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。
15 条精选近 30 天14条共收录111条
Epoch AI 研究人员发现，开源权重模型 GLM 5.3 在无人干预下针对 9 月 17 日至 10 月 26 日发布的 6 个 Firefox 版本利用补丁空窗期构建完整漏洞利用链，每次成功攻击的 API 费用约 1000 美元，最快一次耗时 12 小时。
推荐理由：Epoch AI 的测试显示开源权重模型能自主完成浏览器漏洞利用链，读者可据此理解补丁空窗期的现实风险与成本门槛。
OpenRouter 统计截至 2026 年 10 月 18 日 30 天的真实 Claude Code 会话，2 至 9 轮会话中位成本在 Claude Opus 5.5 上为 $0.31、Claude Sonnet 5.5 为 $0.16、Claude Haiku 5.5 不足 1 美分。
推荐理由：原文用真实会话数据拆解 Claude Code 的成本结构，并给出按模型和会话长度控制开销的具体做法。
Factory 发布 Droid 1.0，这是其智能体 harness 迄今最大的一次更新，默认启用程序化工具调用（Script 模式），模型可写一段 JavaScript 在一次请求内发起数百次工具调用。
推荐理由：原文给出 Droid 1.0 在 Terminal-Bench 4 上与 Codex、Claude Code 等 harness 的同任务对比，以及程序化工具调用带来的成本与上下文变化。
Mistral AI 发布旗舰多模态模型 Mistral Large 4（Le Chonk）的开放权重，参数量达 1 万亿，在 FrontierCode 2.0 上以 19.7% 领先，Terminal-Bench 4.0 提升 13 个百分点至 41%。
推荐理由：原文给出开放权重、三档推理模式和多项编码与安全基准，可据此判断自托管部署的成本与能力边界。
Replit 发布 ViBench 2.0，用于评测智能体从空项目开始逐个功能搭建完整产品的长周期软件开发能力，包含 17 个产品、241 个功能请求和 544 个测试计划。
推荐理由：Replit 公开了长周期软件构建基准的题目设计、评分方式和多家模型对比，可据此理解现有编码智能体在功能叠加时的失败位置。
Google DeepMind 发布 Gemini 4 Carbon，称其在网络安全与长周期任务上达到当前最优，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
推荐理由：官方披露了 Carbon 在网络安全与长周期智能体任务上的基准成绩和分阶段开放方式，可据此判断前沿模型的发布节奏。
GitHub 在 GitHub Copilot 中发布 Copilot Fusion，在 Anthropic 与 OpenAI 的多个模型之间做运行时调度，按任务优化性能、成本和延迟。
推荐理由：Artificial Analysis 用 Coding Agent Index 实测 Copilot Fusion，给出成本、token 用量与三项基准的分项对比。
建筑师 Stephen Gallagher 用同一套房屋概念草图和参考施工图，测试 13 个新旧 AI 模型的制图能力，认为 2026 年 9 月 22 日发布的 Claude Opus 5.5 最强，经人工批注修改后能产出可用于报批的简单建筑图纸。
推荐理由：作者以建筑师身份实测 13 个模型出图，给出各模型施工图质量对比与成本耗时，可据此判断 AI 制图的真实水平。
Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两项基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，60% 的评测基于私有测试集或留出答案。
推荐理由：原文给出 v5 的基准构成、权重与各模型得分，可据此比较前沿模型在编码、科研与知识任务上的差距。
月之暗面发布 Kimi K3.1 Pro，这是一款 2.8T 总参数、104B 激活参数、100 万 token 上下文窗口的多模态 MoE 模型，标准版与 Highspeed 版已上线网站、App、Kimi Work、Kimi Code 和 API，Highspeed 输出速度提升 2–3 倍但价格为标准版两倍。
推荐理由：材料把发布声明、独立评测与成本数据分开呈现，读者可据此判断开源权重前沿模型的真实位置与部署代价。
月之暗面发布推理模型 Kimi K3.1 Pro，在 Artificial Analysis 智能指数上得分 55，比 Kimi K3 提升 11 分，位列第四，仅次于 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。
推荐理由：原文给出 Kimi K3.1 Pro 与 Claude Opus 5.5 等闭源模型在多项基准上的逐项对比，可据此判断开源模型与闭源前沿的差距。
Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 对 Google OSS-Fuzz 中 123 个开源库的测试程序做形式化验证，几周内生成约 1.8 亿行数学证明代码，并由 Rocq 自动校验。
推荐理由：Anthropic 用 Claude 对 123 个开源库做形式化验证，并给出算力成本与适用边界，可据此判断 AI 自动验证代码的可行范围。
Mistral AI 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的原生多模态模型，权重将于本月底开放。
推荐理由：Mistral 迄今最大模型以开放权重和欧洲自建算力为卖点，读者可据此判断开源前沿模型的竞争格局。
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 103.9M 条 GitHub PR 的分布构建，包含 219 个 PR、覆盖 19 种语言。
推荐理由：GitHub 公开了 ReviewBench 的构建方法、评分规则与验证数据，读者可据此了解 AI 代码审查的评测方式。
Google DeepMind 发布前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，后续再逐步提供给开发者、企业和消费者。
推荐理由：原文给出 Gemini 4 Argon 的基准成绩、1M 输出 token 上限和分阶段开放方式，可据此判断前沿模型在长周期工程与安全防御上的位置。