技术方向
用 AI 写代码：编程助手、Vibe Coding、代码模型评测，以及开发方式的变化。
26 条精选近 30 天 16 条共收录 76 条
安全公司 Claroc 发现，SpaceXSI 的 vibe-coding 智能体 Grok Build 通过可分享的应用链接泄露了数千用户的专有商业信息和其他敏感机密。尽管 Grok 对 URL 进行了随机化处理，只有持有确切链接的人才能访问数据，但一项设计决策使得任何人都能枚举出数千个活跃项目，而点击这些链接通常会暴露所有相关数据。泄露的材料包括内部商业计划、广告提案、体检结果、邮轮厨房检查清单，以及员工姓名和身份证号，其中部分来自 SpaceXSI 自身构建的 24 个应用，包括一份机密入职计划、一张涵盖 594 个账户的销售区域地图，以及销售工具的内部系统地址。
推荐理由：安全公司 Claroc 的调查结果表明，Grok Build 分享功能中的一项 URL 设计选择暴露了数千个活跃项目，其中包括 SpaceXSI 自己的内部文件。
Google DeepMind 向开发者、企业、科学家和消费者开放了 Gemini 4 Carbon，将其定位在 Gemini 4 Argon 之上，适用于需要更深层推理和更多 token 的任务。Carbon 在 CursorBench 4.0、Perplexity 的 WANDR 和 Zapier 的 AutomationBench 上排名第一，每任务成本比次优外部模型低 2 倍以上，定价为每百万输入 token 2 美元、每百万输出 token 10 美元，与 Argon 的 introductory 价格相同。Google 还预览了 Google Antigravity 中的 /swarm，可将单个提示转化为协同工作的智能体团队，并报告 Carbon 在模拟网络攻击测试中拦截了 99% 的攻击轨迹。
推荐理由：Google 的发布说明详细介绍了 Gemini 4 Carbon 如何以更高的 token 用量换取更深层推理，在 CursorBench 4.0、WANDR 和 AutomationBench 上排名第一，每任务成本不到次优外部模型的一半。
Anthropic 发布了 Claude Fable 5.2 和 Claude Mythos 5.2，二者在多数独立排行榜上位居榜首，包括 Artificial Analysis Intelligence Index v5（65 分）和 SemiAnalysis GDPx（16.4%）。价格下调 20%，降至每 100 万输入/输出 token 8 美元/40 美元，但 SemiAnalysis 报告称，每项 GDPx 任务的成本从 67.16 美元升至 88.15 美元，因为该模型会编写数百到数千个测试用例，并启动子代理来检查其工作。多项评估显示，max effort 级别的表现不如 high，且 Fable 被限制为每周订阅额度的 50%。
推荐理由：Anthropic 发布 Fable 5.2 和 Mythos 5.2，每 token 价格下调 20%，但独立评估显示每任务成本更高，且 max-effort 设置的表现不如 high。
Anthropic 发布了 Claude Fable 5.2，这是一款为最艰巨的技术挑战和雄心勃勃的开放式项目而设计的模型，在编码、推理和视觉方面均有提升。公司建议大多数编码和知识任务从 Opus 5.5 开始使用；Fable 5.2 即日起在 Pro、Max、Team 和 Enterprise 套餐中提供。
推荐理由：Claude Fable 5.2 面向雄心勃勃的开放式技术工作，据称在编码、推理和视觉方面有所提升，而 Opus 5.5 仍是大多数编码和知识任务的推荐默认选择。
Meta 发布了 Muse Ember，这是其最小、最高效的模型，面向智能体全天执行的重复性工作，例如工具调用、编码子任务、路由、抽取和长文档解析。Meta 称其在约三分之一成本下达到 Claude Haiku 5.5 的最佳分数，并击败 GPT-6 Luna 的所有配置，价格为每百万输入 token 0.10 美元、每百万输出 token 0.50 美元。该模型配备 100 万 token 上下文窗口、最高 51.2 万输出 token，原生支持文本、图像、音频和视频输入，即日起在 Muse Code 和 Meta Model API 上以 muse-ember-1.0 提供。
推荐理由：Meta 最小的模型瞄准高吞吐的智能体步骤，其与 Claude Haiku 5.5 和 GPT-6 Luna 的每任务成本对比说明了效率主张的来源。
Every 报道称，Anthropic 的最新模型 Fable 5.2 让 Kieran Klaassen 构建了一款视频编辑器，融合了 Adobe Premiere、After Effects 和 Ableton 风格的功能，并由一个 AI 智能体运行，Everycut 在他开始三天后上线。该评测称，Fable 5.2 能承接整个产品，并持续构建、测试和优化，直到可日常使用；相比之下，Opus 5.5 需要用户不断检查其工作，而 Fable 5 和 5.1 则能连续数小时或数天运行大型任务。Every 称这是其测试过的首个让专业人士无需阅读底层代码就能构建生产级工具的模型。
推荐理由：Every 对 Fable 5.2 的实测展示了单一模型在极少引导下能将产品构建推进到何种程度，并与 Opus 5.5 及 Fable 5/5.1 做了具体对比。
) 引用。智能体在 6% 的遇到情况下对 bug ID 采取了行动，其中 83% 的行动并非由开发者提示；41% 的未提示绕行追逐的是已关闭的工单，而 57% 触及的是仍然开放的 bug 并扩大了范围。在控制开发者、代码库复杂度、任务类型、模型层级和其他因素后，未提示的 bug 绕行使每次会话增加了 70% 的步骤、77% 的 token 和 105% 的等待时间。
推荐理由：谷歌的大规模追踪分析显示，过时的 TODO bug 引用会将编码智能体拖入未提示的绕行，而其清理智能体移除了数千条过时引用，审查者接受率超过 95%。
Thinking Machines 发布了 Inkling 2 Small，这是一款专有推理模型，在 Artificial Analysis 智能指数 v5.0.1 上得分 31，比 Inkling Small 高 18 分，并计划在稍后一个尚未确认的日期以 Apache 2.0 许可证开放权重。该模型拥有 594B 参数（17B 激活），首先通过 Tinker 和 Tinker Playground 提供，价格为每 100 万输入/输出 token 0.30/1.00 美元；它在编码和幻觉基准上与 Gemini 3.8 Flash（high）持平，但落后于 Claude Sonnet 5.5。它在每个智能指数任务上平均输出约 150K token，约为 Inkling Small 的 4 倍，每任务成本为 1.18 美元，而后者为 0.20 美元。
推荐理由：Artificial Analysis 的独立基准测试显示了 Inkling 2 Small 在哪些方面优于其前代，以及在哪些方面仍落后于 Gemini 3.8 Flash 和 Claude Sonnet 5.5。
Mistral AI 发布了 Mistral Large 4（Le Chonk）的开放权重，这是一个 1 万亿参数的原生多模态模型，本月早些时候进入公开预览，并在欧洲从零开始训练。该公司表示，额外三周的强化学习使其登顶开放权重编码榜首，在 Terminal-Bench 4.0 上达到 41%，在 Artificial Analysis Coding Agent Index 上达到 48%，同时每项任务使用的 token 比 GLM-5.3 少 47%。它新增了低、中、高三种推理模式，在 Artificial Analysis Cyber Index 上得分 51%，在修改版 MIT 许可证下，定价为每百万 token 输入 $0.70、缓存输入 $0.07、输出 $2.10。
推荐理由：Mistral 开放了其 1 万亿参数旗舰模型的权重，将编码和防御性安全基准的提升与三种推理模式和按 token 定价相结合。
Google DeepMind 发布了 Gemini 4 Carbon，这是其迄今最强的模型，具备最先进的网络安全与长周期能力，在 v5.0 Artificial Analysis Intelligence Index 上以 59 分排名第一。它在用于发现漏洞的 SEC-bench Pro 上得分 88.2%，在用于漏洞利用的 ExploitGym 上得分 54.8%，在用于修补的 CWE-bench 上得分 71.0%，并在 WebDev Arena 上以 1768 分排名第四。Carbon 以与 Argon 相同的 introductory 价格发布，即每百万输入 token 2 美元、每百万输出 token 10 美元，并首先通过 Fairwind Program 向部分网络防御者开放，随后再更广泛发布。
推荐理由：Gemini 4 Carbon 在漏洞发现与修补方面的基准测试结果，显示出前沿模型正如何被定位用于网络安全防御工作。
谷歌的 Gemini 4 Carbon 在 Artificial Analysis Coding Agent Index 上位列第 5。5（最高 62），并在 9 项 Index 评测中的 4 项领先，包括 HLE-Diamond 和 Terminal-Bench-Science。1 从 4% 升至 11%；该模型正面向部分用户推出，尚未公开可用。
推荐理由：Gemini 4 Carbon 以 59 分登顶 Artificial Analysis Intelligence Index v5，在 Coding Agent Index 上落后 Claude Opus 5.5 3 分，并附有每任务成本和幻觉数据供比较。
Replit 面向现有代码库推出 Cloud Agents，团队中任何人都可以用自然语言描述一项改动，由智能体在 GitHub 或 GitLab 中发起一个经过测试的拉取请求，所有 Pro 和 Enterprise 客户均可使用。该智能体在隔离的云沙箱中运行每项改动，点击浏览运行中的应用，并将截图和视频附加到 PR 中；共享环境为每位贡献者提供预配置的设置，并会从主分支更新。Replit 还推出了早期访问的自改进工作区记忆功能，可将评审评论转化为由工程师批准的团队技能，以及一项 Slack 集成，用户可在话题中提及 @Replit 来发起改动。
推荐理由：Replit 把 Cloud Agents 接入企业既有代码库，让非工程人员以带测试视频的 PR 形式提交改动，展示了 AI 编码工具向团队协作流程延伸的一种路径。
MiniMax 正式推出 MiniMax M3.1 Flash，这是一款新一代 Flash 模型，据称相比前代将使用成本降低 70%，在线推理速度提升近三倍。公司报告其在 DeepSWE v1.1 上达到 73.7%，在 BankerToolBench 上为 76.2，在 OSWorld V2 上为 61.7，在 Agents' Last Exam 上为 29.6，在 CyberGym 上为 82%，输出速度超过 200 TPS，中位数为 170+ TPS。定价为每 100 万输入 token 0.15 美元、每 100 万输出 token 0.60 美元、每 100 万缓存输入 token 0.015 美元，该模型可通过 MiniMax API、M Plan 和 MiniMax Code 使用，权重将于后续发布。
推荐理由：MiniMax 的 Flash 模型声称以每 100 万输入 token 0.15 美元的价格实现顶级的智能体与编程得分，为智能体工作负载的成本侧提供了一个具体的数据点。
Claude Code 团队介绍了其分层代码审查流程：大部分阅读工作由机器完成，人的注意力则保留给基于风险的审批。6 月至 9 月，Claude Code 代码库中合并的拉取请求数量增长了一倍多，而不得不回滚的比例下降了 40% 以上。该流程在 PR 之前叠加验证、必需的 CI、Claude 审查、安全审查、按风险分级的人工审批，以及带标志和快速回滚的合并队列；团队还将过去的事故转化为审查者的每日评估集。
推荐理由：Anthropic 的 Claude Code 团队详细说明了如何将大部分代码阅读转移到自动化层，同时合并的 PR 翻倍、回滚下降超过 40%，为大量使用智能体的团队提供了一个可迁移的审查模型。
Meta 发布了 Muse Spark Open 的权重，这是一个开放权重的原生多模态模型，总参数 816B（激活参数 42B），上下文窗口为 1M token，定位面向编程和智能体任务。它是同类模型中首个借助 MLX 框架、在两台 Apple M5 Ultra Mac Studio 上于桌面端运行的模型，并可通过 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 等 API 合作伙伴获取，权重已在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 和 Microsoft Foundry Models 上提供。Meta 表示，该模型在 SGLang 中附带可自动调优的 Helion GPU 内核，在 NVIDIA 和 AMD GPU 上实现 1.03-3.95 倍的内核级加速，在 AMD MI350 上实现 3% 的端到端加速。
推荐理由：Meta 发布了一个 816B 参数多模态模型的开放权重，该模型可在两台 Mac Studio 上运行，为开发者提供了一个用于长程编程和智能体任务的本地选项。
Meta 发布了 Muse Spark Open 的权重，Modal 现已通过其 Auto Endpoints 以按 token 计费的方式提供该模型。该模型面向智能体编程和长周期任务，具备原生多模态理解、100 万 token 上下文窗口、多步规划、顺序工具调用和故障恢复能力。Meta 报告称，在 Terminus 2 智能体下 Terminal-Bench 2.1 得分为 76.4，在使用其首选 harness、xhigh 推理强度下 DeepSWE 1.1 得分为 60。
推荐理由：Meta 的开源权重模型 Muse Spark Open 现已在 Modal 上提供服务，让团队能够以按 token 计费的方式试用一款具备 100 万 token 上下文窗口的智能体编程模型。
Meta 推出 Muse Wonder 系列，包括 Muse Wonder 和 Muse Wonder Full，称其在个人与专业智能体任务、记忆和编程方面达到最先进性能。Muse Wonder 即日起通过 Meta Model API 和 Muse Code 提供，Muse Wonder Full 即日起面向 Muse Code 订阅用户提供。这些模型将 Active Memory（跨对话携带上下文并检索任务相关细节）与 Active Focus（持续处理长期目标并在重要操作前确认）相结合；Meta 表示两者均在其千兆瓦级 Prometheus 数据中心训练。
推荐理由：Meta 的 Muse Wonder 系列声称在智能体、记忆和编程基准上取得最先进结果，其构建围绕 Active Memory 和 Active Focus 两项能力。
Mistral 已推出 Mistral Large 4 的公开预览版，这是一个 1 万亿参数的原生多模态模型，拥有 520 亿活跃参数，现可通过 Mistral Studio API 使用。Mistral 表示，该模型可与最强的开源模型竞争，并优于美国和欧洲的其他开放权重模型，在 Artificial Analysis Cyber Index 漏洞复现与修补测试中得分 82%，在其综合 Coding Agent Index 中得分 49.8%。权重将于本月底发布，此前已与网络安全合作伙伴和主管部门进行红队测试；Mistral 表示，该模型是在其自有欧洲数据中心内的 3,800 块 NVIDIA Grace Blackwell GPU 上从零开始训练的。
推荐理由：Mistral 迄今最大的模型声称在网络安全和智能体编程方面拥有开放权重领先地位，并承诺月底发布权重。
Factory 已将 Automations 全面开放，让团队可以描述一个重复性工作流，并让 Droid 按计划或事件触发来运行它。每个自动化都结合了触发器（计划、Slack、GitHub 或 webhook）、指令、用户选择的模型和推理级别，以及一台可以是本地、已连接或由 Factory 托管的 Droid Computer 的机器。Factory 表示，过去 30 天内有 52% 的企业用户运行了自动化代码审查，48% 使用了安全审查，35% 使用了 AutoWiki，自动化会话量较此前 30 天增长了 51%。
推荐理由：Factory 将其 Automations 全面开放，展示了企业实际把哪些重复性工程工作流交给 Droid，以及模型和机器选择如何按任务生效。
Anthropic 发布了 Claude Sonnet 5.5，这是继 Opus 5.5 之后 Claude 5.5 系列的第二款模型。公司称其在相同每 token 价格下比 Sonnet 5 更智能、更高效，速度快 30%。由于每项任务通常需要更少的 token，Anthropic 表示大多数工作的成本最多可降低 30%。该模型原生支持 100 万 token 上下文窗口、最大 128k 输出，并默认开启思考功能。发布指南列出了 Sonnet 5 用户需要注意的破坏性变更，包括用 between_tools 设置替代已禁用的思考功能、将强制 tool_choice 替换为 auto 加 strict tools，以及将 computer use 迁移至 computer_toolset_20260801 工具集。
推荐理由：Anthropic 的 Sonnet 5.5 保持 Sonnet 5 的定价，同时降低每任务 token 用量，迁移说明则展示了已在 Sonnet 5 上构建的团队需要做哪些变更。