[2026-09-01] HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness?
模型先编写一套能调用工具、修改文件和检查结果的 Agent 程序，再根据执行反馈继续改进。本文说明开发与隐藏评测的边界、真实失败案例、跨模型迁移，以及 2,207 个下游实例上的结果。
# Benchmark
[2026-10-03] Video2World: Benchmarking Coding Agents for Interactive World Modeling from Embodied Videos
只给一段操作视频，Agent 要写出能在物理模拟器里完成同一任务的场景与控制代码。本文用立瓶子的完整案例说明输入、隐藏标注、执行状态、成功判据、评分公式与九套系统的结果。
[2026-09-18] RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use Agents
Agent 一边操作原软件弄清行为，一边写代码复刻，再运行自己的版本检查差异。本文用 Logbert 固定日志案例说明任务与隐藏测试的来源、两种评分通道、五平台结果和训练迁移。
[2026-08-17] ClawGym II: Exploring Black-Box RL on Agent Harness
ClawGym II 保留 Claude Code 和 OpenClaw 的工具执行流程，通过模型调用记录和任务评分训练模型。本文解释分支怎样恢复、哪些生成不参与训练，并实际运行公开周报任务的检查程序，核对评分与实…
[2026-08-23] Learning Generalizable Behaviors for Terminal Agents
RIVER 先检查任务说明、容器和测试程序是否一致，再让强模型各试两次，从原训练集筛出约 3.5K 个环境。两条真实误判记录说明答案泄漏和脆弱测试怎样带偏训练，以及重复操作的扣分加在何处。
[2026-09-18] GameLogicBench: Evaluating Coding Agents on Runtime Game Logic with Tick-Level State Assertions
在给定 Godot 项目里补好玩法逻辑，怎样确认它每一步都守规则？从引擎与代码示例讲起，逐项拆解任务构建、真实案例、隐藏判分和实验分母。
[2026-09-18] GameASG-Bench: Benchmarking Autonomous Software Generation for Game Development
47 个浏览器游戏怎样验收：谁写测试、编码模型系统看见哪些材料、真实拖拽如何判失败，以及为什么运行检查平均通过率 93.2% 只对应 26/47 个完整成功任务。
