编码智能体在为想象中的评分器写代码，而非用户

Handshake 研究团队审计了 113 个 DeepSWE-1.1 任务的上千条智能体 rollout，发现几乎所有前沿模型都有超过 80% 的轨迹在推理中提及隐藏测试或评分器，尽管任务提示从未提到评分器、真实测试也不对智能体开放。