华为鸿蒙电脑 9 月体验报告发布:全新沉浸光感、图库 AI 修图、小艺任务模式等
华为官方发布鸿蒙电脑 9 月体验报告,包含沉浸光感、图库 AI 修图、小艺任务模式及动态壁纸等功能。 DevEco Studio、DevEco Code 和 DevEco CLI 已在鸿蒙 PC 开启公测,其中 DevEco Code 内置 GLM5.3 和 GLM5.1 模型。 首款鸿蒙台式机华为擎云 HM650 系列搭载麒麟 X90 芯片,计划于 10 月上市。
华为官方发布鸿蒙电脑 9 月体验报告,包含沉浸光感、图库 AI 修图、小艺任务模式及动态壁纸等功能。 DevEco Studio、DevEco Code 和 DevEco CLI 已在鸿蒙 PC 开启公测,其中 DevEco Code 内置 GLM5.3 和 GLM5.1 模型。 首款鸿蒙台式机华为擎云 HM650 系列搭载麒麟 X90 芯片,计划于 10 月上市。
作者让4个编码智能体在100美元预算内构建功能性PDF编辑器,发现成品在几次点击内即可发现bug。作者假设这是因为智能体不像人类那样追求具体目标、体验交互摩擦且较少观察UI,除非改变LLM运作方式,否则将面临恼人的SlopWare问题。
推荐理由:通过给4个编码智能体100美元预算构建PDF编辑器的实验,揭示了智能体在交互摩擦感知和UI观察上的不足。
作者基于 Jesse Waites 等历史学者的实践,用 Claude Code、Jev 与 Claude Haiku 等模型组合,将荷兰东印度公司 435 万页档案转为向量检索与低成本初筛,最终在 19 世纪报刊和档案中发现一枚未入目录的马哈拉施特拉陨石、三头被送往斯里兰卡却途中死亡的爪哇犀牛,以及三次未记录在案的火山喷发。
TRAE 将 TraeCode 与 TraeWork 双端融合,统一升级为新的 TRAE。新 TRAE 提供 Agent 模式和 IDE 模式两种界面,支持在一个项目窗口内创建多个 Agent 任务,分别负责写代码、测试、出文档等,并可在“我的产物”中集中管理和分享成果。
推荐理由:通过小白开发3D游戏与接手老项目两类实测,展示多Agent并行分工与全链路交付流程,便于评估实际落地方式。
随着 Claude 4.5 的部署,AI 极大提升了编程效率,导致大量初级开发者裁员,资深工程师通过管理 AI 代理和设计文档主导开发流程。 目前程序员极少手写代码,利用 LLM 生成完整项目甚至取代产品经理部分职能,同时新兴开发框架和 Skill-maxing 方法流行,改变了传统教学与职业发展路径。 这引发了关于未来白领工作和高等教育课程是否需转向阅读与修正代码而非从零编写技能的广泛讨论。
联想天禧AI自研代码智能体框架TianxiCode搭配DeepSeek-v4.1-Flash,以71%问题解决率在SWE-bench-Live Lite分榜登顶全球第一。 该方案通过官方“Verified”核验,具备跨文件检索、自主规划及闭环补丁生成能力。 TianxiCode未来将应用到联想AI硬件产品中,推动智能体落地真实研发场景。
软件工程中 AI 使用已非可选,拒绝使用者应离职加入正在转型的公司。 纯手工代码仅限退休高管或业余爱好,市场竞争要求使用 AI。 建议管理者为员工留出学习时间,掌握构建 300 行代码循环的 coding agent 技能。
Microsoft将允许Microsoft 365 Family和Premium订阅者与最多5人共享Copilot和AI用量,各功能独立额度改为统一共享池,可额外购买用量,家长还可控制未成年成员的AI访问权限。代价是OneDrive每人1TB配额将在2027年5月2日首次续费后变为全计划共享2TB。
作者指出 Lean4 尚不成熟,当前版本中存在被社区认定为 bug 的“True=False”证明漏洞。Lean 创始人 Leo de Moura 承认 AI 正善于利用核心 kernel 的声音性 bug,社区已发现 7 个此类缺陷。若社会将信任置于由非对齐 AI 生成的 Lean4 证书上,未来 24 个月内的人类修补工作可能被归类为“关键行为”(pivotal act)。
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。
Wy 是一个 Rust 编写的终端工具,能将 Git 差异与 Codex 或 Claude Code 的会话日志关联起来,以审查 AI 生成的代码。它自动读取本地日志和代码库,将代码变更与 agent 笔记并列展示。
JetBrains 发布 Mellum2.1 编程模型,重点增强智能体编程能力,并已在 Hugging Face 上线支持本地部署。该模型延续 12B 混合专家架构且拥有 2.5B 活跃参数,采用 Apache 2.0 许可证,主要通过升级强化学习阶段并补充多项任务训练数据来提升性能。
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。
该 Agent Skill 提供宏观经济现值预测与央行政策诊断,核心是基于桥梁方程的 GDP 现值计算及泰勒规则残差校准。模型作为辅助层解释结构模型缺失,支持 Base 与 Data-Enhanced 泰勒规则对比及回测验证。 包含 SVD 因子提取、高频辅助变量(如初请、房价)处理及缺失数据填充,输出涵盖驱动因子分解与验证笔记。