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。
SpaceXAI 上市几周后推出了 Grok 4.5，定位是能写代码、做文书、搞研究和写东西的通用模型。公司说它的 token 效率是其他头部模型的两倍，如果属实，用起来会便宜不少。马斯克管它叫“Opus 级别”，直接对标 Anthropic 的旗舰系列。不过正文没公布价格、参数量和第三方跑分，这个效率翻倍的宣传我建议先观望，等独立评测出来再说。
推荐理由：上市后第一款模型，马斯克又直接喊出“Opus 级别”这种对标口号，话题度和讨论度都拉满。但文章只给了效率翻倍的宣传点，没放任何参数、定价或独立评测，这个效率说法我先打个折，等实测出来再看。
Grok 4.5 是 SpaceXAI 目前最强的模型，专门为写代码、让模型进业务流程干活和知识类工作优化。在 SWE Bench Pro 这类编程基准测试里，它的解决率是 64.7%，虽然比 Fable 和 GPT 5.5 低，但有个很实在的优点：平均每次任务只输出约 1.6 万个 token，比 Opus 4.8 少了 4.2 倍，意味着推理成本更...
推荐理由：SpaceXAI 推出 Grok 4.5，定位是写代码和让模型进业务流程干活，跟 Cursor 联合训练算是个实在的差异化。SWE Bench Pro 上 64.7% 的解决率没超过 Fable 和 GPT 5.5，这点先别太激动，但它的省钱优势很具体：平均每次任务输出约 1.6 万个 token，比 Opus 4.8 少了 4.2 倍，意味着推理成本低不少。正文没披露定价和延迟，这两个才是决定它能不能打的关键。
Cognition 推出了新的编程模型 SWE-1.7，它是在 Kimi K2.7 的基础上用强化学习（RL）做后训练得到的。在 FrontierCode 1.1 这个编程基准上，SWE-1.7 的通过率是 42.3%，很接近 GPT-5.5 的 43.0%，比自家上一代 SWE-1.6 的 9.4% 高出一大截。在 Terminal-Bench 2....
推荐理由：Cognition 发了 SWE-1.7，在 Kimi K2.7 上做 RL 后训练，FrontierCode 1.1 通过率从 9.4% 拉到 42.3%，跟 GPT-5.5 的 43.0% 几乎打平。数字很硬，叙事也清晰——开源基座加 RL 就能逼近闭源旗舰，这对成本和路线选择都有参考价值。不过正文只给了摘要，训练细节和成本对比没展开，这点先别太激动。
OpenAI 对编程评测集 SWE-Bench Pro 做了一次质量审查，估计里面大约 30% 的题目是坏的。他们先用自动管线筛出 286 道可疑题目，再让基于 Codex 的调查 agent 和五位资深工程师分别复核。工程师最终标记出 249 道（34.1%）有缺陷的题目，主要毛病是测试太死板、题目描述漏要求、测试覆盖不足，以及题目描述误导模型。Op...
推荐理由：OpenAI 对 SWE-Bench Pro 做了一次质量审计，发现约 34% 的题目有缺陷，这个比例逼着行业重新审视编程评测的可靠性。文章给出了具体的缺陷分类和一套人机结合的复核流程，不是空喊评测有问题。没给更高分是因为这本质上是一份基准质量报告，不是模型能力突破或产品发布，但它的警示作用对从业者很实在。
Claude 开发者分享了他们内部高频使用的两种多智能体模式。第一种叫 Advisor，让便宜的 Sonnet 5 干活，遇到难题时通过工具调用去问贵的 Fable 5。在 SWE-bench Pro 测试上，这套组合拿了 84% 的分数，花了 1.40 美元；对比纯用 Fable 5 是 91.5% 但花 2.25 美元，相当于用 92% 的性能省了...
推荐理由：Anthropic 开发者分享了两种多智能体模式，Advisor 模式有 SWE-bench Pro 跑分和成本对比，用 92% 的性能省了 38% 的钱，对做 agent 的团队直接有用。分数没给更高是因为这只是个人分享，不是官方发布，而且 Orchestrator 模式缺基准测试数字。
Slopfix 是三个波兰工程师搞的服务：一周时间、一万美元，把 AI 胡乱堆出来的代码库重构到人能维护的状态。他们会先免费帮你分析代码，给出一个明确的瘦身目标，比如“10 万行砍到 3.5 万行，功能不变”。收费按目标完成度算，承诺砍 50% 只做到 20%，你只付 4000 美元。交付物包括精简后的代码、一份 QA 清单、一套防再次变烂的规则（CL...
推荐理由：三个波兰工程师把 AI 代码重构打包成一个固定价格、按结果付费的服务，切入点很刁钻。标题和定价本身就自带传播力，交付标准也写得清楚，不是纯营销页面。但毕竟只是一个三人小团队的服务介绍，不是行业级事件，重要性给到 78 分合理。
推理模型有时会卡在“死循环”里，反复输出无意义的 token 直到把上下文窗口塞满。Liquid AI 开源了 Antidoom，用最终 Token 偏好优化（FTPO，一种教模型在推理结束时学会停下来的训练方法）来解决这个问题。他们在 DeepSeek V4 Pro 上试了，用 1,040 组偏好样本训练后，死循环率从 3.2% 降到了 0.3%，而...
推荐理由：Liquid AI 开源了一个修推理模型死循环的实用方法，在 DeepSeek V4 Pro 上把死循环率从 3.2% 压到 0.3%，数字扎实。没给更高分是因为目前只有一篇博客，没有论文或第三方验证，单源信息到这个分数已经不错了。
Liquid AI 针对小参数推理模型在解难题时容易陷入“死循环”（反复输出同一段话直到窗口耗尽）的问题，搞了个叫 Antidoom 的方法。它不调全局参数，而是精准定位到循环开始的第一个 token，用“末位偏好优化”（FTPO）教模型在那个位置选一个更合理的词，其他地方基本不动。在 LFM2.5-2.6B 的一个早期版本上，硬核数学和编程题的死循环...
推荐理由：Liquid AI 给 LFM2.5-2.6B 早期版本做了个轻量修复：先找出死循环的第一个 token，再用偏好样本教模型在那个位置选个更合理的词。想法聪明，改动也小，但验证只在一个 2.6B 的早期检查点上，没有跨模型或更大规模的对比，效果能泛化多少还不好说。如果是真的，对跑小模型做推理任务的人挺省钱，但这点先别太激动。
作家 Craig Mod 用 Claude Code 自己动手写了个叫 TaxBot2000 的记账工具，前后只花了五天。他管自己叫“软件狂人”，过去一年里用 Claude Code 搭了一堆小工具，比如一个帖子七天自动消失的类 Twitter 社区、视频内容搜索工具，还有各种日常用的效率小脚本。TaxBot2000 是他最新的作品，用 Python、...
推荐理由：Craig Mod 用 Claude Code 五天搭出 TaxBot2000，是个有血有肉的第一人称实验，不是公关稿。H、K、R 三条都踩中了，但毕竟只是个人效率工具分享，不是行业级产品更新或研究突破，所以放在 featured 里刚好。
作者在开发 Beagle SCM 时发现，Claude 这类大模型虽然聪明，但做事不精确、不稳定，比如会把 build/ 目录重复提交两次。这种笨拙是模型本身的特性，不会随着进步消失。解决办法是用快速、可靠的确定性工具把模型夹在中间：下层是工具层，上层是工作流层，让模型在严格的流程里干活。如果模型反复做同一组操作，就写成脚本自动化；如果总在某个地方出错...
推荐理由：一篇工程师视角的实战反思，用 Claude 的翻车案例引出“用确定性工具夹住模型”的架构思路。不是产品发布或研究突破，但问题真实、解法具体，对正在把 AI 接入开发流程的团队有直接参考价值。
Anthropic 给 Claude Code 加了两项控制：模型选择和努力级别。你可以把 Opus 这种大模型派去跨文件重构，Sonnet 处理日常编辑，Haiku 做快速小修。努力级别分低、中、高三档，调的是模型思考深度和工具调用次数。高努力配 Opus 会触发多步代码库搜索和测试运行，但烧的 token 也最多。正文没披露具体价格差，只说了高努力...
推荐理由：Anthropic 官方产品指南，不是水文。努力级别的行为描述很具体（多步搜索、自动跑测试），对日常使用有直接帮助。扣分点在于没给价格对比，只说高努力“烧的 token 最多”，没数字。整体落在 featured 门槛没问题。
伯克利 BAIR 实验室发了一篇研究路线图，核心判断是：当模型推理便宜到几乎免费，数据库系统会面临三重变化。第一是“为 Agent 服务的系统”：一个用户请求可能让 Agent 自动发出上千条 SQL 查询，但其中 80% 到 90% 的子查询是重复的，系统可以通过复用结果或返回近似答案来提速。第二是“由 Agent 组成的系统”：当成千上万个 Age...
推荐理由：伯克利 BAIR 这篇路线图不是空谈趋势，而是带着硬数字和三层框架来的。核心洞察是推理成本趋零后，数据库系统得为 Agent 重做一遍，80% 到 90% 的重复子查询这个数据让工程师能直接估算优化空间。文章把“为 Agent 服务、由 Agent 组成、被 Agent 使用”拆得干净，读起来像一份给同行看的工程笔记，不是公关稿。
YC 的 CEO Garry Tan 在 X 上晒战绩，说自己靠 AI 编程助手每天能交付 3.7 万行代码，已经连续 72 天不断更。波兰开发者 Gregorein 不信邪，去扒了他那个 AI 主题博客的前端代码，结果发现一堆问题。用户打开这个网站，浏览器要发出 169 个请求、下载 6.42 MB 的数据；作为对比，YC 自家的 Hacker Ne...
推荐理由：Garry Tan 声称靠 AI 每天交付 3.7 万行代码，第三方开发者去看了他博客的前端，发现 169 个请求、6.42 MB 的数据量，对比 Hacker News 的 1 个请求和 0.02 MB。数字对比、身份反转、以及行数指标与实际质量的脱节，三条都打中了。扣分是因为这只是单次扒代码的发现，不是产品评测或系统分析，上限给到 85 以下。
美团在 Product Hunt 上线了 LongCat-2.0，一个总参数 1.6 万亿的 MoE 模型，每次推理激活约 480 亿参数，上下文窗口 100 万 token。模型用 MIT 协议开源，训练没碰英伟达 GPU，全跑在美团自己的 AI 专用芯片集群上。技术亮点是 LongCat 稀疏注意力机制，能省计算量；后期专门针对写代码和让模型进业务...
推荐理由：我会先打个折：正文没给任何评测基准分，也没说自研芯片的具体性能和训练成本，所以“强不强”现在没法判断。但亮点很明确——1.6万亿参数、100万token窗口、纯国产芯片训练、MIT开源，这几个要素凑在一起，在国内是第一次。LongCat稀疏注意力如果能实打实省计算量，对长文本和代码场景会有用。后期训练专门针对写代码和业务部署，说明美团不是放个玩具出来，是想让模型真进生产环境干活。如果是真的，训练成本可能比用英伟达低一截，这点先别太激动，等更多数据出来再看。
作者把 GLM 5.2 当主力用了两周，发现大部分任务上跟 Claude Opus 几乎分不出区别。切换成本极低，把 API 地址指向兼容的服务商就能直接在 Claude Code 里跑。两个硬伤：不支持图像识别，内置的网页搜索又慢又差，导致依赖看图或实时查资料的自动化流程跑不起来。推理价格大约每百万 token 4.40 美元，不到 Opus 零售价...
推荐理由：作者拿 GLM 5.2 当主力用了两周，给了可复现的切换路径和价格对比，不是通稿。两个硬伤限制了分数：只测了编程场景，视觉和搜索的短板让结论的适用范围收窄。单篇博客实验，样本就一个人，我会先打个折，所以停在 78。
Fable 在 KernelBench-Mega 上提交了第一个真正意义上的 GPU 大核，单次协作式内核启动就比优化过的 PyTorch 基线快了 18.71 倍。作为对比，Claude Opus 4.8 做到 14.4 倍，GPT-5.5 只有 4.34 倍。这个基准测的是 AI 自己写底层算子的能力，是观察 AI 能不能自己改进自己的一个信号。另...
推荐理由：这条消息对 AI 从业者有直接参考价值：Fable 在 KernelBench-Mega 上提交了第一个真正意义上的大核，单次启动 18.71 倍加速，比 Claude Opus 4.8 和 GPT-5.5 都干净。我会先打个折——这只是一个基准测试，不代表生产环境能复现，但架构差异本身值得注意：Fable 理解了协作式启动，而竞品还在用多次调用凑数。正文没披露这个内核的具体应用场景和稳定性验证，所以别太激动，但它确实给出了一个观察 AI 自我改进能力的窗口。
SonarSource 的研究人员用 Claude Code 跑了 660 次实验，在 33 个任务里对比了“脏代码”和“干净代码”的仓库。结论是：代码干不干净，不影响 agent 最终把任务做对的通过率。但干净代码能让 agent 少用 7% 到 8% 的 token，重复打开同一个文件的次数也少了 34%。也就是说，代码整洁度不决定成败，但能实实在...
推荐理由：实验设计用了最小对照法，把“代码整洁度”单独拎出来看，结论有点反直觉：脏代码没让 agent 更笨，只是让它更啰嗦、更费 token。对天天用 coding agent 的工程师来说，这条信息直接能用——不用为了讨好 AI 去大扫除，但顺手整理一下确实能省点成本。扣分项是样本量偏小，33 个任务覆盖面有限，正文也没说任务难度分布，所以“通过率不变”这个结论我会先打个折，别当铁律。
美团把 LongCat-2.0 整个开源了，MIT 协议，权重和推理代码都能直接用。这是个 1.6 万亿参数的 MoE 模型，每次推理只激活大约 480 亿参数，上下文窗口能塞进 100 万 token。它用了三个省资源的招：LongCat Sparse Attention 专门处理长文本，Zero-Compute Experts 会根据任务动态激活 ...
推荐理由：美团把 LongCat-2.0 完整开源，MIT 协议放权重和代码，在国内大厂里算动作很大。1.6T 总参数、每次只激活 48B、100 万 token 上下文，这几个数字说明它在长文本和推理成本上都做了针对性设计，不是纯刷参数量。对从业者来说，能直接拿到权重和推理代码，比只发论文或给 API 实用得多。重要性给 82 分合理，featured 也站得住，因为这件事既有技术细节可聊，又有开源生态层面的信号意义。
Simon Willison 在发布 sqlite-utils 4.0 稳定版前，让 Claude Fable 做了一次最终审查。模型发现了一个会丢数据的严重 bug：delete_where() 方法执行后从不提交事务，导致后续所有写入操作都会被静默回滚。整个修复过程用了 37 次提示、34 次提交，改了 30 个文件，总共花了 149.25 美元。...
推荐理由：Simon Willison 让 Claude Fable 在 sqlite-utils 4.0 发布前做最终审查，模型发现了一个会静默丢数据的严重 bug：delete_where() 执行后从不提交事务，后续写入全被回滚。整个过程用了 37 次提示、34 次提交，改了 30 个文件，总共花了 149.25 美元。这不是厂商案例，是当事人自己公开的实验记录，数字和过程都摆在那。没给更高分是因为这只是单次实验，不是系统性验证，但作为一手信号已经足够醒目。
GitClear 分析了 2.11 亿行代码变更，发现 AI 辅助编程让重复代码激增、重构减少。造内部工具的边际成本被压到接近零，业务组不再需要等 Infra 组交付成品平台，自己花十分钟就能让 AI 生成一套能用的东西。Infra 组过去“别自己造轮子”的底气被掏空了。文章提出 Infra 组的新交付物是“生成内核”：把支付、认证这类不可替代的核心能...
推荐理由：这篇观点文章有 GitClear 的数据打底，又抛出了“生成内核”这个新提法，对 Infra 从业者的冲击力很直接。但它是单人博客，没有多方信源交叉验证，而且正文在论证中途截断，没把“生成内核”怎么落地讲透，所以停在 78 分的 featured 门槛上。