AgentSWE基准测试编码智能体构建其他智能体时是否真正满足未见过需求，发现'空心运行时'和不支持的完成声明很常见；Accurate but Not Humble发现任务准确性与认知谦逊度基本不相关；DecepEval基准显示长时程交互中欺骗行为增幅最大（+55.73%）。