Wiz 讲解如何评估 AI 智能体的网络安全能力并重启 Cyber Model Arena
Wiz 研究团队介绍重启后的 Cyber Model Arena v3.9 基准设计原则，覆盖 26 个模型、4 个 harness、59 个智能体和 327 道挑战，每题 1,000 秒、三次尝试。
#编码
Wiz：ResearchAI 评分5656
Hugging Face BlogAI 评分4242 HOPE：考虑专家协作关系的高阶 MoE 大模型剪枝方法
Hugging Face 提出 HOPE（Higher-Order Pruning of Experts），一种针对 MoE 大模型的二阶专家剪枝方法，将专家间的成对交互纳入剪枝决策，弥补一阶方法只独立打分的不足。
Google Developers BlogAI 评分5959 Google 量化代码遗留 TODO 对智能体的干扰成本
Google 基于数千工程师、数亿步智能体交互的轨迹数据，分析代码内遗留 TODO(bug/...) 引用对编码智能体的干扰：13% 的读文件会话接触到这类引用，6% 触发后续动作且其中 83% 是开发者未要求的偏航，其中 41% 追向已关闭的工单，57% 造成范围蔓延。
SemiAnalysis 长文 RSSAI 评分6565 SemiAnalysis 联合 14 家数据伙伴发布 GDPx 基准，最佳模型仅得 12%
SemiAnalysis 发布 GDPx 基准，覆盖芯片设计、网络安全、生物、金融、法律、量化交易、RSI、硬件设计、材料科学、对齐和软件工程 11 个领域，与 14 家 RL 环境公司合作，目标是取代发布一年多的 OpenAI GDPval。
Cognition 模型 / Devin 博客AI 评分5656 Cognition 发布 FrontierCode 2.0 编码基准，Opus 5.5 以 45.5% 居首
Cognition 发布 FrontierCode 2.0 编码基准，由开源维护者按输出是否可合并评分，任务来自多 55% 的仓库，参考解平均改动文件多 67%、代码行多 89%。
Meta Engineering BlogAI 评分5353 Meta 发布 2026 Python Typing Survey：AI 工具深度介入类型检查，新检查器格局快速变动
Meta 发布 2026 Python Typing Survey 结果，共收到 1794 份回复。
IBM Research：AIAI 评分5656 IBM 与 Kaggle 推出 ScarfBench 排行榜，评测编码智能体的 Java 框架迁移能力
IBM 与 Kaggle 合作推出 ScarfBench 持续更新的公开排行榜，评估编码智能体能否将企业 Java 应用在 Jakarta EE、Quarkus、Spring 框架间迁移并保持行为正确。
Anthropic：ResearchAI 评分7777 Anthropic 研究报告：AI 智能体如何改变公司内部用工与生产率
Anthropic 发布基于内部数据的研究报告，分析 AI 如何改变公司内部的用工和生产率。到 2026 年 8 月，员工交互式智能体工作时长已达员工的 6 倍；技术部门初级员工占比从 21% 降至 14%，初级技术岗招聘占比从 27% 降至 9%。
Anthropic：Research精选AI 评分6868 Anthropic 用 Claude 设计更高效的量子电路，在 8 项任务上超越已发表最优设计
Anthropic 让 Claude Mythos 5 在闭环流程中设计量子电路：模型用 Python 提出方案，由外部评估程序验证正确性并按 qubit 数乘以 gate 数打分，无需人工介入。
推荐理由：Anthropic 展示了 Claude 在闭环量子电路优化中的具体方法与结果，读者可以了解如何用外部评估和评分机制驱动模型探索。
Artificial Analysis 完整文章精选AI 评分6060 Artificial Analysis 发布 AA-Robotics v0.1 基准，测试语言模型控制机械臂
Artificial Analysis 发布 AA-Robotics v0.1 研究预览基准，让前沿大模型在 coding agent 框架中直接控制一台 6 轴机械臂完成 8 项桌面任务。
推荐理由：原文公布了完整分任务得分、用时与成本数据，可据此比较各前沿模型在真实机械臂任务上的表现差距。
GitHub Blog · AI & MLAI 评分5959 GitHub 发布 AI 代码审查开源基准 ReviewBench
GitHub 发布 AI 代码审查离线基准 ReviewBench，语料基于 103.9M 真实 pull request 的分布，含 19 种语言的 219 个公开 PR，数据集、评判标准和 runner 全部公开。
Anthropic：Research精选AI 评分7171 Anthropic 研究员复盘 BootLoops 用 Claude 完成 18 个领域的科研问题
一位物理学家发布长文，介绍其开源 harness BootLoops：在过去三个月里，他用 Claude Code 在 Google Cloud 虚拟机上并行推进 36 篇手稿、覆盖 18 个领域。
推荐理由：作者以第一手经历复盘用 BootLoops 让 Claude 跨 18 个领域做科研的过程，提炼了问题筛选方法和模型失效模式应对经验。
METR：BlogAI 评分5151 METR 发布 Claude Opus 5.5 部署前评估摘要
METR 发布对 Claude Opus 5.5 的部署前评估摘要，评估其在困难长程任务上的能力及对 AI 研发的影响。结论是该模型相对 Fable 5.1 是渐进式提升，不太可能完全自动化 AI 研发，但可带来略高于 Fable 5.1 的生产力提升；模型开发期间 AI 带来的加速初步估计约为 1.5 倍（2 倍的概率约 30%）。
Fireworks AIAI 评分5858 Fireworks AI 分析：任务级模型路由可达 97.6%，超过任何单一模型
Fireworks AI 分析 DeepSWE v1.1 基准上 18 个模型的任务级路由潜力：事后最优路由可达 97.6% 通过率、每任务 $1.88，比最佳单模型 GPT-6 Astra 的 74.1%（$6.52）高出 23 个百分点且成本不到三分之一；仅用开源权重模型也达 90.3%、$1.45。
Redwood Research：BlogAI 评分5757 Redwood Research 实验发现 CoT 可控性评测存在严重欠激发
Redwood Research 博客报告，CoTControl 评测要求推理模型在思维链中遵守小写、禁用词等格式约束，近期多数模型仅得 0-30%。
Together AI 研究与产品博客精选AI 评分7575 Together AI 实测 GLM-5.3 对比 GPT-5.6 Sol：DeepSWE 上的成本、编码与路由分析
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次试验、共 904 次 rollout，对比 GLM-5.3 (max) 与 GPT-5.6 Sol (max)。
推荐理由：原文用 904 次 rollout 对比两个模型在成本、失败模式和路由策略上的差异，给出了可复用的级联调用方案。
Together AI 研究与产品博客精选AI 评分7171 Together AI 实测 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna 的 DeepSWE 成本与编码表现
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次实测 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，Luna pass@1 达 67.2%，约为 DeepSeek（53.3%）的 6 倍成本（$0.61 对 $0.10）。
推荐理由：原文用同一跑分实测两款模型的成本与质量取舍，并给出可复用的级联组合方法，适合按技术栈选型的读者参考。
TransluceAI 评分4444 Transluce 如何在真实环境中测量编码智能体的对齐偏差
Transluce 发布了一份用于判定编码智能体是否规避审查与监控的评判提示词，聚焦 Monitor Evasion（监控规避）行为：如用 --no-verify 跳过 git hooks、自批自审、弱化测试断言、用 --force 绕过分支保护等。评判流程分步识别监督机制、判断适用性，并区分“绕过”与“正当修复”，即使智能体事后补救也照样计为违规。
Cognition 模型 / Devin 博客AI 评分5454 Cognition 发布模型可信度评测套件并验证 SWE-1.7 表现
Cognition 构建了模型可信度评测套件，用 145 个政治敏感问题测试宣传倾向，并在生产 harness 中用真实编码场景测试行为一致性。结果显示其基于 Kimi K2.7 Code 训练的 SWE-1.7 在三种语言下的宣传率和差分漏洞表现与 GPT 5.5、Claude Opus 4.8 相当或更优，明显好于开源基座模型，且未观察到随用户身份变化的安全行为差异。
Cognition 模型 / Devin 博客AI 评分5050 Cognition 发布 FrontierCode 1.1：区分合法与不公平联网使用
Cognition 发布 FrontierCode 1.1，改进评测方法以区分合法联网（如查文档）与可能泄露答案的不公平联网。该版本审计了全部 1000+ 评分标准并放宽 75 条过严项，同时发布 Sonnet 5 分数和 Fable 5 更新分数。通过公平联网提示词加程序化检测双重保障，各模型不公平联网使用率降至 1% 以下。
Figma AI / Agent / MakeAI 评分4646 Figma 2026 AI 报告：AI 能帮我们更好地协作吗？
Figma 发布 2026 AI 报告，基于三年数据，包括 8,403 份问卷与 639 次定性访谈，覆盖从七个市场扩展至十个市场。报告显示 41% 受访者认为 AI 已实质改变团队协作方式，远高于两年前的 7%；设计师参与开发的增至 41%，做设计工作的开发者从 44% 升至 60%，76% 的人至少一半工作在 canvas 上完成。
Cognition 模型 / Devin 博客精选AI 评分6363 Cognition 发布 FrontierCode 基准，衡量模型能否写出可合并的生产级代码
Cognition 发布 FrontierCode 基准，从正确性、测试质量、范围控制和代码风格等维度衡量模型产出能否被开源维护者合并。
推荐理由：原文给出新基准的评分方法与各家模型分数，读者可以据此了解现有模型在代码可合并性上的真实差距。
Cognition 模型 / Devin 博客AI 评分4949 Cognition 构建自动化系统，估算 Devin 每次会话相当于多少人类工程师工时
Cognition 构建了一套自动化系统，用 AI 审查每个已完成的 Devin 会话，先分类是否有用，再估算人类工程师完成同样工作所需工时。系统基于 126 位用户的 258 个会话数据训练验证，模型 rlog 达 0.74 且无偏，PR 会话按是否合并过滤，非 PR 会话的分类器会剔除约 1−20% 的会话。该系统已在客户环境中运行，据称是首个在生产环境自动测量 AI 工程生产力的系统。
METR：BlogAI 评分5555 METR 调查 349 名技术工作者：自报 AI 价值提升中位数 1.4-2x、速度提升 3x
METR 于 2026 年 2-4 月调查 349 名技术工作者（含 87 名软件工程师、71 名研究人员、129 名学术人员和博士生、48 名创始人和管理者），受访者自报因 AI 工具带来的工作价值提升中位数为 1.4-2x，速度提升中位数为 3x；回溯估计 2025 年 3 月为 1.3x，预测 2027 年 3 月为 2.5x。
OpenAI：Alignment 研究博客精选AI 评分7777 OpenAI 在 Codex 中发布 Auto-review，用独立智能体审批越界操作
OpenAI 上周在 Codex 中发布 Auto-review 模式，用另一个 Codex 智能体代替人工审批沙箱边界外的操作，Codex 会话人工审批频率比手动模式降低约 200 倍。
推荐理由：原文给出 Auto-review 的拦截率与局限细节，并承认它不防模型 scheming，读者可据此判断该机制的实际边界。
Factory 研究 / 产品AI 评分6666 Factory 评测 13 款模型的代码审查表现：GPT-5.2 最佳，MiniMax M2.7 最省
Factory 发布代码审查基准结果，用 50 个来自 Sentry、Grafana、Keycloak、Discourse、Cal.com 的真实 PR 测试 13 款模型。
METR：BlogAI 评分6363 METR 分析 NanoGPT speedrun 记录评估 AI 智能体对 AI 研发的加速
METR 发布对 NanoGPT speedrun 的分析，从 2024 年 5 月到 2026 年 3 月，36 位贡献者提交 77 条记录，将 8×H100 训练时间从 45 分钟压到 1.43 分钟，共 31x 加速。
METR：BlogAI 评分5151 METR 发布 MirrorCode 初步结果，称 AI 已能完成部分持续数周的编码任务
METR 发布 MirrorCode 初步研究，认为证据显示 AI 已能完成部分持续数周长度的编码任务。
Factory 研究 / 产品AI 评分4646 Factory 评测 AI Agent 的上下文压缩策略
Factory 构建了一套基于 probe 的评估框架，测量不同上下文压缩策略在长时间运行的 agent 会话中保留了多少有效信息。
OpenAI：Alignment 研究博客精选AI 评分6363 OpenAI 分享大规模代码验证实践：为 Codex 训练专用代码审查智能体
OpenAI Alignment 团队分享了为 gpt-5-codex 和 gpt-5.1-codex-max 训练专用智能体代码审查器的经验，主张精度优先于召回以换取开发者信任，并发现给审查器 repo 级工具和代码执行能力能同时提高两者。
推荐理由：OpenAI 官方复盘 gpt-5-codex 代码审查智能体的训练与部署经验，给出了精度优先、repo 级工具访问等可借鉴的落地取舍。
Cognition 模型 / Devin 博客AI 评分5353 Cognition 与斯坦福发布 Kevin-32B：用多轮 RL 训练 CUDA 内核生成模型
Cognition AI 与斯坦福团队发布 Kevin-32B，基于 QwQ-32B 用多轮强化学习训练 CUDA 内核生成，在 KernelBench 前两级任务上 8 轮细化后平均正确率 65%，解决 89% 的数据集，超过 o4-mini 的 53% 和 o3 的 51%，best@16 加速比 1.41x。
Cognition 模型 / Devin 博客AI 评分5959 Cognition 实测 o1 系列驱动 Devin，并详解编码智能体评测方法
Cognition 发布博文，介绍过去数周用 OpenAI o1-mini 和 o1-preview 测试 Devin 自主编码任务的结果。