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。
硅基流动现在可以直接用 DeepSeek V4 Pro 了，首发当天就接入了。模型上下文窗口拉到 100 万 token，差不多能一次吞下三本《三体》的量。它把推理强度分成低、高、最大三档，你可以按任务复杂度自己选，主要面向写代码、调工具和让模型进业务流程干活的场景。模型还是 MIT 协议开源的。价格方面，输入每百万 token 1.32 美元，输出 ...
推荐理由：DeepSeek V4 Pro 首发当天硅基流动就接入了，100 万 token 上下文、三档推理强度、MIT 开源、输入每百万 token 1.32 美元，信息密度够高。没给 85 分以上是因为这只是平台上线公告，还没有实测跑分或用户反馈，先别太激动。
Boris Cherny 把应用的日常维护丢给 Claude 去跑，通过 Slack 频道让它自动做崩溃模糊测试、重复代码统一、死代码清理这些活。几周内 Claude 开了 388 个 PR，其中 180 个经过它自己 Code Review 和人工审核后合进去了。大部分时候一次就改对，偶尔翻车的话，调一下例行任务的描述，第二天就能修正。
推荐理由：Boris Cherny 的第一手实验，有具体数字和可复现流程，不是公关稿。Claude 做维护不算行业地震，但 388 个 PR 的规模让它在同类实验里很突出。没给更高分是因为正文对失败案例的细节披露有限，只说'偶尔翻车调一下描述就能修正'，没展开翻车类型和比例。
Geoffrey Litt 在 AI Engineer 大会上的演讲里抛出一个观点：就算 agent 写代码越来越强，人还是得看懂它在干什么。不是为了挑错——agent 自己会越来越擅长验证——而是为了能继续参与创作。一个项目要跟 agent 来回好多轮，你对系统的理解直接决定你下一轮能不能想出好点子。他把这叫做“认知债”，跟技术债一样，短期不还没事，...
推荐理由：Geoffrey Litt 在 AI Engineer 大会上的演讲整理，不是产品发布或论文，所以上限给到 78。核心观点是 agent 写代码越强，人越需要看懂，不是为了挑错，是为了能继续想出新点子。他把这叫做“认知债”，跟技术债一样会累积。这个框架对天天用 agent 的开发者很实在，不是泛泛而谈。正文是个人博客转录，没有产品指标或实验数据，所以分数没往上拉。
Gemini 3.7 Flash 是 Google DeepMind 新推出的轻量级模型，定位是给开发者当“干活主力”，主要用在代码生成、工具调用和长上下文任务上。官方说它在这些方面比前代有明显提升，延迟更低、成本也更友好。不过这篇公告没给出具体的跑分数据和定价，只说会通过 Google AI Studio 和 Vertex AI 开放。我会先打个折，...
推荐理由：Google DeepMind 发了个新轻量模型，定位清晰，但公告里缺了跑分和定价这些关键信息。产品更新本身值得关注，可数据不全，没法给更高分。
阿里放出了一个总参数 2.4T、激活参数 95B 的 MoE 模型，主要想干自主编程、深度研究和让模型直接跑完整业务流程这些事。硅基流动在发布当天就上线了 API，输入每百万 token 2 美元，输出 6 美元，缓存输入 0.25 美元。正文没给任何跑分或架构细节，所以性能到底怎么样还得等第三方评测，先别急着上头。
推荐理由：阿里把 Qwen3.8-2.4T-A95B 开源，硅基流动当天就接上了 API，动作很快。2.4T 总参、95B 激活的 MoE 架构，体量上直接对标 DeepSeek V4 Pro 那个级别，而且明确冲着自主编程和 agent 场景去，信号很强。价格也直接给了，输入 2 美元、输出 6 美元、缓存 0.25 美元，不算离谱。但正文没披露任何 benchmark 或架构细节，性能到底怎么样完全没底，这点先别太激动，等第三方跑完分再说。
Cursor 现在会每小时在后台自动把代码仓库克隆好、依赖装好，提前做成一个“就绪环境”。当你启动云智能体时，它直接从这个环境启动，不用再等几分钟的冷启动，响应速度最多能快 3 倍。如果某次构建因为依赖更新或配置错误失败了，系统会自动隔离这个坏版本，智能体会继续用上一次成功的环境，不影响干活。Faire 公司每周跑 2000 多次自动化智能体任务，大仓...
推荐理由：Cursor 把云智能体冷启动从分钟级压到秒级，靠的是后台预构建环境和自动回退，不是空喊口号。Faire 每周 2000 次任务给了具体锚点。没给 p1 是因为这属于体验优化，不是模型能力跃升，但确实解决了高频痛点。
今天最值得看的是闭源模型的加密思维链被大规模提取。研究人员发现，把 Claude Opus 4.8 的加密推理块直接扔给同厂的 Haiku 4.5，后者就能逐字解码。这个方法在 Claude、GPT、Gemini 三家的 API 上都跑通了，用 Haiku 解码一万条轨迹的成本大概是 720 美元。另一篇论文更狠，说就算不接触加密块，光看模型公开输出的...
推荐理由：这条信息来自群聊日报，属于二手摘要，但信号很强：三篇论文指向同一个问题，且给出了可复现的方法和成本。我会先打个折，因为原文没披露具体实验细节和样本量，但核心判断——加密思维链可被跨模型解码——有足够的事实支撑。对从业者来说，这比一般的模型能力更新更值得警惕。
xAI 一口气发了两个东西：新模型 Grok 4.6，和一个能直接登你的工具、像人一样操作、最后交活儿的早期测试版 Grok Bot。Grok 4.6 是个 1.5 万亿参数的模型，在 AA-Briefcase 这个知识工作基准测试里，分数跟 GPT-5.6 Sol Max 差不多，但便宜一大截：输入每百万 token 2 美元，输出 6 美元。训练上...
推荐理由：Grok 4.6 在知识工作基准上追平 GPT-5.6 Sol Max，价格却砍到零头，这个性价比信号很强。同时发布的 Grok Bot 直接杀进 AI 队友战场，背后是前 Cursor 团队，早期口碑还行。没给更高分是因为 Bot 还在早期测试，正文没披露具体完成率和稳定性数据，实际干活能力得再观察。
DeepSeek 在 8 月 13 日开源了它的第一个 agent harness，叫 DSH。它跟 Codex、Claude Code 这些现有工具最大的不同，是把 agent 的核心控制循环（agent loop）本身做成了一个可以在运行中随时替换的插件。这意味着，AI 在干活时不仅能调用新工具，理论上还能给自己换一套全新的思考或协作流程。为了支撑...
推荐理由：DSH 把 agent 的控制循环做成了运行时可替换的插件，这确实是个架构层面的新想法，不是营销话术。但这篇文章是第三方分析，不是官方发布，DSH 目前也没有任何生产环境的验证记录，所以按规则先打个折，归到较低一档。
AutoGPT 项目现在超过 60% 的拉取请求来自 AI 工具。维护者 Reinier van der Leer 在仓库里放了一个 AGENTS.md 文件，给 AI 贡献者立规矩，还加了技能门控：只有通过代码格式检查和单元测试的 AI 代理才能提交代码。垃圾 PR 数量大幅下降，但正文没披露有多少人类贡献者被误拦了。
推荐理由：AutoGPT 维护者的一手经验，有硬数字（60% AI PR）和两套可复现的机制。缺点是正文没披露多少人类贡献者被误拦了，而且只是单个项目的案例，能不能推广到别的项目还不好说。
阿里 Qwen 团队开源了 Qwen3.8-2.4T-A95B，这是他们第一次把云端最强模型级别的权重直接公开。模型用了混合专家架构，总共 2.4 万亿参数，但每次计算只激活其中的 950 亿，所以跑起来比同体量的稠密模型省算力。它原生支持 26 万多 token 的上下文，能一口气处理整本小说，还能扩展到 101 万 token。训练时加入了多 to...
推荐理由：阿里第一次把云端旗舰模型完整开源，2.4T MoE、激活95B、原生256K上下文，这几个指标放在一起分量很重。三个维度都踩中了：头部大厂罕见动作、技术上有具体新东西、对国内开发者生态有直接拉动。没给更高分是因为目前只有公告，还没看到第三方实测跑分和实际部署反馈，我会先打个折，等社区验证了再往上调。
Lovable 这家欧洲做“一句话生成应用”的初创公司，刚确认拿了 4 亿美元 C 轮，估值 133 亿美元，由 Menlo Ventures 和 Scaleup Europe Fund 领投。今年 6 月他们年化收入（ARR）刚摸到 5 亿美元，平台上现在挂着 6000 万个项目，每月访问量 9 亿。公司还自己训了个模型，不再只靠接别人的大模型，6 ...
推荐理由：Lovable 这轮 4 亿美元 C 轮、估值 133 亿，加上半年内 ARR 从零头翻到 5 亿，还亮出了自训模型这张牌，是个有料的融资故事。放在 featured 合适——数字够硬，自训模型也加了点区分度，但还没到炸裂到必须头条的程度。
作者用 2020 年休假回来代码库变乱，对比 2026 年一个普通周一早上就冒出 7 个 PR、其中一个改动 2.4 万行代码的场景，指出 AI 把做烂决策的速度限制彻底拆掉了。现在任何人都能对着智能体敲几小时提示词，产出一套看起来能跑的东西，但没人说得清数据从哪来、为什么加了 Kafka。修复一个烂摊子远比生成它难，而你还在修的时候又有五个新坑合进来...
推荐理由：一篇有具体场景和数字的一线工程观察，不是那种“AI 将取代开发者”的泛泛而谈。三个维度都踩中了，但本质是个人博客评论，不是产品发布或研究突破，所以分数落在 78 这个区间。没有跨源验证的需求。
Nathan Lambert 刚写完他的后训练教材《从人类反馈中强化学习》。他用大模型帮忙排版、校对和画图，但一让模型写完整的技术章节，输出就混乱、组织差，还会犯随机的概念错误。他认为，即使模型在编程和数学上已经超人，长篇非虚构写作能力却停滞了。文章没给具体跑分，但 Lambert 指出，主要卡在缺乏好的训练数据，而且推理阶段的算力堆叠对写作帮助不大。...
推荐理由：Lambert 用自己的教材做了一手实验，给出了具体的失败案例和数据缺口诊断，三个维度都踩中了。扣分点在于：没有量化基准，是个人经验而非系统研究，后半段有点泛泛地聊能力。整体在 featured 档里算中等偏上。
Meta 的超级智能实验室放出了第一个开放权重的模型 Muse Glimmer，现在可以在 OpenRouter 上调用。这是个 30B 参数的稠密模型，能同时处理文字和图片，用 Apache 2.0 协议开源，定位是给本地 agent 用的——也就是让模型在你自己电脑上干活，不依赖云端。跑分方面，MCP Atlas 拿了 75.5，SWE-Bench...
推荐理由：Meta 从“超级智能实验室”拿出的第一个开源 agent 模型，30B 稠密、图文双修、Apache 2.0，定位是让你在本地跑 agent，不依赖云端。跑分给了 MCP Atlas 75.5，SWE-Bench 提了但没展开具体数字，所以信息有料但缺一点细节。整体判断：对做本地 agent 和跟踪开源模型的人来说，这是个值得马上看一眼的发布。
Blacksmith 刚拿了 4500 万美元的 B 轮融资，估值从不到一年前的 6000 万直接跳到 5.5 亿。它做的事是帮开发团队在上线前自动测试和验证代码——现在 AI 写代码太快了，测试反而成了新瓶颈。客户数从 700 多涨到 5000 多，包括 Mercury、Supabase 这些公司。CEO 说过去一年收入涨了超过 10 倍，不过正文没...
推荐理由：AI 写代码把测试变成了新卡点，Blacksmith 的估值跳涨正好把这个趋势钉进了一条融资新闻里。收入涨超 10 倍、客户从 700 多到 5000 多，数字够硬。扣分是因为正文没披露实际收入基数，而且话题本身偏窄，我会先打个折。
Grok 4.6 在 Grok 4.5 的基础上，专门训练了模型处理长链条任务的能力，比如做研究、分析信息、跨代码库工作，或者把一个想法直接做成能用的应用。在 AA 智能指数这个综合跑分上，它和 GPT-5.6 Sol 打平，都是 61 分；在 DeepSWE 1.1 这个软件工程测试里，分数从 4.5 的 54% 跳到了 65.9%。xAI 说，任务...
推荐理由：xAI 发布 Grok 4.6，主打让模型处理长链条任务，比如做研究、跨代码库干活、把想法直接做成应用。在 AA 智能指数上和 GPT-5.6 Sol 并列 61 分，DeepSWE 1.1 得分从 54% 拉到 65.9%，进步明显。这是主流实验室的一次实质性更新，有具体跑分和直接竞品对比，所以给 featured。正文没提模型规模、推理成本和延迟，这些实际落地要看的指标还得等后续信息。
Grok 4.6 在 Grok 4.5 基础上加了一轮补充训练，用模型自己生成的数据来强化推理和工程能力。它在综合 9 项基准的 Artificial Analysis 智能指数上追平了 GPT-5.6 Sol。这个模型更擅长把一个宽泛的产品想法直接做成能跑的第一版，在长任务里也开始出现自我检查、自己验证的行为。价格是每百万输入 token 2 美元、...
推荐理由：追平 GPT-5.6 Sol 是个硬信号，价格也透明。但正文只有摘要，没给出自我验证的具体案例或失败模式，所以分数压在 85 以下。Cursor 的用户基数和编程场景让这条值得上推荐位。
Nvidia 给 Nemotron 3 系列加了个新模型 Nemotron 3.5 Lightning，300 亿参数，用的是混合专家架构（MoE，把模型拆成多个小专家，每次只激活一部分，省算力）。它不负责统筹全局，而是在多智能体系统里干代码审查、安全告警监控这类专项高并发的活。官方说输出速度比同级模型快 4 倍，跑完一个智能体任务整体快 30%。模型...
推荐理由：Nvidia 这次没走通用大模型的路子，而是发了个 30B 的 MoE 模型 Nemotron 3.5 Lightning，定位是多智能体系统里的专项工人，比如做代码审查、监控安全告警。官方说输出速度比同级模型快 4 倍，跑完一个智能体任务整体快 30%，还开源了调度工具 NeMo Switchyard。我会先打个折——这些数字都来自 Nvidia 自己的博客，没有第三方实测，而且 Nvidia 的模型生态在开发者里的实际采用率远不如几家头部 lab。但“给智能体系统做专项加速”这个思路本身值得关注，对正在搭多智能体工作流的人是个可参考的选项。
Anthropic、OpenAI 和 Google 返回给用户的加密思维链块可以在不同会话、用户和模型之间复用。研究人员把 Claude Opus 4 的加密推理痕迹塞进一个被越狱的 Claude Haiku 4.5，Haiku 就把 Opus 隐藏的思考过程一字不差地转录了出来，全程没有直接攻击强模型，也没触发反蒸馏保护。他们从 6,708 条公开的...
推荐理由：我会先打个折：论文里 6,708 条公开样本的规模不算大，但攻击路径清晰、可复现，而且没触发反蒸馏保护这点很要命。Claude Opus 4 的加密推理痕迹被塞进越狱后的 Haiku 4.5，Haiku 直接吐出原文，说明加密块本身没有绑定会话或用户身份。如果是真的，意味着 Anthropic、OpenAI 和 Google 的推理 API 在隐私隔离上存在结构性漏洞。正文没披露三家厂商的具体回应，这点先别太激动，但安全团队现在就该去验证自己的推理痕迹能不能跨会话复用。