一句话看懂：arXiv 新论文用五个模型、两套智能体框架和三个 SWE-bench 数据集记录每个仓库补丁，发现编码智能体往往很早就写出正确修复，却在此后继续运行大量步骤，部分运行甚至把正确答案改回错误。
事件核心：发生了什么
这篇于 2026 年 11 月 13 日发布在 arXiv cs.AI 的论文提出“终止延迟”概念，即智能体第一次生成正确补丁到运行结束之间的步数。研究覆盖五个模型、两套智能体框架和三个 SWE-bench 数据集，通过记录并测试执行期间每一个不同的仓库补丁来统计。摘要称，38%—82% 的成功运行在首次源码编辑时就已正确；但在 SWE-bench Verified 和 Multilingual 的成功运行中，Qwen3-Coder 解题后的步骤中位占比仍达 35%—37%，Laguna-XS.2 为 54%—60%。
为什么重要
编码智能体的成本通常按步骤、token 或工具调用计费，多余步骤直接转化为推理开销和等待时间。论文还指出，额外步骤主要用于验证工作和浏览仓库。更关键的是，1%—8% 的情况下，持续活动会撤销此前的正确补丁，导致最终答案错误——这提示“跑得久”并不等于“结果更可靠”，对智能体框架的停止策略和验证流程设计有直接参考价值。
对用户/开发者/创作者的影响
对使用 Cursor、Claude Code 类编码智能体的开发者而言，如果模型首次修复已经正确，继续执行的验证和探索可能带来不必要的时间与 API 成本。对智能体框架开发者来说，何时停止、如何判定“已正确”是值得优化的环节，例如增加早停判断、减少重复仓库探索。对企业采购方，评估编码智能体时除了看最终解决率，也应关注成功运行的步骤效率与“改坏正确答案”的比例。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息仅为论文摘要，实验细节和复现条件有待全文披露。后续可观察：一是有无框架跟进实现更激进的早停机制；二是模型厂商是否在训练或推理阶段优化终止判断；三是不同模型在“撤销正确补丁”问题上的差异是否与提示词和工具调用策略相关。
来源：arXiv cs.AI
