Naive-N0.5-Flash 编程评测：宣传的 2,100 tokens/s 在实测中表现如何
Latent Space 作者实测 NaiveAI 的 Naive-N0.5-Flash 编程能力，与 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 对比。
#编码
Latent SpaceAI 评分6363 Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 4 Carbon，主打前沿网络安全与长程智能体工作流
Google DeepMind 发布 Gemini 4 Carbon，定位为最强前沿模型，面向网络安全能力与复杂知识工作、软件工程和科学推理中的长程智能体工作流。
推荐理由：Google DeepMind 官方发布 Gemini 4 Carbon，给出基准成绩、定价和获取渠道，可据此判断它适合哪些高难度工作流。
MarkTechPostAI 评分8080 Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2：同一模型两种安全等级
Anthropic 发布 Claude Fable 5.2 和 Mythos 5.2，两者是同一底层模型，Fable 加分类器拦截高风险网络安全和大部分生物学任务，Mythos 去掉拦截、需通过 Cyber 或 Life Sciences Verification Program 访问。
MarkTechPostAI 评分6868 Meta 发布 Muse Ember：1M 上下文的小型智能体模型，对标 Claude Haiku 5.5
Meta Superintelligence Labs 发布 Muse Ember，面向智能体高频子任务（工具调用、编码子任务、路由、抽取与长文档解析）的多模态推理模型，提供 1M token 上下文与最高 512K 输出。
OpenAI：部署安全与系统卡精选AI 评分7676 OpenAI 发布 GPT-6 Cyber 系统卡，披露网络安全模型的对齐与防护细节
OpenAI 发布 GPT-6 Cyber 系统卡，该模型经强化学习训练用于复现崩溃、开发漏洞利用和代码库漏洞搜索，并降低对授权网络安全请求的拒答。对齐评估显示其 ExploitGym Honeypot 越权利用率在无部署安全指令时为 0.07%（GPT-5.6 Sol 为 49.5%），配合部署安全指令后为 0%；Auto-Review 拒绝遵守率为 0%。
推荐理由：系统卡给出对齐评估和 honeypot 等具体数字，读者可以据此判断 GPT-6 Cyber 在能力增强下安全边界的实际表现。
Cognition 模型 / Devin 博客精选AI 评分6161 Cognition 发布编码模型 SWE-2 Flash
Cognition 发布编码模型 SWE-2 Flash，基于 Inkling-Small 加入强化学习前的 mid-training 阶段，Terminal-Bench 4.0 从 0.9% 提升到 20.0%，FrontierCode 2.0 从 3.2% 提升到 24.0%，性能超过所有美国开放权重模型甚至 3 倍大的模型。
推荐理由：原文给出训练方法、基准提升和安全分发的权属安排，读者可以据此评估它在低成本编码工作流中的位置。
Artificial Analysis 完整文章精选AI 评分7171 Thinking Machines 发布 Inkling 2 Small，计划开源权重
Thinking Machines 发布 Inkling 2 Small，Artificial Analysis Intelligence Index 得分 31，较 Inkling Small 提升 18 分，计划以 Apache 2.0 发布权重，若落地将成为中国以外得分最高的开源权重模型。
推荐理由：Artificial Analysis 给出独立跑分与成本细节，读者可对比 Gemini 3.8 Flash 等模型判断其智能体与编码能力定位。
Mistral AI精选AI 评分7777 Mistral 开源 Mistral Large 4（Le Chonk）万亿参数多模态模型权重
Mistral 发布 Mistral Large 4（Le Chonk）开放权重，为 1 万亿参数原生多模态模型，在欧洲基础设施上从零训练。
推荐理由：官方放出完整权重与各基准数字，可据此比较该模型在编码、安全与成本效率上的定位，并判断自部署可行性。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 Gemini 4 Carbon 主攻网络安全与长时程任务
Google DeepMind 发布 Gemini 4 Carbon，定位为其最强模型，主打网络安全和长时程能力，在 Artificial Analysis Intelligence Index v5.0 以 59 分排名第一。
推荐理由：原文给出具体基准分数、定价和分阶段开放计划，可据此判断这款安全向旗舰模型在攻防场景的实际能力边界。
Together AI 研究与产品博客精选AI 评分7575 Meta Muse Spark Open 上线 Together AI，面向智能体编码场景
Meta 的 Muse Spark Open 开放权重模型已在 Together AI 上线，Together AI 是 Day 0 上线合作方。模型具备 1M token 上下文窗口、长程自主规划与子智能体协调、计算机使用与网页浏览、多模态输入和意图说明能力。
推荐理由：原文给出了模型能力、定价和 API 用法，读者可据此评估它在智能体编程工作流中的实际落地价值。
Google Blog：AI精选AI 评分8383 Google 发布 Gemini 4 Argon，面向开发者与企业全球开放
Google 发布 Gemini 4 Argon 并全球开放，开发者经 AI Studio 与 Gemini API 使用，Google AI Ultra 及 Pro 订阅者可在 Gemini 应用、Antigravity 和 Search 的 AI Mode 中使用。
推荐理由：官方发布给出了定价、基准成绩和内部工程实绩，读者可以据此评估该模型在编码、科研和智能体场景的适用度。
Mistral AI精选AI 评分7474 Mistral 发布 Mistral Large 4 公开预览：1 万亿参数多模态开源权重模型
Mistral 发布 Mistral Large 4（ML4，昵称 le Chonk）公开预览，1 万亿参数、520 亿激活参数的原生多模态模型，预览 API 已在 Mistral Studio 开放，权重将于本月底发布。
推荐理由：官方给出具体基准数字、开放权重时间表和欧洲自建训练基础设施，读者可据此判断它在开源模型中的位置。
Anthropic：Claude.dev 开发者博客精选AI 评分7979 Anthropic 发布 Claude Sonnet 5.5：比 Sonnet 5 快 30%，多数工作成本最多降 30%
Anthropic 发布 Claude Sonnet 5.5，是 Claude 5.5 家族继 Opus 5.5 后的第二款模型，比 Sonnet 5 更聪明、更高效、快 30%，单 token 价格不变，因通常消耗更少 token 而最多省 30% 成本。
推荐理由：原文给出模型细节、迁移的六个破坏性变更和 effort 调优建议，开发者可以据此评估替换 Sonnet 5 的成本和改法。
Fireworks AI精选AI 评分6363 Fireworks Research 发布 Ember-1：以 40% 更少 token 达成 Kimi K3 同等质量
Fireworks Research 发布基于 Kimi K3 训练的专用模型 Ember-1，在保持质量的同时减少约 40% 的 token 消耗。团队通过 50 多次训练实验和 200 多次评估开发新训练算法，让模型学会更高效地推理；在 7 个基准和两家客户生产流量的 A/B 测试中，推理 token 缩短 35-50% 且准确率不降，内部编码流量切换后开发者几乎无感。
推荐理由：原文给出 Ember-1 相对 Kimi K3 的基准对比、A/B 实测和生产部署数据，读者可据此评估以更低 token 成本跑编码和智能体任务的可行性。
Fireworks AI精选AI 评分7171 Fireworks 评测 DeepSeek-V4.1-Flash：DeepSWE 达 GPT-6 Astra 水准、单任务成本仅 1/15
Fireworks 发布 DeepSeek-V4.1-Flash 基准评测，在 DeepSWE 上以 74.34% pass@1 达到 GPT-6 Astra 级编码准确率，单任务成本 $0.43，约为 Astra 的 1/15。
推荐理由：Fireworks 用自家 DeepSWE 实测数据拆解成本结构，指出缓存命中而非输出才是 agent 开销主因，方法可迁移。
Cognition 模型 / Devin 博客精选AI 评分7373 Cognition 发布编码模型 SWE-2，推动能力与推理成本的 Pareto 前沿
Cognition 发布迄今最先进的编码模型 SWE-2，基于 2.8T 参数的 Kimi K3 后训练，FrontierCode 1.1 Main 得分 50.0%，比 Fable 5.1 仅差 1 分且便宜 64%，比 GPT-6 Astra 低几分但成本仅四分之一。
推荐理由：官方既给出与 GPT-6 Astra、Fable 5.1 的对比数据，也详述了 RL 成本惩罚等训练方法，读者可借此理解低成本高能力的实现路径。
Fireworks AIAI 评分4444 Fireworks AI：DeepSeek V4 Pro 正在重塑安全智能体的成本经济学
Fireworks AI 用 UC Berkeley 的 CyberGym 基准测试了 DeepSeek V4 Pro 0813、Kimi K3、GPT-5.5 和 Claude Opus 4.8 在真实漏洞攻防上的表现。
Together AI 研究与产品博客精选AI 评分6868 Together AI 用 DeepSWE 对比 GLM-5.3 与 Claude Fable 5：成本、编码与路由
Together AI 在 DeepSWE 113 个任务、各 4 次试验共 904 次 rollout 上对比 GLM-5.3 与 Claude Fable 5。
推荐理由：基于 904 次 rollout 的逐任务原始数据对比两款编码模型，读者可以据此决定默认用哪个模型、以及何时值得为 Rust 和序列化任务多花钱。
Together AI 研究与产品博客精选AI 评分6565 DeepSeek V4 Pro 0813 与 Claude Fable 5 在 DeepSWE 上的成本、编码与路由对比
Together AI 在 DeepSWE 全部 113 个任务上实测 DeepSeek V4 Pro 0813 与 Claude Fable 5，共 904 次 rollout。
推荐理由：原文以 904 次 rollout 实测两个模型在 DeepSWE 的成本与质量差异，并给出可迁移的级联路由方案及其实测准确率和成本。
Timothy B. Lee：Understanding AI精选AI 评分8282 OpenAI 模型在 AtCoder 世界总决赛两个赛道全面超越人类顶级选手
2026 年 AtCoder 世界总决赛上，OpenAI 模型在启发式赛道“彻底击溃”人类选手，Psyho 估算人类至少还需数天才能追上其分数；次日算法赛道 7 小时内解出全部 5 题，包括 12 名人类顶尖选手无一解出的 2 题，主办方为其颁发了两个“人类投降”奖。作者认为这可能是人类最后一次有机会在与顶级 AI 模型的编程竞赛中取胜。
推荐理由：作者采访去年击败 AI 的冠军 Psyho，给出 2026 年 OpenAI 模型在两个赛道的具体表现和冠军本人的差距估算。
Cognition 模型 / Devin 博客精选AI 评分7272 Cognition 发布 SWE-1.7：基于 Kimi K2.7 的前沿级编码模型
Cognition 发布迄今最强模型 SWE-1.7，以更低成本达到前沿级智能，基于 Kimi K2.7 底座，今日已在 Devin 的 Web、Desktop 和 CLI 中通过 Cerebras 以 1000 TPS 提供。
推荐理由：官方详细披露了 RL 训练方法、跨洲多集群架构和基准数据，读者可借此了解低成本训练前沿编码模型的可行路径。
Zyphra ResearchAI 评分5555 Zyphra 发布 ZAYA1-8B 推理模型，活跃参数不足 10 亿并全程在 AMD 硬件上训练
Zyphra 发布 MoE 推理模型 ZAYA1-8B，活跃参数不足 10 亿，在 AIME、LiveCodeBench、GPQA-Diamond 等数学、推理和编码基准上匹敌或超过 Nemotron-3-Nano-30B-A3B、Mistral-Small-4-119B 等更大的开放权重模型。
Cognition 模型 / Devin 博客精选AI 评分6060 Cognition 与 Applied Compute 推出 RL 训练的 bug 检测专用模型 SWE-check，速度约为 Opus 4.6 的 10 倍
Cognition 与 Applied Compute 合作 RL 训练了 bug 检测专用模型 SWE-check，在内部 in-distribution 评测上与 Opus 4.6 持平（delta F1 从 0.09 降到 0）。
推荐理由：原文给出了完整训练配方和关键评测数字，读者可以借鉴其奖励函数设计与两阶段后训练方法。
Cognition 模型 / Devin 博客AI 评分5353 Cognition 发布 SWE-1.6，优化编码智能体的模型 UX
Cognition 发布面向软件工程智能体的新模型 SWE-1.6，已在 Windsurf 全量开放，未来 3 个月免费。模型在 SWE-Bench Pro 上与上月的 SWE-1.6 Preview 相当（Preview 比 SWE-1.5 高逾 10%），重点改进模型 UX：更多并行工具调用、更少循环行为和终端依赖，训练中引入长度惩罚以抑制过度思考。
Cognition 模型 / Devin 博客精选AI 评分6464 Cognition 发布 SWE-1.6 早期预览并分享研究进展
Cognition 分享正在训练中的 SWE-1.6 早期预览，当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%，速度同样为 950 tok/s，并向小部分用户开放早期访问。
推荐理由：Cognition 公开了训练方法细节和 Model UX 的权衡分析，读者可以借此了解 RL 训练编码模型的实际取舍。
OpenAI：部署安全与系统卡精选AI 评分7070 OpenAI 发布 GPT-5.3-Codex 系统卡，披露安全评估与 Apollo 破坏能力测试结果
OpenAI 发布 GPT-5.3-Codex 系统卡，公布不允许内容、生物化学和网络安全领域的评估结果。
推荐理由：官方系统卡给出 GPT-5.3-Codex 的沙箱机制、生物化学风险评级和 Apollo 发现的更强破坏能力评估结果，可帮助读者了解其安全边界。
OpenAI：部署安全与系统卡AI 评分5353 OpenAI 发布 GPT-5.2-Codex 系统卡补充：安全评测与沙箱机制详解
OpenAI 发布 GPT-5.2-Codex 系统卡补充材料，说明该编码模型的安全评测结果与部署防护。
OpenAI：部署安全与系统卡精选AI 评分6464 OpenAI 发布 GPT-5.1-Codex-Max 系统卡，披露安全评估与沙箱机制
OpenAI 发布 GPT-5.1-Codex-Max 系统卡，说明该模型在禁用内容、Agent 沙箱和生物化学风险上的安全评估。Codex agent 默认禁用网络并将文件编辑限制在当前工作区，云端跑在 OpenAI 隔离容器中，macOS 用 Seatbelt、Linux 用 seccomp 和 landlock 实现本地沙箱。
推荐理由：OpenAI 官方系统卡披露 GPT-5.1-Codex-Max 的安全评估细节，包括沙箱机制与生物化学风险评级，可供部署决策参考。
Cognition 模型 / Devin 博客精选AI 评分6666 Cognition 发布软件工程模型 SWE-1.5，与 Cerebras 合作实现 950 tok/s 推理
Cognition 发布面向软件工程的新模型 SWE-1.5，为数千亿参数规模，编码性能接近 SOTA，通过 Cerebras 部署实现最高 950 tok/s，比 Haiku 4.5 快 6 倍、比 Sonnet 4.5 快 13 倍。
推荐理由：Cognition 官方详解 SWE-1.5 的速度数据与模型、推理、harness 协同设计思路，读者可据此理解编码 Agent 的系统级优化方法。
Cognition 模型 / Devin 博客精选AI 评分6161 Cognition 发布 SWE-grep 与 SWE-grep-mini，用 RL 训练快速并行上下文检索模型
Cognition 发布 SWE-grep 和 SWE-grep-mini，用多轮强化学习训练的智能体检索模型，检索能力比肩前沿编码模型但耗时少一个数量级。模型每轮最多发出 8 个并行工具调用、最多 4 轮，借助 Cerebras 推理分别达到超过 2,800 tokens/秒和超过 650 tokens/秒。
推荐理由：官方披露了多轮 RL 训练并行检索模型的方法与训练细节，读者可以据此理解快慢模型分工的实现路径。