Boris Cherny：Projects 改变了我的编码方式
Projects 不仅改变了我与 Claude 的交互方式，也改变了我的编码方式。 我不再管理会话。想到什么就发出去，Claude 会把它拆分成多个线程，项目会记住我的工作方式。现在我的大量编码都在这里完成。 [截图：我昨天在 claude code cli 里的实际提示词]
匹配字段标题、摘要
←搜索结果
搜索“编码”
Fireworks 实测 DeepSeek-V4.1-Flash：DeepSWE 编码精度对标 GPT-6 Astra，单任务成本仅 1/15
Fireworks 对 DeepSeek-V4.1-Flash 做了完整基准测试，在 DeepSWE 上达到 GPT-6 Astra 级别的编码精度，单任务成本 0.43 美元，比 Gemini 3.8 Flash 低 5.5 倍、比 GPT-6 Astra 低 15 倍、比 Claude Opus 5 低 28 倍。该模型为 552B 参数 MoE，采用编码器-解码器分离架构，输入 8B、输出 16B 激活参数，KV Cache 相比 DeepSeek V4 仅占 1/4 HBM 和 1/8 SSD 存储，本次运行 99.6% 输入 token 命中缓存。在 HLE 上它单独运行得 34.52%，落后于 Astra 的 50.40%，但与 Astra 组成 oracle router 后达到 54.80%，高于 Astra 单独运行。
匹配字段标题、摘要
DeepSeek 发布 V4.1-Flash：面向编码智能体的高效 prefill 模型
DeepSeek 本周发布并开源 DeepSeek-V4.1-Flash，这是一个 552B 参数、8B 激活参数用于 prefill、16B 用于 decode 的多模态 MoE 模型，支持 1M token 上下文窗口，已上线 HuggingFace 与 Baseten Model APIs。它采用 Causal Encoder-Decoder 架构，prefill 只跑 20 层编码器，decode 跑完整模型，官方称全局 KV cache 内存仅为 V4-Flash 的四分之一。在编码与智能体基准上，V4.1-Flash 以约三分之一的总参数量超过 V4-Pro，长程智能体任务提升达两位数，但 Automation-Bench 得分 54.8，复杂工作流仍有约一半失败。
匹配字段标题、摘要
GitHub Copilot 应用入门：用 diff、终端和浏览器面板完成 AI 编码闭环
GitHub Copilot 应用内置 diff、终端和浏览器三个面板，让用户无需在编辑器、终端和浏览器之间切换即可审查、运行并预览智能体生成的代码。diff 面板以绿色标注新增、红色标注删除，可接受改动、留言或让 Copilot 继续修改；终端面板支持运行项目命令并同时打开多个终端窗口；浏览器面板的 Pick & Polish 工具可选中页面元素让智能体调整。确认无误后可直接在应用内接受改动并创建 pull request。
匹配字段标题
Cognition 发布编码模型 SWE-2，FrontierCode 1.1 Main 得分 50.0%
Cognition 发布编码模型 SWE-2，在 FrontierCode 1.1 Main 上得分 50.0%，比 Fable 5.1 低不到 1 分而成本便宜 64%。SWE-2 基于 2.8T 参数的 Kimi K33 后训练，首次把 RL 扩展到数万亿参数规模，并用单次 RL 训练覆盖全部推理档位。该模型即日起在 Devin Desktop 和 CLI 上线，随后在 Devin Web 和 Fusion 推出。
匹配字段标题、摘要
NVIDIA 用 Nemotron 与 Palantir Foundry 编码供应链经验：从晶圆出厂到首个 token
NVIDIA 与 Palantir 合作在 Palantir Foundry 中构建数字供应链智能指挥中心，将材料、制造基地、产能、分配等数据统一到 Ontology 数据层，并用开源 GPU 加速决策优化库 NVIDIA cuOpt 求解关键材料分配问题，目标是最小化 Time of Ownership（TOO）。cuOpt 以混合整数线性规划求解，还能报告哪些约束成为瓶颈，让规划者快速探索不同情景。NVIDIA 称 Vera Rubin 的供应链规模是 Grace Blackwell 的两倍。
匹配字段标题
Google 详解 Harness 工程：如何评估、迭代与守护 AI 编码智能体
Google Developers Blog 发文介绍 harness 工程中的行为评测方法，主张用离散可观察动作的断言替代只看 Terminal-Bench、DeepSWE 等端到端基准的复合分数。文章建议从开发者直觉和 dogfooding 起步，等智能体能处理自身代码库后再引入评测，并给出三步循环：选定一个失败模式、按任务复杂度写灵活断言、用批量评测跟踪聚合通过率。作者强调行为评测与端到端评测互补，前者用于安全快速迭代，后者验证最终结果。
匹配字段标题
OpenAI 披露内部智能体研究数据：编码智能体工作量达人类 3.1 倍
OpenAI 发布报告，披露其内部编码智能体承担的研究工作量达到人类的 3.1 倍，并称已实现 Sam Altman 此前设定的“自动化研究实习生”目标。报告显示，典型 OpenAI 研究员每天消耗 600 美元以上的智能体 token，第 90 百分位超过 7000 美元，token 产出自去年 12 月以来增长 124 倍；约 80% 研究员同时使用 4 个以上智能体，公司内部人均实验数量处于历史最高水平。Altman 去年 10 月给出的时间表是本月实现实习生级系统、2028 年 3 月实现完全自动化研究员。
匹配字段标题、摘要
吴恩达总结用编码智能体构建软件的工作流与关键技能
吴恩达在 DeepLearning.AI 来信中提出，用编码智能体构建软件有一套稳定的高层工作流：规划（头脑风暴与写规格、生成执行计划）、执行（构建、测试、验证，平衡智能体自主度与人工监督）、部署与监控。他认为关键技能包括指挥工作流、赋予智能体自主权、审查产出，以及定制智能体及其环境（如接入 skills、插件、MCP 服务器，维护 AGENTS.md 或 CLAUDE.md 等常驻上下文）。他还指出社交媒体夸大了长时程自主任务的实际效用，多数有效用法是高度迭代的过程。
匹配字段标题、摘要
NeoMME：高效多模态原生多语言编码器
Hugging Face 发布 NeoMME，一个 260M 和 800M 的多语言多模态编码器家族，用单个双向 Transformer 同时处理文本 token 和原始图像 patch，从零以掩码离散扩散目标训练，不依赖独立视觉塔或因果语言模型。微调后的 NeoMME-Retriever 用于视觉文档检索，两种规模均位于 ViDoRe v3 的 nDCG@10 与模型规模 Pareto 前沿；在 NVIDIA L40S 上 260M 模型以 2048×2048 输入每秒编码约 51 页，约为 ColModernVBERT 吞吐的两倍。模型已在 Hugging Face Transformers 提供，检查点以 Apache 2.0 许可发布。
匹配字段标题、摘要
Hugging Face 发布 funes，为编码智能体加上可自有的记忆
Hugging Face 发布开源工具 funes，用一条 add 命令为 Claude Code、Codex、pi、Hermes 等编码智能体加上记忆，索引增量进行，embedding 与 rerank 都在本机完成。记忆以 Lance 数据集形式存在本地，也可绑定为 Hugging Face 私有数据集实现跨机器、跨团队共享，发布前会先做凭据脱敏与密钥扫描。官方在 handoff-vs-recall 基准上对比了压缩、手写交接与 recall 三种方式，recall 在两个任务上分别比手写交接便宜 8 倍和 4 倍。
匹配字段标题、摘要
用 TRL 和 OpenEnv 训练编码模型画水彩
Hugging Face 博客介绍了一个用 TRL 和 OpenEnv 训练编码模型绘制水彩画的项目：模型输出约 150 行 JavaScript 代码，通过 p5.brush 库作画，提示词只允许使用该库 47 个方法中的 10 个。奖励由 HPSv3 开放 7B 偏好模型与 Qwen3-VL-30B-A3B-Instruct 成对评判器共同给出，后者将候选画作与随机抽取的 4 张参考图比较，共训练了三次不同权重配比的运行。
匹配字段标题、摘要、正文
Meta 发布 Muse Spark 1.3，改进智能体与编码任务表现
Meta 发布 Muse Spark 1.3，在智能体与编码任务上性能提升，并聚焦真实场景可用性。该版本可在单线程中跨多个工作流维持更长周期的任务，会更主动地向用户提问、在卡住时说明并确认后再执行关键操作，对自身能力边界的判断也更准确。Meta 内部对比显示，相比 Muse Spark 1.2，其工具调用减少约 20%、token 消耗减少约 25%。Muse Spark 1.3 今日起在 Muse Code 和 Meta Model API 上线，max reasoning 将在完成安全测试后推出。
匹配字段标题、摘要
ClaudeDevs 称 Fable 5.1 在智能体编码与计算机使用评测中领先 Fable 5 和 Opus 5
ClaudeDevs 表示 Fable 5.1 在其智能体编码与计算机使用评测中均领先 Fable 5 和 Opus 5。在 Claude Code 的 Terminal-Bench 4.0 上，Fable 5.1 得分 55.8%，Fable 5 为 42%，Opus 5 为 52.3%。Lydia Hallie 转发了这一消息并称今天是 Fable 5.1 发布日。
匹配字段标题、摘要
GLM-5.3 与 GLM-5.3 Flash 在 DeepSWE 上的成本与编码对比
Together AI 在 113 个 DeepSWE 任务上各跑 4 次、共 900 次 rollout，对比 GLM-5.3 与 GLM-5.3 Flash：单次通过率 69.0% 对 63.4%，pass@4 差距收窄到 2.6 个百分点（87.6% 对 85.0%）。GLM-5.3 Flash 每次 rollout 成本 0.24 美元，约为完整版的十七分之一，每 100 美元可解 264 个任务。先跑 Flash、测试不通过再升级到 GLM-5.3 的级联方案达到 80.9% 通过率，每任务 1.70 美元，低于完整版单独使用的 3.99 美元。
匹配字段标题
NVIDIA 在 GB300 NVL72 上实测 Qwen3.8-Flash-Next 智能体编码
阿里发布 Qwen3.8-Flash-Next 权重，作为 Qwen4 架构预览供开发者实验评估，这是一个 125B 参数、每 token 激活 6B 的多模态 MoE 模型，原生上下文窗口 262,144 token，借助 YaRN 可扩展至 1M token。NVIDIA 提供 SGLang、vLLM 和 TensorRT LLM 的 Day 0 功能支持，并在 GB300 NVL72 上验证推理，单 GPU 吞吐超过 16K token/秒、单用户超过 200 token/秒。开发者可用 NVIDIA NeMo AutoModel 微调、用 NeMo RL 做强化学习，权重可从 Hugging Face 或 ModelScope 下载。
匹配字段标题
Ramp 为何自研内部编码智能体 Inspect
金融科技公司 Ramp 自研内部后台编码智能体 Inspect，目前 75% 的已合并 PR 由它发起，7 月累计会话量突破 100 万次。Inspect 以远程沙箱运行，接入公司内部数据源与工具，可自行跑测试、查遥测和功能开关，并对前端改动做截图与实时预览验证，远程开发环境启动时间在 5 秒以内。Ramp 团队表示，自研的原因是本地机器只能并行运行一两个会话、需要更好的前端工具和远程开发环境；Inspect 基于开源编码智能体 OpenCode 构建，公司内部已有 200 多个智能体运行在该平台上。
匹配字段标题、摘要
SemiAnalysis 发布 AgentX 1.0：百万上下文多轮智能体编码推理基准
SemiAnalysis 发布 AgentX 1.0，称其为全球首个完全开源、100 万上下文的多轮智能体编码推理基准，以 Apache 2.0 许可发布，数据集构建投入超过 300 万美元。该基准被纳入 InferenceXv3，用智能体编码流量替代此前 8k 输入 1k 输出的单轮场景，测试矩阵运行在约 2MW 算力、1000 多颗芯片上，覆盖 MI355X、GB300 NVL72、GB200 NVL72、B300、B200、MI325、MI300X、H200 与 RTX Pro 服务器。SemiAnalysis 称其首个成果是已推动 vLLM、SGLang、TensorRT-LLM、ATOM、AITER、Dynamo、LMCache 和 Mooncake 等项目的 70 多个上游 PR，并计划在三到四周后发布 AgentX 更新文章。
匹配字段标题、摘要
GLM-5.3 与 Claude Fable 5 在 DeepSWE 上的成本、编码与路由对比
Together AI 在全部 113 个 DeepSWE 任务上各跑 4 次、共 904 次 rollout，GLM-5.3 与 Claude Fable 5 的 pass@1 分别为 69.0% 和 69.7%，基本持平。GLM-5.3 每次 rollout 成本 3.99 美元，Fable 5 为 21.63 美元，相差 5.4 倍，且 GLM-5.3 在 pass@2（81.1% 对 77.1%）、pass@4（87.6% 对 84.1%）和覆盖率上领先。两者逐任务相关性 0.65，属于近似替代品，作者建议多数场景默认用 GLM-5.3，仅在 Rust 和序列化相关任务上升级到 Fable 5。
匹配字段标题
GLM-5.3 与 GPT-5.6 Sol 在 DeepSWE 上的成本、编码与路由对比
Together AI 在全部 113 个 DeepSWE 任务上各跑 4 次、共 904 次 rollout，对比 GLM-5.3（max）与 GPT-5.6 Sol（max）。单次尝试 Sol 以 72.7% 的 pass@1 领先 GLM-5.3 的 69.0%，但 GLM-5.3 每次 rollout 成本 3.99 美元、约为 Sol 8.37 美元的一半，并在 pass@2 追平、pass@4 以 87.6% 反超 85.8%。先跑 GLM-5.3、测试失败再升级到 Sol 的级联方案解决 85.9% 的任务，每任务 6.61 美元，高于 Sol 单跑的 72.7%，也低于一次 Sol rollout 的价格。
匹配字段标题