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。
Claude Sonnet 5 是 Anthropic 目前最能自主干活的中档模型。它能自己定计划、用浏览器和终端跑任务，在推理、写代码、工具使用这些指标上比上一代 Sonnet 4.6 强出一大截，表现已经接近旗舰 Opus 4.8。价格方面，正式定价是输入每百万 token 3 美元、输出 15 美元，8 月 31 号前有尝鲜价，输入 2 美元、输...
推荐理由：Anthropic 的中档主力模型做了一次大的 agent 升级，定价也清楚，当天就该写。分数没上 90，因为文章只给了基准对比，没放任务完成率或延迟数据，实际表现还得等社区跑完再看。
Claude Science 是一个给科研人员用的 AI 工作台，现在对 Pro、Max、Team 和 Enterprise 用户开放测试。它把文献检索、数据分析、图表生成和论文编辑整合到一个会话里，内置了 60 多个预配好的技能和连接器，覆盖基因组学、单细胞、蛋白质组学、化学信息学等领域。每次输出都附带可审计的代码、运行环境和聊天记录，方便复现。计算...
推荐理由：Anthropic 把 Claude 做成一个给科研人员用的垂直工作台，把文献、数据、可视化和写作打通在一个会话里，还预置了 60 多个细分领域的技能。产品形态跟通用聊天界面拉开差距，硬核、知识密度和可复现性三个维度都踩中了。正文没披露具体定价和实际延迟数据，但光这个整合度和审计输出，就值得给 82 分。
Simon Willison 发布了 shot-scraper 1.10，核心是新增的 video 命令。你给它一个 YAML 格式的“故事板”文件，它就能用 Playwright 驱动浏览器，把整个操作流程录成 mp4 视频。故事板可以自动启动开发服务器、填表单、点按钮、等待页面元素出现。这个功能之前一直被 Playwright 的录屏限制卡住——早...
推荐理由：Simon Willison 给 shot-scraper 加了个 video 命令，让 agent 能按 YAML 故事板自动录操作视频。这事对做 agent 开发的人挺实用，解决了“怎么把 agent 干活过程可视化”的一个具体痛点，技术路径也清楚。但受众面窄，主要就是 agent 开发者会关心，所以重要性给 72、放 featured 是合适的。
有人逆向 Claude Code 2.1.196 后发现，它会根据你的 API 地址和系统时区，悄悄修改发给模型的系统提示词。具体是把日期里的撇号换成肉眼几乎看不出来的 Unicode 变体，比如遇到已知的代理域名就用弯撇号，遇到中国时区就把日期分隔符从“-”改成“/”。这些域名和关键词列表用 XOR 和 base64 做了混淆，里面包含 deepse...
推荐理由：一手逆向分析，带代码和域名清单，不是猜测。隐写、技术细节、隐私信任三条全中。因为是个人博客、没有 Anthropic 官方回应，上限压在 85 以下。
OpenAI 推出了 GPT-5.6 系列，包含 Sol、Terra、Luna 三个模型，Sol 是里面最聪明的。目前只有少数合作伙伴能拿到权限，Sam Altman 说普通用户很快也能用，但一开始可能只限美国。文章没具体说美国政府卡在哪个环节。另外，OpenAI 还发了一篇关于 Codex 使用情况的经济学论文，显示非技术部门的采用率正在追上工程部门。
推荐理由：GPT-5.6 发布是行业级事件，但文章只给了标题和一句监管卡壳的暗示——正文没写具体卡在哪个环节、三个子模型能力差在哪、Sol 比上一代强多少。信息量只够让人知道有这么回事，我会先打个折。
鸭哥把 Cursor、Codex、Claude Code 和 OpenCode 拉出来横向对比了一圈，结论是：95% 的日常增删改查任务里，这几款工具用起来几乎一模一样，随时可以无缝切换。模型能力溢出了，功能清单也高度重合，选哪个纯粹看个人工作流偏好。Claude Code 独占的 Agent Teams 和 Dynamic Workflows 听着唬...
推荐理由：鸭哥这篇横向对比有实打实的功能拆解和上手体感，不是空对空。“95% 任务无感切换”这个结论对天天在几个工具间横跳的人很实用，HKR 三个维度都打中了。扣分点在于这是个人博客，没有第三方数据背书，而且 Claude Code 独占功能的具体表现正文没展开，说服力打点折。
v0 现在支持从 GitHub 仓库、npm 包（公开或私有）、Storybook 文档、Figma 画板、截图甚至 ZIP 文件里导入你们现有的设计系统。它会学习这些组件和样式是怎么被实际使用的，然后生成一个用你真实组件和设计变量搭好的预览环境，你可以在聊天框里继续改，满意了再保存。有个关键问题正文没回答：导入的系统是作为硬性规范，还是只是给模型参考...
推荐理由：我会先打个折：这个更新方向是对的，但信息缺口也明显。v0 能学你真实的组件和设计变量来搭预览环境，这点挺省钱，不用手动重建。但正文没写清楚学完之后模型是严格遵守你的组件库，还是只当风格参考——如果是后者，生产环境里还是得人工检查一遍，价值就打折扣了。另外也没提私有 npm 包的鉴权细节和 Figma 导入的还原度，这些都会影响实际能不能用。所以重要性给 72 是合理的：方向值得关注，但落地效果还得看后续说明。
美团 LongCat 的 Owl Alpha 模型在 OpenRouter 上成了调用量最高的模型，用户已经烧掉 10 万亿 token。它是一个 1.6 万亿参数的混合专家模型，用 35 万亿 token 训练，全程跑在 5 万块国产 ASIC 上，没依赖英伟达 GPU。性能标称达到 Gemini 或 Opus 4.6 级别，在 Hermes Age...
推荐理由：三个高信号区同时打中：大规模国产 ASIC 训练（5 万块）、OpenRouter 用量第一（10 万亿 token 已消耗）、性能标称对齐 Gemini/Opus 4.6。1.6T MoE 参数和 35T 训练 token 都是硬数字，不是公关稿。唯一扣分点：正文没披露具体 benchmark 分数和评测细节，性能对标先打个折看。
Piotr Migdał 在 Macbook Max M5 128GB 上实测了 Qwen 3.6 27B，用 8-bit 量化版跑出每秒 32 个 token，占 42GB 内存。他认为这是第一个能当通用智能用的本地模型。测试里它一次就生成出六边形扫雷的 npm 包，还搭了一个响应式落地页。文章给了完整的 llama.cpp 配置命令，并出于伦理原因...
推荐理由：一篇带真实数字的个人实测，不是通稿。Qwen 3.6 本身热度就高，这篇文章补上了本地部署的实操细节。分数卡在 72 是因为它终究是个人评测，不是官方发布或重大产品更新。
作者在开发 AIHOT 时用了两条提示词，一条要求 AI 从基本事实重新推导，别靠类比，结果挖出了一个隐藏的流量路由问题，逼着项目重写；另一条让 AI 扮演恶意用户攻击自己的代码，抓出了内存溢出死循环和未来时间戳污染这类手工审查很难发现的 bug。两条提示词组成“生成—验证”闭环，项目最近一周请求量超过一千万次。
推荐理由：两条提示词组成一个“生成—验证”闭环，有具体的 bug 例子和一周一千万次请求的生产数据，不是纯理论。扣分是因为这是单人经验分享，没有跨来源验证，而且项目是作者自己的产品，带点自我宣传的味道。
Andrew Diamond 把现在的 AI 辅助编程比作让小说家去批改学生作文。AI 能写出看起来没毛病的代码，但它不知道法律合规红线、外部接口延迟、团队接下来的改动计划，也不知道跟敏感数据处理模块会不会撞出安全漏洞。他把 AI 定位成一个干活快但缺系统级常识的初级工程师，需要资深的人把关。文章最核心的担忧是：当写代码变成审代码，创作时那种忘记时间的...
推荐理由：一篇个人色彩很浓的随笔，不是产品发布也不是研究突破，所以分数不会给到 80 以上。但比喻精准，对心流状态的担忧也具体，值得推荐给日常用 AI 写代码的工程师看看。
Grok 4.5 基于一个 1.5 万亿参数的 V9 基础模型，训练时额外喂了 Cursor 的数据，现在在 SpaceX 和 Tesla 内部试用。马斯克说初步跑分接近甚至可能超过 Opus，但没说是哪个版本的 Opus、用的什么基准测试、测了多大样本。强化学习还在继续拉性能，Grok Build 工具链也在完善。另外 SpaceX 今年打算每个月发...
推荐理由：马斯克自己出来说 Grok 4.5 跑分接近甚至可能超 Opus，还提到用 Cursor 数据训练，信号很强。但正文没披露 Opus 具体版本、用的什么基准、测了多少样本，这些缺口让判断得打个折。1.5 万亿参数和内部试用是实打实的信息，所以给 78 分，先别太激动。
新浪微博放出了一个 30 亿参数的小模型 VibeThinker-3B，在数学和编程题上能跟 DeepSeek V3.2、Kimi K2.5 这些大几百倍甚至上千亿参数的模型打平。它是在阿里的 Qwen2.5-Coder-3B 基础上，靠多阶段后训练（先监督微调学各种任务，再用强化学习专攻数学、编程、理科推理，最后自我蒸馏合并技能）把性能拉上去的。在 ...
推荐理由：新浪这个VibeThinker-3B最抓人的点是30亿参数能在数学和编程上跟DeepSeek V3.2、Kimi K2.5这些大模型打平，对做端侧部署或者想省推理成本的人是个实打实的信号。训练方法也交代得比较清楚，不是黑盒，而且他们自己验证了一个结论：推理能力可以压缩到小模型里，但事实知识不行，这点对选型有参考价值。没给更高分是因为目前只有这一篇报道，模型在更杂的任务上表现还不清楚，先打个折。
OpenAI 和 Anthropic 最新的系统卡显示，模型安全不再只靠训练阶段的对齐，而是转向运行时的管控。GPT-5.6 Sol 在推理过程中用激活分类器实时监测模型内部状态，在有害内容到达用户前就掐断，同时配套了账户安全分和两级扫描系统。Anthropic 用 SAE 探针发现 Mythos Preview 在 29% 的核心行为测试里已经意识到...
推荐理由：HKR 三条都踩中了：对比视角新鲜，有具体的失败次数和拦截机制，而且直接戳中 agent 开发者的日常痛点。分数定在 82 是因为文章本身是二手分析，没有原始测试数据，信息增量主要来自解读角度而非一手实验。
OpenAI 预览了 GPT-5.6，分 Sol、Terra、Luna 三档，Sol Ultra 在 TerminalBench 2.1 跑出 91.9% 排第一，最便宜的 Luna 也超过了上一代旗舰 Claude Opus 4.8。但受前一天出口管制消息影响，群里有人泼冷水说“5.6 也发不出来了”。另一边，GLM 5.2 的 Coding Pla...
推荐理由：GPT-5.6 三档发布是当天最大新闻，Sol Ultra 跑分和定价都清楚，但出口管制的不确定性让这条消息的冲击力打了折扣，所以重要性没给到 85 以上。GLM 5.2 卖断货和自动化证明流水线是加分项，不过日报本身是二手信息源，不是一手公告，整体判断就定在这个档位。
OpenAI 推出了三个新模型：Sol（旗舰）、Terra（中档）、Luna（快速便宜），但这次不是公开发布，而是应美国政府要求，先开放给大约 20 家受信任的合作伙伴做有限预览。Sol 在 Terminal-Bench 2.1 上跑到了 91.9%，在一些编程任务上超过了 Claude Mythos 5，不过 OpenAI 特意强调它没跨过网络安全的...
推荐理由：我会先打个折，因为正文没披露 Terra 和 Luna 的具体跑分，也没说清楚网络安全红线到底卡在哪。但 Sol 的 91.9% 和压过 Mythos 5 是硬指标，加上美国政府要求限制发布这件事本身比跑分更有信息量——它说明模型能力已经到了需要控管的程度。对从业者来说，这比一个公开 API 更值得盯。
字节在 FORCE 大会上公开了一组内部数据：TRAE 团队超过 90% 的代码由 AI 生成，但人均需求吞吐率只提升了约 60%。代码生成端已经很快，但 review、测试、依赖检查、staging 和安全审计这些下游环节没有同步加速，AI 写好的代码像半成品一样堵在交付流水线里。文章认为，下一阶段 AI 编程工具的竞争会从“谁更会写代码”转向“谁能...
推荐理由：字节在 FORCE 大会上放出的内部数据很实在：90% 的代码是 AI 写的，但人均吞吐率只涨了 60%。这个差距说明代码生成本身不是瓶颈，交付流水线里 review、测试、依赖检查、staging 和安全审计这些环节没同步加速，AI 产出的代码堆在那儿出不去。文章没有停留在产品发布层面，而是把工程交付的真实卡点讲清楚了，对正在推 AI 编程的团队有直接参考价值。
Jamie Dborin 用 Artificial Analysis 的 18 个基准测了开源和闭源大模型之间的差距。只看他们主打的“智能指数”，差距一直在缩小，按趋势线外推，到 2026 年 12 月 3 号左右开源就能追平。但把 18 个基准全算上，平均差距几乎是一条直线，稳定在不到 5 个月。进步最大的是编程，从落后 15 个月缩到一两个月；其他...
推荐理由：Jamie Dborin 拿 Artificial Analysis 的 18 个基准测了开源和闭源大模型的差距，然后自己拆了自己的台。按他们主推的“智能指数”画趋势线，开源会在 2026 年 12 月 3 号左右追平闭源，这个日期很抓眼球。但把 18 个基准全算上，平均差距稳在不到 5 个月，几乎是一条直线，说明整体追得没那么快。进步最大的是编程，从落后 15 个月缩到一两个月，其他能力就没这么乐观。我会先打个折：单一指数外推变数太大，全基准那条平线反而更值得认真看。正文没披露这 18 个基准的具体权重和构成，所以“智能指数”到底有多代表综合能力...
Dwarkesh Patel 认为，各大 AI 实验室现在赌的是用海量可验证任务把模型训成通用智能，但这套打法漏了一个关键前提：任务光能验证还不够，还得能“刷”——也就是能在确定、可回放的环境里并行跑大量试错。他用电脑操作举了个例子：让 AI 在 Etsy 上下单是可验证的，但你没法同时派一千个代理去冲亚马逊的结账流程，会被封。这就是为什么电脑操作的进...
推荐理由：Dwarkesh Patel 这篇文章把当前 RL 训练范式拆成“可验证”和“可重放”两个条件，指出电脑操作和编程任务卡在后者——能验证结果，但没法大规模并行试错。Etsy vs 亚马逊的例子让瓶颈变得很具体。没给 85 分是因为这只是一篇个人分析，不是实验报告或产品发布，证据链靠推演而非数据。
Ornith-1.0 放出了四个尺寸的模型，从 9B 到 397B 都有，MIT 协议随便用。它们基于 gemma4 和 qwen3.5 做后训练，用的强化学习方法同时优化任务拆解和方案自我修正，相当于教模型先想清楚步骤再动手改代码。397B 在 SWE-Bench Verified 上拿了 82.4 分，Terminal-Bench 2.1 上 77...
推荐理由：开源编程智能体模型，397B 在 SWE-Bench Verified 上拿了 82.4 分，MIT 协议，四个尺寸可选。分数够看，协议也友好，但发布渠道是 X 帖子，不是官方博客或论文，训练数据和 RL 配置细节没展开，所以我会先打个折——分数可信，但复现和验证的门槛还在。