昨天刷 arXiv，8 月 5 号挂的一篇软工方向论文，作者名单里好几个熟面孔，正记着笔记呢，看到最后一行：代码和可复现性工件已公开。这年头把代码当后妈养的论文见多了——要么干脆不放，要么"coming soon"挂半年就没下文。这篇直接贴出来，先记一笔。
这期摊开的不是 repo，是一篇论文。COMPAS，Code-generation Optimization over Models, Prompts, And Decoding Settings——说人话：一个把模型、提示、解码设置一起拧的联合优化方法。
写过代码生成工具的同行都有体会：调 prompt、调解码参数，像在黑屋里摸开关，摸到一个能亮的就以为到头了，其实旁边还有一排没碰。核心观察说穿了就一句话：提示和解码设置之间有交互，最优配置还跟着任务难度走。
做法说穿了也朴素。先离线学一个"分组质量-成本前沿"，把相似难度的任务归成一类，测试时直接路由到匹配的前沿——用的时候不用现搜，推理成本就压下来了。结果数字：LiveCodeBench 上搜索预算对齐，pass@1 从 45.9% 提到 52.8%，成本从 36.57 刀压到 4.92 刀；SWE-bench 上 76.0% 对 70.0%。成本这个信号比准确率涨了七个百分点更耐看。真在跑生成任务的人都懂，token 账单那东西有多疼。
"提示和解码有交互"这条，我栽过跟头。有段时间调 prompt 调了两周没动静，最后发现是 temperature 设得太激进，改完直接从 40% 干到 60%。那种问题，单独调任何一环都找不出原因，联合起来看才是正路——但那时候哪有这种工具，全是人肉网格搜索。
门槛说一句：从论文附的工件看，装起来不算费劲，但想真正跑进自己的流水线还得花功夫。我只读完方法部分，实验设置的细节没全过，也没真上手跑，声明先放这儿，别拿这篇当评测结论。现阶段"开箱即用"得打个问号，但至少敢把"可复现性工件"几个字写出来，这点够实诚。
适合谁：写多 agent 系统、每天跟 prompt 和解码参数搏斗的，这思路值得看——尤其你受够了"调一轮看一轮"的玄学。不适合谁：只调现成 API、不碰底层设置的，可以等别人把成果包成轮子。
刷着刷着又想到个事：GitHub 上已经有人专门做"论文带不带代码"的追踪列表，刷一遍就知道带代码的永远是少数。这个后话。拉回来说。
论文刚挂出来，作者会不会持续维护代码还说不准——实验室的"已交付"，躺在 arXiv 上没人管的，见过不少。说它是定心丸那是假的。但工件确实公开、数字也确实能打，值得进观察名单蹲一阵，先别急着上生产。
能不能打，等过两个月看看它是不是还在更再说。