GPT-6 Astra 數學基準測試領先，但軟件工程未居首
Epoch AI 的 ECI 比較顯示，GPT-6 Astra 在數學基準測試領先，但未在軟件工程領先。比較涵蓋 GPT-6 Astra、Claude Fable 5.1、GPT-5.6 Sol 和 Kimi K3，並以數學及軟件工程專項 ECI 評估模型能力；專項分數可與一般 ECI 比較。
#編碼
#編碼
今日 41 條Epoch AI：研究、數據與評測AI 評分4545
Pragmatic EngineerAI 評分7373 OpenAI 智能體軟件工廠的內部運作
OpenAI 圍繞 Codex 運作智能體軟件工廠，讓智能體參與編碼、測試、審查、部署及生產監控。Perf Factory 會整理告警與儀錶板、識別延遲回退並提出修復建議，部署智能體亦會監測變更相關訊號。Codex 帶來的程式碼增量令部分建置、測試及部署系統在約 6 個月內負荷增至約 10 倍，團隊因此重新思考 PR 和程式碼審查流程。
Factory 研究 / 產品AI 評分6060 Factory 融資 $200M，估值達 $5B
Factory 宣佈完成 $200M 融資，估值達 $5B，並將資金用於加快研究、產品及全球市場拓展。
OpenAI NewsAI 評分2929 Cognition 藉助 GPT‑6 Astra 助 Devin 測試並驗證自身成果
Cognition 藉助 GPT‑6 Astra 提升 Devin 測試軟件並驗證其可正常運作的能力。目標是讓工程師減少審閲程式碼，並交付更多成果。
Cursor Blog精選AI 評分7979 Cursor 推出 Projects，支援長週期多智能體工作
Cursor 推出 Projects，現正以 beta 階段逐步向所有用户開放，讓協調智能體承接跨月工作並委派子智能體。Projects 預設在雲端運行，需要時可切換至本地，並透過共享上下文及監聽 Slack 頻道、按計劃運行或跟進 PR 來主動處理工作。Cursor 表示，新用户合併 PR 數量提升 30%，而主要使用 Projects 的用户合併量達原來六倍。
推薦理由：Projects 將長週期工作的上下文累積、智能體委派和事件觸發整合起來，文中亦提供新用户與主要使用者的 PR 合併量數據。
Pragmatic EngineerAI 評分6161 Tibo Sottiaux 談 Codex 的構建與演進
Pragmatic Engineer 訪問 Codex 開發者、OpenAI Core Products & Platform 部門主管 Tibo Sottiaux，探討 Codex 的構建決策、演進及團隊使用方式。
Pragmatic EngineerAI 評分6363 AI 智能體生成程式碼激增後，程式碼審查有哪些新做法？
面對 AI 智能體生成更多程式碼和 PR 所帶來的審查量增長，各團隊採用不同流程，沒有適用所有團隊的單一方案。GitHub 數據顯示，三年間開啟的 PR 數量增至五倍，2025 年底增長加速，PR 和 commits 數量在當時幾乎翻倍。常見做法包括由人審核 AI 的程式碼審查結果、按變更風險決定是否人工審查，以及改為審查計劃、測試或資料庫 schema。
OpenAI NewsAI 評分2929 1Password 藉助 Codex 提升工程生產力 21%
1Password 的工程師使用 Codex 快速開發新功能和內部工具，工程生產力提升 21%。這些成果在維持嚴格安全政策的同時，已達到可投入生產環境的準備狀態。
OpenAI NewsAI 評分3232 研究加速：OpenAI 內部視角
OpenAI 內部的編碼智能體正重塑 AI 研究。早期數據涵蓋智能體使用情況、實驗速度、任務複雜度及研究加速。
GitHub Blog · AI & ML精選AI 評分6767 Project HydraFusion 以多模型編排提供前沿級品質
GitHub 推出 Project HydraFusion 研究預覽，以執行時多模型編排為編碼任務動態規劃模型工作流程。它會從不同供應商的模型中選擇 Single、Cascade 或 Critique 工作流程；所有 GitHub Copilot 方案用户可在 Copilot CLI 執行 `/experimental`，再執行 `/model` 選用 HydraFusion。
推薦理由：三項離線編碼基準呈現 HydraFusion 不同的品質與成本取捨，與 Claude Opus 5 的對照能幫助理解多模型編排在不同任務上的效益差異。
OpenAI NewsAI 評分5959 GPT-6 Astra：OpenAI 發佈新一代智能模型
OpenAI 推出 GPT-6 Astra，稱其為迄今最智能、最符合對齊要求的模型。OpenAI 表示，模型在電腦操作、編碼、網絡安全及科學領域具備最先進能力。
OpenAI：部署安全與系統卡AI 評分7373 GPT-6 Astra 系統卡公佈安全與能力評估結果
OpenAI 的 GPT-6 Astra 系統卡公佈模型安全與能力評估，將其生物與化學能力列為 High，並指出尚未達到 Critical。明確要求模型規避監測時，Astra 在 WMDP 的 CoT 監測召回率低於 11%，GPT-5.6 Sol 則接近 100%；在 Monorepo-Bench 中，Astra 的召回率降至零。
Google DeepMind精選AI 評分7676 Google DeepMind 發佈 Gemini 3.8 Flash 和 Gemini 3.8 Flash Cyber
Google DeepMind 發佈 Gemini 3.8 Flash 與 Gemini 3.8 Flash Cyber，並稱 Gemini 3.8 Flash 是其迄今推理與編碼能力最強的模型，速度和成本與 3.7 Flash 相同。
推薦理由：兩款模型共享基礎智能，普通版面向長程編碼與智能體任務，Cyber 版則限可信防守者使用，提供漏洞發現與修補能力。
Cursor BlogAI 評分7575 Cursor 推出自託管機器功能，讓雲端智能體在團隊自有機器上運行
Cursor 推出自託管機器功能，讓雲端智能體的工具執行可轉移至團隊自有網絡內的機器，而智能體的推理與規劃仍由 Cursor 雲端負責。團隊可用單機或資源池接入自有基礎設施，資源池會按排隊請求自動擴縮，並可透過快照讓閒置機器休眠及恢復。
Cursor BlogAI 評分5555 Nokia 藉助 Cursor 在兩週內分析超過 5000 萬行程式碼
Nokia 核心網部門表示，兩名工程師藉助 Cursor 在兩週內分析某條產品線超過 5000 萬行程式碼，無需自訂工具。分析為拆解單體架構、轉向分散式服務架構提供規劃依據，並據 Nokia 估算，數月內釋放十多名專家投入其他項目。Cursor 亦協助 Nokia 將新功能部署工作流約 80% 自動化及可視化，並把根因分析由數週縮短至數天。
OpenAI NewsAI 評分2121 loveholidays 如何藉助 Codex 讓公司各團隊都能參與軟件開發
loveholidays 使用 OpenAI Codex，讓公司各團隊更容易參與軟件開發。這有助團隊更快把想法轉化為產品。
IBM Research：AIAI 評分6060 IBM 發佈 Granite 4.2，為企業智能體帶來原生推理能力
IBM 發佈 Granite 4.2 語言模型，提供 3B、8B 和 30B 參數版本，並加入原生逐步推理與工具調用能力，面向企業智能體工作流程。模型基於 Granite 4.0 foundation models，採多階段強化學習；8B 和 30B 版本另經 agentic RL，並以 1 trillion tokens 的合成程式碼訓練，採 Apache 2.0 授權。
Hugging Face Blog精選AI 評分6464 Gradio gr.Workflow 如何編排、執行及部署 AI 工作流
Gradio 內置的 gr.Workflow 可把 AI 工作流表示為由帶類型節點組成的圖，並提供可拖放、逐節點執行及查看中間結果的畫布。節點可執行 Python 函數、調用 Hugging Face Inference Providers 模型或其他 Gradio Space，也可處理 Hub 數據集資料。
推薦理由：文章以多個可執行示例展示如何把模型、Python 函數與 Gradio Space 串成工作流，並讓節點輸出直接成為 API。
OpenAI NewsAI 評分3939 GPT-5.6 在 Kiro 中提升開發者的性價比
GPT-5.6 現已在 Kiro 中提供，協助開發者以更佳性價比規劃、建構、審查及測試軟件。
Pragmatic EngineerAI 評分5454 與 Addy Osmani 對談：從 Chrome DevTools 到 AI 工程
Gergely Orosz 訪問 Addy Osmani，回顧他從 Chrome DevTools、Core Web Vitals 到 AI 開發者體驗的工作歷程。
OpenAI News精選AI 評分6363 Replit 透過 GPT-5.6 Luna 擴大軟件創作入口
Replit 透過由 GPT-5.6 Luna 驅動的 Free Mode 擴大軟件創作入口。Free Mode 讓任何人把想法轉化為可運作的軟件，並稱毋須擔心 token 費用。
Pragmatic EngineerAI 評分5656 工程領導者職涯休整潮：近 20 位主管談離職與長期休假原因
作者訪談近 20 位正休職或認真考慮休假的工程領導者，整理高階主管離職或暫停職涯的常見原因。原因包括工作條件惡化、初創企業前景和股權轉差、難以累積 AI 經驗，以及團隊縮小令管理職需求下降。作者私下詢問的工程領導者中，6/10 表示正準備離開職位。
OpenAI NewsAI 評分5353 Asana 使用 Codex，將多年程式碼遷移工作縮至 2 週
Asana 使用 OpenAI Codex，在 2 週內替換一套過時的測試系統，並完成原需數年的程式碼遷移。此次使用的模型與基礎設施成本約為 $12K。
Cursor Blog精選AI 評分8282 SpaceX 正式完成對 Cursor 的收購
SpaceX 已正式完成對 Cursor 的收購，結束始於 4 月的收購流程。雙方當時宣佈合作以加速模型訓練；Cursor 表示，與 SpaceX 攜手後可使用全球最大的 GPU 集羣，打造更強且運行成本更低的模型。Cursor 稱，星期三發布的 Grok 4.6 初步展示雙方共同打造的成果，並表示 Cursor 將成為讓這類智能發揮實用價值的場域之一。
推薦理由：這則消息把 Cursor 的收購與模型建設所需算力、降低成本的計劃放在同一脈絡中，Grok 4.6 被列作初步成果。
Cursor BlogAI 評分5555 Firetiger 團隊加入 Cursor，推進編碼智能體與上線後監控協同
Firetiger 團隊將加入 Cursor，其智能體可監控軟件發布、發現回歸、調查事件，並把發現反饋給編程智能體。Cursor 表示，雙方會讓這些系統更緊密協同，使智能體能交付變更、觀察其表現，並在問題出現時響應。相關工作還包括為智能體時代打造的 Git forge Cursor Origin，以及即將推出、會監控已部署變更並在問題出現時標記的 Change Monitors。
Google DeepMind精選AI 評分7171 Google DeepMind 發佈 Gemini 3.7 Flash，提升編碼與智能體工作流表現
Google DeepMind 發佈 Gemini 3.7 Flash，稱其在編碼、知識工作及網頁開發工作流上較 Gemini 3.6 Flash 有所提升。
推薦理由：文章列出 Gemini 3.7 Flash 在編碼、網頁開發和複雜文件基準上的對比數據，並交代入門價格，便於衡量效能與成本取捨。
OpenAI NewsAI 評分2424 RingCentral 如何從工程到營運打造 AI 原生工作模式
RingCentral 使用 ChatGPT Work 和 Codex 加速 AI 產品開發，並集中工程與營運部門的營運情報。相關應用涵蓋工程至營運。
Cursor BlogAI 評分7171 Grok 4.6 介紹：聚焦長時間運行的智能體與複雜互動、視覺工作
Cursor 與 SpaceXAI 共同發佈 Grok 4.6，該模型基於 Grok 4.5，重點面向長時間運行的智能體及更複雜的互動和視覺工作。它在多項智能體編程和知識工作基準測試中展現前沿智能水平，並在由九項基準測試構成的 Artificial Analysis Intelligence Index 上與 GPT-5.6 Sol 持平。
Sarvam AIAI 評分6868 Sarvam AI 在 Sarvam Epoch 公佈多款模型更新及 AI 產品
Sarvam AI 在 Sarvam Epoch 公佈 Sarvam 105B 的對話及工作智能體版本，並介紹 Sarvam Vision 2.0、Saaras V4 和研究預覽版 Bulbul V4。
Cursor BlogAI 評分6969 Cursor 如何搭建雲端智能體環境
Cursor 分享了為雲端智能體搭建開發環境的方法，讓雲端 VM 貼近本地開發，並支援智能體測試程式碼及維護環境。團隊以 Dockerfile 配置依賴，以 anydev 簡化服務啟動，並透過 Cursor Cloud MCP 和 Cloud Doctor 診斷、修復環境及改善工作流。去年 12 月，合併到 Cursor 單體倉庫的 PR 中約十分之一由雲端智能體編寫，如今已超過一半。
OpenAI NewsAI 評分2424 智能體 AI 時代的科學計算
科學家正運用 AI 編碼智能體推動科學計算現代化，加快基因組學及其他領域的軟件開發與發現。
Anthropic：Claude.dev 開發者博客AI 評分7272 Claude 5 世代模型的上下文工程新規則主張減少限制並按需載入指引
Thariq Shihipar 分享 Claude 5 世代模型的上下文工程新規則，主張減少限制並按需載入指引。Anthropic 團隊為 Claude Opus 5 和 Claude Fable 5 將 Claude Code 的系統提示詞削減逾 80%，編碼評測未見可測量的表現下降。
Google DeepMind精選AI 評分7878 Google DeepMind 發佈 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber
Google DeepMind 發佈 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber，涵蓋智能體工作流、低延遲高吞吐任務及網絡安全場景。
推薦理由：文章列出 3.6 Flash 與 3.5 Flash-Lite 的速度及成本指標，並説明 Cyber 模型將透過有限試點提供，呈現不同工作負載的部署差異。
Google DeepMind精選AI 評分6565 Google DeepMind 發佈 Gemini 3.5 Flash Cyber 網絡安全模型
Google DeepMind 發佈 Gemini 3.5 Flash Cyber，這款基於 3.5 Flash 並經微調的輕量網絡安全模型，旨在快速發現、驗證及修補漏洞。
推薦理由：V8 JavaScript Engine 的固定調用測試提供了具體比較，Gemini 3.5 Flash Cyber 找到 55 個獨特確認問題，主線 3.5 Flash 與 Claude Opus 4.6 分別找到 47 個和 36 個。
OpenAI NewsAI 評分2727 Codex 如何成為 OpenAI 創意團隊的協作夥伴
OpenAI 的創意團隊運用 Codex 和上下文感知 AI 建構自訂創意工具、加快構思，並更快製作原型。
AI as Normal TechnologyAI 評分6262 Arvind Narayanan 在 ICML 主題演講追問：AI 時代還有哪些工作留給人類？
Arvind Narayanan 在 ICML 主題演講中主張，AI 會逐步改變並重組工作，但不會因實驗室內某個能力里程碑而突然令所有人失業。他以 AI as Normal Technology 框架概括能力、產品、早期採用和適應四個階段，認為工作結構的適應最慢，需時數十年。他預期 AI 會令工作重心由建造系統轉向評估、判斷與引導，並主張培養與 AI 互補的技能及維持使用上的自主掌控。
OpenAI NewsAI 評分2929 OpenAI 分析 SWE-Bench Pro 編碼評測中的訊號與雜訊
OpenAI 的新分析指出，熱門編碼基準 SWE-Bench Pro 存在問題，引發對 AI 模型評測可靠性與準確性的疑慮。
OpenAI NewsAI 評分2626 Australian Payments Plus 藉助 ChatGPT 和 Codex 加快應對支付業務複雜性
Australian Payments Plus 使用 ChatGPT Enterprise 和 Codex，加快應對支付業務的複雜性。AP+ 節省時間、改善品質，並以人類判斷為核心。
Mistral AI精選AI 評分6363 Mistral AI 發佈 Leanstral 1.5，強化 Lean 4 形式化驗證
Mistral AI 發佈 Leanstral 1.5，這款 Apache-2.0 授權模型總參數量為 119B、活躍參數為 6B，面向 Lean 4 形式化驗證。
推薦理由：文章不只列出形式化數學基準，也以 AVL 樹複雜度證明及 57 個程式庫的漏洞排查，呈現 Leanstral 1.5 將定理證明延伸至實際程式驗證的應用。
Hugging Face BlogAI 評分5050 ScarfBench：企業 Java 框架遷移 AI 智能體基準測試
Hugging Face 推出開放基準 ScarfBench，評測 AI 智能體遷移企業 Java 框架的能力。它涵蓋 Spring、Jakarta EE、Quarkus，包含 34 個應用程式、102 個框架實作及 204 項遷移任務，並驗證建置、部署和行為。現有最強智能體的行為成功率低於 10%，Jakarta EE 遷移尤其具挑戰。