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。
Anthropic 发了份 319 页的系统卡，讲的是同一个新模型拆成了两个版本：Fable 5 给大众用，但加了安全锁，不让它在生物、网安这类高危领域干活；Mythos 5 则把相关限制解开了，只开放给 Project Glasswing 等少数受信合作伙伴。先说能力，Mythos 5 是他们训过最强的模型，在漏洞开发这类网安测试里把 Opus 4....
推荐理由：Anthropic 在同一天发了 Claude 5 的两个版本和配套系统卡，Mythos 5 自称最强、但只给受信伙伴用，Fable 5 则在高危领域加了限制。这种能力分级和透明披露的做法，对关注模型安全与能力边界的从业者来说是个重要信号。放在 85–94 这个区间没问题，因为信息够新、够具体，而且直接关系到 Claude 用户和开发者的实际使用。
GitHub Copilot CLI 新增了自定义智能体功能，让模型能读懂你团队的技术栈和常用流程，把以前在终端里零散敲的提示词变成一套可复用的自动化工作流。正文没披露具体的配置方式、推送范围和是否额外收费，所以实际落地成本还不清楚。
推荐理由：GitHub 官方产品更新，HKR 拿到 H 和 R：自定义 Copilot CLI 智能体对开发者工作流有实际影响。K 偏弱，因为配置方式、推送范围和是否额外收费都没披露，所以定在 featured 门槛。
Cohere 在 Hugging Face 上开源了 North Mini Code，采用 Apache 2.0 协议。这是一个 30B 参数的混合专家模型，每次推理只激活 3B 参数，专门为让模型在终端里自主写代码、修 bug 这类任务设计。在 SWE-Bench Verified 上，它的 pass@10 跑到了 80.2%，在 Artificia...
推荐理由：HKR-H 来自一个紧凑的 MoE 编码模型加上一个亮眼的 SWE-Bench 成绩；HKR-K 有参数、协议、上下文和基准数据。Cohere 不是前沿实验室，所以这个发布放在 78-84 分的开源编码模型区间比较合适。
实验里 Qwen3.7-Max 不看设计稿、不接后端，只读一份约 15 万字的产品调研文档，在隔离环境里分别生成了安卓 APK 和一个 Web 应用，单端耗时约 4 小时，中间没人插手。模型本身看不懂图，它是通过像素坐标反推布局来还原界面。做法是把任务拆成规划、架构、编码等阶段，每步做完就检查——静态检查、编译自检（0 error）、Web 端 34 ...
推荐理由：我会先打个折：正文没披露失败率、重试次数、人工介入点，也没说这15万字文档本身质量如何。但亮点在于它把模型看不懂图这个短板说清楚了——靠像素坐标反推布局，不是真懂设计。任务拆成规划、架构、编码并逐段自检的做法，让4小时出双端这件事有了可复现的骨架。如果是真的挺省钱，但没给对比基线，先别太激动。
TechCrunch 报道，微软旗下部分开源工具被黑，攻击者直接瞄准 AI 开发者的登录凭证。正文没披露具体是哪些工具、攻击怎么发生、持续了多久、有多少人中招。目前只有标题和极简摘要，细节全缺，先别急着下结论。
推荐理由：TechCrunch 的报道加上 Hacker News 首页热度，来源分量够，标题直接命中安全事件和账号风险。但正文几乎没给细节，工具名、攻击手法、受害规模全是空白，所以知识增量打折扣。我会先打个折：事件值得关注，但别急着下结论，等后续披露再说。
Cognition 做了一个叫 FrontierCode 的代码评测，不再只看模型生成的代码能不能通过单元测试，而是直接问“这代码你敢合并吗”。题目是找开源项目维护者一起出的，每道题要花 40 多个小时去设计，评分会看会不会引入新 bug、代码干不干净、改动范围是否合理、测试写得对不对、以后好不好维护。目前最强的模型 Opus 4.8 在最难的那档题目...
推荐理由：Cognition 这个 FrontierCode 评测不再看模型生成的代码能不能跑通测试，而是直接问“你敢合并吗”。题目找开源维护者一起出，每道题设计要 40 多小时，评分维度包括会不会引入新 bug、代码干不干净、改动范围是否合理、测试写得对不对、以后好不好维护。目前最强模型 Opus 4.8 在最难那档题目上表现最好，但正文没披露具体分数和对比细节。评测思路确实补了现有基准的盲区，不过刚出来还没被社区复现验证，78 分合理。
Cursor 是做 AI 编程助手的，你告诉它想开发什么功能，它能自动生成代码。这次它把欧洲总部定在伦敦，主要是看中当地技术人才多、语言多元，方便服务整个欧洲市场。公司计划年底前把欧洲团队从现在的七八十人扩到 200 人左右，还会在巴黎、慕尼黑等城市设小办事处。一个关键背景是，很多欧洲客户（尤其是金融、医疗这类强监管行业）要求数据必须留在欧洲境内，所以...
推荐理由：Cursor 把欧洲总部放在伦敦，年底前团队要翻倍到 200 人，这本身是常规扩张。但 SpaceX 手里那个 600 亿美元的收购选择权让整件事变味了——一个做代码助手的公司被这种量级的选项挂着，估值想象力直接拉满。正文没披露触发条款和行权条件，这点先别太激动。另外提到 100 亿的合作伙伴数字，也没说清是收入口径还是 GMV，我会先打个折看。整体信息密度高，但信源单一，所以停在 77 分不进 78 那档。
小米 MiMo 和 TileRT 给 1T 参数旗舰模型加了个 UltraSpeed 模式，输出速度首次超过 1000 tokens/s。模型这边用了 FP4 混合量化，只量化 MoE 的 Expert 部分，搭配 DFlash 的块级 masked 并行推测解码，coding 场景下平均一次能接受 6.30 个 token，相当于猜对的命中率不低。系...
推荐理由：我会先打个折：正文没提硬件配置、batch size、并发数，也没说测试用的 prompt 长度和具体环境，所以这个 1000 tokens/s 的绝对值先别太激动。但亮点是技术组合说得清楚——FP4 只量化 MoE 的 Expert 部分，不是全模型瞎压，搭配 DFlash 的块级 masked 并行推测解码，coding 场景下一次能猜对 6.30 个 token，命中率不低，说明这套方案在代码生成这种结构化输出上确实有效。小米给旗舰模型开 UltraSpeed 模式，还定了三倍 Pro 版的价格，摆明了是要在推理速度和 API 商业化上抢个身...
Cognition 搞了个叫 FrontierCode 的编程评测，找了 20 多位资深开源维护者手工出了 150 道题，每道题平均花 40 小时以上，还配了 3000 多条审核规则，核心就一个标准：维护者看完代码愿不愿意合入主分支。他们直接点名 SWE-Bench 这类老评测，说里面超半数通过的代码其实是没法维护的垃圾。结果挺惨淡：Claude Op...
推荐理由：HKR 三项都站得住：13.4% 的惨淡通过率是个天然钩子，维护者手工出题和审核的流程给了足够的方法细节，对老评测的批评又正好打在开发者对 AI 代码质量的信任痛点上。不过这是单一团队发布的基准，还没经过社区反复验证，所以分数卡在 78–84 这个区间，不往上拔。
Hugging Face 发了篇博客，手把手教你怎么用 huggingface/jobs-actions 把 GitHub Actions 的 CI 流程搬到他们的 Jobs 服务上执行。核心思路是让 GitHub 把任务派给一个在 HF Jobs 里临时启动的“自托管运行器”，跑完就销毁。他们拿 Trackio 项目试了水，CPU 任务耗时缩短了约 ...
推荐理由：HKR 三项都站得住。H 靠的是“用 HF Jobs 当自托管运行器跑 CI”这个具体操作，不是空谈概念。K 有明确的产品名、Trackio 实测数据和约 30% 的提速数字，信息量够。R 切中的是 ML 团队常遇到的 CI 贵、GPU 不好找的问题。整体属于工具链层面的实用更新，不是平台级大发布，放在 featured 档位合适。
Anthropic 给苹果开发者送了个新工具：一个 Swift 包，让 Claude 直接接入苹果的 Foundation Models 框架。开发者写三行代码就能调用，返回的是 Swift 原生类型，不用自己解析 JSON。支持多步推理、代码生成、联网搜索和数据分析，跑在 iOS 27、macOS 27 这些新系统上。说白了，就是苹果在自己的 AI ...
推荐理由：HKR 三项都成立：Anthropic 确实发了一个让 Claude 接入苹果 Foundation Models 框架的 Swift 包，但这是开发者工具层面的集成，不是新模型发布，所以放在 featured 档里偏高的 82 分。正文没提这个包是否开源、有没有延迟或成本数据，我会先打个折，别把它当成 Claude 在苹果端全面铺开的信号。
苹果演示了 Safari 结合 Apple Intelligence 的新玩法：你只要用大白话描述需求，比如“把网上的菜谱存下来并加备注”，浏览器就能当场生成一个叫 Recipe Keeper 的扩展。这招是想解决 Safari 扩展数量一直追不上 Chrome 等对手的老问题，因为苹果对扩展开发的要求比较严。不过报道没提这个功能什么时候上线、需要哪个...
推荐理由：苹果演示了用自然语言让 Safari 自己写扩展，比如喊一嗓子“把网上菜谱存下来加备注”，浏览器就当场生成了一个 Recipe Keeper。这招是想解决 Safari 扩展一直比 Chrome 少的老问题，因为苹果对扩展开发卡得比较严。我会先打个折：正文只给了一个演示案例，没提什么时候上线、需要哪个系统版本、对开发者有什么限制，所以目前还只是一张饼。信息缺口明显，先按中等偏上的产品更新处理，给 73 分。
Sam Altman 在一篇博客里列出了三个目标：先造出能自动做研究的 AI 研究员，再用它去加速科学和产品开发，最后给每个人配一个个人 AGI，帮你处理工作、学习、写代码、做生意、健康文书和日常决策。时间节点定在 2028 年 3 月，但正文没披露具体怎么验证这些目标是否达成，也没说成本、安全措施或失败预案。
推荐理由：HKR三项都踩中了：OpenAI给AGI研究路线图贴了个2028年3月的标签，还列了三个目标。我会先打个折，因为原文只是一篇博客摘要，不是正式产品发布或带技术细节的长文，所以没给P1。正文没披露怎么验证目标是否达成，也没提成本、安全措施或失败预案，这点先别太激动。
Levi 是一个开源项目，让你能在本地用 Qwen3-30B-A3B 模型跑一套类似 AlphaEvolve 的搜索系统。作者在 ADRS、IFBench 和 HotpotQA 三个基准上做了测试，声称在单模型、相同预算的条件下，整体成本最多能降到原来的 1/35，评估次数最多能减少到 1/12。不过正文被 Reddit 的网络屏蔽页挡住了，具体实现细...
推荐理由：这篇来自 Reddit 的帖子只给了模型名、基准和成本比例，代码成熟度和可复现细节正文被屏蔽了没看到，所以我会先打个折。但能在本地用 Qwen3-30B-A3B 跑 AlphaEvolve 风格搜索这件事本身挺抓人，数字如果属实确实省钱，先给 featured 让社区去验证。
Hivemind 这个工具现在开放了持续学习功能，专门给 AI 编程智能体用。它会自动收集 Claude Code、Codex、Cursor、Hermes、Pi 这些助手干活时的操作轨迹，把成功的套路提炼成可复用的技能，存到你自己的云盘里，再同步给所有助手。内置的 SkillOpt 负责持续训练这些技能，效果上，Claude Code 准确率涨了 19...
推荐理由：HKR三项都站得住，但这是Hivemind的一次功能更新，不是大厂动作，也没有其他来源交叉验证。52个场景的测试结果让它有干货，够格进低位的featured。
作者在单张 RTX 5090 上跑了 Qwen3.6-27B，用 DFlash 做投机解码（让一个小模型先猜答案，大模型再核对，省时间），同时压缩 KV 缓存（把模型记住的上下文瘦身，省显存）。结果最高提速到 3.26 倍。用 q4_0/turbo4 量化时速度是原来的 3.18 倍，WikiText-2 上的困惑度只涨了 0.02%，基本没掉精度。不...
推荐理由：作者在消费级新卡上实测了一套组合拳：用小模型先猜答案再让大模型核对（投机解码），同时把模型记的上下文瘦身（KV 缓存压缩）。结果速度翻了三倍多，精度几乎没掉。这对想在本地跑大模型的人来说是个很实在的参考，数据也够具体。不过来源只有 Reddit 一个帖子，我会先打个折，别当正式论文看。
一位 Reddit 用户拿 qwen3.6-27b-autoround-int4 模型做测试，对比单张 3090 和两张 3090 的表现。在没装 NVLink、走 8x/8x PCIe 通道、P2P 自动开启、张量并行设为 2 的条件下，叙事类文本的解码速度从 53 token/秒涨到 94 token/秒，代码类解码从 62 token/秒涨到 1...
推荐理由：我会先打个折：这只是 Reddit 上一个用户的单次测试，没换模型、没换卡型复现，所以别急着当通用结论。但它的价值在于给了一个很具体的参考点——在没桥接器、走普通 PCIe 通道的情况下，qwen3.6-27b 的 int4 量化版用张量并行跑，解码速度几乎翻倍。对正在纠结要不要加卡跑本地推理的人来说，这个数据比厂商白皮书实在。正文没披露功耗、延迟波动和长文本下的表现，这些缺口让结论只能停在“值得自己试一下”的程度。
OpenAI 准备给 ChatGPT 做上线以来最大的一次改版，从聊天机器人转成一个能直接干活的 Agent 平台。它会整合自家的编程工具 Codex、图像生成，还会接入 Canva、Booking 这类第三方应用。高管放话说“聊天已死”，目标是做成跨平台的个人 AI 助手，以后甚至不用你手动输入提示词。改版预计几周内在网页和手机端上线。商业压力不小：...
推荐理由：这条消息把改版讲得挺清楚，但来源只是一条 X 帖子，正文没披露正式上线时间、开放范围和定价，我会先打个折。高管那句“聊天已死”听着唬人，实际产品还没交付，这点先别太激动。整体判断是：方向重要，落地细节还缺，所以放在 84 分这个位置。
一位 Reddit 用户分享了自己在笔记本上跑通 Qwen3.6 35B-A3B 的体验。他的机器是华硕 Zenbook Pro 14，配了 RTX 4060 8GB 显存和 64GB 内存。用 llama.cpp 加载 unsloth 的 IQ3_XXS 量化版模型，在 3.2 万 token 上下文时生成速度约 27 token/秒，拉到 25.6...
推荐理由：这是单个用户的 Reddit 实测，不是官方发布或论文，但硬件、量化方式、上下文长度和速度都给得很具体，对想在自己机器上跑大模型的人有直接参考价值。我会先打个折，因为只有一台机器的数据，不代表普遍表现，但信息密度够上 featured，分数放在 72–77 这个区间合理。
北海道农民富安弘毅把 ChatGPT 和 Codex 当工程师用，做了 8 件事：拍照识别西兰花病害、用卫星 NDVI 数据看作物长势、拿 ESP32 加 LINE 机器人远程开关温室卷帘、给农场群聊写了个管温度和排期的机器人、从聊天记录里自动统计播种数量、研究 RTK-GPS 自动转向原理并算了自建要花多少钱、用 Airtable 搭了农场管理数据库...
推荐理由：我会先打个折：全文只有一个人、一个农场，没有产量对比或省了多少工时的数字，所以不能当行业证据用。但它的价值不在严谨，而在把 AI 写代码这件事从屏幕拉到了泥地里——一个农民没找外包、没学编程，直接用 Codex 做出了 8 个能跑的工具。这种'非程序员用 AI 写代码干物理世界的活'的案例现在还很少，对国内做 agent 和 coding 方向的人是个挺新鲜的参照。