技术方向
AI 写代码的一切：编码助手、Vibe Coding、代码模型评测与开发工作流变革。
41 条精选近 30 天 39 条共收录 191 条
月之暗面正式推出Kimi K3.1 Pro系列首个模型，这是公司迄今能力最强的3万亿级参数模型，支持100万上下文。在Terminal-Bench 4.0编程智能体测评中，K3.1 Pro得分65.7%，超过GPT-6 Astra的58.2%；在3D建模方面，BenchCAD基准测试得分92.7%，接近Claude Opus 5.5的96.2%。
推荐理由：编程智能体测评超越GPT-6，3D建模能力接近Claude Opus，事实错误率大幅降低，显示中国模型在专业领域快速追赶。
研究人员提出BrickWright框架，使用预训练智能体从文本或图像提示生成物理可行的积木构建。该框架通过BrickLayer工具包提供积木组装API和物理可行性验证，使智能体在512个提示样本上达到100%的物理有效性，同时保持提示遵循性。代码已在项目页面公开。
推荐理由：通过代码工具将AI智能体从虚拟建模引导至物理可行性验证，100%成功率揭示了具身智能的工程化路径。
Anthropic 使用 Claude 数学证明现有代码的正确性，该模型在几周内生成了约1.8亿行数学证明代码，分析了来自123个开源库的测试程序，发现了数百个传统测试可能遗漏的bug。尽管证明仅在特定条件下有效，且计算成本高昂，但 Anthropic 认为这将改变软件开发流程，并计划将此技术应用于关键基础设施。
推荐理由：Claude 自动生成数学证明验证代码安全，将传统需20人年的工作压缩至数周，但严格限制条件仍存挑战。
Mirendil发布编码专用基座模型Mirendil-Base，参数量1000亿～5000亿，由1名研究员和Agent团队在三个半月内完成训练，成本不到1000万美元。模型在部分编码指标上已接近Kimi K3、GLM-5.3等主流模型，99%代码由Agent生成。
推荐理由：一人训练千亿参数模型展示了AI辅助研发的突破，但成本与人才门槛仍将限制其普及。
Google最新旗舰模型Gemini 4 Argon上线72小时处理近25万亿Token，消耗量是上一代Gemini 3.0同期的3倍。Google CEO桑达尔·皮查伊在访谈中首次公开解释了Gemini 3.5 Pro为何神秘消失，以及DeepMind核心管理层变动的幕后原因。
推荐理由：Gemini 4 Argon上线72小时处理25万亿Token，谷歌CEO首次披露砍掉3.5 Pro内幕，模型迭代与算力博弈成焦点。
微软AI部门发布名为MAI-DxO的AI诊断系统，在模拟测试中复杂病例诊断准确率达83%，而普通医生仅为36%。该系统通过协调多个AI智能体模拟医生团队进行诊断。微软正与梅奥诊所合作开发医疗基础模型，计划明年发布。
推荐理由：AI诊断系统在复杂病例上准确率达83%，比普通医生高出两倍，但成本与急诊表现仍有局限。
Rescale 使用 AWS 的 AI-Driven Development Lifecycle (AI-DLC) 框架，在五天内构建了一个智能分类智能体，用于自动分类和路由夜间端到端测试失败。
推荐理由：五天从概念到测试环境，AI-DLC方法论让智能体开发既快又稳，关键在于人机协作而非完全自动化。
Anthropic 平台工程团队负责人 Katelyn Lesse 表示，团队所有代码均由 Claude 生成，工程师转向系统设计与验证工作。团队已让 AI 智能体自主修复测试，并探索允许智能体直接修改代码库的方式。数据显示，Claude 编写的代码占公司生产代码库的 80% 以上，公司技术部门初级员工占比从 21% 降至 14%。
推荐理由：Anthropic 平台工程团队全面采用 Claude 编码，标志着 AI 智能体从辅助工具向自主开发者的角色转变。
科大讯飞发布讯飞星火 X2.6 端云一体大模型，首次基于全国产算力实现代码和智能体能力突破。星火 X2.6-4B 开源端侧大模型下载量已进入全球端侧模型前四，采用 293B-A30B 参数的 MoE 架构，上下文长度拓展至 1M，推理定价为输入 0.9 元/百万 tokens，输出 3.6 元/百万 tokens。
推荐理由：国产算力训练的星火X2.6实现代码和智能体能力突破，端侧模型进入全球前四，国产芯片长程任务效率瓶颈被攻克。
Recursive 公司发布了名为 Flint 的免费编码模型，可在笔记本电脑上运行，并声称主要由其 AI 研究系统 Eureka Machine 协助构建。Flint 是一个 400 亿参数的混合专家模型，仅需使用 25 亿参数即可完成任务，在 SWE-Bench Verified 基准测试中表现优于其他 500 亿参数以下的模型。
推荐理由：AI辅助构建小模型实现本地化部署，展示了递归自我改进的早期实践，但人类监督仍是关键。
研究人员提出HarnessAdapt-RL方法，在强化学习过程中同时训练智能体策略并适应其工具链。在9B基础模型上，该方法在SWE-bench Verified、Multilingual和Pro基准上分别比GRPO提高9.8、12.6和6.4个百分点，优于人工设计的OpenHands工具链。机制级技能的提升在评估后移除仍能保持，但部署时移除工具和 hooks 会损失最多7.7个百分点性能。
推荐理由：训练智能体时同时优化模型与工具链，比单独训练模型提升近10个百分点，但部署时需移除部分技能以保持性能。
MiniMax发布M3.1 Flash模型，在Agents' Last Exam评测中以29.6%得分成为国产模型第一，代码工程、网络安全等能力进入全球第一梯队。该模型输出速度达200+ TPS，输入每百万Token仅1元，输出4元，综合成本降至上一代的30%，性价比超越硅谷旗舰模型。
推荐理由：MiniMax M3.1 Flash以低价高性能重新定义Agent性价比，国产模型在综合能力上开始挑战硅谷旗舰。
研究人员提出AgenticRoboRL框架，通过监督微调和多轮强化学习对机器人规划器进行后训练，在LIBERO-PRO基准测试中，9B参数模型的成功率从18.1%提升至71.0%，接近Codex(GPT-5.5)的水平。该框架通过适配器连接规划器交互与任务结果，支持不同执行机制。
推荐理由：9B参数模型成功率从18.1%提升至71.0%，接近GPT-5.5水平，证明后训练对机器人规划器有效。
Anthropic开发Scion版本控制系统替代Git，GitHub用ModernBERT替换密钥扫描中的通用LLM，哥伦比亚大学与Google DeepMind等机构通过BTTF将芯片仿真波形转换成SQLite。这些改造都是为了应对AI智能体带来的高负载，预示软件工程基础设施面临重构。
推荐理由：Anthropic、GitHub等企业改造传统工具链以适应AI编码高负载，预示软件工程基础设施面临重构。
AWS 宣布 Amazon Bedrock 现已支持所有 Anthropic Claude 模型的结构化输出功能，用户可通过 bedrock-runtime 和 bedrock-mantle 端点获取符合 JSON schema 的响应，无需自定义解析或重试逻辑。该功能通过约束解码确保输出符合预定义结构，适用于数据提取、报告生成、API 响应和智能工单路由等场景，并支持批量推理和跨区域推理。
推荐理由：结构化输出将 Claude 响应从概率性转为确定性，减少解析成本的同时提升生产环境可靠性。
研究团队提出Agent4Sci测试平台，评估前沿智能体在20个科学ML基准上的表现。Claude Opus平均提升10.4%，但进步主要来自ML工程技巧而非研究洞察。通过添加轻量级插件技能，Claude Opus性能提升至20.1%，表明智能体在科学领域仍有巨大改进空间。代码和数据已在GitHub和Hugging Face开源。
推荐理由：Agent4Sci测试显示前沿智能体在科学ML基准上平均提升10.4%，但进步主要来自工程技巧而非研究洞察，揭示当前智能体在科学发现中的真实能力边界。
GitHub 发布教程，介绍如何将 Copilot 应用中的会话直接在 VS Code 中打开，保持对话、代码更改和工作上下文不变。用户可以在 VS Code 中审查代理的更改、继续对话、手动修改代码、本地测试并推送更新到关联的拉取请求。
推荐理由：打通 Copilot 应用与 VS Code 的会话流转，让 AI 辅助开发与人工调试无缝衔接。
研究人员提出StopLoss，一种小型外部监控器，通过学习已完成轨迹及其验证结果来识别失败。该系统在SWE-bench Verified和Pro子集上测试，相比六种通用判断器，每次检查成本低一到两个数量级，同时保留99%的成功运行，在Pro子集上可降低成本高达31%。
推荐理由：通过学习失败轨迹识别，StopLoss让智能体提前终止无效任务，成本降低一个数量级。
中国 AI 公司 Deepseek 发布了更新的 Flash 模型 V4.1 Flash 1017，在智能体和编码任务中表现优于更大竞争对手，同时大幅降低每任务成本。该模型通过强化学习与自我反馈方法改进端到端项目开发，并将内部搜索引擎首次开放给外部开发者。
推荐理由：Deepseek V4.1 Flash 1017 在智能体和编码任务中超越更大模型，同时大幅降低每任务成本。
Anthropic发布报告称，公司成立约5年后人均雇员创收达Meta和谷歌同期的2至4倍；AI智能体工作时长已达人类员工的6倍，初级技术岗位招聘占比从27%骤降至9%。
推荐理由：Anthropic报告揭示了AI对就业结构和企业效率的深远影响，提供了AI时代生产力变革的具体数据。