宾州州立大学实测5大模型Coding Agent普遍存在终止延迟 中位60%步骤冗余

宾州州立大学团队在arXiv发表论文《Termination Lag: Coding Agents Solve Early but Stop Late》，首次系统量化Coding Agent的“终止延迟”现象。研究通过无侵入式日志代理系统，在OpenHands与mini-SWE-agent框架下测试Qwen3-Coder-30B、Laguna-XS.2、Seed-OSS-36B、Claude Haiku 5.5、GPT-6 Luna等5个主流模型，覆盖SWE-bench Verified、Multilingual及Pro三类任务。结果表明：超过半数成功运行中，Agent在前35%-60%步数内即生成可通过全部测试的正确补丁，但实际自停点显著滞后，中位归一化终止延迟（NTL）达60%。典型案例如Laguna-XS.2在第57步产出正确补丁，却至第140步才停止，中间浪费83步。更严重的是，部分Agent在后期二次修改已正确代码导致失败，如某次运行在第82步提交有效补丁后，于第110步重写核心函数致编译中断。行为分析显示，Qwen3-Coder后续63%步骤用于验证、21%用于探索无关文件；Haiku 5.5验证占比66%，但二次修改率达13%。该问题横跨开源与闭源模型，根源在于现有Agent缺乏对“任务完成”的显式判断机制，依赖固定步长或超时策略，未整合实时修复有效性反馈。研究呼吁评估体系补充TTFCP、TL等过程指标，并建议产品侧引入动态截断与可视化进度提示，推动Coding Agent从黑箱走向可解释、高效率的工程化系统。