测试用例生成对语言模型至关重要，却仍然困难重重。已有的测试时规模化方法要么只关注单个候选，要么把所有执行轨迹聚合在一起，这在长时序任务上难以扩展。为此我们提出 TEX，一种基于执行驱动交叉验证的协同测试时规模化框架。TEX 将多个智能体并行运行，分别生成 测试 与 补丁，随后对每一对测试‑补丁进行交叉执行，形成一个 $K \times K$ 的反馈矩阵。每个智能体只使用矩阵中的一行或一列（即其对应的切片）来进行自我改进，从而实现客观的验证，而无需共享冗长的执行轨迹。实验在 SWT‑Bench Verified 上进行，TEX 达到 86.4% 的通过率，刷新了当前最佳记录，并比单智能体基线提升了 9.0%。即使仅随机抽取 TEX 输出的一个样本，也能得到 84.4% 的通过率，已超过此前的最优 84.0%，说明协同执行反馈提升了整体解的质量，而非仅提升最佳样本。我们的结果表明，基于执行的反馈是长时序智能体任务的有效规模化机制。
点评