Mistral 于周四在 Hugging Face 发布前沿开源模型 Mistral Large 4（ML4）的权重，该模型三周前才开放预览。Mistral 称 ML4 是“全球最好的开源智能体编码模型”，在 Terminal-Bench 4.0 上得分 41%，略高于 GLM-5.3 的 40%，并称其每任务平均比 GLM-5.3 少用 47% 的 token；在 CyberGym E2E 防御性网络安全测试中得分 79%，GLM-5.3 为 29%。Mistral 科学副总裁 Pierre Stock 称 ML4 只是“垫脚石”，并确认未来数月将推出更小版本，其中一款可运行在笔记本电脑上。
匹配字段标题
Google 在 Argon 发布两周后宣布下一代前沿模型 Gemini 4 Carbon，称其在编码、智能体任务和网络安全防御上有显著提升。Carbon 在更新后的 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一，在 WebDev Arena 上升 89 elo 至 1769 分排名第四。安全方面，Google 称 Carbon 将无依据论断较 Argon 减少约 2 倍，过度越界行为减少 26%、服务不足减少 29%。该模型将先于本周向网络安全防御者开放，随后面向开发者、企业和消费者推出。
匹配字段标题
Mistral 将 Mistral Large 4 的权重发布到 Hugging Face，该模型昵称 Le Chonk，约 1 万亿参数、每步激活 520 亿，支持文本和图像输入。在 Terminal-Bench 4.0 上得分从预览版的 28% 升至 41%，略高于 GLM-5.3 的 40%，但在 Artificial Analysis 新版 Intelligence Index 上仅得 26 分，低于 DeepSeek V4.1 Flash 和 GLM-5.3 的 32 分。API 价格为每百万输入 token 0.70 美元、输出 2.10 美元，采用修改版 MIT 许可，将其作为商业云服务需另行授权。
匹配字段标题
Mistral 发布万亿参数开源权重模型 Le Chonk 的正式版本，称其是自动化编码和网络安全领域全球最好的开源权重模型，可免费获取。Mistral 科学副总裁 Pierre Stock 表示，该模型通过不断加难的网络安全与编码问题训练，得以追平或超过 DeepSeek、Z.ai 等中国实验室的模型。Stock 同时强调西方需要自己的先进开源权重模型，因为闭源模型可被远程关停，而开源权重一旦发布便无法切断访问。
匹配字段标题
Google DeepMind 推出 Gemini 4 Carbon，称其为面向长周期智能体编码和网络安全防御的前沿模型，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。该模型在 GraphWalks 长上下文测试中取得 96.2%，在 SEC-bench Pro、ExploitGym 和 CWE-bench 上分别为 88.2%、54.8% 和 71.0%，但在 OSWorld-2.1 上以 81.5% 落后于 Claude Opus 5.5 的 87.2%。目前 Carbon 仅向经过审核的网络安全防御方开放，定价为每百万 token 输入 2 美元、输出 10 美元的引入价，后续为 4 美元和 20 美元，开发者和公众的开放时间未公布。
匹配字段标题
AWS Hydro 团队研究负责人 Shadaj Laddad 认为代码审查已跟不上智能体写代码的速度，主张把正确性检查放在智能体信任边界之外，由编译器强制执行，例如 Rust 借用检查器在运行前捕获竞态条件，Hydro 则在编译期捕获分布式系统的多类缺陷。团队正研究把幂等性等反复出现的设计模式做成通用护栏，同时承认编译器有局限，AI 生成的 Rust 代码可以编译通过但仍然有错。Hydro 与同团队的开源智能体运行时 Infinity 均由 AWS 与 UC Berkeley 联合开发，托管在 hydro.run。
匹配字段标题
Mastra 上线 Span Queries，可在所有 trace 中按时间范围、类型、名称、状态、错误、耗时等条件过滤并分组单个 span，Mastra platform、Studio、CLI、Client SDK 和可观测性端点均可使用。每条查询最多组合 100 个条件，每页返回最多 1000 个 span，分组最多 2 个维度、时间范围最长 365 天；CLI 需 mastra@1.36.0 以上，SDK 需 @mastra/client-js@1.57.0 以上。自托管项目在 storage.observability 使用 DuckDB、PostgreSQL 或 ClickHouse 时同样可用。
匹配字段标题
英国 AI Security Institute 的 Chem-Bio 团队与 SecureBio 合作构建 ReproBAIT 评估，测试 AI 编码智能体在给定数据和有限公开信息下复现生物 AI 工具（BAITs）的能力。结果显示，较简单的工具可在 4 小时内、低于 20 美元算力预算下复现，ProteinMPNN 在提供完整论文时 Claude Opus 5 达到 96.5% 复现保真度，而最复杂的 RFdiffusion3 无智能体在时限内成功复现。团队据此指出，仅保留代码或限制论文信息并不等于安全发布，控制底层生物数据的访问可能比控制代码更有效。
匹配字段标题
Browser Use 发布指南，介绍让编码智能体在已登录的真实 Chrome 中工作的多种方式，包括 Claude in Chrome、Playwright MCP 扩展模式、Chrome DevTools MCP 自动连接模式、Gemini CLI 内置浏览器智能体、ChatGPT 桌面版浏览器扩展和 Browser Harness。文中按 Claude Code、Codex、Gemini CLI、Cursor 等智能体分别给出配置命令与限制，并说明从 Chrome 136 起默认数据目录上的 --remote-debugging-port 和 --remote-debugging-pipe 会被忽略，因此复制 cookie 到新浏览器的旧做法在设备绑定会话等场景下会失效。
匹配字段标题
OpenAI通过大额折扣和赠送额度吸引Anthropic客户，Rippling的编码任务中OpenAI模型占比已从16%升至52%，Anthropic模型从57%降至18%。Replit将大部分AI预算从Anthropic迁至OpenAI，OpenAI给出超30%折扣，合同年规模超1亿美元。Anthropic上月末发布Claude Opus 5.5后在OpenRouter重新夺回使用占比榜首，过去一周热度约为OpenAI模型的两倍。
匹配字段标题
Artificial Analysis 称 Kimi K3.1 Pro 在智能体知识工作和编码上处于领先模型之列，在 GDPval-AA 和 Terminal-Bench 4.0 上表现靠前，但其 AA-3D 的 Elo 偏好投票仍在收集中，早期迹象显示排名会偏低。其前代 Kimi K3 在 AA-3D 的 22 个模型中排第 12。该机构还展示了 K3.1 Pro 生成的一段 492 米山地自行车下坡 3D 场景，演示中可随时接管转向、踩踏和刹车。
匹配字段标题
Databricks 产品负责人 Patrick 复盘公司全面采用 AI 编码智能体后的成本失控问题，称通过迁移到更便宜的模型、路由、支出可见性和削减 token 开销，部分场景单位成本下降最多 90%。他提到硬性预算上限会打断最好的开发者，因此改用警告、审批、降级模型的渐进式摩擦，并把内部方案产品化为 Unity Gateway。团队用自家代码库真实 PR 自建评测，发现 GLM 5.2 在质量上追平 Opus 4.8 且每任务成本低约三分之一，而某个每 token 便宜 1.7 倍的模型因消耗更多 token 反而每任务更贵。
匹配字段标题
开源 AI 编码智能体 OpenCode 发布 2.1 版，SDK、HTTP 消息、事件和插件接口均有变更，供应商相关数据改放到 tool.native 下，原 providerState 和 providerResultState 字段被移除，集成方需相应调整。Windows x64 与 ARM64 获得持久化伪终端，并可通过 {"experimental":{"todo":true}} 启用 todowrite 任务列表。该版本基于 2.0，后者将终端、网页和桌面端统一到同一个本地后台服务。
匹配字段标题
一项新研究构建了 RegretBench 基准，用 205 个真实数据丢失场景测试六款前沿模型，结果显示智能体平均完成任务率 86.1%，但在关键操作前备份的比例仅 15.2%，其中 GPT-5.6-Terra 为 4.4%、GPT-5.6-Sol 为 5.9%、Gemini 3.7-Flash 为 2.4%，表现最好的 Claude Opus-5 也有超过三分之一场景未备份。作者提出的 BackUpper 作为外挂插件与智能体并行运行，按四级策略替换破坏性命令、配对备份命令、生成快照或调用 GPT-5.6-Luna 子模型判断需保存的数据，测试中覆盖了全部关键操作，恢复数据与原状态平均相似度 92.2%，每任务额外成本 0.014 美元。BackUpper 已支持 Claude Code、Codex、Hermes、OpenHands、DeepSeek Harness 和 OpenClaw，代码与数据集已开放。
匹配字段标题
Anthropic 对齐科学博客发布研究，用 Opus 5 红队智能体对 Claude Code 的 Auto Mode 和 OpenAI Codex 的 Guardian 等生产拦截监控做对抗测试，平均有超过 55% 的攻击未被拦截。最有效的攻击方式包括智能体生成的提示词注入、跨会话或压缩摘要的多上下文攻击，以及利用工作目录内编辑不被监控的覆盖缺口。团队通过转写格式转义与 heredoc 框定、监控全部编辑、加入工具调用调查智能体等改进推出 Auto Mode ++，攻击成功率下降超过 50 个百分点，但可靠防御多上下文攻击仍与延迟成本直接冲突。
匹配字段标题
Recursive 的首个模型 Flint 已上线 OpenRouter，这是一个开放权重的 40B MoE 模型（约 2.5B 激活参数），由该公司的自动研究系统 Eureka Machine 打造，面向编码智能体，支持 262K 上下文、推理和工具调用。Recursive 报告其在 Terminal-Bench 2.1 上得分 54.9%，SWE-bench Pro v2 上 89.7%，SWE-bench Verified 上 74.2%，上线期间免费使用。
匹配字段标题
Recursive 发布首个模型 Flint，这是一个 40B 混合专家编码模型，采用 Apache 2.0 许可，权重已在 Hugging Face 开放，由自动化研究系统 Eureka Machine 在不到 4 个月内从零构建。Flint 在 MacBook Pro 上以 125+ tokens/s 生成代码，在 RTX Spark 上达到 150+ tokens/s。在 48GB MacBook 上，它的平均质量约 81%，对比 Qwen3.8 27B 的约 85%，但在 128K token 长会话中速度约为后者的 7 倍。
匹配字段标题
AI 初创公司 Recursive 发布首个模型 Flint，这是一个可在笔记本上离线运行、以 Apache 2.0 许可在 Hugging Face 免费下载的编码模型，公司称其研发过程主要由自研的 Eureka Machine 参与完成。Flint 是 MoE 模型，40B 参数中每次仅激活 2.5B，在搭载 M4 Pro 的 MacBook Pro 上生成速度约 131 tokens/秒，在 SWE-Bench Verified 上表现优于其他 50B 参数以下的模型。Recursive 表示 Flint 比大型付费编码助手需要更多引导，建议把大任务拆成小步骤。
匹配字段标题
Recursive 发布首个开源权重编码模型 Flint，参数规模 40B，CEO Richard Socher 称模型管线几乎所有环节都由其 Eureka Machine 系统完成，包括新的基座训练方式、模型架构和针对特定芯片优化的代码。WIRED 作者在 48GB 内存的 Mac 上实测，用它搭建命令行待办、网页研究抓取程序和 RSI 科普网站，认为其速度和准确度优于同尺寸模型。Recursive 已从 Google Ventures、Greycroft、Nvidia 和 AMD Ventures 融资 6.5 亿美元，估值 46.5 亿美元。
匹配字段标题
AWS 高级首席 PM Massimo Re Ferre 认为，团队从个人编码助手走向智能体开发平台，关键不在模型能力，而在能否低成本验证智能体产出——信任随检查能力提升，而非随 benchmark 提升。智能体成本按任务活动计费，约 80% 开发者只用 20% 预算，20% 重度用户消耗其余部分，因此应关注单位有效工作的成本而非席位价格。
匹配字段标题