跳到正文
10月5日周一
  1. arXiv · AI28

    跨语言代码分析中的智能体执行接地框架

    研究者提出统一跨语言漏洞生命周期框架,通过混合结构语义检测、执行接地验证及迭代修复,确立无执行确认不修复的核心不变量。该框架利用uAST归一化Java、Python、C++代码,结合GraphSAGE与Qwen2.5-Coder-1.5B嵌入,跨语言零样本F1达74.43%-80.12%,端到端解决69.74%漏洞,总失败率12.27%。

  2. arXiv · AI42

    通过 Agent 轨迹解构模型行为

    该研究提出了“意图-执行”间隙概念,指出 AI Agent 性能受限于模型假设与执行框架(harness)行为的匹配度。研究开发了可定制框架 Simple Strands Agent (SSA),旨在捕获跨模型族的通用模式及特定偏好。

  3. arXiv · AI38

    SWR:利用终端环境进行科学领域自监督缩放

    研究人员提出 SWR 自监督框架,利用现有软件工作流生成可验证的训练轨迹,无需为每个任务人工编写参考解。 该框架在 500 个工作流中收集 3,000 个训练样本,用于微调 Qwen3.8-27B 模型。 实验显示,微调后模型在 Terminal-Bench 2 上的平均表现从 47.94% 提升至 53.56%,且在四项评估中均优于匹配的对照基线。

  4. arXiv · AI40

    首个大规模连续大语言扩散模型 Sigma 提出

    研究团队提出首个大规模连续 dLM Sigma,规模涵盖 3B/8B 参数。模型基于低维 ODE/SDE 潜在轨迹,通过联合去噪优化嵌入几何。 Sigma 利用预训练 AR 权重初始化加速训练。推理时结合无分类器引导和分数温度优化表现。 在 GSM8K、HumanEval 等基准上与离散模型持平,具备低 NFE 优雅退化能力。

  5. arXiv · AI31

    FinDialogLens 通过多方对话事件提取实现金融聊天室漏单识别

    针对金融多方聊天室漏单恢复难题,FinDialogLens 提出了一种混合 LLM 管道,利用微调分类器检测 RFQ 触发器及价格与交易结果元数据。在 GPT-4o 支持下,该模型在最终价格和交易结果上的准确率分别达到 92.1% 和 94.3%;而参数量仅为 3B 的开源 LLM 经微调后也能在少量领域数据下取得相当表现。

  6. arXiv · AI37

    LLM 算法代码检索评测:合成还是回忆?

    研究提出 AlgoREval 基准,包含 599 道题目、覆盖 77 种经典算法、14 个领域、7 种编程语言及 4 种图输入表示,用于隔离评估 LLM 的参数化代码检索能力。 在零样本设置下评估了 15 个 7B 至 34B 参数模型,发现不同语言和输入表示间检索准确率存在显著差异;检索增强能提升复杂算法准确率,SFT 带来更广泛的语言收益,GRPO 在特定语言上收益更大。

  7. arXiv · AI39

    CONTRA:大语言模型代码生成中行为改变问题的发现与限定方法

    CONTRA 提出一种无需训练的方法,通过广泛发现候选问题并结合语义与执行结果进行限定,以识别大语言模型代码生成中导致行为改变的关键澄清问题。在 ClarifyCodeBench 基准测试中,该方法在所有四种编码智能体上均取得最高 F1 分数,比最佳基线的宏平均 F1 高 13.88 个百分点。

  8. arXiv · AI37

    ClarifyCodeBench:评估 LLM 在代码生成中澄清模糊需求的能力

    研究团队提出交互式基准 ClarifyCodeBench,专门评估大语言模型在代码生成任务中主动澄清模糊需求的能力。 该基准基于真实编程任务构建,并引入“轮次折扣关键问题率”和“最优轮次遵循度”两项指标以量化交互质量。 在对六款先进 LLM 的系统评估中发现,代码生成能力与需求澄清能力存在解耦现象,且模型在多重模糊性场景下的表现会显著下降。

  9. arXiv · AI27

    PLCWorld:面向闭环工厂仿真的 LLM 生成 PLC 程序基准

    研究团队提出 PLCWorld,这是一个包含 100 个合成任务和 473 个任务条件对的闭环执行环境与基准,用于评估 LLM 生成的 Structured Text 程序。GPT-5.5 在简单任务上成功率为 82.70%,在困难任务上仅为 25.10%。该研究公开了代码、仿真环境及基准任务,并对比了六款 LLM 在安全性与成本上的差异。

  10. arXiv · AI48

    RSR 框架如何重构轨迹以增强 Qwen-3.8-27B 在复杂任务中的表现

    研究提出递归自重写(RSR)框架,利用 Qwen-3.8-27B 将多工具环境下的成功轨迹重构为通用环境下的训练数据。在约 3K 个终端任务中,该框架将 2001 条源轨迹扩展为 11094 条重写轨迹用于监督微调。 微调后的模型在 Terminal-Bench 2 上的 pass@3 从 57.0% 提升至 74.2%,在 Terminal-Bench 4 上从 1.5% 提升至 9.1%。

10月4日周日
10月1日周四
  1. Google DeepMind96

    Google DeepMind 发布 Gemini 4 Argon 前沿大模型

    Google DeepMind 发布新的前沿模型 Gemini 4 Argon,该模型在软件开发、企业知识工作和网络安全防御等复杂任务中提供前沿性能,目前先向受信任的网络安全防御团队开放,稍后开放给开发者、企业和消费者。

    推荐理由:官方发布材料列出了 Argon 在软件开发、知识工作和网络安全防御上的评测数据与内部工程应用案例,可供读者判断其实际工作流价值。

9月30日周三
  1. Qoder39

    Qoder 产品负责人张燎原:把 Agentic Coding 装进组织,Qoder助力企业向 AI Native 组织的进化

    Qoder 服务超 800 万开发者,80% 用户通过智能体委派任务,任务一次完成率从 36% 提升至 65%。Qoder 提供 150 多个连接器和 70 多个插件,支持 RepoWiki 企业知识库及 QoderWake 数字人功能。Qoder Security 累计扫描 180 万次,修复 5.8 万个高危漏洞,通过四层安全识别机制前置治理风险。

9月29日周二
  1. Qoder72

    Qoder 引入 Jev 构建 Agent 新判断层

    Qoder 宣布在 Agent Harness 中引入 TypeSafe AI 的 System One 模型 Jev,将高频语义判断与主模型生成及 Harness 执行分离。

    推荐理由:将专用判断模型嵌入Agent架构以分离语义判断与执行权限,展示了Auto Mode和浏览器自动化场景下的延迟优化与边界控制方法。

  2. 硅基流动72

    极简Agent Pi接入硅基流动API实践指南

    开发者Mario Zechner开源极简Agent Pi,默认无MCP等冗余功能,系统提示词不足1000 Token,GitHub获10万+ Star。本文拆解Pi的核心机制,展示如何安装并配置models.json接入硅基流动API,通过pr-review-lite项目验证其在多轮任务中降低Token消耗的潜力,并介绍Oh-My-Pi扩展生态。

    推荐理由:对比极简Agent Pi与重型框架的上下文消耗差异,提供接入硅基流动API的具体配置步骤,适合追求轻量工作流的开发者参考。

  3. Qoder73

    Qoder 技术负责人详解产品升级:从 Agentic Coding 到数字员工 QoderWake

    阿里 Qoder 技术负责人谢吉宝在云栖大会发布产品升级,定位为 Agentic Coding Platform for Everyone。升级涵盖全双工语音交互、升级版 Computer Use、移动端及多模态设备连接,并推出云端 Cloud Agents 和数字员工 QoderWake。

    推荐理由:演讲展示了 Qoder 在语音交互、云端数字员工及工程知识引擎方面的具体升级,为理解 Agentic Coding 的演进提供了产品视角。

9月26日周六
9月25日周五
  1. GitHub Blog · AI & ML65

    GitHub Copilot 如何用 canvas 构建自定义 UI

    GitHub Copilot 应用支持创建名为 canvas 的自定义全栈交互界面,让开发者构建 Connect 4 游戏、Winget 管理工具和 SQLite 操作面板。

    推荐理由:原文通过具体示例说明 canvas 如何将交互从纯聊天扩展到自定义全栈应用,帮助读者减少不必要的 agent 调用。

9月24日周四
  1. 阶跃星辰开放平台82

    阶跃星辰开源Step Code智能编码工具及Harness与路由实践

    阶跃星辰在2026云栖大会上发布Step Code智能编码工具,现已开源。该工具通过Harness管理长程任务的执行复杂性,通过智能路由决策模型选择,在Terminal-Bench 2.1上取得80.9%并列第一,长程任务平均消耗仅5.09M Token。

    推荐理由:文章提供了Harness执行框架与智能路由决策成本的量化对比数据,可作为优化AI编码工作流的参考。

  2. 阿里云64

    Qoder发布项目、讨论、自定义智能体团队、安全及多端协同能力

    阿里在云栖大会升级Qoder,推出项目、讨论、自定义智能体与Agent Team等协作与调度功能,同步展示语音、远程控制、眼镜版、Cloud Agents和数字员工QoderWake 1.0。

    推荐理由:原文展示了Qoder将协作并入任务流与自定义智能体团队的具体设计,读者可据此评估其对研发协作流程的改造方向。

9月23日周三
  1. 阿里云百炼37

    阿里云百炼 Agent Native 应用落地联合体亮相云栖大会

    阿里云百炼 Agent Native 应用落地联合体在 2026 云栖大会正式亮相,联合高德、飞猪等八家伙伴共建行业 Agent 服务。飞猪旅行 Agent Hackathon 于 9 月 22 日启动,天猫家享生活发布 SMART 五维标准及覆盖 30 余个硬件平台的 Agent Studio。高德通过 MCP 开放时空数据能力,大智互联通信智能体使故障修复时间缩短 60%。

  2. 阿里云74

    千问AI平台焕新:面向Agent全面升级模型服务、Agent服务、AI应用

    阿里云千问AI平台面向Agent负载完成全面升级,新增Agent Studio与企业级全栈Agent服务,并推出API优速模式、千问AI座舱解决方案等能力。Agent Studio提供自动模型路由、24小时不间断托管、原子API和MCP生态接入;模型服务侧通过FlashBoot将弹性启动时间由1200秒缩短至70秒,支持Prompt Caching与Token Plan订阅。

    推荐理由:官方给出了Agent Studio的托管与原子API细节,以及算力规模演进预期,供评估AI平台在Agent生产侧的落地深度。

9月22日周二
  1. 硅基流动44

    硅基流动上线 Qwen3.8-27B

    硅基流动上线开源模型 Qwen3.8-27B (xhigh),支持 256K 上下文,输入价格 3 元/M tokens,输出 12 元/M tokens。 该模型在 Artificial Analysis 智能指数评测中取得 34 分,超越 Claude Opus 4.6 Max,并支持图像和视频输入,兼容多种 Agent 框架与开发工具。

  2. 阶跃星辰开放平台66

    阶跃星辰 Step Code 终端编程智能体开源

    阶跃星辰正式开源终端编程智能体 Step Code v0.1.0,项目采用 MIT License,支持在终端完成代码编写、调试、执行与交付。

    推荐理由:官方给出 Step Code 在 Terminal Bench 和 Multi-Frame 中排名第一且 Token 消耗最低的数据,方便读者判断终端智能体的实际成本与效率优势。

  3. 千问大模型89

    Qwen 实现芯片设计与推理适配双向闭环:模型自主完成 RTL 优化及推理栈调优

    Qwen 团队开展两项生产级实验:Qwen3.8-Max 自主完成 NoC 模块的 RTL 编码与物理实现,并独立将 Qwen3.8-Flash-Next 适配至真武 M890 芯片。芯片设计中,模型运行超 60 小时完成全流程,使模块面积降低 42%、功耗降低 59.5%。推理适配中,模型 56 小时完成优化,长文本 TTFT 降低 47%,单实例吞吐提升 96%。

    推荐理由:展示了 Qwen 在芯片设计端侧与推理端侧双向闭环中自主调用工具完成 RTL 优化及推理栈调优的工程路径。

9月21日周一
  1. 硅基流动55

    硅基流动上线中电信 Xing4.0-29B-A4B 大模型

    硅基流动上线中电信最新开源的 Xing4.0-29B-A4B 模型,该模型基于国产算力与框架训练,29B 总参数、4B 激活参数,原生支持 256K 上下文,SWE-bench Verified 得分 75.0。针对 OpenCode、Claude Code 等智能体工具做了定向适配,现已在硅基流动平台免费开放调用,可服务于复杂工程任务与自动化流程。

9月20日周日
  1. 阶跃StepFun83

    阶跃发布旗舰开源模型 Step 5 Preview:总参 600B,单任务成本为 Claude Opus 5 的 1/8

    阶跃发布面向 Agentic 任务的旗舰基座模型 Step 5 Preview,采用稀疏 MoE 架构,总参数量 600B、激活参数 27B,支持 100 万 Token 上下文窗口。

    推荐理由:介绍了该模型在能效比上的量化优势,包括单任务成本更低及在复杂场景下的表现,便于判断其落地价值。