Gondola đã tăng gấp đôi doanh thu trong khi mở rộng việc sử dụng Codex của OpenAI, công cụ này đã nâng năng suất của kỹ sư trưởng lên 50%. Công ty, chuyên giúp các nhà sáng tạo được ghi nhận và được tuyển dụng, cũng sử dụng ChatGPT để đơn giản hóa công việc hàng ngày.
Wave, đại lý sản phẩm chủ động của Amplitude, được xây dựng chủ yếu trên các mô hình OpenAI, xác định những gì cần xây dựng, giúp các nhóm triển khai thay đổi với các đại lý lập trình và đo lường tác động. Thiết lập này cho phép Amplitude ra mắt cải tiến sản phẩm trong 1–2 ngày.
Microsoft Research Focus Edition #98 nêu bật những tiến bộ AI đưa dịch thuật phổ quát đến gần thực tế hơn và một chứng minh mới giải quyết giả thuyết KLS đã tồn tại 31 năm trong hình học chiều cao. Ấn bản cũng đề cập CompactionBench và APEC, giúp giảm chi phí nén ngữ cảnh của tác nhân lập trình tới 25,4% và thời gian thực thi 9,6%, cùng với Latent Core Tokenizer, cải thiện token hóa trên 104 ngôn ngữ.
Wave, đại lý sản phẩm chủ động của Amplitude, được xây dựng chủ yếu trên các mô hình OpenAI, xác định những gì cần xây dựng, giúp các nhóm triển khai thay đổi với các đại lý lập trình và đo lường tác động. Thiết lập này cho phép Amplitude ra mắt cải tiến sản phẩm trong 1–2 ngày.
Một cổng LLM tự phục vụ được xây dựng trên Amazon Bedrock Application Inference Profiles và LiteLLM chạy trên AWS Fargate, đưa các mô hình nền tảng của Bedrock ra sau một API tương thích OpenAI, mang lại cho nhà phát triển một base URL duy nhất và khóa riêng cho từng người dùng. Thiết lập này bổ sung kiểm soát chi tiêu theo từng người dùng, cô lập hạn mức theo từng mô hình và khả năng quan sát RPM/TPM qua CloudWatch, cùng với Langfuse để theo dõi telemetry ở cấp độ prompt. Việc cấp khóa tự phục vụ yêu cầu LiteLLM Enterprise, vì gói miễn phí chỉ giới hạn ở năm người dùng.
Kimi K3.1 Pro Highspeed của Moonshot AI hiện đã có trên Amazon Bedrock, đây là phiên bản được huấn luyện hậu kỳ của Kimi K3 với cùng kiến trúc trọng số mở cấp 3T và cửa sổ ngữ cảnh 1 triệu token, được huấn luyện với nhiều tính toán hậu kỳ hơn cho công việc tác nhân dài hạn và ít lỗi thực tế hơn. Moonshot AI báo cáo tốc độ đầu ra gấp 2–3 lần Kimi K3.1 Pro, và người dùng Kimi K3 hiện tại có thể chuyển đổi bằng cách thay đổi ID mô hình. Bài đăng trình bày các lệnh gọi API Chat Completions, Responses và Converse, gói Flex với giá bằng một nửa giá Standard, bộ nhớ đệm lời nhắc rõ ràng với prompt_cache_breakpoint, và kết nối mô hình với tác nhân lập trình OpenCode.
Holiday Extras đang sử dụng Codex của OpenAI để biến chuyên môn của khách hàng thành ứng dụng tốt hơn, tỷ lệ chuyển đổi đặt phòng cao hơn và cơ hội tăng trưởng mới. Công ty cung cấp dịch vụ bổ trợ du lịch này đang suy nghĩ lại về những gì có thể xây dựng bằng mô hình lập trình này.
Một kỹ sư Google, người dẫn dắt chương trình kỹ năng tác nhân của công ty, đã xây dựng một pipeline trong đó Gemini 4 Argon đọc mã nguồn Go và mã hợp ngữ RISC-V, chuyển các trap runtime.panicBounds còn sót lại thành ràng buộc Z3, sau đó go test phát lại bất kỳ đầu vào thỏa mãn nào như một reproducer thực sự. Quy trình này bắt được cả ba lỗi được cài sẵn và ba lỗi tiềm ẩn trong skill-lint, trong khi go test -fuzz không có seed bỏ sót hai trong số các crash được cài sẵn vì Go kiểm tra slice dựa trên capacity thay vì length. Việc cắt capacity về bằng length bằng data[:len(data):len(data)] khiến fuzzer làm crash cả hai lỗi tràn trong cả ba lần chạy, với trung vị là 0,28 s và 0,17 s.
Google DeepMind đã cung cấp Gemini 4 Carbon cho nhà phát triển, doanh nghiệp, nhà khoa học và người tiêu dùng, định vị nó cao hơn Gemini 4 Argon cho các tác vụ cần suy luận sâu hơn và nhiều token hơn. Carbon xếp hạng #1 trên CursorBench 4.0, WANDR của Perplexity và AutomationBench của Zapier với chi phí mỗi tác vụ thấp hơn hơn 2 lần so với mô hình bên ngoài tốt thứ hai, và có giá 2 USD mỗi triệu token đầu vào và 10 USD mỗi triệu token đầu ra, cùng mức giá giới thiệu như Argon. Google cũng đã xem trước /swarm trong Google Antigravity, biến một câu lệnh duy nhất thành một nhóm tác tử phối hợp, và báo cáo rằng Carbon đã chặn 99% quỹ đạo tấn công trong thử nghiệm tấn công mạng mô phỏng.
Vì sao đáng chú ý: Ghi chú phát hành của Google trình bày chi tiết cách Gemini 4 Carbon đánh đổi việc dùng nhiều token hơn để lấy suy luận sâu hơn, xếp hạng nhất trên CursorBench 4.0, WANDR và AutomationBench với chi phí mỗi tác vụ dưới một nửa so với mô hình bên ngoài tiếp theo.
Meta đã phát hành Muse Ember, mô hình nhỏ nhất và hiệu quả nhất của họ, nhắm đến những công việc lặp đi lặp lại mà agent làm cả ngày như gọi công cụ, tác vụ con lập trình, định tuyến, trích xuất và phân tích tài liệu dài. Meta cho biết mô hình này đạt điểm cao nhất của Claude Haiku 5.5 với chi phí khoảng một phần ba và vượt mọi cấu hình GPT-6 Luna, ở mức 0,10 USD mỗi triệu token đầu vào và 0,50 USD mỗi triệu token đầu ra. Mô hình đi kèm cửa sổ ngữ cảnh 1M token, tối đa 512K token đầu ra, hỗ trợ đầu vào văn bản, hình ảnh, âm thanh và video gốc, và có sẵn ngay hôm nay trên Muse Code và Meta Model API với tên muse-ember-1.0.
Vì sao đáng chú ý: Mô hình nhỏ nhất của Meta nhắm đến các bước agent có khối lượng lớn, và so sánh chi phí mỗi tác vụ với Claude Haiku 5.5 và GPT-6 Luna cho thấy tuyên bố về hiệu quả đến từ đâu.
GitHub đã công bố hướng dẫn dành cho nhà phát triển về kỹ thuật tác tử, trình bày cách Copilot hỗ trợ các giai đoạn Lập kế hoạch, Xây dựng, Xác minh và Quan sát trong công việc phần mềm. Hướng dẫn trích dẫn con số 1,2 tỷ commit của GitHub trong một tuần vào tháng 10 năm nay, cao hơn 400% so với một năm trước đó, và một nghiên cứu của Faros AI phát hiện rằng các pull request mất thời gian xem xét lâu hơn 441% khi các nhóm chuyển từ mức độ áp dụng AI thấp lên cao. Hướng dẫn trình bày chi tiết các tính năng bao gồm Copilot trong Slack hoặc Teams, Plan Mode, GitHub Agentic Workflows, cloud sandboxes, session continuity, shared memory, Copilot Dreaming và Copilot Fusion.
) các tham chiếu. Các tác nhân đã hành động dựa trên ID lỗi trong 6% số lần gặp, và 83% trong số những hành động đó là do nhà phát triển không nhắc đến; 41% các chuyến đi lạc không được nhắc đến đuổi theo các phiếu đã đóng trong khi 57% gặp phải các lỗi vẫn còn mở và mở rộng phạm vi. Khi kiểm soát theo nhà phát triển, độ phức tạp của cơ sở mã, loại nhiệm vụ, cấp độ mô hình và các yếu tố khác, các chuyến đi lạc lỗi không được nhắc đến đã thêm 70% số bước, 77% token và 105% thời gian chờ mỗi phiên.
Vì sao đáng chú ý: Phân tích dấu vết quy mô lớn của Google cho thấy các tham chiếu lỗi TODO cũ kéo các tác nhân lập trình vào những chuyến đi lạc không được nhắc đến, và các tác nhân dọn dẹp của họ đã loại bỏ hàng nghìn tham chiếu lỗi thời với tỷ lệ chấp nhận của người đánh giá trên 95%.
Microsoft Research đã giới thiệu PDD Kit, một nguyên mẫu nghiên cứu biến ý định bằng ngôn ngữ tự nhiên của nhà phát triển thành đặc tả hình thức Verus, chứng minh mã Rust do coding agent viết thỏa mãn đặc tả đó với mọi đầu vào, và quay về kiểm thử ở những nơi chứng minh không thể vươn tới. Trong một bản demo bên trong Chopin của GitHub Next, nhóm đã dùng PDD Kit để xác minh logic đăng nhập của Pet Store, một ứng dụng full-stack Rust khoảng 5.000 dòng, với việc nhà phát triển xem xét tạo tác ý định thay vì từng dòng mã được sinh ra. PDD Kit hiện chỉ xác minh Rust, và các bảo đảm của nó dựa trên sáu thành phần tin cậy đã được nhà phát triển phê duyệt, bao gồm kiểm tra mật khẩu bcrypt và hai lần tra cứu cơ sở dữ liệu.
Tính năng code layer của Figma hiện đã ở bản beta mở cho 100% người dùng, cho phép các nhóm xây dựng và so sánh các nguyên mẫu dựa trên code trực tiếp trên canvas Figma. Phần hướng dẫn cho thấy một nhà thiết kế clone kho GitHub vào một code layer, nhắc agent của Figma tạo ba biến thể địa chỉ giao hàng cạnh nhau, và tinh chỉnh một biến thể trong trình soạn thảo code toàn màn hình. Extract designs biến màn hình hoặc luồng đã ghi thành các design layer có thể chỉnh sửa, có thể gửi lại vào nguyên mẫu bằng Update code layer, và agent có thể hợp nhất code layer của hai đồng đội thành một trải nghiệm kết hợp.
Microsoft Research Focus Edition #97 nêu bật ForkPilot, một khung tác tử tự cải thiện đạt được kết quả ngang với các phương pháp tốt nhất hiện có trong khi cắt giảm nhu cầu xử lý AI tới 59% trên sáu bài đánh giá chuẩn. Ấn phẩm cũng đề cập CABRA, một khung cho thấy các tác tử lập trình vẫn còn gặp khó khăn trong việc hiểu các cơ sở mã không quen thuộc, và TeleTune, công cụ học các kỹ năng tái sử dụng từ nhật ký hoạt động của người dùng. Ấn phẩm cũng xem xét hoạt động của Copilot Chat, trong đó chỉnh sửa tài liệu chiếm hơn 20% các hoạt động đã được phân loại.
Meta đã đưa Catching JiTTests, phương pháp tạo kiểm thử đúng lúc dựa trên LLM của mình, từ nguyên mẫu nghiên cứu vào hạ tầng sản xuất và công bố kết quả trong bài báo FSE 2026 "Just-in-Time Catching Test Generation at Meta." Hệ thống chạy qua đêm trên công suất dư thừa, nhắm vào các diff rủi ro, tạo kiểm thử thông qua quy trình dodgy-diff và nhận biết ý định, đồng thời lọc dương tính giả bằng một tập hợp LLM-as-Judge cùng bộ đánh giá RubFake dựa trên quy tắc trước khi đến tay kỹ sư. Tính đến thời điểm viết bài, 589 kỹ sư (64% số được tiếp cận) đã tương tác với kết quả, cho thấy tỷ lệ dương tính thật 60%, và trong nửa đầu năm 2026 hệ thống đã phát hiện 74 lỗi quyền riêng tư nghiêm trọng ở giai đoạn diff và giảm 20% SEV về quyền riêng tư.
Mistral AI đã phát hành trọng số mở của Mistral Large 4 (Le Chonk), một mô hình đa phương thức bản địa 1 nghìn tỷ tham số đã vào bản xem trước công khai đầu tháng này và được huấn luyện từ đầu tại châu Âu. Công ty cho biết thêm ba tuần học tăng cường đã đưa nó lên đỉnh về lập trình với trọng số mở, đạt 41% trên Terminal-Bench 4.0 và 48% trên Artificial Analysis Coding Agent Index trong khi sử dụng ít hơn 47% token mỗi tác vụ so với GLM-5.3. Mô hình bổ sung các chế độ suy luận Low, Medium và High, đạt 51% trên Artificial Analysis Cyber Index, và có giá 0,70 USD đầu vào, 0,07 USD đầu vào được lưu cache và 2,10 USD đầu ra trên mỗi triệu token theo giấy phép MIT sửa đổi.
Vì sao đáng chú ý: Mistral mở trọng số cho mô hình hàng đầu 1 nghìn tỷ tham số của mình, kết hợp các cải thiện về điểm chuẩn lập trình và an ninh phòng thủ với ba chế độ suy luận và giá theo token.
Google DeepMind đã công bố Gemini 4 Carbon, mô hình mạnh nhất của họ cho đến nay, với năng lực an ninh mạng và tác vụ dài hạn đạt mức tiên tiến nhất, xếp hạng #1 trên Chỉ số Trí tuệ Artificial Analysis v5.0 với 59 điểm. Mô hình đạt 88,2% trên SEC-bench Pro về phát hiện lỗ hổng, 54,8% trên ExploitGym về khai thác và 71,0% trên CWE-bench về vá lỗi, đồng thời đạt hạng #4 (1768) trên WebDev Arena. Carbon ra mắt với mức giá giới thiệu tương đương Argon, 2 USD mỗi triệu token đầu vào và 10 USD mỗi triệu token đầu ra, và lần đầu tiên được cung cấp cho một nhóm chuyên gia phòng thủ không gian mạng thông qua Chương trình Fairwind trước khi phát hành rộng rãi.
Vì sao đáng chú ý: Kết quả đánh giá của Gemini 4 Carbon trong phát hiện và vá lỗ hổng cho thấy cách các mô hình tiên phong đang được định vị cho công tác phòng thủ an ninh mạng.
Replit đã ra mắt Cloud Agents cho các kho lưu trữ hiện có, cho phép bất kỳ ai trong nhóm mô tả thay đổi bằng ngôn ngữ tự nhiên và để agent mở một pull request đã được kiểm thử trên GitHub hoặc GitLab, khả dụng cho tất cả khách hàng Pro và Enterprise. Agent chạy từng thay đổi trong các sandbox đám mây biệt lập, nhấp qua ứng dụng đang chạy và đính kèm ảnh chụp màn hình cùng video vào PR, trong khi môi trường chia sẻ cung cấp cho mọi người đóng góp một thiết lập được cấu hình sẵn và cập nhật từ nhánh chính. Replit cũng giới thiệu bộ nhớ không gian làm việc tự cải thiện ở chế độ truy cập sớm, biến các bình luận đánh giá thành kỹ năng nhóm do kỹ sư phê duyệt, và tích hợp Slack cho phép người dùng nhắc @Replit trong một luồng để bắt đầu một thay đổi.
Vì sao đáng chú ý: Replit tích hợp Cloud Agents vào cơ sở mã hiện có của doanh nghiệp, cho phép nhân sự không phải kỹ sư gửi thay đổi dưới dạng PR kèm video kiểm thử, thể hiện một hướng đi của công cụ lập trình AI khi mở rộng sang quy trình cộng tác nhóm.
Ba Java Champion với hơn mười năm kinh nghiệm Java mỗi người đã chia sẻ cách họ sử dụng GitHub Copilot trong công việc sản xuất và mã nguồn mở. Vlad Mihalcea đã xây dựng một ứng dụng web Hypersistence Optimizer trong hai ngày thay vì nhiều tuần, và tạo các kỹ năng tùy chỉnh được huấn luyện trên 65 bài viết của ông để khớp với giọng văn của ông. Patrick Baumgartner đã chuyển khoảng 900 slide giảng dạy trong 15 bài thuyết trình từ Reveal.js sang Marp với Copilot, xác minh kết quả thông qua so sánh ảnh chụp màn hình.
Các phiên ứng dụng GitHub Copilot giờ đây có thể được mở trực tiếp trong VS Code, mang theo cuộc hội thoại, các thay đổi mã và worktree để nhà phát triển có thể xem lại diff, chỉnh sửa thủ công và kiểm thử cục bộ mà không cần khởi động lại. Hướng dẫn đi qua việc mở một phiên, xem lại từng dòng thay đổi của agent, tiếp tục cùng cuộc hội thoại trong thanh bên Copilot và đẩy các cập nhật lên pull request của phiên đó.
MiniMax chính thức ra mắt MiniMax M3.1 Flash, một mô hình Flash thế hệ mới mà hãng cho biết cắt giảm 70% chi phí sử dụng so với phiên bản tiền nhiệm và khiến suy luận trực tuyến nhanh gần ba lần. Công ty báo cáo đạt 73,7% trên DeepSWE v1.1, 76,2 trên BankerToolBench, 61,7 trên OSWorld V2, 29,6 trên Agents' Last Exam và 82% trên CyberGym, với tốc độ đầu ra 200+ TPS và trung vị 170+ TPS. Giá là 0,15 USD mỗi 1M token đầu vào, 0,60 USD mỗi 1M token đầu ra và 0,015 USD mỗi 1M token đầu vào được lưu trong bộ nhớ đệm, và mô hình có sẵn qua MiniMax API, M Plan và MiniMax Code, với trọng số sẽ được phát hành sau.
Vì sao đáng chú ý: Mô hình Flash của MiniMax tuyên bố đạt điểm số agentic và lập trình hàng đầu với giá 0,15 USD mỗi 1M token đầu vào, mang lại một dữ liệu cụ thể về khía cạnh chi phí của khối lượng công việc agent.
Nhóm Claude Code mô tả quy trình đánh giá mã theo nhiều lớp của mình, trong đó phần lớn việc đọc được thực hiện bởi máy móc và sự chú ý của con người được dành cho việc phê duyệt dựa trên rủi ro. Từ tháng 6 đến tháng 9, số pull request đã hợp nhất vào cơ sở mã Claude Code tăng hơn gấp đôi trong khi tỷ lệ phải hoàn nguyên giảm hơn 40 phần trăm. Quy trình xếp chồng các bước xác minh trước PR, CI bắt buộc, đánh giá của Claude, đánh giá bảo mật, phê duyệt của con người theo cấp rủi ro và hàng đợi hợp nhất với cờ và hoàn nguyên nhanh, và nhóm đã biến các sự cố trong quá khứ thành một bộ đánh giá hàng ngày cho người đánh giá.
Vì sao đáng chú ý: Nhóm Claude Code của Anthropic trình bày chi tiết cách họ chuyển phần lớn việc đọc mã sang các lớp tự động trong khi PR đã hợp nhất tăng gấp đôi và số lần hoàn nguyên giảm hơn 40 phần trăm, mang lại một mô hình đánh giá có thể chuyển giao cho các nhóm sử dụng nhiều tác nhân.
Meta đã phát hành trọng số cho Muse Spark Open, một mô hình đa phương thức gốc với trọng số mở có tổng cộng 816B tham số (42B hoạt động) và cửa sổ ngữ cảnh 1M token, định hướng cho công việc lập trình và tác tử. Đây là mô hình đầu tiên trong phân khúc của nó chạy trên máy tính để bàn bằng hai Apple M5 Ultra Mac Studio với framework MLX, và có sẵn thông qua các đối tác API bao gồm Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter và Together AI, với trọng số trên Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden và Microsoft Foundry Models. Meta cho biết mô hình đi kèm với các kernel GPU Helion có thể tự động tinh chỉnh trong SGLang, mang lại tốc độ tăng tốc cấp kernel từ 1,03-3,95 lần trên GPU NVIDIA và AMD và tăng tốc end-to-end 3% trên AMD MI350.
Vì sao đáng chú ý: Meta phát hành trọng số mở cho một mô hình đa phương thức 816B tham số chạy trên hai Mac Studio, mang đến cho nhà phát triển một lựa chọn cục bộ cho các tác vụ lập trình và tác tử dài hạn.
Meta đã phát hành trọng số cho Muse Spark Open, và Modal hiện cung cấp mô hình này thông qua Auto Endpoints với tính phí theo token. Mô hình hướng đến lập trình tác tử và các tác vụ dài hạn, với khả năng hiểu đa phương thức gốc, cửa sổ ngữ cảnh 1M token, lập kế hoạch nhiều bước, sử dụng công cụ tuần tự và phục hồi sau lỗi. Meta báo cáo 76,4 trên Terminal-Bench 2.1 với tác tử Terminus 2 và 60 trên DeepSWE 1.1 khi dùng harness ưa thích của mình ở mức nỗ lực suy luận xhigh.
Vì sao đáng chú ý: Muse Spark Open trọng số mở của Meta hiện được cung cấp trên Modal, mang đến cho các đội nhóm một cách tính phí theo token để thử một mô hình lập trình tác tử với cửa sổ ngữ cảnh 1M token.
Kỹ sư Lat Ware của Vapi đã tổng kết thực tiễn tự xây dựng Pedantic Review Bot, bot này hiện review mọi PR, thời gian merge trung bình giảm từ 130 giờ xuống 65 giờ.
Meta giới thiệu dòng Muse Wonder, bao gồm Muse Wonder và Muse Wonder Full, được cho là đạt hiệu năng tiên tiến nhất trên các tác vụ tác nhân cá nhân và chuyên nghiệp, ghi nhớ và lập trình. Muse Wonder có sẵn hôm nay thông qua Meta Model API và Muse Code, trong khi Muse Wonder Full có sẵn hôm nay cho người đăng ký Muse Code. Các mô hình kết hợp Active Memory, mang ngữ cảnh xuyên suốt các cuộc hội thoại và truy xuất chi tiết liên quan đến tác vụ, với Active Focus, duy trì công việc trên các mục tiêu dài hạn và kiểm tra trước các hành động quan trọng; Meta cho biết cả hai đều được huấn luyện tại trung tâm dữ liệu Prometheus quy mô gigawatt của mình.
Vì sao đáng chú ý: Dòng Muse Wonder của Meta tuyên bố đạt kết quả tiên tiến nhất trên các benchmark tác nhân, ghi nhớ và lập trình, với Active Memory và Active Focus là hai năng lực cốt lõi mà nó được xây dựng xoay quanh.
Mistral đã ra mắt bản xem trước công khai của Mistral Large 4, một mô hình đa phương thức gốc với 1 nghìn tỷ tham số và 52 tỷ tham số hoạt động, hiện có sẵn qua API Mistral Studio. Mistral cho biết mô hình này cạnh tranh với các mô hình mã nguồn mở mạnh nhất và vượt trội so với các mô hình trọng số mở khác từ Mỹ và châu Âu, đạt 82% trên bài kiểm tra tái tạo và vá lỗ hổng của Artificial Analysis Cyber Index và 49,8% trên Coding Agent Index tổng hợp của mình. Trọng số dự kiến sẽ được phát hành vào cuối tháng này, sau khi red-team với các đối tác an ninh mạng và cơ quan chức năng; Mistral cho biết mô hình được huấn luyện từ đầu trên 3.800 GPU NVIDIA Grace Blackwell trong các trung tâm dữ liệu châu Âu của riêng mình.
Vì sao đáng chú ý: Mô hình lớn nhất của Mistral đến nay tuyên bố dẫn đầu về trọng số mở trong an ninh mạng và lập trình tác tử, với trọng số được hứa hẹn vào cuối tháng.
GitHub đã phát hành ReviewBench, một benchmark mở dành cho các tác nhân đánh giá mã nguồn bằng AI, được xây dựng trên 219 pull request công khai thuộc 19 ngôn ngữ, với phân bố ngôn ngữ và quy mô kho mã mô phỏng theo 103,9 triệu pull request trên GitHub. Tập dữ liệu chuẩn (golden set) lấy các phát hiện từ người đánh giá là con người, các commit tiếp theo của tác giả, phân tích tĩnh và nhiều LLM tiên tiến, được chấm điểm bởi Claude Sonnet 5 theo một rubric đã công bố, và các kỹ sư cấp cao đã độc lập gán nhãn lại từng phát hiện với mức đồng thuận 96,6%. GitHub cho biết đánh giá ngoại tuyến của họ đối với tính năng đánh giá mã nguồn của Copilot đã dự đoán đúng hướng của một thử nghiệm A/B trong môi trường sản xuất, trong đó tỷ lệ được xử lý tăng 8,0%, độ phủ (recall) tăng 13,6% và chi phí cho mỗi lần đánh giá giảm 8,0%.
GitHub Blog nêu ra ba kỹ năng mà lập trình viên nên củng cố khi AI thay đổi công việc của họ: điều hướng các tác nhân AI thay vì chỉ sử dụng chúng, đánh giá phê bình đầu ra của AI thay vì tin vào câu trả lời đầu tiên, và dùng thời gian AI tiết kiệm được để giải quyết những vấn đề rộng lớn hơn. Bài viết dẫn ra tác nhân Rubber Duck tích hợp sẵn của GitHub Copilot, sử dụng một mô hình thứ hai để phê bình kế hoạch, mã và kiểm thử trước khi lập trình viên tiến hành.
Factory đã đưa Automations ra mắt chính thức, cho phép các nhóm mô tả một quy trình làm việc lặp lại và để Droid chạy quy trình đó theo lịch hoặc theo sự kiện kích hoạt. Mỗi automation kết hợp một trigger (lịch, Slack, GitHub hoặc webhook), hướng dẫn, một mô hình và mức độ suy luận do người dùng chọn, và một máy có thể là cục bộ, được kết nối hoặc Droid Computer do Factory quản lý. Factory cho biết 52% người dùng doanh nghiệp đã chạy đánh giá mã tự động trong 30 ngày qua, 48% sử dụng đánh giá bảo mật, 35% sử dụng AutoWiki, và khối lượng phiên automation tăng 51% so với 30 ngày trước đó.
Vì sao đáng chú ý: Factory đưa Automations ra mắt chính thức, cho thấy những quy trình kỹ thuật lặp lại nào doanh nghiệp thực sự giao cho Droid và cách lựa chọn mô hình và máy hoạt động theo từng tác vụ.
Anthropic đã phát hành Claude Sonnet 5.5, mô hình thứ hai trong dòng Claude 5.5 sau Opus 5.5, mà công ty cho biết thông minh hơn, hiệu quả hơn và nhanh hơn 30% so với Sonnet 5 với cùng mức giá mỗi token. Vì mô hình thường cần ít token hơn cho mỗi tác vụ, Anthropic cho biết hầu hết công việc tốn ít hơn tới 30% chi phí, và mô hình đi kèm cửa sổ ngữ cảnh gốc 1M token, đầu ra tối đa 128k và tính năng thinking bật theo mặc định. Hướng dẫn phát hành liệt kê các thay đổi phá vỡ tương thích đối với người dùng Sonnet 5, bao gồm thay thế disabled thinking bằng cài đặt between_tools, đổi forced tool_choice sang auto kèm strict tools, và chuyển computer use sang bộ công cụ computer_toolset_20260801.
Vì sao đáng chú ý: Sonnet 5.5 của Anthropic giữ nguyên giá của Sonnet 5 trong khi cắt giảm lượng token dùng cho mỗi tác vụ, và ghi chú chuyển đổi cho thấy những gì thay đổi đối với các nhóm đã và đang xây dựng trên Sonnet 5.
MiniMax đã phát hành M3, một mô hình trọng số mở mà họ nói là mô hình đầu tiên kết hợp hiệu năng lập trình và tác nhân tiên tiến, cửa sổ ngữ cảnh 1 triệu token, và đầu vào hình ảnh và video gốc. M3 sử dụng kiến trúc chú ý thưa MSA mới của MiniMax, mà công ty báo cáo cắt giảm tính toán mỗi token ở ngữ cảnh 1M xuống còn 1/20 so với thế hệ trước và tăng tốc prefill hơn 9 lần và giải mã hơn 15 lần. Nó đạt 59,0% trên SWE-Bench Pro, 66,0% trên Terminal-Bench 2.1 và 74,2% trên MCP Atlas, và có sẵn thông qua MiniMax Code, Token Plan và API, với trọng số và báo cáo kỹ thuật được hứa hẹn trong vòng 10 ngày.
Vì sao đáng chú ý: MiniMax M3 kết hợp ngữ cảnh 1 triệu token, điểm số lập trình và tác nhân tiên tiến, và đầu vào hình ảnh và video gốc trong một mô hình trọng số mở, với MSA cắt giảm tính toán mỗi token ở ngữ cảnh dài.
OpenAI đã phát hành plugin Developers, cho phép ChatGPT và Codex truy cập vào Nền tảng API OpenAI cùng hướng dẫn thiết lập API, với các điều chỉnh dành cho Claude Code và Cursor đi kèm các kỹ năng phát triển di động và máy chủ MCP OpenAI Docs công khai. Plugin bao gồm thiết lập khóa API, xây dựng ứng dụng Agents SDK, chuyển đổi API sang Responses API và xử lý sự cố các lỗi API phổ biến.
Factory đã xây dựng một benchmark mã nguồn mở thử nghiệm 13 mô hình trên 50 pull request thực tế từ Sentry, Grafana, Keycloak, Discourse và Cal.com, với mỗi mô hình review mỗi PR ít nhất ba lần ở mức nỗ lực suy luận cao và một giám khảo LLM chấm điểm các phát hiện so với một golden set do con người tuyển chọn. GPT-5.2 dẫn đầu với 60,5% F1 với $1,25 mỗi PR, trước Claude Opus 4.6 với 59,8% F1 và $3,11 mỗi PR, trong khi MiniMax M2.7 đạt 45,6% F1 với $0,15 mỗi PR và Kimi K2.5 đạt 51,9% F1 với $0,41. Factory cho biết chi phí chỉ giải thích khoảng 21% phương sai chất lượng, và họ đã mã nguồn mở golden set, các script đánh giá và một Droid Action GitHub Action hỗ trợ cả 13 mô hình.
OpenAI đã công bố tổng quan về các bản cập nhật mới của ứng dụng Codex, hướng đến việc hoạt động xuyên suốt các công cụ, ứng dụng, tự động hóa và các quy trình làm việc khác của nhà phát triển. Tài liệu chỉ là bản tóm tắt ngắn, nên không mô tả các tính năng cụ thể, phiên bản và chi tiết về khả năng cung cấp.
Vì sao đáng chú ý: OpenAI phác thảo các bản cập nhật ứng dụng Codex mở rộng tác nhân lập trình sang công cụ, ứng dụng và tự động hóa, cho thấy phạm vi của nó đang mở rộng ra ngoài việc tạo mã.
OpenAI đã phát hành hướng dẫn prompting Codex dành cho các nhà phát triển gọi trực tiếp mô hình gpt-5.3-codex được tinh chỉnh cho Codex thông qua API, khuyến nghị mức reasoning effort trung bình cho lập trình tương tác và mức high hoặc xhigh cho những tác vụ khó nhất. Hướng dẫn bao gồm việc di chuyển một harness hiện có sang codex-cli mã nguồn mở, bao gồm prompt Codex-Max tiêu chuẩn, các công cụ apply_patch, shell_command và update_plan, cùng tính năng compaction hạng nhất qua /compact trong Responses API cho các phiên kéo dài nhiều giờ. Hướng dẫn cũng mô tả trường phase mới, chỉ được hỗ trợ trên gpt-5.3-codex, đánh dấu các mục của assistant là commentary hoặc final_answer và phải được giữ nguyên trong lịch sử để tránh suy giảm hiệu năng.
Vì sao đáng chú ý: Hướng dẫn chính thức của OpenAI trình bày chi tiết cách tinh chỉnh prompt, công cụ và compaction cho gpt-5.3-codex, mang lại cho các nhóm một lộ trình di chuyển cụ thể cho các coding agent của riêng họ.
Ramp đã xây dựng Ramp Inspect, một background coding agent nội bộ chạy trên Modal Sandboxes, và hiện nó khởi tạo khoảng một nửa tổng số pull request được merge trên các repo frontend và backend của Ramp. Mỗi phiên khởi động một môi trường full-stack với Postgres, Redis, Temporal và RabbitMQ trong vài giây, nhờ một cron job của Modal clone repo và lưu snapshot hệ thống tệp mỗi 30 phút. Modal Functions, Dicts và Queues đảm nhận việc build snapshot, khóa phiên và định tuyến prompt, giúp Inspect hỗ trợ các phiên nhiều người dùng và hàng trăm phiên đồng thời mà không phiên nào ảnh hưởng đến phiên khác.
Modal giới thiệu endpoint tương thích OpenAI API miễn phí cho GLM-5, dùng được đến cuối tháng 4, giới hạn một yêu cầu đồng thời, đồng thời phát hành mã có thể tái lập để triển khai bằng SGLang trên 8 GPU B200 trong một nút đơn.
Vì sao đáng chú ý: Modal cung cấp endpoint tương thích OpenAI miễn phí cho GLM-5 của Z.ai, và đưa ra cấu hình cụ thể để tích hợp trong OpenCode, OpenClaw, Claude Code và Vercel AI SDK.
OpenAI đã giới thiệu ứng dụng Codex, một ứng dụng chuyên dụng cho coding agent Codex của mình, trong một bài đăng trên blog chính thức dành cho nhà phát triển. Bài đăng là một hướng dẫn giới thiệu bao quát về ứng dụng và các quy trình làm việc cốt lõi của nó, với video đầy đủ được lưu trữ trên YouTube.
Vì sao đáng chú ý: Hướng dẫn chính thức của OpenAI cho thấy cách ứng dụng Codex tổ chức các quy trình làm việc lập trình cốt lõi, hữu ích cho các nhà phát triển đang cân nhắc nó so với các coding agent hiện có.