一致性崩溃：诊断代码代理在达到正确代码后失败的原因

代码代理解决了 65-70% 的 SWE-bench Verified 问题，但 Pass@1 无法告诉我们为什么其余问题失败，而且正如我们所表明的，在没有轨迹数据的情况下，有能力的模型故障会被系统地误诊。我们引入了 TRAJEVAL，这是一种将智能体轨迹的 无需训练 分解为参考补丁对齐的搜索、读取和编辑阶段，并将其应用于跨越三种架构和七个模型的 16,758 个轨迹。有能力的模型的主要故障不是本地化：SWE-Agent 和 OpenHands 上的 60-69% 的故障达到并编辑了正确的函数，但仍然产生不正确的补丁，并且对于仅 bash LiveSWEAgent 上的大多数模型来说，这种模式仍然存在。在这个编辑质量残差中，我们确定了 Coherence Collapse，即代理到达正确的代码，然后覆盖或破坏它，作为最大的主题，在 SWE-bench Verified 和多语言 PolyBench Verified 之间复制。在 5 种情况下，代理会生成与标准参考中间轨迹位相同的补丁，并在稍后将其销毁；编辑-提交检查点根据 SWE-bench Docker 工具恢复所有 5 个检查点。无参考共识驱动的变体在 GPT-5 上产生定向 +3.0 pp Pass@1 测量结果 (p=0.08)。