UT Austin の研究は SWE-bench Verified と Terminal-Bench で約 35,000 回のコーディングエージェント実行を行い、コンテキストの圧縮方法、圧縮をいつ発動するか、どれだけ削除するかを変えた。Qwen を使う Terminal-Bench では、約 3 分の 1 のトークンを使うポリシーは、完全なコンテキストを保持する場合より 20% から 80% 長くかかることがある。
DAIR.AI は、Microsoft と共同研究者らによる論文 ActiveSaddler を紹介している。これは、エージェントハーネスの最適化に使うシナリオを変えるものだ。同じ最適化器で、固定シナリオ順と比べてテスト Pass@1 が GAIA2 では 4.4 ポイント、Terminal-Bench 2.0 では 7.5 ポイント向上する。
Command Code は、Claude Sonnet 5.5 が GOAT、Pro、Max および同社 API で利用できると述べている。同社によれば、このモデルは速度が 30% 速く、コストは 30% 低く、Terminal-Bench 4.0 では Opus 5.5 を上回る。
Clineによると、Sonnet 5.5はTerminal-Bench 4.0でOpus 5.5を上回り、コストは半分だという。Clineはまた、従来モデルより使用トークンが少なく、タスクあたりのコストを最大30%削減し、出力生成は前世代より30%速いとしている。
論文が SkillGym を提案している。人が書いたスキルを 2,756 の訓練環境に変換し、8,364 件の成功軌跡でファインチューニングする。Claude Code 上の Qwen3.5-35B-A3B がその後 Terminal-Bench 2.1 で 19.10 ポイント向上し、スキル支援の SkillsBench v1.1 で 51.47% に達したと報告している。
StepFunはコマンドラインツールStep Code v0.1.0をMITライセンスでオープンソースとして公開した。StepPageによるワンコマンドでの静的サイト公開を含む。StepFunはTerminal-Bench 2.1で80.9%、150タスクの長期タスクベンチマークであるMulti-Frameで73.3%と報告している。
