提出 CGR 评估协议，量化可执行 Python 支架对小模型 MCQA 的影响与审计。

提出「代码即智能体框架」视角，让代码成为智能体推理与行动的运行时底座。

用 MLLM 智能体分阶段生成 Blender 代码，从俯视图重建可执行 3D 房间。

冻结LLM权重，用四智能体+可训练知识图谱的闭环系统让代码生成越用越强。

把失败轨迹转成修正样本，让模型同时学会做对与改对。

用评估技能+六阶段流水线让 Claude 自动为任意 agent 生成可执行的评估代码

THINC框架让代码本身成为推理主体，4B模型击败235B基线

将前向KL与反向KL按token级信号混合，结合off-policy数据与轻量on-policy采样的统一蒸馏框架

用强化学习让 7B 小模型端到端生成可部署的多页网站，匹敌 671B 模型。

用结构化轨迹摘要+RTV+PDR,在长程智能体编码上系统提升测试时计算增益。

多智能体机制感知系统,实现可解释的HTML5游戏迭代进化

构建 PlayEval 基准与 PlayTester 多模态测试代理,提出 PlayCoder 多智能体框架通过"视觉驱动测试+自动修复"闭环修复 GUI 代码的隐性逻辑缺陷。

首个端到端网页游戏生成智能体框架，含Game Skill与GameCoder-27B。

首个覆盖生成/编辑/修复全生命周期并支持文/图/视频三模态的Web编程评测基准,提出Agent-as-a-Judge新范式。

用师生交替生成解决推理模型SFT中的风格冲突问题

DBCooker：基于LLM的数据库原生函数自动合成系统，三大模块协同覆盖声明解析、参考单元复用与自适应编排，在三大主流数据库上平均准确率提升34.55%。

通过留一法 AUC 评估测试质量，无需正确代码标签即可区分信息性与误导性测试。

提出 SciTikZer 模型与 Dual Self-Consistency 强化学习框架，从图像生成可编译的 TikZ 代码，在 8B 体量上超越 Gemini-2.5-Pro 与 Qwen3-VL-235B。

让代码模型学会模拟程序执行，通过自验证和自修复提升代码正确率

提出不确定性感知多智能体框架，让 LLM 编码代理像人类开发者一样识别指令缺失并主动提问。