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。
机器之心这篇文章本来想盘点 2025 年 1 月到 2026 年 4 月间，至少六位从 Workday、You.com、Box、Super.com、Adept AI 等公司离职加入 Anthropic 做个人贡献者（IC）的前 CTO，但微信页面被环境异常拦截，正文内容完全看不到。从已有的英文摘要看，核心讨论点不是“为了 AGI 理想”，而是职业杠杆—...
推荐理由：这篇不是产品发布或模型更新，是篇评论，但切入点很巧。它没停留在“为了 AGI 理想”这种公关叙事，而是把重点放在职业杠杆上：当 CTO 不如在 Anthropic 当工程师划算，说明顶级 AI 公司里技术执行者的议价权在涨。我会先打个折，因为正文没给出这些 CTO 具体负责什么、薪资怎么变，但 6 个案例摆在那，趋势信号是清晰的。
Semi Analysis 的报告说，Anthropic 的年化收入（ARR）已经冲到 440 亿美元，过去 12 个月净增了 350 亿。其中 Claude Code 这个编程助手到 2026 年 2 月，自己就贡献了 25 亿美元的年化收入。推理毛利率也从 38% 涨到了 70% 以上。不过正文因为微信环境异常没抓到具体内容，这些数字背后的客户留存...
推荐理由：我会先打个折——Semi Analysis 的数据不是官方财报，但 440 亿 ARR 和 70% 推理毛利率这两个数如果属实，说明 Anthropic 靠 Claude Code 在企业端收钱的速度比外界想的快得多。文章真正值得盯的不是总盘子有多大，而是三个东西能不能同时成立：企业用量在涨、代码智能体收入在涨、推理毛利也在涨。正文没披露 Claude Code 的客户留存和续费率，这点先别太激动。
一个叫 Suspicious_Gap1121 的 Reddit 用户放出了 Quadtrix.cpp，一个用 C++17 从零写的 GPT 风格模型，总共 83 万参数。模型结构是 4 层、4 个注意力头、宽度 200 维，一次能看 128 个字符的上下文。他在单核 CPU 上拿 3140 万个字符训练了 76.2 分钟，验证损失降到 1.6371 n...
推荐理由：我会先打个折：这就是个个人练手项目，0.83M 参数离实用还远，别拿它跟正经模型比性能。但它的看点不在规模，而在把整个训练管线——LayerNorm、attention、Q/K/V、dropout、AdamW——全部手写反传，不用自动微分，不用 BLAS 加速，单核 CPU 跑通。正文没披露生成效果，也没给权重文件，所以只能当教学级实现来看。对 AI 从业者来说，这东西像一份可运行的底层教案，把平时被框架藏起来的细节全摊开了。
苹果支持 App 的 5.13 版本在 5 月 1 日上线时，不小心把一个叫 Claude.md 的文件打进了安装包，不到 24 小时就被下架了。这个文件描述了 Juno AI 和人工客服之间怎么通过一个协议层来切换，客户端、AI 助手、人工客服的消息都在同一个流程里处理。正文没披露这个文件到底是怎么跑进正式版本的，但问题核心出在发布审核环节。
推荐理由：HKR 三项都踩中了，但这说到底还是个 App 打包事故，不是模型或平台发布。苹果的体量加上 Claude.md 的细节够得上 featured；正文没披露审查链哪里断了，这点先别太激动。
Replit 的 CEO Amjad Masad 在 StrictlyVC 活动上回应了几个尖锐问题。首先是竞争对手 Cursor 被传要以 600 亿美元卖给 SpaceX，他怎么看。Masad 没直接评价这个价格，但明确表示自己不想卖 Replit，更想独立发展。文章还提到 Replit 的收入从 2024 年全年的 280 万美元，猛增到现在年化...
推荐理由：TechCrunch 这篇截出来的部分，核心钩子是 Cursor 的 600 亿美元收购传闻和 Masad 的不卖表态，反差够强。信息增量上，Replit 从 280 万到十亿年化目标的跨度、Cursor 的天价传闻，都是圈内会盯着看的数字。不过正文没展开 Masad 对 Apple 争议和出售意向的完整说法，所以重要性我打个折，放在 72–77 这个区间。
PFlash 让 Qwen3.6-27B 的 Q4_K_M 量化模型在单张 RTX 3090 上处理 12.8 万 token 的输入时，首 token 延迟从 llama.cpp 冷启动的 248.4 秒压到 24.8 秒。做法是用一个 Qwen3-0.6B 小模型当“打分员”，挑出最重要的 5% 文本片段喂给大模型，省掉了大量无关计算。整个方案用 ...
推荐理由：HKR 三项都踩中了，但这是单条 Reddit 帖子，质量验证只给了单针 NIAH 32K–128K 全通过，RULER 和多针结果没放出来，所以先放在 featured 门槛上。
VILA-Lab 把 Claude Code v2.1.88 的 51.2 万行代码扒了一遍，发现真正跟 AI 决策逻辑相关的部分只占 1.6%。剩下 98.4% 全是确定性的工程基础设施：权限控制、上下文管理、工具路由和错误恢复。核心变化不是把提示词写得更长，而是给模型套上了一套好用的“缰绳”。
推荐理由：这篇不是 Anthropic 官方出品，是 VILA-Lab 的逆向分析，所以权威性我会先打个折。但它给的 51.2 万行源码和 1.6%/98.4% 的拆分很具体，对正在搭 agent 的团队来说，比很多公关稿有用——它把“模型强所以产品强”的叙事拉回到工程现实。正文没披露完整复现步骤，这点先别太激动，但判断方向是准的。
OpenAI 给 Codex 接入了 Slack、Google Workspace 和 Microsoft 365，重点不是帮你补代码，而是让它直接接管电脑操作。测试里 Mike Russell 让 Codex 在 Mac 上跨 Adobe Audition、Photoshop 和 Firefly 完成一套音频剪辑到出图的工作流，全程人只围观，大概 8...
推荐理由：HKR 三条全中。OpenAI Codex 这次不是补代码，是直接上手操作 Mac，集成 Slack、Google Workspace 和 Microsoft 365，等于把 agent 塞进日常办公软件里。Mike Russell 的实测给了具体数字：8 分钟跑完音频修复、Photoshop 封面和 Firefly 视频生成，效果 85—90 分，虽然只有单信源，但 OS-agent 这个方向本身就够重，P1 没毛病。
OpenAI 把 Codex 从写代码扩展到了文档、幻灯片、表格这类非编程工作，新版本里电脑操作速度提升了 42%，还接入了微软、谷歌、Salesforce 的办公套件。Anthropic 这边，Claude 新增了对 Blender、Adobe 全家桶、Ableton 等创意软件的支持，同时推出了一个代码安全审查工具。另外，英国 AI 安全研究所的报...
推荐理由：OpenAI 把 Codex 从写代码推到了非编码的 GUI 操作上，说 CUA 比之前快 42%，还接进了微软、谷歌和 Salesforce 的办公套件。我会先打个折：正文没披露价格、具体上线范围和可复现细节，所以别急着当省钱结论。真正值得盯的是 GUI agent 产品化这一步，而不是单次模型跑分。
Pu.sh 用大约 400 行 shell 脚本（只靠 sh、curl 和 awk）搭了一个编程助手的运行框架。它支持 Anthropic 和 OpenAI 的接口，内置 7 种工具，有对话上下文自动压缩、断点续跑和管道模式，还配了 90 个不调 API 的测试用例。没有图形界面、流式输出、图片处理、OAuth 登录，也不支持 Windows。
推荐理由：我会先打个折：这就是个 Show HN 的开源小工具，不是模型或平台发布，别当大新闻看。但它上了 HN 首页，而且 400 行能复现的代码本身就说明问题——把 coding-agent 的核心链路（调模型、给工具、压缩上下文、断点续跑）剥到只剩 shell，依赖极简，对想理解 agent 怎么跑、又不想装一堆依赖的人很友好。正文没披露实际任务成功率，所以别急着说它比别的框架强，但作为教学和轻量集成的起点，这个 featured 给得值。
一位 Reddit 用户用 RTX 5080 16GB 显卡本地跑编程 agent，测了 Qwen3.6-35B-A3B 这个 MoE 模型（总参数 35B，每次激活 3B）。刚加载完上下文时速度有 89 t/s，等上下文塞满到 128K token 后，生成速度还能维持在 30 t/s，而且回复质量没掉。作为对比，同系列的 27B 稠密模型在 128...
推荐理由：HKR 三项都成立：16GB 显卡撑住 128K 上下文 30 t/s 是个很强的钩子，硬件和 CUDA 版本细节都有，还给了稠密模型的惨烈对比。不过这只是 Reddit 单帖测试，没有多源复现，所以 featured 而不是 P1。
radarsat1 做了一个原型，把逆波兰表达式（比如“2 3 + 2 *”）的解释器直接编译进 Transformer 的权重，输入算式后模型能算出 10。做法是把残差流当寄存器用，注意力权重由编译器算好，非线性的 MLP 逻辑还是靠训练。原型体积 1.1 GB，重点不是实用计算器，而是证明了注意力权重可以完全通过计算得出，不用训练。帖子正文没披露具...
推荐理由：我会先打个折：这不是一个实用计算器，1.1 GB 的体积已经说明它不图省资源。真正值得盯的是“注意力权重由编译器计算”这个思路——等于把一部分推理逻辑从训练里抽出来，直接写死在权重里，非线性部分才靠蒸馏。这点先别太激动，正文没披露蒸馏用了多少样本、MLP 层到底学到了什么，验证还很弱。但标题够反直觉，做法也干净，给可解释性方向递了一个新玩具，所以放在 featured 档刚好。
Wired 发现 OpenAI 的代码模型 Codex 会主动建议用户“避开哥布林”之类的奇幻生物，OpenAI 现在出来回应了。他们说，GPT-5.1 新增的“书呆子”人格喜欢用奇幻生物打比方，结果这个习惯传染给了其他模型。至于具体怎么修、修到什么程度，这篇声明里没细说。
推荐理由：这条新闻的钩子很足——一条禁止模型提“地精”的内部指令被扒出来，本身就够离谱。知识增量在于 OpenAI 没糊弄过去，而是点名了 GPT-5.1 的 Nerdy 人格是起点，后续模型把生物隐喻越玩越花，这比单纯说“有个 bug”要具体。对从业者来说，隐藏的系统提示直接影响编程模型的输出可控性，而正文没披露完整修法，这点先别太激动，所以放在低分 featured 档刚好。
Ben 这期聊的是工具链在变，他最近迷上了 Codex 应用，用自然语言指挥 AI 写了个恐龙跳跳游戏、搭了套 Gmail 自动分类系统。重点在后面的产品更新：Cloudflare 现在允许 AI 代理自己创建账户、买域名、拿 API 令牌并部署，人只需要最后点个头，中间那些繁琐的后台配置被包装成了 AI 能读懂的接口。Stripe 在 Session...
推荐理由：这是一篇产品线索汇总，不是单一重磅发布，但 Cloudflare 和 Stripe 把代理权限落到了开户、支付、部署这些硬环节上，我会先打个折放在 featured 低段。正文没披露具体延迟或成本数字，如果是真的，代理跑通账号和支付流程确实省钱省事，但权限敞口也大，这点先别太激动。
作者拿一个自动研究循环任务测了 5 个模型，只有 Qwen-3.6-27B 接近完成。本地用 q4_k_m 量化版跑了约 8 小时，消耗 3.9 万 token（上限 4.5 万）；作为对比，全精度 Qwen 通过 OpenRouter 调用用了 440 万 token，花费 0.939 美元。关键看失败质量：两个 Qwen 版本都只差小修小补，而 G...
推荐理由：这篇帖子用一个自动研究任务把 Qwen-3.6-27B 和几个闭源模型放在一起比，结果只有 Qwen 基本完成，其他模型要么缺测试要么缺实现，对比很直观。数据也给了：本地量化版跑了约 8 小时，读 39k 写 45k tokens；全精度版消耗 4.4M tokens，花了 0.939 美元。失败质量比成功更值得看，两种 Qwen 都只需少量修复就能用。来源是单篇 Reddit 实测，权威性有限，所以放在 featured 低位，但 hook、数据和话题性都够。
作者花了几周时间，用 7B 以下的本地小模型和免费云端模型跑多文件编程任务，发现结构化输出很不靠谱。崩得最多的地方有三个：模型在回复里乱加 markdown 代码块标记，把编辑内容写到错误的文件里，以及分不清该读文件还是写文件。作者给的解法是做后处理清洗和加校验步骤，但正文没披露具体用哪些模型、测试了多少任务，也没给出量化的成功率，所以这些结论只能当经...
推荐理由：这篇 Reddit 帖子不是论文，是作者拿 Qwen、Gemma 等小模型实打实跑了几周多文件编程 agent 后的踩坑记录。我会先打个折：它只是单人经验，没有系统对比实验，所以给 75 分。但内容很实在——7B 以下模型连输出格式都稳不住，Markdown 围栏乱加、改错文件、读写成写这类问题反复出现。作者没灌水，直接给了后处理、JSON schema 校验、路径白名单和只读路由这些能落地的补救办法。正文没披露具体模型版本和测试任务量，这点让结论的普适性弱一些，但对想用本地模型搭 coding agent 的人，这些失败模式比 benchmark...
陶哲轩最近公开说，数学研究的瓶颈已经从“找不到证明”变成了“证明太多看不过来”。在一个关于 Erdős 问题的 GitHub 页面上，已经有 20 多个 AI 生成的解法等着人去评估。文章提到 GPT-5.4 Pro 用 80 分钟就给出了 Erdős #1196 的一个思路，陶哲轩自己在 24 小时内验证了核心部分。现在真正头疼的不是 AI 能不能解...
推荐理由：这篇东西不是模型发布，但把陶哲轩的发言和 GitHub 上的 AI 证明积压摆在一起，信息量够硬。我会先打个折，因为正文没给出那 20 多份解法的具体通过率或质量分布，只能看到数量堆上去了。真正值得盯的是陶哲轩说的验证与消化工作流——证明便宜了，判断力反而更贵，这个转向对从业者比裸看模型跑分更有参考价值。
Alec Radford 团队训了一个 13B 的模型，训练数据全是 1931 年之前的英文文本，总共 2600 亿 token。他们拿这个“活在 1930 年”的模型去测对近 5000 个历史事件的意外程度，还用了 HumanEval 来评估代码能力，因为 HumanEval 的题是 2021 年发布的，模型没见过，能减少数据污染。核心发现是时间泄漏...
推荐理由：我会先打个折：正文没披露模型架构细节和训练成本，这点先别太激动。但选题本身很聪明——用1930年知识截止做对照实验，比单纯刷榜有意思。13B模型对战后事件有模糊感知，说明数据清洗再严格也挡不住泄漏，这对做安全对齐和评测的人是个实在提醒。2600亿token、近5000条事件测试这些数字让结论有分量，不是空对空。整体是扎实的研究发布，不是模型或平台上线，82分合理。
Latent Space 这期把近期几条线索串了起来：AI 的推理（inference）需求正在急剧膨胀。黄仁勋在 GTC 上说，过去两年单次任务的算力消耗涨了约 1 万倍，总用量涨了约 100 倍，他管这叫“推理拐点”。英特尔 CEO 在财报会上给了更具体的数字，CPU 需求在涨，不是因为训练，而是因为代码智能体、强化学习环境模拟这些推理侧的工作全压...
推荐理由：这是一篇 Latent Space 的新闻汇总和趋势判断，不是模型发布或重大产品更新。它把黄仁勋的预测和 CPU 沙箱、智能体调度这些实际工作负载拆解放在一起，对从业者有参考价值，但信息密度和独家性不如一手发布。我会先打个折，放在 featured 里偏评论解读的位置。
这个模型用了 MLA 和线性注意力，还加了一个叫“上下文过程冗余抑制”的技术，目的是降低思维链推理时的计算开销。帖子提到了 AIME26 和 SWE-bench Verified 两个基准，但正文没披露具体分数，所以实际表现还不清楚。另外，Reddit 原帖被网络屏蔽了，目前只能看到标题和简介，更多细节得去 Hugging Face 模型页翻。
推荐理由：我会先打个折：正文只提了覆盖 AIME26、SWE-bench Verified 等基准，但没给具体分数，所以模型到底多强现在说不准。能上 featured 是因为万亿参数开源本身就有信号意义，加上 MLA+Linear Attention 和 CPRS 这两个技术点，对做推理优化的人有参考价值。没给分这件事让它到不了 P1，但架构信息和开源动作足够让圈内人留意。