Cantina 开源安全研究模型 apex-flash-1 在 60 项漏洞任务中解决 40 项
Cantina Security 与 Yeta Labs 发布了专为漏洞研究训练的开源权重模型 apex-flash-1。该模型基于 GLM-5.3-Flash 微调，拥有 321.3B 总参数，在 60 项保留漏洞任务中解决了 40 项，成本约为 2.38 美元，显著低于 Claude Opus 5 High。
#编码
MarkTechPostAI 评分4949 IT之家精选AI 评分6767 OpenAI GPT-6 Sol Codex 系统提示词泄露，包含近 30 万字内部指令
据爆料者 @elder_plinius 称，OpenAI 的代码模型 GPT-6 Sol Codex 的系统提示词已泄露，包含约 29.4 万字符的完整指令和工具定义。
推荐理由：原文详细描述了泄露的系统提示词内容，包括反废话训练、自主工作流和工具链，为理解工业级代码智能体的设计提供了具体参考。
Apple · 机器学习研究AI 评分5151 Apple 提出 RLTL;DR：通过内化自生成反馈实现自我改进
Apple 研究人员提出 RLTL;DR 方法，让模型在任务失败后生成 TL;DR 洞察作为自我反馈，并在后续尝试中利用这些洞察，最终内化出从任务到洞察的直接映射。
Apple · 机器学习研究AI 评分4545 强智能体在自主机器学习工程中需要多少“缰绳”？
研究发现，在同等时间预算和前沿大语言模型骨干下，复杂的多智能体编排系统相比一个具备读写和bash原语的最小化编码智能体基线，在公开排行榜上并未展现出优势。大规模系统消融实验表明，在编码智能体场景中，复杂的“缰绳”层变得冗余。这表明，围绕强大模型精心设计手工“缰绳”的努力，在当前机器学习工程基准测试中回报甚微。
InfoQ · AI/ML精选AI 评分6666 CodeScene 发布智能体重构 30 万行 C 代码的案例研究
CodeScene 发布了一项案例研究，其中编码智能体在三周内以约 4000 美元的成本，重构了一个 30 万行的 C 语言代码库（《街头霸王 III：三度冲击》）。
推荐理由：原文提供了详细的案例方法、成本数据和行业讨论，读者可以评估智能体大规模重构代码的实际可行性与局限。
Hugging Face · 每日论文AI 评分4343 RLE-Bench：评估编码智能体作为机器人学习工程师的综合性基准
RLE-Bench 发布，用于评估编码智能体在机器人学习工程中的综合能力，涵盖交互控制、策略学习、感知估计和机械设计四类工作流。该基准采用任务特定指标评估智能体生成的策略成功率、构建的工具链和设计的机械结构，整合为 RLE 指数与工作流能力画像。该评测为未来智能体在物理世界中的工程化能力训练提供系统性评估框架。
NVIDIA · 开发者博客AI 评分4040 NVIDIA 如何用 SWE-Serve 揭示本地测试与实时服务之间的差距
NVIDIA 与 SGLang 团队合作开发了 SWE-Serve，用于评估 AI 编码智能体生成的补丁在推理服务软件中的实际表现。该基准包含 53 个任务，旨在检查补丁能否在服务器加载真实模型并处理请求的完整服务路径中正常工作，而不仅是通过本地测试。
Together AI精选AI 评分6565 GLM-5.3 与 GPT-5.6 Sol 在 DeepSWE 上的成本、编码与路由策略对比
Together AI 在 113 项 DeepSWE 任务上对比了 GLM-5.3 (max) 与 GPT-5.6 Sol (max)。GPT-5.6 Sol 在单次尝试准确率（pass@1 72.7% vs 69.0%）、可靠性和速度上保持领先，但每次尝试成本（$8.37）是 GLM-5.3（$3.99）的两倍多。
推荐理由：原文通过详尽的基准测试和成本分析，为开发者提供了在不同编程语言和任务类型下选择或组合使用这两个模型的决策依据。
Together AI精选AI 评分7272 Together AI 评测：DeepSeek V4 Pro 0813 与 Claude Fable 5 在 DeepSWE 上的成本与性能对比
Together AI 在软件工程基准 DeepSWE 上对比了 DeepSeek V4 Pro 0813 与 Claude Fable 5。Claude Fable 5 单次尝试准确率更高（69.7% vs 62.8%），但成本是前者的 90 倍（每次尝试 $21.63 vs $0.24）。
推荐理由：原文通过详细的成本、准确率和任务类型对比，为开发者选择模型提供了具体的决策依据。
The Register · AI/MLAI 评分5050 人类在 AI 编程智能体审批环节漏过三分之一危险请求
一项基于浏览器的游戏测试显示，作为“人在回路”的审批者平均会漏过约三分之一的恶意 AI 编程智能体命令请求。在超过 4 万次游戏运行中，最常见的漏网之鱼是 `npm run analyze` 等看似无害但可能执行任意负载的命令。Anthropic 的数据也表明，用户对 Claude Code 约 93% 的权限提示都予以批准，审批疲劳导致监督松懈。
Replit 博客AI 评分5151 Replit 分享大规模评估与改进 AI 编码智能体的方法论
Replit 分享了其用于大规模评估和改进 Replit Agent 的完整方法论，核心是构建一个从测量到改进的闭环系统。该系统包含三个支柱：用于模拟应用构建任务的离线基准 ViBench、用于观察真实用户影响的在线 A/B 测试，以及用于分析失败模式的追踪聚类系统 Telescope。
Together AI精选AI 评分6262 Together AI 发布多 GPU 内核生成基准 ParallelKernelBench，前沿模型表现不佳
Together AI 发布多 GPU 内核生成基准 ParallelKernelBench，用于评估大模型编写跨 GPU 通信 CUDA 内核的能力。在 87 个真实代码问题中，表现最佳的 GPT-5.5 在单次尝试下仅正确解决 28 个问题，其中仅 22 个快于 PyTorch + NCCL 基线。研究揭示了模型在协调 GPU 间通信、数据分区和选择最优传输机制方面存在根本性困难。
Together AI精选AI 评分5757 Together AI 评测：Kimi K2.7 Code 与 Claude Fable 5 生成落地页的成本与质量对比
Together AI 对比了 Kimi K2.7 Code 与 Claude Fable 5 生成 12 个落地页的成本和质量。实验显示，Kimi K2.7 Code 的平均成本比 Fable 5 低约 94%，在结合定制设计灵感 MCP 服务器后，其输出质量与 Fable 5 相近。所有生成的页面、成本细目和 GPT-5.5 的评分结果都发布在 OVSC 网站上。
推荐理由：原文通过具体实验和成本对比，展示了开源模型在特定工作流中结合定制化工具的实际效益。
Together AIAI 评分4242 Together AI 发布大规模推理基准测试：聚焦编码智能体性能
Together AI 推出首个针对高并发编码智能体工作负载的推理基准测试，模拟 45k 至 200k token 的长上下文输入和平均 450 token 的生成任务。