Browser Use 发布指南，介绍让编码智能体在已登录的真实 Chrome 中工作的多种方式，包括 Claude in Chrome、Playwright MCP 扩展模式、Chrome DevTools MCP 自动连接模式、Gemini CLI 内置浏览器智能体、ChatGPT 桌面版浏览器扩展和 Browser Harness。文中按 Claude Code、Codex、Gemini CLI、Cursor 等智能体分别给出配置命令与限制，并说明从 Chrome 136 起默认数据目录上的 --remote-debugging-port 和 --remote-debugging-pipe 会被忽略，因此复制 cookie 到新浏览器的旧做法在设备绑定会话等场景下会失效。
匹配字段标题、摘要、正文
Artificial Analysis 称 Kimi K3.1 Pro 在智能体知识工作和编码上处于领先模型之列，在 GDPval-AA 和 Terminal-Bench 4.0 上表现靠前，但其 AA-3D 的 Elo 偏好投票仍在收集中，早期迹象显示排名会偏低。其前代 Kimi K3 在 AA-3D 的 22 个模型中排第 12。该机构还展示了 K3.1 Pro 生成的一段 492 米山地自行车下坡 3D 场景，演示中可随时接管转向、踩踏和刹车。
匹配字段标题、摘要、正文
heise online 实测 LangChain 的 CLI 工具 OpenWiki，它分析代码库并生成带链接的本地 Markdown 知识库，再依据 Git 历史中的新 diff 和提交进行更新，并通过智能体提示与 MCP 工具让内容可被检索。文章指出，AGENTS.md 或 CLAUDE.md 适合放安装命令、测试、风格规范和安全边界等简短规则，在 monorepo 中还可嵌套子目录文件，但难以充当大型快速变化仓库的完整知识模型。
匹配字段标题、正文
Arena 公布 Claude Haiku 5.5 (High) 在 Agent Arena 的实测结果，基于 2 万余次真实智能体会话，净提升 +1.48%，总排名第 27。其最强类别是编码，以 +4.83% 净提升排第 15；每任务中位成本 0.09 美元，略低于 Agent Arena 帕累托前沿。相比第 26 名、每任务 0.63 美元的 GPT-5.4 (High)，Haiku 5.5 成本低 86%，也比 Claude Sonnet 5.5 (Max)、Fable 5.1 (Max) 和 Opus 5.5 (Max) 便宜 97% 至 99%。
匹配字段标题、摘要
Artificial Analysis 上线 FrontierCode 1.1 排行榜，该评测由 Cognition 构建，用真实开源仓库的合并标准检验编码智能体，共 150 个任务，本次运行其中 100 个主任务集，全部任务私有以避免污染。Claude Opus 5.5（max with fallback）以 52% 居首，但其尝试中仅 58% 通过阻断性检查，100 个任务中有 9 个没有任何模型通过；前九名模型分数集中在 43% 至 52%，开源权重模型 MiMo-V2.6-Pro 以 45% 领先，DeepSeek V4.1 Flash（max）和 Kimi K3（max）为 44%。GPT-6.1 Sol（max）以每任务 0.81 美元取得 49%，与 Claude Fable 5.1（max with fallback）持平，成本不到后者的十分之一。
匹配字段标题、摘要
TensorZero 工程博客介绍了一套自动评估 AI 编码助手的方法：用 tree-sitter 把 LLM 生成的代码片段和 Git 提交中的新增代码解析成语法树，再用树编辑距离（TED）计算两者的最小差异，归一化后得到 0 到 1 的奖励值，作为反馈写回 TensorZero。该流程以 Rust 二进制实现，可作为 post-commit git hook 在每次提交后自动运行，并通过 rayon 并行计算。作者称其 CTO Viraj 的个人使用数据显示 GPT-4.1 的效果不如 Claude 3.7 Sonnet、Gemini 2.5 Pro 和 o4-mini，但强调这只是初步结果，不主张某个模型普遍更优。
匹配字段标题、摘要
Hugging Face 的 Clément Delangue 宣布把 Claude Code、Codex、Hermes、Pi、opencode 等编码工具变成 RL 环境，不改动工具本身也不改动训练代码，全部开源。做法是用一个 capture proxy 伪装成模型 API，兼容 OpenAI Chat Completions、OpenAI Responses、Anthropic Messages、Gemini 四种格式，转发到 vLLM 并记录 token ID 与 logprobs，再交给 TRL 训练，目前已有 10 个工具接入且均未修改。在 LFM2.5-2.6B 上，单工具训练后 OpenCode 从 34% 提升到 58%，四工具同时训练后四者均提升（42% 到 54%），而用 Qwen3.8-27B 的 3,189 条 rollout 做 SFT 只停在 47.5%。
匹配字段标题、摘要
Modal 官方工程博客复盘了为编码智能体提供推理服务的优化过程，以 Moonshot AI 的 Kimi K2.6 为例，单副本每用户性能提升 2.8 倍、副本整体提升 5.6 倍。他们用 NVFP4 微缩放格式在 B200 上部署约一万亿参数的模型，基于 SGLang 打补丁并回馈上游，通过 DFlash 投机解码、KV cache 量化与 HiCache 扩展缓存，再配合负载感知的有状态路由，把服务扩展到每天处理数千亿 token。相关代码与配置已作为 Modal Auto Endpoints 的开源后端发布。
匹配字段标题、摘要
Fireworks 对 DeepSeek-V4.1-Flash 做了完整基准测试，在 DeepSWE 上达到 GPT-6 Astra 级别的编码精度，单任务成本 0.43 美元，比 Gemini 3.8 Flash 低 5.5 倍、比 GPT-6 Astra 低 15 倍、比 Claude Opus 5 低 28 倍。该模型为 552B 参数 MoE，采用编码器-解码器分离架构，输入 8B、输出 16B 激活参数，KV Cache 相比 DeepSeek V4 仅占 1/4 HBM 和 1/8 SSD 存储，本次运行 99.6% 输入 token 命中缓存。在 HLE 上它单独运行得 34.52%，落后于 Astra 的 50.40%，但与 Astra 组成 oracle router 后达到 54.80%，高于 Astra 单独运行。
匹配字段标题、摘要
Google Developers Blog 发文介绍 harness 工程中的行为评测方法，主张用离散可观察动作的断言替代只看 Terminal-Bench、DeepSWE 等端到端基准的复合分数。文章建议从开发者直觉和 dogfooding 起步，等智能体能处理自身代码库后再引入评测，并给出三步循环：选定一个失败模式、按任务复杂度写灵活断言、用批量评测跟踪聚合通过率。作者强调行为评测与端到端评测互补，前者用于安全快速迭代，后者验证最终结果。
匹配字段标题
Together AI 在 113 个 DeepSWE 任务上各跑 4 次、共 900 次 rollout，对比 GLM-5.3 与 GLM-5.3 Flash：单次通过率 69.0% 对 63.4%，pass@4 差距收窄到 2.6 个百分点（87.6% 对 85.0%）。GLM-5.3 Flash 每次 rollout 成本 0.24 美元，约为完整版的十七分之一，每 100 美元可解 264 个任务。先跑 Flash、测试不通过再升级到 GLM-5.3 的级联方案达到 80.9% 通过率，每任务 1.70 美元，低于完整版单独使用的 3.99 美元。
匹配字段标题
Together AI 在全部 113 个 DeepSWE 任务上各跑 4 次、共 904 次 rollout，GLM-5.3 与 Claude Fable 5 的 pass@1 分别为 69.0% 和 69.7%，基本持平。GLM-5.3 每次 rollout 成本 3.99 美元，Fable 5 为 21.63 美元，相差 5.4 倍，且 GLM-5.3 在 pass@2（81.1% 对 77.1%）、pass@4（87.6% 对 84.1%）和覆盖率上领先。两者逐任务相关性 0.65，属于近似替代品，作者建议多数场景默认用 GLM-5.3，仅在 Rust 和序列化相关任务上升级到 Fable 5。
匹配字段标题
Together AI 在全部 113 个 DeepSWE 任务上各跑 4 次、共 904 次 rollout，对比 GLM-5.3（max）与 GPT-5.6 Sol（max）。单次尝试 Sol 以 72.7% 的 pass@1 领先 GLM-5.3 的 69.0%，但 GLM-5.3 每次 rollout 成本 3.99 美元、约为 Sol 8.37 美元的一半，并在 pass@2 追平、pass@4 以 87.6% 反超 85.8%。先跑 GLM-5.3、测试失败再升级到 Sol 的级联方案解决 85.9% 的任务，每任务 6.61 美元，高于 Sol 单跑的 72.7%，也低于一次 Sol rollout 的价格。
匹配字段标题
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次对比 DeepSeek V4 Pro 0813 与 GPT-5.6 Sol：Sol 单次通过率 72.7% 领先 Pro 的 62.8%，但 Pro 每次 rollout 仅 0.24 美元，约为 Sol 8.37 美元的 35 分之一，pass@4 上 Pro 以 88.5% 反超 Sol 的 85.8%。先用 Pro、测试失败再升级到 Sol 的级联方案可解决 83.0% 的任务，单任务成本 3.35 美元，高于 Sol 单独使用的 72.7%，也高于理想单次路由的 80.8%。Sol 更快更简洁（中位 53 步、17 分钟、59k 输出 token），但失败时 20% 会破坏仓库原有测试套件，Pro 这一比例为 11%。
匹配字段标题
比利时开发者 Alex Wauters 制作的浏览器游戏让玩家在 60 秒内审批模拟的 Claude Code 权限请求，超过 4 万次运行、40.9 万条命令的数据显示，平均约三分之一的恶意命令被放行。最常被漏掉的是范围越权类请求，占比 35%，例如读取 Kubernetes 配置文件或 AWS 凭据；被漏掉最多的单条命令是 npm run analyze，近 65% 的玩家批准了它。Wauters 认为反复审批会带来疲劳，建议把编码智能体放进沙箱和云端 devcontainer，并配合 auto mode 与钩子来拦截风险动作。
匹配字段标题、摘要
Together AI 在全部 113 个 DeepSWE 任务上对比 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，每个任务四次试验。Luna 的 pass@1 为 67.2%，高于 DeepSeek 的 53.3%，但单次成本约 0.61 美元，是 DeepSeek 约 0.10 美元的六倍。先用 DeepSeek 再在测试失败时升级到 Luna 的级联方案解决 78.9% 的任务，每任务成本 0.385 美元，准确率高于 Luna 单用且成本更低。
匹配字段标题
NVIDIA 发布教程，介绍如何用 StarCoder2-7B NIM 在自有 GPU 上自托管编码助手，并在其前面部署 NeMo Guardrails 拦截认证、支付、加密等人工专属路径的请求。方案还包括带 ai-assisted 标签的 CI 校验门，运行单元测试、SAST、密钥扫描、幻觉依赖检测和许可证检查，以及通过 commit trailer 追踪 AI 辅助改动，并用 Prometheus 与 Grafana 对比 AI 辅助与基线的缺陷逃逸率、回滚频率和评审延迟。
匹配字段标题、摘要
Together AI 在 DeepSWE 基准上对比 Kimi K3 与 Claude Fable 5：Fable 5 在 xhigh 设置下 pass@1 为 69.9%，Kimi K3 max 为 68.5%，但 Kimi K3 在 pass@2（82.0 对 80.2）和 pass@4（89.4% 对 88.5%）上反超。成本方面，Kimi K3 每次 rollout 为 4.65 美元，Fable 5 为 13.41 美元，每 100 美元分别完成 14.7 与 5.3 个任务。Kimi K3 是 Moonshot AI 的开源权重模型，可自托管或通过推理服务商部署。
匹配字段标题
Sebastian Raschka 演示了如何用 Ollama、本地开放权重 LLM 和 Qwen-Code 搭建可读写文件、运行命令并验证修改的本地编码智能体。文章还介绍了安全审计、性能测试及 Codex、Claude Code 的接入方式；其小规模评测中，Codex 使用更少 token，而 Claude Code 在部分模型组合上取得更高任务成功率。
匹配字段标题、摘要
Together Inference Engine 在 Kimi K2.5 编码智能体负载下，以相同的 4× NVIDIA B200 硬件实现了比 TensorRT-LLM 高 31% 的 TPS，并在饱和时保持约 2 倍更优的 TTFT。测试采用约 45k–200k Token 的长提示词和平均 450 Token 的输出；SGLang 因 TP4 内存不足改用 8× B200。性能提升来自 ThunderMLA、定制内核重写及真实流量下的端到端分析。
匹配字段标题、摘要