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。
英伟达搞了个叫 Polar 的开源框架，专门解决一个实际问题：怎么在不重写 Codex、Claude Code 这些现成代码工具的前提下，用强化学习（GRPO，一种让模型在多步任务里根据奖励信号自己学会更优操作的训练方法）去训练它们。Polar 的做法很取巧，它不碰工具本身的执行逻辑，而是在模型和工具之间的 API 接口上做文章，把对话记录、采样结果这...
推荐理由：英伟达开源 Polar，用 GRPO 训练小模型 Qwen3.5-4B，Codex 在 SWE-Bench Verified 上从 3.8% 冲到 26.4%，这个提升幅度在代码 agent 圈子里很能打。技术细节和基准分都给得清楚，属于扎实的研究开源项，不是大模型或产品发布，所以放在 featured 档、82 分合理。
SWE-Bench Pro 的排行榜上，GPT-5.5 和 Claude Opus 4.7 都挤在 82 分附近，看起来差不多。但 Datacurve 团队新发布的 DeepSWE 基准，让同一批模型跑出了 62 个百分点的差距：GPT-5.5 拿了 70%，Claude Opus 4.7 是 54%，DeepSeek V4 Pro 只有 8%。差距拉...
推荐理由：我会先打个折：正文没披露 DeepSWE 的样本量、任务构成和评测流程细节，所以这把新尺子到底准不准还不好说。但它的价值在于把 SWE-Bench Pro 的遮羞布掀了——数据污染和 verifier 缺陷导致同一批模型结果能差 62 个百分点，说明老基准已经区分不出模型好坏。对正在选型代码 agent 的团队来说，这个信号比单纯刷榜有用，提醒大家别只看一个数字就下结论。
xAI 发布了专门干编程活的模型 grok-build-0.1，现在通过 API 公测。这个模型主要用来做网页开发、修 bug 这类需要模型自己调用工具、跑流程的任务，跟 Grok Build 命令行工具背后是同一个模型。速度标称每秒 100 个 token 以上，价格是输入每百万 token 1 美元、输出每百万 token 2 美元。除了写代码，官...
推荐理由：我会先打个折：这是 0.1 公测版，正文没披露基准测试成绩、上下文窗口大小和具体任务成功率，所以别急着把它当成成熟产品。但亮点很实在——速度标到 100+ tokens/秒，定价也直接亮出来，输入 $1/M、输出 $2/M，对想试编码智能体的团队来说，成本门槛不高。xAI 明显在抢 Cursor/Claude 的开发者心智，这点从定位就能看出来。综合看，信息量够、有价格锚点，但缺验证数据，给 78 分、featured 不 p1 是合理的。
Lemonade 的安全负责人 Jonathan Jaffe 聊了聊当攻防双方都用上 AI 后，安全团队该怎么变。他提到一个终端上可能同时跑着 200 到 10000 个智能体，现在的身份和权限管理系统根本管不过来，必须给每个智能体一个独立身份，并在它执行动作时直接卡控策略。另外，AI 写的代码漏洞虽多，但修得也快，软件反而可能更皮实。安全团队本身也在...
推荐理由：这篇是活动评论，不是产品发布或研究论文，但终端智能体数量和身份管控模型这两个信息点很实在，对正在头疼智能体安全的团队有参考价值，放在 featured 里合适。
Cognition AI 新融了超过 10 亿美元，投前估值 260 亿美元。它的年化收入一年里从 3700 万美元涨到约 4.92 亿美元，涨了十几倍。核心产品 Devin 被定位成能自主干活的初级工程师，不是只补代码，而是能自己规划、测试、部署，走完多步骤流程。公司不绑死一家模型，既用自己的模型，也接 OpenAI 和 Anthropic 的大模型...
推荐理由：这条消息硬数字够多，估值和收入增速都摆在那，Devin 的定位也从“写代码助手”变成了能自己规划、测试、部署的初级工程师，对从业者的冲击感很直接。不过信息源单一，正文没披露具体投资方和估值计算细节，所以没给到行业地震级的高分。
Anthropic 在这篇博客里讲了他们怎么用自家最强的 Claude Opus 模型去扫代码安全漏洞。整个流程分六步：先做威胁建模（搞清楚代码可能被怎么攻击），再把代码放进沙盒隔离运行，接着让模型找漏洞，找到后人工验证是不是误报，然后排优先级，最后出修复方案。他们拿这套流程去扫开源项目，截至 2026 年 5 月 22 日共报出 1596 个漏洞，其...
推荐理由：HKR 三项都站得住：Anthropic 公开了 Claude Opus 做源码安全审计的完整工作流，并附上 1,596/97 的漏洞与修复数据，不是 PR 稿。没给 85 以上是因为这不算新模型或平台级能力发布，更像现有能力的工程化实践报告。
Cognition 宣布完成超 10 亿美元融资，估值 260 亿美元，领投方包括 Lux Capital 和 General Catalyst。公司说今年企业用量涨了 10 倍以上，年化收入做到 4.92 亿美元。他们两年前推出的 Devin 定位是第一个 AI 软件工程师，这次还强调自己在编码智能体和代码审查上领先，Peter Thiel 也投了重...
推荐理由：Cognition 这轮拿了超过10亿美元，估值直接干到260亿，年化收入也接近5亿美元，说明编程智能体赛道正在快速商业化。我会先打个折：正文没披露具体投资方和资金用途，估值这么高，后续能不能撑住还得看实际产品落地和竞争。不过“用量一年涨10倍”这个数字如果是真的，确实挺猛，对做开发工具和智能体的同行来说，压力不小。
Simon Willison 发现，从 2026 年 4 月起，Anthropic 和 OpenAI 悄悄把企业版编程助手（Claude Code/Cowork 和 Codex）的收费方式从固定座位费改成了按 API 调用量计费，跟直接买 token 一个价。他自己一个月用这些工具烧掉的 token 折合 2180 美元，但个人套餐只要 200 美元，...
推荐理由：这篇不是官方公告，是一篇行业评论，但它抓的点很实在：Anthropic 和 OpenAI 在 2026 年 4 月前后把编程智能体的收费从打折卖席位改成按 API 调用量算钱。我会先打个折——正文没给出具体定价数字或客户迁移数据，所以“找到产品市场契合点”更多是作者基于计费模式转向的判断，不是有财报支撑的结论。但这点本身对从业者有用，因为它直接关系到采购和用量评估。整体属于有观点、有信息缺口、但不虚的评论，放在 featured 档位合理。
Cognition 就是那个做了 AI 程序员 Devin 的公司，这次拿了超过 10 亿美元，投前估值 250 亿美元，投后 260 亿。八个月前它刚以 102 亿估值融了 4 亿，估值翻了一倍多。领投方是 Lux Capital、General Catalyst 和 8VC，Founders Fund 等老股东也跟了。公司说现在年化收入跑到 4.9...
推荐理由：Cognition 这轮融资数字挺吓人，250 亿投前估值，一把拿了 10 亿。我会先打个折，因为正文没披露这 4.92 亿年化收入是确认收入还是合同额，也没说客户留存和续费率，所以别直接当 SaaS 指标看。但 8 个月估值翻倍，说明资本在 AI 编程赛道抢位置抢得很凶。对从业者来说，重点不是它融了多少钱，而是市场愿意为“AI 写代码”这个叙事付这么高的溢价，这会影响后续整个开发者工具链的定价和人才流向。
面壁智能、清华和 OpenBMB 开源了 ForgeTrain，一个完全由 AI 编写、没有人类代码介入的大模型训练框架。他们用这套框架在华为昇腾芯片上预训练了 MiniCPM5-1B，这个模型在 AA 榜单的 2B 参数以下级别里排到了第一。同时开源的还有制造 ForgeTrain 的 Agent Harness 工具链。正文没披露训练成本、耗时和具...
推荐理由：我会先打个折：这不是一个顶配模型发布，而是一个工具链层面的开源动作，所以给 80 分、放 featured 比较合适。故事的核心是“AI 造 AI”——面壁智能说 ForgeTrain 是全球第一个零人类代码介入的生产级训练框架，并且已经在华为昇腾上跑通了 MiniCPM5-1B 的预训练。对从业者来说，这比单纯刷榜有意思，因为它直接关系到训练流程能不能自动化、能不能省人力。不过正文没披露这套 AI 写的代码质量到底怎么样、训练出来的模型跟人手写的框架比有没有性能差距，这点先别太激动。整体看，H、K、R 三条都踩中了，是个扎实的工具链新闻。
这周 AI 圈的钱主要涌向了推理层。Fireworks 正在谈一轮估值 150 亿美元的融资，7 个月内估值涨了 3.75 倍；Baseten 也在以 110 亿美元估值募资，3 个月翻 2.2 倍。这两家都还没正式官宣，数字先别太当真。已经落定的是 OpenRouter 的 1.13 亿美元 C 轮融资，他们 6 个月内周调用量从 5 万亿 toke...
推荐理由：这条消息把三家推理服务商的估值摆在一起看，Fireworks 和 Baseten 还在谈，OpenRouter 已经拿钱且用量涨得很快。我会先打个折，估值数字本身是谈判口径，不代表最终成交价，但能看出资本在往推理层集中砸钱。对从业者来说，这直接关系到未来用谁的 API、成本怎么走，以及这些平台会不会变成新的流量入口。正文没披露具体营收或利润率，所以别急着喊泡沫，但估值确实不低。
Anthropic 在 Code w/ Claude 伦敦活动上宣布了两项 Claude 托管代理的新能力。一个是自托管沙盒，公开测试版，让 Claude 能在你自己的安全环境里跑代码、操作浏览器，不用把敏感数据交给第三方；另一个是 MCP 隧道，研究预览版，相当于给 Claude 开了条加密通道，让它能直接连到你本地或私有网络里的工具和数据源。Spo...
推荐理由：Anthropic 官方产品更新，在伦敦活动上发布了 Claude 托管代理的两项具体能力。我会先打个折：这不是新模型发布，而是开发者工具层面的迭代，所以重要性给到 78。自托管沙箱让代理在隔离环境里跑代码，MCP 隧道则打通了本地工具和云端代理的连接，对实际干活的人比刷榜分数更有用。正文没披露沙箱的安全隔离具体到什么程度，这点先别太激动。
Uber 总裁 Andrew Macdonald 公开说，公司 2026 年的 AI 预算四个月就烧完了，但 Claude Code 的 token 消耗量涨上去之后，并没有看到能交付给用户的实际功能跟着明显变多。他原话是“很难在 AI 花销和产品产出之间画一条线”。正文没披露具体花了多少钱，也没说哪些功能是 AI 驱动的，所以这个“没产出”的判断目前...
推荐理由：这条消息的价值不在技术本身，而在于一个每年花大钱买 AI 工具的大公司总裁公开说“账越来越难算”。我会先打个折：正文没披露具体预算金额，也没给出 token 消耗和功能交付的对照数据，所以不能当定量证据用。但“4 个月花光全年预算”这个事实本身已经足够说明成本压力，加上 Claude Code 用量还在上升，说明不是砍预算而是产出没跟上。对 AI 从业者来说，这比任何 benchmark 都更真实地反映了当前工具链的 ROI 焦虑。
这篇帖子正文被 Reddit 屏蔽了，只能看到标题和摘要。从现有信息看，SkillOpt 的做法是把给模型用的 Markdown 技能说明文件当作可优化的对象，而不是写死就完事。它让一个更强的模型对技能文件提出增、删、改的编辑建议，然后只在留出的验证集上接受那些确实能提升效果的改动。摘要里说，最好的技能文件通常在 1 到 4 次被接受的编辑后就会收敛，...
推荐理由：我会先打个折：目前只看到一个项目源和 Reddit 讨论，没有大规模落地数据，所以分数定在 78、featured 而不是 p1。但 HKR 三项都站得住——把技能文件当可训练参数这个 hook 够新鲜，留出验证集加 1-4 次编辑收敛的机制也讲得清楚，对做 agent 的人来说省手工调 prompt 的钱和时间是实打实的痒点。正文没披露验证集规模和任务多样性，这点先别太激动。
Qwen3.7-Max 在 Code Arena 编程评测上拿了 1541 分，排名第二，只比 Claude 低。官方说它能连续跑 35 小时的任务、单次调用工具超过 1000 次，原本要两周的项目几小时就能搞定。不过正文没披露具体测试环境、任务类型和对比模型的详细分数，实际生产表现还得看后续验证。
推荐理由：这条消息的钩子很清晰，就是“编程第二”这个位置。给出的分数和任务时长是硬指标，虽然都来自阿里云自己的一篇发布，没有第三方交叉验证，但作为产品更新和基准测试的成绩单，信息量够、指向明确。我会先打个折——没有独立评测之前，这个“第二”更多是厂商宣称，但它的确提供了一个可被检验的标靶，值得放进 featured 让从业者自己去盯后续实测。
面壁智能放出了 ForgeTrain 训练框架和 MiniCPM5-1B 模型。ForgeTrain 最抓眼球的地方是，他们说是让 AI 自己写的代码，在同样硬件下比英伟达的 Megatron 训练快 10%。MiniCPM5-1B 是个 10 亿参数的小模型，FP16 权重约 2GB，压缩到 INT4/Q4 后约 0.5GB，主打端侧部署。不过原文因...
推荐理由：面壁智能说 ForgeTrain 是 AI 写的训练框架，同硬件下比英伟达 Megatron 快 10%，还发了 1B 参数的端侧模型 MiniCPM5-1B，FP16 权重约 2GB，压缩到 INT4/Q4 约 0.5GB。我会先打个折——“全球首例 AI 造 AI”这个说法正文没给出第三方复现，10% 的速度提升也没交代测的是什么任务、什么卡、什么 batch size。但即便保守看，一个 AI 生成的训练框架能跑起来还声称更快，本身就有信息量；1B 模型压到 0.5GB 对手机端部署也够直接。分数定在 80，是因为概念够新、数字够具体，但验证...
马斯克说，1.5 万亿参数的 Grok V9-Medium 已经训完了，过几天开始做强化学习，计划两到三周后发布。Grok Build 现在支持同时跑 8 个子代理，上下文窗口拉到 25.6 万 token，还加了计划模式、竞技场模式、MCP 和 ACP。不过正文因为微信环境验证失败，具体技术细节和评测数据都没披露，这些功能实际效果怎么样还得等实测。
推荐理由：这条消息的钩子在于 xAI 解散的传闻和 Grok 上新同时出现，戏剧性够。马斯克亲自预告 1.5T 参数的 Grok V9-Medium，还给了两到三周的发布窗口，对盯着模型竞赛的人是个明确的信号。Grok Build 那边放出的 8 个子智能体、256K 上下文、Plan Mode 和 Arena Mode，说明他们在把智能体往实际业务流程里塞，不是只发个 API 就完事。我会先打个折：模型刚训完还没进强化学习，没跑分没对比，性能完全未知，这点先别太激动。但整体信息密度和时效性都够，放在 featured 里合理，给 82 分。
面壁智能放出了两个东西：一个叫 MiniCPM5-1B 的端侧小模型，和一个叫 ForgeTrain 的训练框架。1B 模型在 AA-Index 上拿了 17.9 分，这个分数说明小体量也能有不错的综合能力。更特别的是 ForgeTrain，它的训练代码不是人写的，是让 AI 自动生成的，跑出来的结果跟英伟达的 Megatron 框架对得上，而且在 H...
推荐理由：HKR 三项都踩中了：AI 写训练框架这个钩子够新鲜，不是又一个千篇一律的模型发布；AA-Index 17.9 分和比 Megatron 快 10% 的 H100 数据让信息有骨头；话题又落在开源小模型和端侧部署上，读者会想点开看。不过它毕竟不是旗舰模型发布，所以分数放在 78 这个区间是合适的。
这篇文章本身被微信环境验证挡住了，正文内容没抓到。从标题和现有英文摘要看，昆仑万维发了两个模型：SkyClaw-v1.0 和 SkyClaw-v1.0-lite，主打 Agent 场景，也就是让模型进业务流程干活。他们宣称 SkyClaw-v1.0 的输入成本是 DeepSeek V4 Pro 的 1/24、Sonnet 4.6 的 1/43，这个数字...
推荐理由：这条消息我会先打个折，因为所有性能对比和成本数字都来自厂商自己，没有第三方验证。但它的传播点很清晰：一个国产 Agent 模型宣称能力接近 Claude Opus 4.6，同时把输入价格压到对手的四十分之一，还白送几周试用。对正在被 Token 账单压得喘不过气的团队来说，哪怕只是“声称”，也足够让人点进去看一眼。正文没披露这些基准测试的具体条件和评测机构，所以“逼近 Opus 4.6”先别太激动，但成本对比如果属实，确实挺省钱。
开发者在 OpenAI Codex 的后台日志里挖出了一个叫 iris-alpha 的未公开模型，对应 GPT-5.6，可能 6 月发布。最直观的变化是上下文窗口涨到 150 万 token，比现在 GPT-5.5 API 的 105 万多出约 43%。有人在辅助工具 OpenCode 里实测，喂到 90 万 token 还能流畅回话，甚至能处理超过 ...
推荐理由：这条消息来自 Codex 日志泄露，不是官方公告，所以我会先打个折。但 150 万 token 的上下文窗口和 iris-alpha 代号都是实打实的数字，对做 agent 和长文档处理的人有直接参考价值。正文没提发布时间和定价，这点先别太激动。整体属于值得从业者扫一眼的更新，但还没到必须立刻行动的程度。