arXiv:2606.24453v1 Announce Type: cross 
Abstract: Modern coding agents pair LLM generators with various tools, including cheap diagnostics and expensive verifiers. The tool-use decisions are typically governed by orchestrators that often use fixed rules and ignore uncertainty. We formulate orchestration as cost-sensitive sequential hypothesis testing: a Bayesian controller maintains a belief over candidate correctness and dynamically decides whether to gather more evidence, refine the candidate, verify it, or stop. Across six generators and nine coding benchmarks, Bayesian control proves to be most valuable when verification is costly and critics are informative but imperfect. Beyond control, the belief state yields an interpretable correctness score that outperforms token-probability and raw tool-success baselines for uncertainty quantification.

تقدم دراسة حديثة التحكم البايزي لوكلاء الترميز، مما يعزز اتخاذ القرار في استخدام الأدوات من خلال دمج عدم اليقين في عمليات التنسيق. تتيح هذه الطريقة للوكلاء تقييم ما إذا كان يجب عليهم جمع مزيد من الأدلة، أو تحسين المرشحين، أو التحقق من النتائج، أو وقف العمليات، خاصة عندما تكون عملية التحقق مكلفة والتعليقات غير كاملة.

Un estudio reciente presenta el control bayesiano para agentes de codificación, que mejora la toma de decisiones en el uso de herramientas al integrar la incertidumbre en los procesos de orquestación. Este enfoque permite a los agentes evaluar dinámicamente si deben recopilar más evidencia, refinar candidatos, verificar resultados o cesar operaciones, especialmente cuando la verificación es costosa y la retroalimentación es imperfecta.

Une étude récente présente le contrôle bayésien pour les agents de codage, qui améliore la prise de décision dans l'utilisation des outils en intégrant l'incertitude dans les processus d'orchestration. Cette approche permet aux agents d'évaluer dynamiquement s'ils doivent recueillir plus de preuves, affiner les candidats, vérifier les résultats ou cesser les opérations, en particulier lorsque la vérification est coûteuse et que les retours sont imparfaits.

A recent study introduces Bayesian control for coding agents, which enhances decision-making in tool usage by integrating uncertainty into orchestration processes. This approach allows agents to dynamically assess whether to gather more evidence, refine candidates, verify outputs, or cease operations, particularly when verification is costly and feedback is imperfect.