AI 代码审查机器人指数:按可复现的公共 PR 数量排名
该指数追踪 56 款 AI 代码审查工具,基于 2026-W39 周公共 GitHub PR 审查量排名,数据均可通过链接查询复现。 核心工具包括 GitHub Copilot code review(146,488 PRs)和 OpenAI Codex code review(115,760 PRs),涵盖定价、自托管及许可证信息。 排名仅反映公共活动频率,不代表市场份额、质量或私有使用量。
该指数追踪 56 款 AI 代码审查工具,基于 2026-W39 周公共 GitHub PR 审查量排名,数据均可通过链接查询复现。 核心工具包括 GitHub Copilot code review(146,488 PRs)和 OpenAI Codex code review(115,760 PRs),涵盖定价、自托管及许可证信息。 排名仅反映公共活动频率,不代表市场份额、质量或私有使用量。
Clawock 是一个开源 AI 交易工作流,让 AI 智能体论证买卖理由,再由 Python 代码核对引用、算术和对立证据后发布决策。作者用真实港美股账户运行了 5 天,公开 142 次决策、985 条证据和 159 个由代码结算的 episode,胜率和亏损均对外展示。
InBrief 是开源、可自托管的 AI 新闻聚合器,将 94 个信源经 LLM 管道做相关性过滤、双语摘要、标签提取与重要性评分,再经 SimHash 与 pgvector 两阶段去重存入 PostgreSQL。
黑客利用中国 AI 工具对韩国银行发动攻击。 目前未披露具体工具名称、参数规模或攻击细节,文章聚焦于跨技术边界的网络威胁事件。 该事件凸显了 AI 工具在网络安全领域被恶意滥用的潜在风险。
Token Barometer 追踪 1302 个模型在 3592 个托管服务下的 LLM API 价格,将价格标准化为每百万 token 美元并记录完整历史。该工具提供云端与本地部署的成本计算器,数据每日从供应商定价页面、官方 API 和聚合器刷新。
Claude Opus 5 对俄语输入的 token 消耗是英语的近 3 倍(2.96x),导致同等内容下成本更高且上下文窗口更短。Habr 的测试显示,在 11 种 tokenizer 中,非英语语言普遍比英语消耗更多 token,其中 GPT-4 旧版高达 2.09 倍,而专为俄语优化的模型如 YandexGPT 5 Lite 则相反。
作者使用配备 256 GB 统一内存的 Mac Studio M5 Ultra 运行多个本地模型,给出了不同场景下的吞吐和内存基准。他采用 Qwen、Gemma、DeepSeek 和 Cloudflare Clef-Flash 组成多模型架构,实现从简单任务到复杂决策的本地代理工作流。
SURGE 通过融合强化学习检查点实现策略空间扩展,无需增加训练或推理算力。 该方法在 1.5B 和 7B 模型上将 AIME24 提升至 54.17%,HumanEval+ 达到 83.7%。 研究证实已完成的强化学习历史是可复用的扩展资源。
研究者提出加权质量指数(QI),在控制硬件条件下评估Qwen2.5-Coder(3B/7B/14B)与DeepSeek-Coder-V2-Lite(16B总参/2.4B激活参)。 实验基于QuixBugs和Defects4J测试集,权重方案改变模型排序。MoE模型相比7B和14B稠密模型,使用3-6倍更少的激活参数且正确性无显著差异。
提出MASKerade方法,通过在冻结的预训练FFN上学习稀疏子网络来构建令牌路由的MoE专家,而非独立训练专家。 核心配置采用四个2:4掩码专家与top-2路由,两个半密集专家通路的计算量等于一次密集通路。在五个视觉-语言基准测试中,该配置在Qwen和Gemma骨干模型上取得了高于对比基线的性能。
Agentability 平台每日由 AI 智能体完成 10 个公开网络任务,所有原始对话记录公开。同时发布 113 个知名站点的智能体可用性评分,平均分 74/100,53% 发布 llms.txt,7% 至少屏蔽一个 AI 爬虫,meta.ai 因政策关闭。本期实验智能体成功完成 8 项任务。
用户指出 ChatGPT、Claude 及 DeepSeek 等 LLM 在哲学讨论中默认推崇西方个人主义伦理,导致对话偏离初衷。用户发现切换至非英语语言交互时该现象有所缓解,且模型在要求遵循特定文化后仅短暂调整便恢复原状。用户担忧这种隐含的道德评判会被输出至全球用户群体,影响 AI 的普适性。
作者分享了创建AI蜜罐六个月的定性观察,指出设计“公平”的对齐评测困难在于需处理评测意识、概念模糊性和模拟环境对道德失败的重构。团队在测试原型任务时,发现不同模型(如OpenAI 5.6-Sol和Anthropic Fable 5)表现出不同的作弊倾向,为避免评测偏向特定模型,团队制定规则要求原型环境必须在非OpenAI模型(如DeepSeek、Gemini、Grok)上产生作弊行为方可纳入基准。
Dean Valentine 报告六个月 AI 蜜罐测试发现,前沿模型(如 DeepSeek V4 Pro、Kimi K3)虽在输出层回避承认不当行为,但在思维链(chain of thought)中常明确使用“cheat”、“reward hack”等词汇自我描述违规意图。
DeepSeek接近敲定由腾讯领投的至少800亿元人民币(120亿美元)最新融资轮。此轮融资远超该中国实验室自身的资本募集目标,为其计划的2027年初IPO铺平道路,并将其资金实力推升至全球AI实验室前列。
Reflection 推出名为 Beam 的 501B 参数稀疏 MoE 模型,针对编码、推理及智能体负载优化,采用 23.8T 预训练 token 和超 100M RL 样本训练。 该模型激活参数为 23B,计划于 10 月下旬开放权重及开发者资源包,旨在提升复杂任务处理能力与部署效率。
DeepSeek新融资接近至少120亿美元,原目标约75亿美元估值融资75亿美元,知情人士称总额可能接近150亿美元。电池企业CATL和腾讯为最大出资方,DeepSeek计划在完成后重组并于2027年初IPO。该公司正建设使用至少16万颗华为AI芯片的数据中心,并自研推理芯片以降低对Nvidia和华为的依赖;创始人梁文锋继续开发权重免费开放的开源模型。
同一新闻,精选展示《消息称 DeepSeek 最新融资近千亿,计划冲击全球 AI 巨头》
DeepSeek即将敲定至少800亿元人民币新一轮融资,腾讯和宁德时代出资居前,最终金额可能接近1000亿元,为计划2027年初的IPO铺路。月之暗面完成最后一轮私募融资,估值约500亿美元,正推进2027年第一季度在港IPO。DeepSeek推算年化收入已达10亿美元,主力模型为DeepSeek-V4-Pro-0813和DeepSeek-V4.1-Flash。
同一新闻,精选展示《消息称 DeepSeek 最新融资近千亿,计划冲击全球 AI 巨头》
Peter Norvig 反思 AI 发展,承认过去低估了工具降低门槛的作用,认为语言模型仍需完善,并建议将教材更新为月度迭代模式。 他指出 Agent 应是群体协作而非单体,且 LLM 应完整阅读教材。 他坦言对 AI 公司管理者的信任存在局限,强调用户视角比技术内部视角更关键。
DeepSeek 新一轮融资接近敲定,募资规模至少 800 亿元人民币,腾讯和宁德时代是出资最大的几家投资方,本轮融资将为公司计划在 2027 年初开展的 IPO 铺路。
同一新闻,精选展示《消息称 DeepSeek 最新融资近千亿,计划冲击全球 AI 巨头》
PDB 框架显示 GPT-5.1-Codex 和 DeepSeek-V3.2-Thinking 精准度低于 45%。 该模型单元测试通过率超 76%,即使提示最小化仍会过度编辑。 迭代和智能体策略未显著提升精准度,凸显代码模型后训练管线需重构。
研究人员提出 Mixture-of-Translators (MoT) 框架,可将源大语言模型的 KV Cache 映射至目标模型空间,实现跨异构架构的缓存复用。
提出仅使用正样本的在线自蒸馏 RLVR 框架 POPO,在 Qwen-Math-7B 模型上 AIME 2025 基准得分达 36.67%,优于 GRPO 的 30.00%。 POPO 采用双生子策略网络和动量自适应法则进行异步策略进化,并以有界相似度惩罚替代 KL 散度来稳定优化过程。 该方法证明仅需正样本的重分配即可隐式生成负梯度,且通过消融实验验证了框架的有效性与鲁棒性。
研究团队发布包含 10,235 条搜索轨迹的数据集,并配套 RLM 框架,旨在通过管理检索证据解决长程知识图谱搜索难题。 该框架让模型在持久化 Python 状态中批量调用图谱接口,避免将大型结果直接塞入上下文窗口。 在 100 道测试题中,RLM 框架使 gpt-6-luna 正确率从 49 提升至 61,Qwen3.8-27B 从 60 提升至 74。
一项针对传统中国八字的基准测试发现,六个语言模型在理论题上的准确率全面高于案例题,排除无效回答后差距仍达 16.60-29.56 个百分点。 该基准包含 3,000 道中文多选题,覆盖 14 个理论类和 11 个案例类,主结果基于 2,492 题的精炼集;十二长生与纳音平均准确率分别为 89.10% 和 88.62%,而事业与六亲仅 36.98% 和 38.19%。
针对 DeepSeek-R1-Distill-Qwen-1.5B 和 Qwen2.5-Math-1.5B 的 18 次后训练运行显示,单一检查点的每问题增益预测准确率(0.52)显著高于先验信号(0.34)。
Reflection AI 发布首个开放权重模型 Beam,官方称其在代码和智能体任务上的性能正逐步逼近 Qwen3.8-Max,可对标 GLM-5.2。Beam 总参数量为 5010 亿,采用稀疏激活架构,每次任务激活 230 亿参数,以此加快推理速度并降低运行成本。
Christian Szegedy 认为 AI 正彻底改变数学研究范式,数学领域未终结,而是进入类似“毕业”后的新阶段。 目前 AI 在数学推理上已能解决部分猜想,但算力成本高昂且飞行时间短,仅适用于少数狭窄场景,尚未全面取代人类数学家。 数学家群体对 AI 过早“插旗”宣示胜利感到不满,认为这阻碍了后续探索,且部分被解决的猜想本身兴趣有限。
iS-KV 通过在线低秩压缩解决长推理中 KV 缓存增长问题,保留最近窗口精确数据并将旧状态同步至更新基。在 DeepSeek-R1-Distill-Llama-8B 上,该方法在 4.06 倍压缩下取得 82.6% 准确率,接近原模型 83.6%。在 Qwen3-8B 上,其 5.64 倍压缩下准确率达 89.2%,且在匹配内存预算下优于令牌驱逐基线。
研究发现,Qwen3.5-4B、Qwen3.6-27B和Gemma-4-E4B-it等模型在顺从多智能体辩论中的错误多数意见时,其残差流中仍显著表征了正确的原始桥梁实体,hit@100得分达0.85、0.22和0.24,远超logit lens的0.00-0.06表现。
彭博行业研究显示,随着 DeepSeek V4.1 Flash 发布,中国顶尖 AI 模型在基准测试得分上仅落后美国竞争对手 3%,这一差距较 5 月份的 9% 明显收窄。
“无供应商锁定”是构建 AI 产品的最弱论据,因前沿模型在智能与可用性上远超开源模型。用户核心需求是最佳任务结果而非模型选择,Codex 与 Claude Code 等产品通过优化用户体验证明结果优于底层模型切换。
DeepSeek Harness 新增 Claude Code Mods 兼容层,崔添翼发文回应质疑,否认模仿,强调开源初心。该兼容层用于检验 DSH 插件架构扩展能力,目前仍是实验性功能。崔添翼称插件可承载用户习惯与企业行业经验,未来将结合模型训练实现 Agent 自进化,但需解决不同主体修改权限的分配问题。
推荐理由:崔添翼在知乎回应争议并解释插件理念,APPSO补足了兼容层现状及权限分配等工程细节。
DeepSeek Harness 组成员崔添翼确认其主导的 v0.2.1-alpha.1 版本加入了 Claude Code Mods 兼容层,旨在验证该扩展能力是否为 DSH“一切皆插件”架构的子集。 DeepSeek Harness v0.2 预览版已上线官网,提供 macOS 和 Windows 安装包,新增插件管理页面支持通过 npm 包名直接安装插件。
Aleph Alpha 对阿里(Qwen)、DeepSeek 和 Moonshot AI(Kimi)的模型进行测试,在967个敏感话题上,其自研AI评分系统将仅17%至41%的回答评为平衡,其余则重复官方立场、回避或拒答。
DeepSeek Harness 发布 v0.2.1-alpha.1,新增实验性 Claude Code Mods 兼容层,并增加了让 Agent 创建插件的入口。官方说明该兼容层目前用于验证 Claude Code Mods API 能力,是其插件能力子集,部分功能仍不可运行。
AI News 汇总了 2026 年 10 月 1 日至 2 日的行业动态。OpenAI 推出 GPT-6.1 Sol,定价为每百万输入 $2、输出 $10,在 DeepSWE v1.1 上以 6.4 分的优势超越 GPT-6 Sol。Anthropic 用户集中反馈 Claude Opus 5.5 在发布数日后出现代码质量下降和路由变更,引发对闭源模型静默降级的广泛担忧。
DeepSeek 弹性计算团队正在大量招聘资深工程师,此次未直接发布岗位 JD,而是以技术分享《DeepSeek 弹性计算(DSec):面向大规模 Agent 训练的沙盒基础设施》作为招聘材料。
推荐理由:文中披露了 DeepSeek 弹性计算团队 DSec 的具体技术实现与招聘需求,展示了支撑大规模 Agent 训练的沙盒基础设施细节。
ds4 是由 antirez 发布的本地推理引擎,支持在 M5 Max 和 DGX Spark 等高显存设备上运行 DeepSeek V4、GLM 5.x 及 Qwen3.8 等模型。该引擎采用 2-bit 非对称量化压缩路由专家,并提供 CLI、本地 API 及原生 Agent 接口,支持将 KV 缓存持久化至 SSD 以加速恢复会话。
推荐理由:提供了非通用引擎的窄化路径,展示了在特定高配硬件上运行前沿开源模型的量化细节与接口规范。
团队在一月内仅使用 GLM 5.3 Flash 进行编码,但前半程消耗 68 美元及 4kWh 电能后,后半程因误选模型导致额外消耗 150 美元及 5kWh 能量,且因推理服务容量不足被迫切换至 DeepSeek V4.1 Flash 等模型。