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。
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。
Together AI 发布 Kimi K3 开发者指南，讲解如何在自家 API 上使用月之暗面 2.8 万亿参数的开源模型 K3，该模型支持 1M 上下文。
推荐理由：Together AI 直接服务该模型，指南给出推理档位、缓存和动态工具加载等实操要点，可帮助开发者控制 1M 上下文下的使用成本。
Conductor 发布 0.78.0，推出 Conductor Cloud：云工作区运行在隔离 microVM 上，关闭电脑后智能体仍持续工作，可从桌面应用或 API 打开，并支持分享链接、多人实时协作。
推荐理由：官方更新日志列出 Cloud 工作区隔离运行、团队实时协作和 Conductor API 的具体用法，读者可以据此判断是否迁移现有工作流。
Anthropic 工程师 Thariq Shihipar 介绍新一代 Claude 5 模型（如 Claude Opus 5、Claude Fable 5）的上下文工程新实践，团队删除了 Claude Code 超过 80% 的系统提示词，且在编码评测中无可测损失。
推荐理由：Anthropic 以 Claude Code 砍掉 80% 系统提示词的实测经验，总结新一代 Claude 模型上下文工程的六组新旧做法转变。
Conductor 发布 0.77.0 版本，为 Pro 用户推出多人协作云和 Conductor API 的 Alpha 测试，后台任务和性能优化面向所有用户开放。API 可编程管理云工作区、向 coding agent 发送提示词并读取回复；本次更新还包含多项性能优化、设置重排和大量错误修复。团队想试用多人协作功能可发送主题为 multiplayer 的邮件申请。
Cognition 宣布与美国能源部签署谅解备忘录，加入被称为“美国 AI 曼哈顿计划”的 Genesis Mission。该任务于 2025 年 11 月由行政命令启动，目标是在十年内让美国科研生产力翻倍。
Cognition 在 FrontierCode 1.1 上对比 Fable 5 与 Opus 4.8 发现，尽管 Fable 5 每 token 单价是 2 倍，配合 sidekick 架构后每轮成本反而更低且得分更高（60.7 vs 54.6，$1.86 vs $2.04）。
推荐理由：原文基于 3000 次评测拆解成本去向，读者可以看到智能体计费为何不能只看单价，以及委托风格如何影响成本与质量。
Cognition 整个平台已获 FedRAMP Class D (High) In-Process 并上架 FedRAMP Marketplace，在联邦环境中工作的工程团队由此可使用自主云端 AI 软件工程师 Devin Cloud，授权范围从 Devin Desktop（原 Windsurf）扩展到全平台。
OpenAI 本周发布首个 ChatGPT 超应用版本，把 ChatGPT、编码和网页浏览合并到单一应用，并新增类似 Anthropic Claude Cowork 的 ChatGPT Work 模式。
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。
Amazon 发布开源工具 Turnstile，一个用 Rust 编写的代理层，在生成时刻记录模型的精确 token ID、逐 token log 概率和 loss mask，解决 harness 转录与实际 token 序列不一致导致的 RL 训练信号退化问题。
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。
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 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。
Cognition 发布 Devin Security Swarm，可在代码库中发现漏洞、在运行时验证可利用性并提交修复 PR。多智能体并行排查业务逻辑缺陷和链式攻击路径，在 50 个真实漏洞基准上召回 72%、单次成本 $90.23，高于 Claude Security（68%）和 Codex Security（48%），并发现其他工具遗漏的三个严重漏洞。
Factory 发布 Droid Shield 2.0，在确定性扫描器两侧各部署一个微调模型：risk 模型在扫描器未命中时对疑似密钥行做召回优先告警，downgrade 模型在扫描器命中后基于脱敏上下文判断是否误报。
Cognition 发布 Devin Fusion 预览，一个混合模型 harness，在 FrontierCode 1.1 Extended 基准上以更低成本保持接近 Fable 5 和 Opus 5 的编码性能。
推荐理由：官方公开了 sidekick 双智能体和动态路由的实现思路与成本数据，工程师可借鉴这套混合模型调度方法。
Figma 宣布设计 Agent 在开放 beta 中向更多用户开放，支持用提示词生成可复用的插件和基于 WebGPU 的 shader effects 与 shader fills，并集中在新 Tools 标签页。
推荐理由：官方公布设计 Agent 开放测试范围与新增能力，读者可据此评估自定义工具和上下文接入对现有设计工作流的影响。
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。
Transluce 发布 Analysis Plans，一个用于可验证分析 AI 智能体行为的框架，以 Python API 编写，任何 coding agent 都能调用，并通过网页界面让人审查每一步。
Narayanan 撰文用数据反驳 AI 达到阈值将引发大规模裁员的叙事。Block 4000 人、Snap 约 1000 人、Intuit 3000 人裁员事后均显示另有财务或股东压力等主因；纽约 WARN 披露首个年度 160 余家公司无一勾选 AI 选项，仅约 0.2% 被裁员工与 AI 相关。
Factory 在 Droid 中推出自动化安全审查，对每个非 draft PR 在标准代码审查之外运行基于 STRIDE 的安全审查。发现以行内评论形式标注严重程度、CWE 引用、解释和修复建议，覆盖 OWASP Top 10 与 OWASP LLM Top 10。
Ethan Mollick 据早期访问体验称，首个 Mythos 级公开模型 Claude 5 Fable 在几乎所有任务上明显超越他此前用过的公开模型，可连续工作最多十几个小时执行多页规格。
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。
Ethan Mollick 宣布新书 Co-Existence 将于 10 月 20 日出版，聚焦如何与“有时强于你、有时弱于你”的 AI 共事。他指出 2025 年底出现的 coding agents 已改变工作方式：有研究称代码量增加十七倍，Anthropic 报告其 80% 代码由 AI 编写、每个开发者交付量提升 8x。
Cognition 面向企业客户推出 AI Productivity Guarantee，若 Devin 带来的工程价值低于付费额，Cognition 将补贴其用量，额度最高 1000 万美元。
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。
Anthropic Claude Code 团队成员 Thariq Shihipar 撰文分享内部数百个 skills 的使用经验，将其归纳为库参考、产品验证、数据取数等九个类别，其中验证类 skills 对输出质量的提升最为可测。
推荐理由：Anthropic 团队基于数百个内部在用 skills 的实践，归纳出九类划分和撰写技巧，读者可以对照改进自己的 skills 设计。
Anthropic Claude Code 团队成员撰写文章，讲解上周发布的 Claude Code 动态工作流：Claude 可即时编写针对任务定制的 harness，通过 agent()、parallel()、pipeline() 组合子智能体。
推荐理由：Anthropic 员工结合一手使用经验讲解动态工作流的原理与模式，并给出适用边界和 token 开销等实操建议。
Cognition 官方宣布发布 Devin Desktop，定位为 Windsurf 的下一代产品。
推荐理由：官方发布说明了 Devin Desktop 的能力构成和 ACP 开放设计，读者可以据此判断它对现有编码工作流的影响。
Cognition 工程师复盘 Devin 在云端虚拟机中自主测试代码变更的做法。Devin 进入测试模式会先写出基于源码的测试计划，再用截图、点击等 computer use 工具运行应用并验证改动，将登录等重复流程沉淀为仓库中的确定性测试技能，最后返回带标注截图、章节和通过/失败断言的测试报告与视频。
推荐理由：Cognition 工程师复盘 Devin 自主测试的构建经验，给出测试计划、测试技能和回放产物等可直接借鉴的工程做法。
Cognition 宣布融资超 $1B，估值 $26B，由 Lux Capital、General Catalyst 和 8VC 领投。Devin 上线两年，企业用量今年以来增长超 10 倍，run-rate 收入达 $492M。
推荐理由：官方公告提供了融资金额、估值、收入与客户案例等一手数据，可了解 Devin 的商业化进展和智能体定位。
Anthropic Claude Code 团队成员 Thariq Shihipar 撰文介绍用 HTML 替代 Markdown 作为 Claude Code 输出格式的实践。他认为 HTML 在信息密度、可读性、分享便利和双向交互上优于 Markdown，并给出规格探索、代码审查、设计原型、报告和临时编辑界面五类用例及示例提示词，相关模板已发布在 GitHub。
推荐理由：Claude Code 团队成员分享用 HTML 替代 Markdown 作为输出格式的实践，给出五类用例和可直接套用的示例提示词。
Cognition 为 Devin 推出 Auto-Triage 功能，可监控 Slack、Linear、GitHub、Sentry、Datadog 和 webhook 等来源的告警与事件，自动排查、关联重复问题、标记负责人，必要时直接开 PR。
推荐理由：官方介绍了 Auto-Triage 的具体工作机制与 Modal 使用案例，读者可据此评估它能否承接团队的告警排查流程。
Cognition 宣布 Devin 新增支持 Android Virtual Device（AVD），可自主开发 Android 应用。此前 Devin 只能处理 Android 代码，无法在本地 Android 环境中运行和测试应用；现在它可以在自己的机器上构建并运行应用，打开应用、检查行为、复现问题并验证改动。该功能现已对使用 Devin 的团队开放。
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。
Cognition 总结过去一年将 Devin 部署到 RV Tech、Mercedes 等车企 HIL/SIL 工作流的经验。
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。
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。