Anthropic 给 Claude Code 加了一个叫 routines 的研究预览功能。你可以一次性配好提示词、代码仓库和要对接的工具，然后让它按时间表、API 调用或事件触发自动执行。这些任务跑在 Anthropic 自己的服务器上，所以你的笔记本不用一直开着。正文没提怎么收费、有没有次数限制，也没说这个功能会推给哪些用户。
推荐理由：这次更新把 Claude Code 从本地交互式编程扩展到了托管、定时和事件驱动的执行模式，HKR 三项全中，Anthropic 的产品动态本身也有加分。但正文没公布价格、配额和具体开放范围，所以先放在 featured 而不是 P1。真正值得盯的是托管执行这条链路，不是单次补全功能。
Anthropic 把 Claude 塞进了 Word，目前是测试版。你在文档侧边栏就能让它帮你起草、编辑和修改内容，Claude 会保留原有格式，改动以修订模式显示，方便你逐条确认。这个功能只开放给 Team 和 Enterprise 用户，正文没提价格、支持地区，也没说什么时候正式上线。
推荐理由：这是个有用但分量中等的 Anthropic 产品更新。官方帖子确认了 Word 侧边栏入口、Team 和 Enterprise 方案可用、保留原有格式并以修订模式显示改动，所以 K 和 R 都站得住。但价格、地区和具体上线时间都没说，信息缺口明显，只能放在 featured 的低位。
OpenAI 新设了一个每月 100 美元的 Pro 订阅档，Codex 用量是 Plus 档的 5 倍，适合长时间、高强度的编程任务。这个档位保留了原 Pro 的全部功能，包括专属 Pro 模型以及 Instant 和 Thinking 模型不限次使用。到 5 月 31 日前有个限时活动，Codex 用量临时提到 Plus 的 10 倍。正文没解释为...
推荐理由：OpenAI 给 Pro 加了个每月 100 美元的新档位，核心是把 Codex 用量提到 Plus 的 5 倍，其他 Pro 功能不变。5 月底前有个临时福利，Codex 额度再翻倍到 10 倍，但我会先打个折，这只是限时促销。真正值得盯的是，他们开始把代码代理这种重度用法单独拿出来计费，说明以后高强度用 AI 写代码可能要多掏钱。正文没提新模型或技术突破，所以重要性主要落在定价信号上，对团队预算和工具选型有直接参考价值。
Anthropic 发了个新项目叫 Project Glasswing，专门盯着最关键的软件做安全加固。背后用的是他们最新的前沿模型 Claude Mythos Preview，官方说它找漏洞的能力仅次于最顶尖的人类专家。不过正文没给出具体跑分、测试范围、怎么申请试用，也没说什么时候正式开放，所以实际效果还得等可复现的评测出来再看。
推荐理由：这篇 Anthropic 一手公告，标题和摘要确认了 Project Glasswing 和 Claude Mythos Preview 两个名字，说能力仅次于顶尖人类专家，但正文没披露任何可复现的评测数据、软件范围或接入细节。我会先打个折：真正该盯的是他们后续会不会放出基准分数和第三方验证，现在只能当个方向性信号看。
Claude 把电脑操控能力带到了 Windows 上，覆盖 Cowork 和 Code Desktop 两个入口。正文只发了一句话和一条链接，没提支持哪些 Windows 版本、权限怎么管、操作延迟多少、要不要额外付费，也没说什么时候正式推送。对想在 Windows 上跑桌面 agent 的人来说，现在只能知道功能有了，但稳定性和实际跑起来怎么样，这...
推荐理由：Claude 把 computer use 能力从非 Windows 平台扩到了 Windows，标题就这一句事实。正文没披露支持哪些 Windows 版本、权限怎么隔离、操作延迟多少、要不要加钱、什么时候正式上线，这些才是决定能不能在生产环境用的关键。我会先打个折：桌面代理在 Windows 上的稳定性边界还没给可复现条件，别急着全量上。分数维持 74，因为这是官方更新，但信息密度只够确认可用性，离评估还差一截。
OpenAI 在 3 月 17 号推出了 GPT-5.4 mini 和 nano，都是给高吞吐、低延迟场景用的轻量模型。mini 在编程、推理、看图、调工具上都比上一代 GPT-5 mini 强，速度还快了一倍多。跑分上，mini 在 SWE-Bench Pro 拿到 54.4%，跟大哥 GPT-5.4 的 57.7% 差距不大，但延迟低很多，适合需要...
推荐理由：这是 OpenAI 官方模型发布，不是小修小补。我会先打个折：虽然叫 GPT-5.4 mini，但别当它是 GPT-5.4 的完整缩小版，更像是一个专攻编码和子代理任务的轻量选手。真正值得盯的是它用更低价格和更快速度，把 SWE-Bench Pro 拉到 54.4%，离大模型只差 3.3 个百分点——这点先别太激动，正文没披露其他基准的对比，不知道通用能力缩水多少。nano 更极端，只走 API，价格压到输入 0.20 美元，明显是给大批量、简单任务准备的。整体看，OpenAI 在推‘够用且便宜’的代理专用模型，对频繁调用代码工具的场景挺省钱。
Mistral 发布 Leanstral，首个专为 Lean 4 设计的开源代码智能体，采用 6B 激活参数的稀疏架构，以 Apache 2.0 许可开放权重，并提供 Mistral vibe 智能体模式和免费 API。
Mistral 基于其开源编码助手 Vibe 构建了一个自动编写 Rails RSpec 测试的智能体，可读取源码、生成或改进测试、按风格规则与覆盖率目标校验，并在 CI/CD 中无人干预运行。
推荐理由：Mistral 公开了用 Vibe 构建自动写 RSpec 测试智能体的完整方法，包含上下文工程、技能文件与自定义工具的可迁移细节。
OpenAI 在 2026 年 3 月 11 日说，他们的 Responses API 现在能调用一个 shell 工具，在托管的隔离容器里执行命令。模型（GPT-5.2 及之后版本）会自己提议该敲什么命令，API 负责在后台跑、把结果流式传回来，还能同时开多个会话并行处理。容器里带了文件系统、可选的 SQLite 和受限的网络访问。这相当于给模型配了...
推荐理由：这次更新把 Responses API 从“调工具”升级成“给模型一台隔离电脑”，shell 执行、流式输出、并行跑命令、上下文压缩都实装了，对 agent 开发者是实打实的新能力。正文后半段截断，定价、配额和完整安全边界都没写，所以实际落地成本和安全兜底还得等后续披露。
OpenAI 在 3 月 6 日上线了 Codex Security 的研究预览版，面向 ChatGPT Pro、Enterprise、Business 和 Edu 用户，下个月可以免费用。这个工具相当于一个应用安全助手，会先读懂你的项目结构，生成一份可编辑的威胁模型，再根据这个模型去找漏洞、做验证、给修复建议。过去 30 天里，它扫了外部仓库超过 1...
推荐理由：这是 OpenAI 给开发和安全团队的一个实质性产品更新，不是泛泛的安全宣传。切入点新、有具体扫描和误报数据、回应了 AI 编码风险和告警疲劳，三个点都站得住。不过目前还是研究预览，正文没披露误报下降的具体测试条件和补丁的采纳率，效果得等正式版再看。
OpenAI 在 2026 年 3 月 5 日公开了 GPT-5.4 Thinking 的系统卡。这是 GPT-5 系列最新的推理模型，也是第一个把“高级网络安全能力”的防护措施做进通用模型里的产品。它的安全方案跟之前的 GPT-5 系列差不多，但这次把给 GPT-5.3 Codex（代码模型）用的那套网络安全防护搬到了 ChatGPT 和 API 里...
推荐理由：这篇系统卡信息量不大，没给具体分数、缓解细节和部署条件，我会先打个折。但它真正值得盯的是风险门槛的变化——OpenAI 把“高能力网络安全”缓解从专用模型扩到了通用推理模型，这是一个信号。标题里的“首个”不是公关话术，而是安全策略在升级。正文没披露评测数据，所以别指望从这里看到性能对比，重点看安全边界怎么划。
OpenAI 和 Figma 在 2026 年 2 月 26 日发布了一项新集成：在 Codex 桌面端里，你可以直接把代码转成 Figma 里能编辑的设计稿，也能把 Figma Design、Figma Make 和 FigJam 里的内容拉回代码里继续开发。这个来回转换的流程靠 Figma MCP Server 实现，走的是 MCP 协议，相当于给...
推荐理由：OpenAI 和 Figma 搞了个 Codex 集成，代码能直接生成可编辑的 Figma 设计，反过来 Figma 里的设计、Make 原型和 FigJam 白板也能回写成代码。底层走的是 MCP，通过 Figma MCP Server 接进 Codex 桌面应用。OpenAI 说 Codex 周活已经过百万，年初到现在用量涨了四倍多。我会先打个折，因为正文没披露支持哪些模型、权限怎么划、收不收费、双向转换稳不稳定——这些才是实际落地要盯的。
Hugging Face 宣布 GGML 和 llama.cpp 的团队正式加入公司。Georgi Gerganov 和他的团队会继续把全部时间花在维护 llama.cpp 上，项目的技术方向和社区管理保持完全独立，不会变成闭源。这次合作最实际的变化是，他们会把 transformers 库里的模型定义更顺滑地接到 llama.cpp 里，目标是做到近...
推荐理由：我会先打个折：正文只说了团队加入和方向，没给时间表、团队规模和商业条款，所以别当成交割日来看。但这件事确实值得盯——HF 把 GGML/llama.cpp 团队收进来，等于把本地推理最核心的工程力量绑定了，同时承诺保持 100% 开源和社区自主。真正有意思的是技术对接：如果 transformers 的模型定义能一键落到 llama.cpp，对开发者来说省掉一大截适配工作。这点先别太激动，等他们真把“单击发布”做出来再说。
OpenAI 发了一篇工程博文，解释他们怎么解决 Codex 和 Sora 用户老撞速率限制的问题。核心做法是自研了一套实时访问引擎，把速率限制和预购点数揉在一起：请求先走免费速率额度，额度用完了自动从点数余额里扣，用户不用切换系统。文章说这套“决策瀑布”模型能在一个请求里同步完成判断，点数扣减异步处理，并且有三套独立数据（产品用量、计费事件、余额变动...
推荐理由：这是 OpenAI 官方的产品更新，标题抛出了“超越速率限制”这个钩子，对开发者来说很抓眼球，所以 H 和 R 都成立。但正文完全没披露具体怎么调、调多少、谁受益、花多少钱、什么时候上，信息密度极低，K 不成立。我会先打个折，把它放在 featured 底线，等后续有参数再重新评估。
OpenAI 放出了一个研究预览版模型 GPT-5.3-Codex-Spark，专门为在 Codex 里实时写代码设计。它是个 GPT-5.3-Codex 的缩小版，跑在 Cerebras 的晶圆级芯片上，推理速度超过每秒 1000 个 token，体感上几乎没有延迟。目前只开放给 ChatGPT Pro 用户，上下文窗口 128k，纯文本输入。模型默...
推荐理由：OpenAI 这条更新只给了一个标题，确认型号叫 GPT-5.3-Codex-Spark，正文没有任何实质内容。名字里带 Codex 和 Spark，大概率是代码相关的新模型，但没披露参数、定价、上下文窗口、跑分，也没说是不是只做代码。我会先打个折：名字有话题性，能吸引开发者注意，所以重要度给到 72、放在 featured 没问题；但信息缺口太大，没法判断实际能力，这点先别太激动。
Mistral 发布终端编码智能体 Mistral Vibe 2.0，由 Devstral 2 模型系列驱动，新增自定义子智能体、多选项澄清、斜杠命令技能、统一智能体模式和自动更新。
推荐理由：原文列出 Vibe 2.0 的自定义子智能体、斜杠命令技能等具体能力与订阅入口，可据此判断终端编码智能体的工作流变化。
标题只确认了模型名叫 GPT-5.2-Codex，版本号 5.2。正文没披露任何细节——不知道价格、上下文长度、是否开放 API，也不清楚它跟旧版 Codex 是什么关系。等官方补全文档再判断。
推荐理由：这条消息就一个标题，正文是空的，所以我会先打个折——能确认的只有 OpenAI 发了个叫 GPT-5.2-Codex 的东西，版本号 5.2。没写定价、没写上下文长度、没写是取代旧 Codex 还是并行跑，也没写谁现在能用。真正该盯的是后续正文和 API 文档什么时候补上。但光这个名字就够让做代码 agent 和开发工具的人盯一眼，因为 OpenAI 在编程模型上再推新版，直接影响工具链选型和成本预期。
Mistral AI 发布 Devstral 2 编码模型家族，含 123B 的 Devstral 2 与 24B 的 Devstral Small 2，分别采用修改版 MIT 和 Apache 2.0 许可，均为开源。
推荐理由：原文给出 Devstral 2 的 SWE-bench 成绩、开源许可与部署门槛，可据此判断开源编码模型的落地成本。
OpenAI 在 10 月 6 日宣布 Codex 结束预览、进入正式可用阶段。这次主要加了三个东西：一是能在 Slack 频道里直接 @Codex 派活，像喊同事帮忙一样；二是放出了 Codex SDK，让你把驱动命令行版 Codex 的那个智能体嵌进自己的工具或流程里，官方说配合 GPT‑5‑Codex 模型不用额外调优就能用；三是给企业管理员上了...
推荐理由：OpenAI 把 Codex 从预览推到正式版，顺手加了 Slack 集成、SDK 和管理员控制，这比发个模型补丁重得多。我会先打个折：正文没披露云端任务的具体价格，这点先别太激动。但用量数据摆在那里，10 倍增长和 40 万亿 token 说明调用量是真金白银在跑。更值得盯的是内部数据——工程师全上、PR 合并效率提 70%，这是企业买单前最想看到的验证。整体看，这不是一次功能更新，是编码助手开始抢工作流入口和团队席位的明确动作。
OpenAI 发布了 GPT-5-Codex，并把它设为 Codex 云端任务和代码审查的默认模型。这个模型专门针对真实软件工程任务训练过，既能跟你快速交互式写代码，也能自己独立跑复杂任务，测试中最长连续干了超过 7 个小时。在 OpenAI 内部员工的使用数据里，对于 token 消耗最少的那 10% 的简单对话，GPT-5-Codex 比 GPT-...
推荐理由：OpenAI把GPT-5-Codex设为Codex云任务和代码审查的默认模型，给了几个硬数字：7小时自主执行、低端请求token省93.7%、高端请求耗时翻倍。这说明他们想把交互编程和长时代理执行揉在一起，但定价和完整可用性正文没披露，所以先别急着算账。
OpenAI 和哈佛经济学家 David Deming 一起发了篇 NBER 工作论文，分析了 150 万条 ChatGPT 对话，是目前规模最大的消费者使用研究。先说谁在用：到 2025 年 7 月，可识别性别的用户里女性名字占比从 2024 年 1 月的 37% 涨到了 52%，性别差距基本抹平。低收入国家的用户增长速度是高收入国家的 4 倍多，不...
推荐理由：H、K、R 全中：150 万对话的用法拆解本身就是好钩子，49/40/11 的用法分法和 4 倍增速差是实打实的新信息，对关注 AI 落地和用户扩散的人有直接参考价值。停在 82 分是因为这是消费者使用研究，不是模型或产品变动，属于高信号背景信息而非当天必读。
这个模型是 GPT-5 的一个变体，针对 Codex 里的 agent 编程场景做了优化。训练时用了强化学习，让它在真实编程任务里学会写出更贴近人类风格和 PR 偏好的代码，还能自己跑测试直到通过。现在可以在终端、IDE、网页、GitHub 和 ChatGPT 手机 App 里用。安全方面，模型层面做了防有害任务和防提示注入的训练，产品层面加了沙盒和可...
推荐理由：HKR 三项都踩实了：OpenAI 把代理式编程铺到多个入口，训练和安全措施有具体交代，而且正好打在行业最关心的执行边界上。基准分数、价格和上下文窗口正文都没写，所以分数没往上拉，停在 84。
OpenAI 宣布要收购 Statsig，一家做 A/B 测试、功能开关和实时决策的实验平台。收购完成后，Statsig 的创始人 Vijaye Raji 会加入 OpenAI，担任应用部门的 CTO，向 Fidji Simo 汇报。他主要负责 ChatGPT 和 Codex 的产品工程，包括底层系统和内容安全。Raji 之前在 Meta 管过大规模消...
推荐理由：OpenAI 买下 Statsig 并让 Vijaye Raji 当 Applications CTO，管 ChatGPT 和 Codex 的工程，这步棋把产品实验能力和工程领导力一起收了。正文没披露收购金额和整合时间表，但汇报关系和独立运营的框架都交代清楚了，信息量够，值得写。
OpenAI 8 月 7 号在 API 上线了 GPT-5，提供 gpt-5、gpt-5-mini 和 gpt-5-nano 三个尺寸，让开发者在性能、成本和延迟之间自己选。这次最核心的变化是 API 设计本身：新增了 verbosity 参数（低/中/高）控制回答长短，reasoning_effort 可以设成 minimal 跳过深度思考直接出结果...
推荐理由：这是 OpenAI 旗舰模型在 API 的正式发布，重要性拉满。钩子落在 GPT-5 上线这件事本身；知识增量靠具体基准分和新控制参数撑住；共鸣点全在开发者接口层面——工具调用、延迟调节、代码能力对比，都是工程师拿到新模型第一反应会问的问题。正文没给价格和完整可用性，这点先别太激动，但接口设计的变化比模型名本身更值得盯。
OpenAI 在 8 月 7 日推出了 GPT-5，官方说法是至今最聪明、最快、最有用的模型，把之前的 4o、o 系列推理、agent 和高等数学能力都整合到了一起。当天就开始向 Team 用户推送，企业和教育版下周跟上，API 也同步开放。文章给了两个硬数字：ChatGPT 企业付费用户 500 万，每周活跃用户接近 7 亿，说明铺量已经很大。但正文...
推荐理由：GPT-5 发布本身就是全行业事件，HKR 三项全中。文章给了上线节奏和 500 万商业付费用户这个数字，但基准跑分、价格、上下文长度全都没提，所以放在最高档的底部。
OpenAI 在 8 月 7 日上线了 GPT-5，所有 ChatGPT 用户都能用。这次最大的变化是把快速回答和深度推理合进了一个系统：内置一个路由器，根据问题类型、复杂度和用户意图实时决定用哪个模型。Plus 用户额度更高，Pro 用户能解锁 GPT-5 pro，那个版本推理链条更长，答案更细。官方说 GPT-5 在编程、写作、健康咨询上比前代强，...
推荐理由：OpenAI 发新旗舰模型本身就是顶格事件。这次不是单纯升级，而是把推理能力内置进系统，用路由器统一调度，所有 ChatGPT 用户都能用，Plus 和 Pro 再拉开配额。HKR 三项全中，缺价格、上下文窗口和 API 细节不影响 p1 判定。
OpenAI 发了两个开源模型，一个 1200 亿参数，一个 200 亿参数，都是纯文本推理模型，能调“思考用力程度”，支持工具调用和结构化输出，可以直接放进让模型干活的业务流程里。模型权重用 Apache 2.0 协议开放，也兼容自家的 Responses API。正文没提上下文长度、价格和跑分。安全方面，OpenAI 说 1200 亿参数版本在生物...
推荐理由：这条当天就得写：H 来自 OpenAI 走开放权重路线，K 来自许可、机制和安全事实但缺关键指标，R 来自开源与闭源部署的争论。分数没给到 90 是因为正文没披露上下文长度、价格和完整基准结果，我会先打个折。
Mistral AI 发布 Codestral 25.08，并推出面向企业的完整编码栈，包含 Codestral、Codestral Embed、Devstral 与 Mistral Code IDE 插件。
推荐理由：原文给出 Codestral 25.08 的补全提升数据与整套企业级编码栈的部署方式，可据此判断私有化编码方案是否可行。
OpenAI 在 7 月 17 日把 Operator 的网页操作能力和 deep research 的信息整合能力合进了一个 ChatGPT agent 里，Pro、Plus、Team 用户都能用。它相当于给 ChatGPT 配了一台虚拟电脑，自带浏览器、终端和 API 接口，能自己上网点来点去、筛选结果、跑代码分析数据，最后直接生成可编辑的幻灯片或...
推荐理由：OpenAI 把 Operator、deep research、终端和 API 访问揉成一个 agent mode，Pro、Plus、Team 用户都能用。我会先打个折：正文没披露定价、配额和基准结果，所以实际成本和效果还得等。真正值得盯的是权限设计——敏感操作要用户点头，用户可以随时接管浏览器或叫停任务，这比功能堆叠更关键。
Mistral AI 与 All Hands AI 合作推出 Devstral Medium，并升级 Devstral Small 1.1。
推荐理由：Mistral 与 All Hands AI 联合发布两款编码智能体模型，给出了 SWE-Bench Verified 分数和 API 定价，便于对比现有方案。
Mistral AI 发布企业级 AI 编码助手 Mistral Code，整合 Codestral、Codestral Embed、Devstral 和 Mistral Medium 四个模型，支持云端、专属容量或本地 GPU 气隙部署，代码保留在企业边界内。
推荐理由：官方给出企业级编码助手的模型组合、部署方式与客户案例，可据此判断私有化编码方案的落地路径。
OpenAI 根据 Meta 的线索，封掉了一批来自中国的 ChatGPT 账号，内部代号叫“Uncle Spam”。这些账号主要干三件事：一是生成支持和反对关税的帖子，在 X 和 Bluesky 上同时发，故意挑动对立情绪；二是用 AI 生成“退伍军人”之类的假头像，冒充美国老兵批评现任政府；三是让模型写代码去扒 X 和 Bluesky 的用户资料，...
推荐理由：OpenAI 根据 Meta 的线索端掉了一批中国 ChatGPT 账号，代号“Uncle Spam”。文章把具体操作摊开了：用 AI 在 X 和 Bluesky 上同时发正反两种关税帖子，故意制造对立；生成“退伍军人”假头像冒充美国老兵骂现任政府；还让模型写代码去扒两个平台的用户资料。这些细节让事件从“又抓了一批号”变成了一个可拆解的操作案例。我会先打个折，因为这不是产品更新或模型发布，而是一次安全事件通报，所以分数落在值得推荐的区间里。
Mistral AI 发布首个代码专用嵌入模型 Codestral Embed，官方称其在真实代码数据检索上显著优于 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型嵌入模型。
OpenAI 在 5 月 23 日发了份系统卡补充说明，核心就一件事：Operator 这个能替你操作网页的智能体，后台模型从 GPT-4o 升级到了 o3。API 那边还是用 4o，没换。o3 版 Operator 的安全策略和之前一样，多层防护，额外用了一批电脑操作的安全数据做了微调，主要是教模型什么时候该确认、什么时候该拒绝。它继承了 o3 写代...
推荐理由：这是一次有实质内容的 OpenAI 部署更新。H 来自 Operator 用 o3 而 API 仍用 4o 的分裂操作，K 来自明确的安全与能力边界说明，R 来自浏览器 agent 场景的直接相关性。没给更高分是因为这只是系统卡补编，正文没披露评测分数和误用数据，验证力度有限。
Mistral AI 与 All Hands AI 合作发布面向软件工程任务的智能体 LLM Devstral，以 Apache 2.0 许可开源，在 SWE-Bench Verified 上得分 46.8%，比此前开源 SOTA 模型高出 6 个百分点以上。
推荐理由：Mistral 与 All Hands AI 联合发布的智能体编码模型，给出了 SWE-Bench Verified 成绩与本地部署门槛。
OpenAI 给 Responses API 加了一批新工具，最核心的是支持远程 MCP 服务器，让模型能直接连上 Shopify、Stripe、Twilio 这些外部服务干活。同时把 gpt-image-1 生图、Code Interpreter 和文件搜索也做成了内置工具，o3 和 o4-mini 现在能在思考链里直接调用这些工具，并且跨请求保留推...
推荐理由：OpenAI 把 Responses API 做成一个更完整的 agent 入口，远程 MCP、图像生成、Code Interpreter、文件搜索和推理中调工具全塞进去了。HKR 三项都踩中，但正文节选没披露完整定价和全部可用性细节，所以我会先打个折——重要性给 83、tier 放 featured 是合理的，别因为截图外的信息缺口把分拉太高。
OpenAI 在 5 月 16 日给 o3 和 o4-mini 的系统卡打了个补丁，专门讲 Codex 这个云端编程助手。Codex 背后是 codex-1 模型，它是 o3 的一个变体，专门针对软件工程任务用强化学习练过，目标是写出像人一样风格、符合 PR 偏好的代码，并且会自己跑测试直到通过。每个 Codex 实例都在一个独立的云端容器里干活，容器...
推荐理由：这篇是系统卡补编，不是主产品发布，但信息密度不低。我会先打个折，因为安全文档通常偏保守，不过它把执行细节讲清楚了：独立云容器、用户自配开发环境、启动后断网、能跑测试和 lint。真正值得看的是可验证链路——Codex 会引用终端日志和文件，结果能直接导出成 GitHub PR 或本地 diff，这对审计和信任加分很大。正文没披露具体性能基准或成本数据，所以别急着对标其他编码代理。整体属于有料但不炸裂，featured 合理。
OpenAI 在 5 月 16 日推出了 Codex 的研究预览版，这是一个跑在云端的软件工程代理，底层是专门为编程优化过的 codex-1 模型（基于 o3）。你可以把它当成一个能同时干好几件事的远程开发助手：在 ChatGPT 侧边栏里给它派活，比如写新功能、修 bug、回答代码库的问题或者直接提 PR。每个任务都在独立的沙盒环境里跑，它会自己读代...
推荐理由：OpenAI 这次不是给代码补全加功能，而是直接扔出一个云端软件工程代理 Codex。它能在隔离沙箱里读写仓库、跑命令和测试，单个任务耗时 1 到 30 分钟，还会把终端日志和测试结果吐出来给你看——这点挺实在，不是光说“能写代码”就完了。首发给了 Pro、Business、Enterprise 用户，6 月 3 日才扩到 Plus，正文在价格和完整限制上截断了，所以我会先打个折：产品方向够硬，但商业细节没讲透，先给 88 分。
OpenAI 在 4 月 14 号往 API 里塞了三个新模型：GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano。它们上下文窗口都拉到 100 万 token，知识截止到 2024 年 6 月。先说代码能力，GPT-4.1 在 SWE-bench Verified（一个让模型看代码库修 bug 的测试）上拿了 54.6%，比 GP...
推荐理由：OpenAI 这次发布不是刷榜，而是把 100 万 token 上下文、小模型价效比和明确的旧模型下线时间一起端出来。54.6% 的 SWE-bench 分数和 mini 成本降 83% 都是可复现的硬指标，nano 模型也第一次露面。对做 API 产品的人来说，这些数字直接决定要不要切模型、怎么控成本，所以 HKR 三项都成立。
OpenAI 搞了个新基准测试 PaperBench，让 AI 智能体从零复现 20 篇 ICML 2024 的 Spotlight 和 Oral 论文，包括读懂论文、搭代码、跑实验。每篇论文的复现任务被拆成可打分的小步骤，总共 8,316 个，评分标准是跟论文原作者一起定的。目前表现最好的选手——Claude 3.5 Sonnet（新版）加上开源脚手...
推荐理由：OpenAI 扔出一个硬核基准 PaperBench，拿 20 篇 ICML 2024 的 Spotlight 和 Oral 论文当考题，让 AI 智能体去复现研究过程。不是简单问答，而是拆成 8,316 个可评分的子任务，评分标准还是找论文原作者一起建的，这点挺扎实。目前表现最好的是 Claude 3.5 Sonnet 搭配开源脚手架，平均复现得分 21.0%，但人类博士基线还没被超过，说明离真正能搞研究的 AI 还有明显距离。代码已开源，想自己测的可以直接跑。