

دیده شد: 199 آیتم تازه از 199 — 188 مورد ارزیابی شد

تصمیم: 6 موردِ قابل تامل برای بازبینیِ انسانی علامت خورد: Better Models: Worse Tools؛ How to evaluate Sourcegraph on your own codebase؛ Fast and Hard Code

• 9Better Models: Worse Tools
  قاعدهٔ 1 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ شواهد ضدجهت (do not)؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ
• 6How to evaluate Sourcegraph on your own codebase
  قاعدهٔ 9 را لمس می‌کند؛ شواهد ضدجهت (does not)؛ منبعِ معتبرِ تحتِ پایش
• 6Fast and Hard Code
  یافتهٔ کمّی دارد؛ شواهد ضدجهت (does not)؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ؛ به هیچ قاعده‌ای نمی‌خورد
• 6OctoLong: Mid-Training On Cross-Repository Code Contexts Enhances Long-Context Modeling
  قاعدهٔ 6 را لمس می‌کند؛ شواهد ضدجهت (however)؛ شکلِ عملیاتی (workflow)
• 6Execution-First Synthetic Tool-Use Trace Generation for LLM Agents
  قاعدهٔ 13 را لمس می‌کند؛ شواهد ضدجهت (however)؛ شکلِ عملیاتی (workflow)
• 6The Tower Keeps Rising
  قاعدهٔ 13 را لمس می‌کند؛ یافتهٔ کمّی دارد؛ منبعِ معتبرِ تحتِ پایش؛ مقیاسِ داده بزرگ

زیرِ آستانه: From Chrome DevTools to AI Engineering, with Addy Osmani؛ Compliance-first AI: proving agent provenance for regulated engineering teams؛ Works on my machine: how we use AI to reproduce reported bugs؛ A smarter way to run code migrations with less LLM context؛ A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting؛ Introducing Hy4 Preview