Hugging Face Daily Papers6565CrossSWE: 测试跨仓库联合开发的大语言模型基准
CrossSWE 基准测试当前大语言模型在跨仓库联合软件开发中的跨仓库一致性，包含 171 个实例，涵盖 165 个仓库、20 个技术领域和 13 种编程语言，评估显示最强的 GPT-6.1 Sol 仅达 58.48% Pass@1，跨仓库不一致是主要失败模式。
实时
#编码
- Hugging Face Daily Papers6565
The Decoder精选7474OpenAI 称 GPT-6 Astra 在不到一周内从零设计出一款硬件设备。
OpenAI 称其硬件团队用 GPT-6 Astra 设计了一款可与 Codex 编码智能体对话的设备，作为副项目在不到一周内完成。Astra 承担了外壳设计、含元件选型与走线的 PCB 布局、固件和用户界面等全部环节，代工厂在不到一个月内产出小批量原型，但因 Astra 未总能考虑制造约束、公差和装配细节，经历了几轮修改。
推荐理由: OpenAI 公布了 GPT-6 Astra 端到端完成硬件设计的流程，也指出了它在制造约束上的短板。
OpenAI NewsChatGPT 和 Codex 如何加速物理世界的工程设计
ChatGPT 和 Codex 正帮助工程师加速 CAD、PCB 设计、仿真等物理世界工作流
Google Developers Blog5858使用廉价分类器路由 Google Gemini 模型以降低推理成本
TypeSafe 的 Jev 分类器可路由任务至最经济的 Gemini 模型，50 题测试显示其准确率达 96%，优于 93.8% 的 Python 正则启发式方法；设置推理模型 MaxOutputTokens 限制并不能节省成本，反而可能中断复杂任务推理。
- Hugging Face Daily Papers6565
SWE-Trail：面向编码智能体训练的历史引导轨迹收集方法
SWE-Trail 通过利用过去的执行轨迹指导后续探索，但不向编码智能体暴露历史信息，从而提升了编码智能体训练的轨迹收集效果。该方法在 SWE-bench Multilingual 和 SWE-bench Pro 上，使用 124B 参数的学生模型，分别使平均问题解决率提升了 2.33 和 1.60 个百分点。
Hacker News · 300+ 热帖3737 Show HN: Hacker Times，一个受纽约时报启发的 Hacker News 版本
Hacker Times 以报纸风格布局呈现 Hacker News 故事，链接原始来源并每小时更新。该项目由 Andrej Karpathy 参与，旨在提供不同于传统浏览体验的阅读方式。
MarkTechPostZyphra AI 推出 Zyphra 层次注意力 (ZHA)：通往真正亚二次方注意力的路径
Zyphra AI 发布了 Zyphra 层次注意力 (ZHA)，一种基于树状索引器的稀疏注意力方法，旨在解决稀疏注意力中索引器仍需扫描整个上下文的已知问题。ZHA 可蒸馏到约 4B token 的冻结预训练模型中，在 Qwen3.6-35B-A3B 上，其推理、智能编码和 256K 检索基准测试中接近密集注意力。
- MarkTechPost
The Letter Company 发布 Letterpress-1：专为增长工程打造的编码智能体
The Letter Company 发布 Letterpress-1 编码智能体，通过读取网站及其市场数据生成代码变更并提交 Pull Request。该智能体运行在 Letter 的托管平台，无需本地 GPU，每项变更需用户确认预览后才能部署。基础版定价 $100/月，包含 10,000 tokens，超出部分按列表价的 5 倍计费。
Apple Machine Learning Research注意Mamba：一种跨架构蒸馏的配方
苹果研究人员提出一种跨架构蒸馏配方，将基于Attention的模型蒸馏至Mamba架构，蒸馏后的Mamba模型困惑度达14.01，接近教师模型的13.86，并在下游任务中表现良好。
- OpenAI News
Qodo 将公司知识与编码标准整合 Codex，在 AI 代码评审中构建上下文
Qodo 将公司知识与编码标准整合 Codex，在 AI 代码评审中构建上下文；帮助开发者跨仓库在打开拉取请求前捕捉 P0 问题
- Hugging Face Daily Papers3434
OSWAM：一种高效的单步行动生成世界行动模型
OSWAM 通过使用结构化想象标记初始化扩散过程，并将未来条件特权信息蒸馏到单个去噪步骤中，实现了自动驾驶和具身控制中的实时高质量行动生成。该模型仅需一步扩散即可生成高质量行动，比需要数十步的去噪过程直接策略世界行动模型（WAM）快约 3 倍，在 NVIDIA RTX 5090 GPU 上实现低至 40ms 的延迟，支持实时编译推理。
- Hugging Face Daily Papers6565
HiFOR：一种用于视觉语言行动模型的层级预见框架
HiFOR 通过层级预测未来状态并检索相关未来信息来指导行动生成，提升机器人操作能力。该框架通过层级依赖掩码（HDM）联合预测短期状态演变、语义里程碑和最终目标状态，建立跨时间范围依赖关系；结构感知潜在世界建模沿时间、视角和空间维度组织未来潜在表示，促进细粒度检索；行动引导分解世界检索根据去噪过程中的行动表示自适应检索相关未来信息，为行动生成提供针对性指导。
- MarkTechPost5858
qwenGPU：将 Qwen3.5-2B 与 45 编译 GPU 层结合的实验模型
qwenGPU 是开发者 Vixhal 在 GitHub 上发布的实验模型，将 45 个编译的 GPU 层直接嵌入 Qwen3.5-2B 的权重中，使其在自身前向传递中运行真实 CUDA。
IT之家 · AI同新闻7272美团龙猫发布 LongCat-2.5 原生多模态模型，1.6T 参数面向长程智能体任务
美团龙猫发布面向长程智能体任务的原生多模态模型 LongCat-2.5，总参数量 1.6 万亿，每个 token 激活约 480 亿参数，在 LongCat-2.0 基础上强化原生视觉理解与智能体编程能力。
Codex releases00GitHub Copilot 0.167.0-alpha.2 发布
GitHub Copilot 0.167.0-alpha.2 发布，该 AI 编码智能体用于任务、项目和自动化工作，提供代码审查、质量分析、安全漏洞检测等功能。
- MarkTechPost6060
DeepSeek 开源 dsh-superagent，一个路由-工作器编码智能体
DeepSeek 发布了 dsh-superagent，一个 MIT 许可的主动编码智能体原型，v0.1.0，通过路由器分发任务至隔离的工作器会话执行，模拟测试 p95 任务完成时间 15.7 分钟。
OpenRouter Blog6060使用 OpenRouter 构建 AI 代码审查器
使用 OpenRouter Responses API 构建的 AI 代码审查器可在提交前检查 Git 代码变更中的错误和安全问题，审查过程平均耗时 1-4 分钟，费用介于 $0.015 至 $0.045 之间。
- IT之家 · AI5858
商汤开源 SenseNova Loop-9B-Preview，宣称媲美 27B 参数大小模型
商汤科技开源 SenseNova Loop-9B-Preview 模型，采用 Looped Transformer 架构，在仅 9B 参数规模下媲美 27B 模型，并在代码生成、办公场景和智能体任务中优于其他模型，包括超过 Qwen3.5-27B
- Hugging Face Daily Papers同一件事 · 2 家4545
Co-Design Bench: 多模态协作编码评测基准用于智能体模型
Co-Design Bench 基准包含 273 个任务和 2,331 项专家编写的验收标准，源自 26,314 次真实用户编码会话。在 10 个模型端点上，gpt-6-astra 平均通过每项任务 69.9% 的标准，但仅 26.4% 的任务完全满足；Qwen3.8-27B 总体严格完成率 64.4%，在仓库编辑子集排名第二。
- MarkTechPost精选同一件事 · 2 家7171
Factory发布Droid 1.0编码智能体框架，默认启用程序化工具调用
Factory发布Droid 1.0，这是其Droid智能体框架迄今最大的一次更新，核心变化是程序化工具调用默认开启，模型改为编写JavaScript程序在沙箱中运行工具，一次模型请求可驱动数百次工具调用。
同一件事 · 2 家各家口径不同：Factory News 表示模型可以在一次请求中执行数百次工具调用；MarkTechPost 提到模型请求驱动数百次工具调用。
Baseten Labs6565Base Labs 研究发现价值函数在强化学习中的计算效率
Base Labs研究发现价值函数在强化学习中的计算效率通常不值得，因为它产生的梯度噪声减少量往往小于训练成本。在单轮任务中，完美价值函数最多能消除40-60%的优势方差。唯一可能受益的情况是使用小型价值头，但收益可能微乎其微。PPO批评家与GRPO在相同步数下表现相当或更差，而一些研究通过在组上添加批评家或使用组相对奖励机制实现了对GRPO的改进。
- MarkTechPost精选7171
微软与加州大学伯克利分校发布TokenEconomizer插件，编码智能体成本最高降低30.9%
Microsoft Research 与 UC Berkeley 的研究团队发布开源成本控制器 TokenEconomizer，可在不改动模型权重和智能体代码的前提下降低编码智能体开销。
推荐理由: 原文给出插件在 277 个 SWE-Bench 任务上的成本降幅与 Pass@1 变化，可据此判断它对编码智能体工作流的影响。
- Hugging Face Daily Papers5858
JEPAs证明并改进了柏拉图表征假说
JEPAs在对齐的多模态观测上联合嵌入预测架构，比下一词预测更高效地收敛到共享表征，证明是正向视图设计而非规模本身驱动跨模态对齐。
- Hugging Face Daily Papers4242
WorkFactory：通过信息规划与修复将专业意图转化为可执行任务以实现可扩展智能体训练
WorkFactory通过信息规划与修复构建连贯的专业任务，产出WorkPilot模型，在专业工作基准测试中提升专家级智能体表现。该框架从专业意图出发，构建信息支持图指导任务实例化，并通过探测执行识别支持失败并指导修复，同时保留预期工作。
- Hugging Face Daily Papers5252
WeVisCut：从旁白到长视频的一体化智能剪辑代理
WeVisCut 通过训练一个 9B 参数的紧凑策略，协调视频编辑工具、从失败中恢复并减少 token 使用量，同时保持输出质量。该系统采用四阶段数据管道，结合编辑反演和验证重放，从 3,750 个成品视频中生成超过 130K 个训练示例，用于训练单一策略。
- Hugging Face Daily Papers3838
Soft-MTP 通过 KL 恢复技巧实现高质量多标记预测
Soft-MTP 通过 KL 恢复技巧去除多标记预测（MTP）中的噪声梯度残差，在不增加成本的情况下提升困惑度、推测解码和推理能力。
OpenHands Blog3838OpenHands 如何设置 AI 代码审查代理
OpenHands Agent Canvas 可在分钟内设置 AI 代码审查代理，自动审查 GitHub 拉取请求并遵循编码标准。代理使用 OpenHands 的 `code-review` 技能，优先识别影响生产的逻辑错误、安全漏洞、性能回归和缺失用例，避免次要格式问题，直接在 GitHub PR 中发布包含问题、严重性和建议修复的反馈。
Factory News精选同一件事 · 2 家7878Factory 发布 Droid 1.0：面向企业开发的智能体 harness
Factory 发布 Droid 1.0，这是其智能体 harness 的大版本更新，默认启用程序化工具调用（Script 模式），模型可写 JavaScript 在沙箱中一次请求内执行数百次工具调用。
同一件事 · 2 家各家口径不同：Factory News 表示模型可以在一次请求中执行数百次工具调用；MarkTechPost 提到模型请求驱动数百次工具调用。
推荐理由: 原文给出 Droid 1.0 在 Terminal-Bench 4 上对比 Codex、Claude Code 等 harness 的成本与耗时数据，可用于判断 agent harness 的选型。
AWS Machine Learning Blog5555使用 Kiro 构建 PHP 到 Java 的可重复迁移引擎
Kiro 将 AI 代理与代码库结合，通过可重复的八阶段工作流程将 PHP 应用迁移至 Java，支持开发者交互式审核或 AWS Transform 自动化处理，共享技能文件实现方法论统一。
Meta Engineering精选6666Meta 将 JiTTesting 投入生产：用 LLM 生成测试在代码合入前抓 Bug
Meta公布Catching JiTTests已在内部投入生产，用LLM为待合入的diff自动生成可执行测试，在代码落地前暴露行为差异
推荐理由: Meta 公开了 JiTTests 的生产部署细节与量化结果，可供评估 LLM 生成测试在超大规模代码库中的落地方式。
- The Decoder
法国 Mistral 发布 "Le Chonk"，编码能力强劲但仍落后于中国模型
Mistral 发布其最大模型 Mistral Large 4，在编码任务上领先开源对手，但在整体排名中仍落后于中国模型。该模型拥有约 1 万亿参数，每步 520 亿参数，运行需 8 个 Nvidia B300 GPU。
Hacker News · AI 热帖6565无 AI 辅助，52 分钟手写 C 语言构建所有 Linux 文件工具 [视频]
一名开发者用 52 分钟手写 C 语言构建了所有 Linux 文件工具，未使用 AI 辅助，并发布了相关视频。
Mistral AI精选8282Mistral 发布万亿参数开源模型 Mistral Large 4（Le Chonk）
Mistral 发布旗舰万亿参数原生多模态模型 Mistral Large 4（Le Chonk）的开放权重版本，此前已公开预览三周。
推荐理由: 官方给出万亿参数开源模型的编码、安全与推理效率数据，以及权重下载和自托管路径。
- Hugging Face Daily Papers6565
Sensorimotor Alignment：一种基于感知运动对齐的具身智能体成功代理指标
Sensorimotor Alignment (S²) 指标发现具身智能体的视觉与运动表征对齐程度与其任务成功率正相关，验证了柏拉图表征假说在机器人领域的适用性。在模拟与真实机器人测试中，高 S² 的模型（如 Vision-Language-Action 和 World Action Models）表现更优，且能解释 VLA 模型忽略指令而依赖视觉特征的现象，可作为低成本离线代理指标。
量子位分子之心MMDesign在AI制药领域取得突破性进展
分子之心AI蛋白质从头设计平台MMDesign完成18个设计项目，成功率94.7%，其中六个GPCR靶点全部命中，最优亲和力达纳摩尔级；平台通过“生成-筛选-验证”工作流，在计算空间生成数万个候选分子后，仅测试9-50个即获成功，整体候选命中率30.7%，展现出高效精准的分子设计能力。
ByteDance Seed · Hugging Face 新模型ByteDance-Seed/GenFirst 发布：一种用于稳定端到端潜在生成建模的生成前置重建方法
ByteDance-Seed/GenFirst 训练一个潜在 VAE 并联合一个生成先验，避免通常使端到端训练不稳定的潜在崩溃。该方法的两个阶段计划用于先验和熵权重：第一阶段让先验塑造潜在几何形状，第二阶段将两者权重十倍降低，使解码器恢复细节。
- Codex releases00
GitHub Copilot 0.166.0-alpha.6 发布
GitHub Copilot 发布 0.166.0-alpha.6 版本，未提及具体更新内容。
- IT之家 · AI精选同一件事 · 5 家8585
谷歌发布 Gemini 4 Carbon，主打网络安全并登顶 Artificial Analysis 智能指数
谷歌正式发布新一代前沿大模型 Gemini 4 Carbon，主打顶尖网络安全能力与长程任务处理，在 Artificial Analysis Intelligence Index v5.0 中以 59 分排名第一。
- MarkTechPost精选同一件事 · 5 家8080
Google DeepMind 发布 Gemini 4 Carbon，主打网络安全防御与编码
Google DeepMind 推出 Gemini 4 Carbon，称其为面向长周期智能体编码与网络安全防御的前沿模型，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
Replit BlogViBench 2.0：一个用于长时程软件构建的基准测试
ViBench 2.0 发布，用于评估模型在长时程软件构建中的能力，包含 17 个产品、241 个功能请求和 544 个测试计划，顶级模型 GPT-6.1 Sol。
