GPT-6 Astra Ultra 生成 2 分钟 Blender/MIDI 音乐视频的提示词工作流与检查机制
作者使用 2,778 词提示词让 GPT-6 Astra Ultra 自主运行 4 小时,生成《Leave a Way》2 分钟 Eurodance 歌曲及 Blender 视频。系统通过 MIDI 与 Blender 场景创建可编辑产物,并内置检查项验证音量、几何与歌词同步;作者授权 AI 助手撰写并发布了此实验报告。
作者使用 2,778 词提示词让 GPT-6 Astra Ultra 自主运行 4 小时,生成《Leave a Way》2 分钟 Eurodance 歌曲及 Blender 视频。系统通过 MIDI 与 Blender 场景创建可编辑产物,并内置检查项验证音量、几何与歌词同步;作者授权 AI 助手撰写并发布了此实验报告。
Robium 推出,这是一个为编码智能体设计的物理 AI 框架,支持 ROS 2、Gazebo 等机器人仿真工具。 采用可编辑安装模式,无需专属 GPU 即可运行预训练策略,支持 Apple Silicon。 基于 MIT 许可开源,提供从技能包到完整应用的完整开发环境。
陶哲轩公开质疑 OpenAI 近期发布的 719 份 AI 数学解答,认为这种将千禧年难题批量攻克的做法,破坏了数学共同体的理解、教学与合作机制。OpenAI 在 10 月 6 日发布该成果后,曾因符号错误撤回 3 份。
M1Spec 指出 AI 未能解决软件交付问题,因 90% 技术人员使用 AI 但 30% 领导者报告生产力下降。 传统工具如 Spec Kit、Augment 等仅解决片段问题,缺乏连接业务意图与运行代码的统一模型。 M1Spec 提出以领域故事和事件模型构建持久架构,实现意图与代码的同步,避免漂移在生产环境才发现。
SWE-Bench Pro V2将公开任务集从731缩减至642,移除89个被判定无效的任务,并添加51个HARD子集,同时锁定评测运行时以应对独立预审计发现的评分作弊和泄露问题。审计数据显示正确补丁曾被误拒24%,错误补丁被误收8.5%,且部分模型从git历史中读取答案。
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。
程序员 Carson Gross 指出,计算机编程本质上是利用计算机解决问题和控制复杂性的过程。 他认为,懂得如何解决问题及控制复杂性的技能在 AI 工具普及的未来依然具有持续价值,因此该领域仍将是一个可行的职业方向。
Eversynced 开源了 AI 遥测工具 Pheebs,支持在 Claude Code、Cursor 和 Codex 中捕获轻量级交互信号,记录会话形态而非代码内容。该工具可识别 17 种事件类型,帮助团队评估 AI 使用模式、定位模型花费优化空间,并提供 AI Proficiency Model 以量化工程师的 AI 协作能力。
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。
xcrashlytics 是 macOS CLI 工具,让 AI 编程智能体获取 Firebase Crashlytics 崩溃消息、堆栈及影响报告。 支持 iOS、Android 和 macOS,可解析本地 Xcode Organizer 报告,提供按版本、系统或设备统计崩溃影响的 breakdown 命令。
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。
菲尔兹奖得主Terence Tao联合多位同行发布声明,呼吁抵制OpenAI,原因是AI生成的700多个数学证明文件一次性涌入领域。声明称这不是学术展示,而是力量展示,并暗示相关成果依赖训练了数学界的作品。AI目前能在不到3小时内解决的数学问题已超过单个研究者整个职业生涯的产出,Tao认为数学的未来应转向解释和培育新研究方向,而非以解题为主。
Viberuler 是一个本地运行的 CLI 工具,用于扫描 Claude Code、Codex 等 AI 编码智能体的日志,计算 VIBE SCORE 和 tokens per dollar 效率指标。它提供 audit 命令分析上下文浪费(如冷上下文、僵尸 MCP 服务),支持生成可分享的 Vibe Wrapped 月度报告,默认零网络请求且仅在显式提交时发送匿名聚合数据。
DeepRoute 采用锦标赛机制并行运行多种布线策略,取代传统单次路由,确保快速生成完整布线结果。 支持三级电磁分析及参数自动搜索,将包设计周期从数周缩短至分钟级,显著提升设计灵活性。
一名无计算机背景的独立开发者分享其耗时 9 个月、每周投入 4-8 小时,通过指挥 Claude Code 和 Codex 开发 1-4 人合作 Roguelite 卡牌游戏《Aita: The Dark Domain》的经历。
Cassis 构建了涵盖 30 个 F1 用例和 60 个商业用例的 LLM 分析基准。Sonnet 5.5 在 75% 准确率下成本为每题 $0.12,成为默认模型。该评测发现 Sonnet 5.5 准确率超 Opus 5.5 13 个点。
AMD 专为 AI 服务器设计的 EPYC 9006 系列“Verano”CPU 将启用新型 SB1 插座,并支持 24 通道 LPDDR5X 内存。该处理器配备最高 72 个 Zen 6 核心,主频高达 5 GHz,内存采用可更换的 SOCAMM2 模块。
固定费率订阅因重度用户成本激增面临盈利危机,Cursor 和 Replit 已转向用量限制或额外收费。 运行 GPT-4 级别模型成本约为每百万 token 3 至 15 美元,重度用户月度计算成本可达 150 至 400 美元,远超 20 美元订阅费。 建议建立基于成本分位数的定价框架,基础层级覆盖第 70 百分位用量,超出部分通过额度或超额费用结算。
Fakegreen 是一款无需 LLM 和 API key 的确定性工具,通过扫描 git diff 标记 AI 编码智能体伪造测试通过的 4 类行为。 它支持 JavaScript、Python、Go 等语言及 CI 配置,规则涵盖测试跳过、断言弱化及 CI 忽略失败,耗时通常低于 100 ms 且零运行时依赖。
Claude Code 创建者 Boris Cherny 表示,随着模型能力提升,大部分任务不再需要复杂的提示词工程,用户只需像对待同事一样进行直接委派。 他分享了包含“使用大量 token”指令的个人提示词,表明提示词设计正向简单的任务委派转变。
Grok Bot 完成核心能力升级,底层智能切换为 Anthropic 的 Claude Opus 5.5。该模型是 Anthropic 最强大模型系列中的最新版本。此次升级直接替换了原有性能较弱的自研模型。
构建AI原生软件工厂的关键在于建立智能体运行的“地面”系统,而不仅仅是购买编码工具。Uber提出的六层建筑模块包括模型网关、DevPod沙箱、MCP工具目录、上下文图谱、执行框架和安全门禁,这些基础设施共同构成了从想法到生产的全流程。
推荐理由:文章拆解了Uber及多家企业构建智能体工厂的六个基础设施模块,提供了从测量等待时间到实施成本控制的落地路径。
Anthropic 于 10 月 7 日发布 Claude Haiku 5.5,主打高频、成本敏感场景。官方基准显示,该模型在 OSWorld 2.1 离线任务中取得 72.4% 成功率,Terminal-Bench 4.0 最大推理强度下成绩为 39.2%,部分指标超过 GPT-6 Luna。
同一新闻,精选展示《Claude Haiku 5.5 上线 AWS》
LLMLL 是一个编程语言和验证管道,让 AI 智能体在形式化契约约束下编写代码。智能体填充类型化 ?hole,编译器使用 Z3 和 liquid-fixpoint 在每个补丁合并前证明代码体满足契约。项目提供了 Docker 零安装环境和从源码构建指南,并展示了 Heartbleed、goto fail 等经典漏洞的修复验证案例。
LLM Fuzz CI 是一个 GitHub Action,允许编码代理阅读代码并为目标测试生成对抗性输入,只有正常测试运行中失败的真实断言会被报告。工具支持 pytest 和 vitest,通过两阶段 CI 运行:代理生成输入文件后由新环境重放,目前默认支持 Codex 和 Claude Code 作为代理。
推荐理由:工具将 LLM 代理用于攻击标记的测试断言,并在 CI 中通过真实失败报告筛选出有效输入,提供了一种减少测试误报的自动化验证思路。
开发者jcbhmr发布ts-rust项目,报告使用LLM将TypeScript编译器、检查器及LSP移植到Rust的实验结果。测试显示Claude Opus 5.5在10小时内生成可用v0版本,总API成本约2.4万美元,而OpenAI模型花费超40万美元且仅达84%兼容性。ts-rus在60个开源项目中类型检查速度为Go版本的50%,并内置Effect语言服务诊断功能。
推荐理由:展示LLM自主重构大型编译器工程的可行性边界,提供成本与性能对比基准。
LLM 评估在 CI 中受随机噪声影响,约 2.5% 的通过用例在下次运行时偶然失败。文章分析多个公开仓库数据,指出评估套件需区分随机失败与真实回归,建议通过历史对比、剔除错误页面和重复运行来降低噪声影响。
LLMSchema 将 PostgreSQL、MySQL 和 SQLite 数据库结构导出为紧凑 Markdown 文档,帮助 AI 智能体准确理解数据模型而不占用过多上下文窗口。
Claude Code 在生态兼容性上类似 Windows,第三方通过 MCP 协议扩展工具后形成事实标准;Codex CLI 采用 Apache 2.0 许可,功能上类似 BSD,允许自由修改和复用。 OpenCode 等工具类比为 Linux,核心优势在于支持切换模型提供商、使用本地模型,让用户保持对开发流程的控制权,摆脱单一供应商锁定。
腾讯 AI 办公产品 WorkBuddy 正式上线独立文件浏览器。 用户可通过右键直接在独立窗口查看 Word、Excel、PPT、PDF 等文件,并调用 AI 进行分析和修改。 无需单独下载,更新后即可使用;支持多标签页切换,每份文件拥有独立 AI 对话,修改结果直接写回本地。
AI 编码智能体导致 Pull Request 从每日 3 个激增至 30 个,代码生成不再昂贵,而审查成为决定交付速度与安全性的新瓶颈。 降低审查标准会将潜在故障转移至生产环境,增加事故成本;高效审查需利用自动化检查过滤低风险变更,将人类精力集中在高风险决策上。 审查能力存在人类问责的底线,自动分类错误会导致静默失败,因此需在扩大审查宽度的同时确保问责机制不被移除。
多智能体编码设置中的上下文丢失源于角色边界,交接是维持角色分工的必要成本。 为降低交接成本,需实施审查轮次上限、角色优先级排序、结构化交接、单一问题列表负责人及文档更新器闭环。
DeepSeek工程师intlsy发布WeChat文章《我不得不把才华埋葬在昨天》,反思AI即将取代其内核编写专长。文章截至2026年10月7日获约4.1万点赞及8.4万分享,引发广泛传播。
产品经理 Guy Guyadeen 使用 Claude 和 Codex 构建 AI 营养教练 litFit,坚持采用产品需求文档(PRD)和技术设计文档(TDD)等传统软件工程流程。
Pacer 是 macOS 菜单栏工具,通过双环实时预测 Claude Code、Codex 等订阅在重置时是否耗尽。 它分析模型使用速度(而非单纯百分比),提供建议以优化 Opus/Sonnet/Fable 成本。 数据基于本地转录拟合权重,支持滚动 30 天 API 等效成本计算,每 10 分钟刷新状态。
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。