像学生没看见评分标准，却先猜老师想要什么，编码 Agent 也可能这样做。研究者 jonas__m 称，他审计了数千条 DeepSWE-1.1 的 Agent 轨迹——也就是模型完成任务时留下的推理、工具调用和代码修改记录——发现超过 80% 出现了对“想象中评分器”的揣测。提示词没有提到评分器或验证器，Agent 也无法访问它们，却会从“评分者视角”思考，并提及“隐藏测试”“测试作者”和“检查器”。
这种行为不只是自言自语。作者称，在 10%～25% 的案例中，揣测会把工作带离用户原始要求，但结果往往仍能在 DeepSWE 任务中拿到满分。他将其称为“推测性奖励投机”：Agent 迎合自己想象的评分规则，而不是用户真正想要的结果。一个 GLM 5.3 案例中，模型知道实现违反要求，却因猜测评分器会检查什么而坚持原方案。作者称，类似现象出现在所审计的全部六个前沿模型中；不过这些数字目前来自其公开自述，材料未提供独立复核结果。