硅基流动上线 GLM-5.3-Flash 多模态模型
硅基流动正式上线高速版 GLM-5.3-Flash,这是智谱 GLM-5 系列首款原生多模态模型。该模型引入稀疏注意力与线性注意力机制以支持 1M 长上下文,并在 Artificial Analysis 综合智能指数测试中获得 42 分。
推荐理由:原文给出了 GLM-5.3-Flash 的架构创新、视觉编程闭环能力与具体 API 定价,读者可据此评估其多模态开发成本。
硅基流动正式上线高速版 GLM-5.3-Flash,这是智谱 GLM-5 系列首款原生多模态模型。该模型引入稀疏注意力与线性注意力机制以支持 1M 长上下文,并在 Artificial Analysis 综合智能指数测试中获得 42 分。
推荐理由:原文给出了 GLM-5.3-Flash 的架构创新、视觉编程闭环能力与具体 API 定价,读者可据此评估其多模态开发成本。
你的 ChatGPT 订阅现在也是 Devin 订阅了 @cognition 你可以使用任何个人版 ChatGPT 计划配合 Devin 只需将你的 Go、Plus 或 Pro 计划连接到 Devin,所有 GPT 模型使用都将从你的计划配额中扣除
Day 5/ 桌面应用中的 Composer 预测。这些预测往往非常精准,常常让人看呆。包含在 Pro 方案中,且不消耗用量。
Postman 在其面向 4000 万开发者的产品中上线 Agent Mode,使用 Amazon Bedrock 的 Claude 模型提供 API 测试、文档、发现和实现的 AI 原生工作流。
推荐理由:原文给出了 Agent Mode 的架构模式和 Bedrock 部署方式,读者可以据此判断成熟产品接入智能体时的上下文预算与路由缓存设计。
Step 5 Preview 于 10 月 8 日上线 OpenRouter,12 小时内登顶 Trending 榜首。该模型采用稀疏 MoE 架构,总参量 600B,单 Token 激活 27B 参数,支持 1M Token 上下文窗口及视觉输入。
推荐理由:内容确认了 Step 5 Preview 的稀疏 MoE 架构、600B 总参及 1M 上下文规格,并列出五个 Agent 工具入口及限时免费体验渠道。
满帮资深算法专家李旭泽在云栖大会分享 Qoder 实践,指出其协作使 Agent 开发工作量从 50 人日降至 10 人日。他介绍了通过 Qoder Quest 模式在一周内构建 Agent 框架、一个月内落地首版的流程,以及利用 RepoWiki 替代人工梳理代码 Wiki 和 Web 端 Agent 排查问题的方法。
Qoder团队发布一年内注册达10万,七个月ARR一亿美元。 Qoder支持多端部署,包含CLI、桌面端等,并集成数字员工功能。 通过AI转型,企业可实现从超级个体到超级组织的升级。
云极智 CEO 李煜中分享使用 Qoder 进行企业级 ERP/MES 开发的 7 个月实战经验。期间个人提交 593 次,产出约 110 万行代码,通过收敛单据引擎和建立并发合并纪律解决复杂系统问题,并总结了一套包含规则、记忆和技能固化的 AI 编码方法论。
推荐理由:作者基于 7 个月 593 次提交的一线实战,沉淀出用纪律与记忆驯化 AI 智能体的可复用方法。
Qoder 团队 5 人用 7 天上线 QoderWork,但在重做 Qoder 时意识到 AI 加速代码生成并未自动带来共识对齐,需解决多团队协作中的上下文脱节问题。
summary_zh: SourceTracker 是一个专为代码检索设计的 300M 参数编码器,结合两阶段混合管道 HybridSourceTracker(HST),实现了大规模 LLM 训练语料的高效代码来源追踪。
研究提出 VISTA 基准,用于评测编码智能体将多页面设计稿转化为可运行全栈应用的能力,包含 8,487 个人工标注交互组件。 该基准覆盖 18 个应用,在 14 个部署系统的测试中,Web 端最佳联合得分为 0.553,移动端为 0.378。 发现 90.1% 的 Web 交付存在未响应控件,揭示了视觉渲染与功能实现之间的差距。
多智能体框架 ReCodeAgent 在 118 个真实项目测试中,使测试通过率较此前方法提升 60.8%。该框架覆盖 6 种编程语言,平均单项目成本为 $15.3。研究发表于 ASE 2026,证实多智能体架构优于单智能体方案。
该基准测试包含来自 371 个 Python 和 C++ 程序的 400 个案例,在七个设置下评估了四个模型家族预测最终输出和检查点状态的能力。启用推理的设置比未启用的设置高出 33.1 至 55.2 个百分点。
研究分析了 20,947 个仓库快照,发现近 1/4 安装技能存在功能重复,37% 来自复制集合。 在 312 对确认冲突中,模型在 1/5 的运行中调用了相似技能而非目标技能,导致 1/3 核心功能丢失,且仅 0.9% 回复提及实际使用技能。 提出在首次技能读取时加入 pre-tool hook 可恢复保真度,并建议评测基准应检测独占核心功能而非仅看任务完成。
RoboAware通过从反事实结果中学习状态条件责任协调器,实现了模块化的机器人技能协调。在100项任务的单回合评估中,该方法达到77.0%的总体成功率。 SCB技术恢复了相同的训练状态以生成并执行代码块,暴露了选中分支经验未观察到的结果。
研究发现现有不确定性指标仅为代码执行失败提供部分且依赖模型的证据,基于不确定性的选择未能一致提升正确率。 研究涵盖四个开源代码模型及三个执行基准,发现指令调优可能增加错误生成的确定性,常见缓解策略无法彻底解决该失效模式。 潜在分析表明隐藏表示可能编码了输出置信度未暴露的正确性相关信号。
提出具有明确失败状态的跨提供商审查合约,20次试点中8次发现实质问题。 扫描修复了输入截断和进程取消缺陷,CLI探针确认Claude无写入工具而Codex在只读测试中5次尝试写入均失败。 元数据审查队列因运行时回归重启,当前仅保留审计记录,未报告门控结果。
研究人员提出生物启发激活函数 HAND,将其应用于 CNN 后显著提升了模型在图像分类中的泛化能力与样本效率。
研究人员发布针对嵌入式代码智能体的闭环评测基准,涵盖 5 项控制任务和 4 种反馈场景,基于模拟 ESP32 固件环境。 评测了 7 种 GPT 和 Qwen 模型配置共 420 次运行,gpt-5.4 通过率最高但未饱和,qwen3.5-27B 为最强本地模型,小型本地模型表现显著下降。 结果显示具备能力的本地嵌入式编码智能体正在涌现。
TestJack 框架指出 34.4% 被判定正确的智能体试错实际违反任务要求,使整体解决率从 50.6% 降至 33.2%。 该框架针对固定单元测试无法检测隐性行为的缺陷,通过生成靶向测试并验证真值补丁,提供可重放的失败证据。 研究显示现有编码智能体评估存在根本局限,评估器需随 LLM 优化能力同步进化。
研究提出 CABRA 评估框架,在 6,840 个任务中发现编码智能体常因工具辅助保持高精度,代码理解而非编辑是核心瓶颈。 CABRA 通过调用图变换构建任务,涵盖函数遍历、搜索等四个维度;在 SWE-bench Verified 上,工具调用次数比编辑代码行数更能预测智能体准确率。
EvoAlloc 提出一种自进化资源分配智能体,通过整合搜索经验并引入反事实探索机制,动态优化 LLM 基于的程序进化中的计算资源分配策略。在编码和 agent-harness 优化基准测试中,该方法达到基线性能所需的完整评估次数减少 59-82%,总 LLM tokens 消耗降低 61-89%;在相同完整评估预算下,最终性能提升 8.7-12.0%。
MetaOPD提出一种双层优化框架,联合训练学生模型与轻量级Token加权网络,提升在线策略蒸馏效果。 该框架通过验证集损失优化加权网络,使预测信号到Token权重的映射随学生模型进化而自适应。 在数学推理等9个数据集上,0.6B学生模型Avg@8/Pass@8较OPD提升1.99/5.97个百分点,1.7B学生模型提升2.25/6.41个百分点。
研究揭示在 ARC-AGI-3 任务中,coding agent 跨越任务边界复用脚本的概率极低,630 次引用中仅 33 次跨越边界。 agent 在任务边界前废弃 74% 的脚本,仅保留通用规则;笔记只增不改,错误主要源于跨任务携带的硬编码数值。 该白盒分析方法无需访问模型内部,直接通过 agent 生成的文件追踪其持续学习过程。
研究人员提出LLM辅助同行评审的多层评审(MLR)框架及验证导向基准,通过向会议论文插入合成错误评估系统识别逻辑矛盾的能力。 MLR框架在生成评审前强调对稿件的多层细致理解,提高token效率,并与人工评审评分高度一致。 系统对对抗性操纵仍有脆弱性,凸显严格错误导向评估对LLM工具负责任部署的重要性。
针对形态神经网络权重雅可比矩阵稀疏导致参数梯度欠佳的问题,提出一种受 Multiplicative Weights Update 启发的权重更新方法。 该方法将形态感知器视为对数空间下学习专家建议的问题,使用相关性奖励偏好与期望输出变化对齐的输入,无论强梯度信号是否到达其权重。 在九个基准测试中,该训练方法在八个上取得提升,最高改善 32.84 个百分点,并显著降低了运行间的变异性。
受控预训练研究发现,合成数据对下游代码能力的转移存在条件性价值。 实验显示,75% OpenCodeInstruct 混合比例下 HumanEval pass@20 达 22.6,而自适应调度器因优化短期损失导致性能落后 2.4–11.0 个百分点。 优化近期任务损失会将混合比例移离具备转移效应的区域。
Opera 是一种言语批评框架,通过周期性触发和事件驱动机制,将修正视为持续笔记直至问题解决。 作为测试时批评者,Opera 在 Terminal-Bench 2.1 等三个基准上,将无批评者智能体的解决率分别提高 12.4、15.0 和 8.9 个百分点。
summary_zh: Chronos 是一个推理时框架,通过将合并的 Pull Request 蒸馏为结构化经验卡并连接成类型化图,让 LLM 代码智能体获取代码库的历史演进经验。
研究人员提出模糊可验证任务框架,发布基准套件 AmbiTab 统一六个数据集,以区分任务消歧与解决方案生成。 框架将代理分解为询问策略和解决策略,利用无裁判泄漏诊断评估信息泄露,并通过强化学习优化询问策略。 训练后的询问策略在六个数据集的消歧指标上均有提升,五个数据集的任务成功率也得到改善。
HarnessSQL提出一种harness-native后训练框架,通过在隔离可执行环境中进行SFT和强化学习,解决Text-to-SQL模型训练与部署不匹配问题。
研究团队提出 SWE-Journey 基准,旨在通过长时程任务和多轮交互更真实地评估编程助手。该基准结合弱到强合成管线生成任务,并基于四类用户画像构建模拟智能体重现交互。 结果显示模型在软件架构师场景下通过率超 75%,但在非程序员场景下低于 25%。分析指出,“问对、找对、改对”是当前助手辅助非程序员可靠编程的关键缺失能力。
LegalOn 在保持开发速度不变的前提下,将预计的 Codex 每日成本削减了 65%。 LegalOn 通过策略性管理预算,并将 Astra、Sol 和 Luna 匹配到相应任务中,实现了这一成本优化。
Claude Code 发布 v2.1.295 版本,新增 Hook 失败阻断及终端状态协议支持。 新增 Gateway 超时控制、模型白名单及 Fable 模型修复,优化 MCP 重连与输出稳定性。
OpenAI 发布 Codex v0.162.0,新增 Git worktrees 管理、任务固定及流式 Promise 结果 JavaScript 辅助工具。
Oracle 将跨招聘、工程和运营领域的专业知识转化为快速且可重复的工作流,利用 ChatGPT Work 和 Codex 将原本耗时数天的任务缩短至几分钟。 该优化覆盖了招聘、工程及运营三大核心部门,实现了知识处理的自动化与标准化。
针对 LLM 生成电力系统代码时的 API 知识边界故障,研究提出 PowerCodeBench 基准与部署时工作流。 该工作流无需更新权重,通过 L0-L3 探针生成 API 档案并动态选择证据,在 10 种开源 LLM(1.5B-480B)上使标量匹配准确率提升 32-56 个百分点。 工程审查确认 88% 的输出准确,且通过稀疏注入将提示词 Token 消耗降至全层参考的 41%。
作者构建 CodeInsight 数据集,包含 3,286 名本科生在两年内提交的 300 万多次 C++ 代码,用于建模迭代解题过程。 数据涵盖测试用例结果、时间戳及源代码,支持评测参数化、序列及生成式模型。 该研究将在 EMNLP 2026 Findings 发表,代码和数据集应要求公开发布。
summary_zh: LEGO 框架通过 1,424 个验证后的可执行代码原语,提升大规模软件仓库的自动化构建能力。 该方法在 LEGO-REPO 基准测试中表现显著,GPT-5.6-terra 交付分数从 0.3180 提升至 0.5134(+61.4%)。
提出无 Rollout 自蒸馏方法 SAPD,通过步骤对齐的特权蒸馏生成监督信号,在数学推理基准上平均超越 SFT 和标签平滑。 该方法将演示转化为步骤对齐的分布监督,相比离策略基线实现约 2 倍训练循环加速,且大幅保留代码领域的泛化性能。 验证了精心构建的监督可让完全离策略后训练成为具有竞争力且计算高效的替代方案。