哈佛研究：AI 编程智能体生成更多代码，但并未带来更多软件产出
哈佛大学研究者基于 Jellyfish 平台 700 余家软件公司、逾 70 万名员工、约 3 亿条工作事件（2021 年至 2026 年 3 月）的数据发现，AI 编程工具提升了代码生成量，但人工代码审查形成显著瓶颈，几乎没有证据显示企业因此提高了软件产出或减少了用工。审查阶段耗时增加，拉取请求更常需要修改，评审者也会留下更多评论。
#编码
#编码
今日 0 条Ars Technica · AIAI 评分5656
GitHub Blog · AI & ML精选AI 评分6363 GitHub 开源 AI 代码审查评测基准 ReviewBench
GitHub 发布开源 AI 代码审查评测基准 ReviewBench，基于 103.9M 真实 pull request 抽取 219 条跨 19 种语言的样本，资深工程师独立复核与 ground truth 一致率达 96.6%。
推荐理由：ReviewBench 把 GitHub 上真实 pull request 的分布固化为可复现评测，附带资深工程师校验的 ground truth 与自提交 leaderboard。
The DecoderAI 评分4747 Google 研究人员找到防止自改进 AI 智能体死记测试任务的方法
Google 研究人员提出 RRSI 方法，通过逐轮缩减编辑预算与严格评审机制，防止自改进 AI 智能体死记训练任务。在冻结的 Claude Opus 4.8 与 8 个 benchmark 上测试，训练任务最高提升 14.1 分、5 个未见任务最高提升 4.7 分，运行时 token 消耗比未正则化版本减少约 30%。
Berkeley AI ResearchAI 评分4343 ABBEL：教 LLM 更新信念状态，实现高效长程交互
ABBEL 框架让 LLM 把长程交互历史压缩为自然语言「信念状态」，并用信念打分监督其信息内容，以缓解上下文膨胀。在 CollabBench 协作编码任务中，ABBEL-rec-BG 把与全上下文模型的性能差距缩小约 50%，训练步数从 100 降到 50。其峰值上下文 token 数为 6.01×10²，低于全上下文模型的 14.08×10²。
Import AIAI 评分4848 Import AI 464：Fable 编写 GPU kernel；AI 自动化；模拟计算
Fable 在 KernelBench-Mega 提交首个真正 megakernel，在 RTX PRO 6000 Blackwell 上较 PyTorch 基线实现 18.71 倍加速。
Hugging Face BlogAI 评分4343 ScarfBench：评估 AI 智能体在企业 Java 框架迁移中的表现
Hugging Face 推出开源基准 ScarfBench，用于评估 AI 智能体在企业 Java 跨框架迁移任务上的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态，包含 34 个应用、204 个迁移任务和约 15.1 万行代码。