首个基于持续集成循环的仓库级基准，评估LLM智能体在长期代码演进中维护代码质量的能力

80B参数MoE模型仅激活3B参数，通过大规模可验证任务合成实现高效编码智能体

面向科研全流程的数据中心化多智能体框架，在六项基准上取得 SOTA 并开源 27B 模型

用 LLM 编排器根据任务难度动态生成并迭代精炼分层 DAG 拓扑，比最强基线最多提升 14.6% pass@1。

用智能体进化合成面向不规则并行数据的高性能代码，平均加速106倍

通过大规模智能体 RL 训练 LLM 生成超越 torch.compile 的高性能 CUDA 内核

首个针对软件工程的上下文学习基准，定义四种上下文类型并评估其对代码生成、摘要、审查和补丁评估的影响

54个GPU推理优化任务评估编程智能体，硬指标高估能力。

用协同演化世界模型替代进化启发式，引导LLM进行GPU内核优化搜索

通过四层测试套件和能力自适应课程策略，优化LLM代码生成的强化微调

3B参数模型同时实现推理、编程和长程智能体能力

提出基于可执行代码的框架评估MLLMs物理推理能力，发现模型依赖视觉模式匹配而非真正物理理解

大规模 GitHub AI 编程智能体 PR 数据集，涵盖 93 万条记录

用MCTS优化掩码扩散语言模型的槽填充顺序，在推理任务上平均提升3.2%

首个专门为CUDA内核生成设计的扩散大语言模型

首个聚焦功能级开发的智能体编程基准，揭示最强模型仅11%通过率的巨大挑战

将GUI下一状态预测转化为HTML代码生成，用渲染感知强化学习实现高保真视觉模拟

在线强化学习框架，在提升代码安全性的同时保持功能完整性

利用机制可解释性，从LLM内部归因图的拓扑结构推断生成代码的正确性，无需外部执行验证。

60,000条轨迹揭示agentic评估存在2-6pp方差，单次运行不可靠