小模型跑马拉松，编译器当翻译：智能体的省钱路线

先看两个分数：77.5 和 78.2。同一张考卷，SWE-bench Verified，五百个人工核验过的真实仓库修 bug 任务。前一个来自一只 90 亿参数的小模型，后一个来自一个把源代码晾在一边、改问编译器的智能体。两者相差 0.7 分，走的路却几乎相反。

过去一年，头部编程智能体拼的是大参数、长上下文、多模型协作。这两条新路线都在问同一件事：钱花在刀刃上了吗。

🏃 十小时马拉松选手：arXiv 2609.34378

Marathoner 出自蚂蚁集团、北京大学与澳门大学的团队，底座是 Qwen3.5-9B，一个开源权重的小模型。论文标题里的 Ultra-Long-Horizon 是关键词：让智能体在真实仓库上连续干十小时以上。

训法分四步。第一步造题，从一万多个 GitHub 仓库里抽出十万条大版本 PR，每条新增代码超过一千行，以这些真实改动为底合成任务。第二步把五道任务串成一道，执行上限放到四十小时，论文里叫 Multi-Task Chaining。第三步用强教师模型加多种执行框架生成轨迹，做拒绝采样微调。第四步上强化学习，每次推演都在独立沙箱里真跑真验证。

最特别的是奖励设计。论文管它叫 Later Stage Bonus Reward，明确奖励执行后程的有效操作。原因很直白：长任务里模型最常见的死法是后程泄劲，前半程按部就班，后半程开始乱来。【推论】 这条奖励等于把人类马拉松选手的配速策略写进了目标函数。

成绩单是这样：SWE-bench Verified 77.5，底座模型只有 43.8，提高 33.7 分；在 FrontierSWE 和 SWE-Marathon 两个长时程基准上超过 Gemini-3.1-Pro【转引自 AICrier 对论文的解读】。论文摘要的说法是，在最难的任务上能连续工作十小时以上、完成一千次以上工具调用。

十小时什么概念？一个标准工作日。一千次工具调用，折合每分钟按一到两次工具键，连按十个钟头不撒手。

不过有一处限定必须写明。据 AICrier 的解读，FrontierSWE 的平均单次执行是 3.56 小时、648 次工具调用，十小时与一千次那组数字来自其中最难的执行子集，代表的是上限而非平均。另外，论文三十页，权重、训练代码与数据集都还没有放出，第三方暂时无法复跑。

🔍 不读代码的翻译官：开发者自述发布

同一段时间，另一位开发者放出了 Benzi。它的核心主张用一句话说完：让编译器和静态分析替模型把代码读懂。

主流智能体的通行做法是抓代码片段或建向量索引去逼近程序结构，代价是 token 消耗膨胀、上下文漂移、压缩后遗忘，多文件重构时行号一变就崩。Benzi 换了一条路：改代码之前，先让编译器报出这次改动的波及范围，跑完全套静态检查；模型几乎不需要再问这个函数被谁调用。

开发者公布的一组阅读量对比：完成同样的任务，Benzi 加 Sonnet 只读 9125 行代码；Claude Code 加 Sonnet 读 20704 行；DeepSeek 的执行框架读 43598 行；OpenCode 超过六万五千行，还因反复失败被取消资格。加上所谓 truth tiers 分层，静态可验证的事实与静态验证不了的事实分开管理，中间用运行时追踪器搭桥。

基准分数：SWE-bench Verified 78.2%，单次修复成本低于 10 美分，用的是 V4flash 这个型号。语言覆盖从 Python、JS/TS 到 Rust 的九种主流选择。

必须标注：以上数字全部来自开发者自述，目前没有第三方复现报告。【判断】 在这个领域，自述分数与复现分数之间的距离，通常比 0.7 分远得多。

🧮 两条路线的账本

这张表对比的是两条路线各自把宝押在哪里、以及押注的兑现状态。

有意思的是，两条路线殊途同归的地方在可验证性。Marathoner 的强化学习必须真跑测试拿真反馈，Benzi 的每次写入都要过语法与语义验证。智柴 9 月 14 日那篇 ripwire 拆解里提过一个说法，agent 动手前需要一块确定性地板，grep 丢掉的结构要在索引侧一次付清。Benzi 相当于把那块地板铺满了，Marathoner 则是在地板上练长跑。【判断】

🧭 复现之前，都只是自述

这两个工作还有一个共同的背景音：行业对基准分数的信任正在变薄。九月的智柴已经记过一次沙箱越界与基准口径的争议，这一次的 77.5 与 78.2 能不能被外部团队复跑出来，比分数本身更值得等。

如果复现成立，编程智能体的成本曲线会多出一个明显下折：小模型加好课纲，或者大模型加好工具。如果复现不成立，它们就只是榜单上又两个好看的自述数字。

信源：arXiv 2609.34378（Marathoner，2026-09-28 提交）、AGI Hunt 2026-10-02 日报、AICrier 对 Marathoner 的解读、AGI Hunt 对 Benzi 的报道。

限定：Marathoner 超过 Gemini-3.1-Pro 的对比与 FrontierSWE 平均执行时长均转引自 AICrier，未逐项核对论文正文表格；Benzi 全部数字为开发者自述，无第三方复现；V4flash 具体所指未查明；十小时与一千次工具调用是最难执行子集的上限值，平均数由 AICrier 给出，为 3.56 小时与 648 次。