Amazon SageMaker AI 为编程 Agent 推出生成式 AI 推理优化技能 aws-ai-ml
Amazon SageMaker AI 通过 Agent Toolkit for AWS 推出 aws-ai-ml 技能，为编程 Agent 赋予生成式 AI 推理优化与基准测试能力。
#编码
#编码
今日 1 条AWS Machine Learning BlogAI 评分4848 AWS Machine Learning BlogAI 评分3434 用 Claude Code 与 Amazon Bedrock 加速受监管工作负载
AWS GovCloud (US) 的 Amazon Bedrock 现已上线 Claude Opus 5.5 与 Claude Sonnet 5.5，支持结合 Anthropic 智能体编程工具 Claude Code 处理受监管工作负载。
Together AI Blog精选AI 评分7070 Together AI 推出 Together Link：一键将现有编码智能体接入开源模型
Together AI 推出 Together Link 工具，支持开发者通过单条命令将现有编码智能体直接接入平台上的开源模型，官方称可降低超过 50% 的模型支出。该工具适配 Claude Code、Claude Desktop、Codex 等环境，内置 Together AI Router 能够根据会话首个任务自动在轻量模型与前沿模型间分流，同时保留各工具的原生设置与登录状态。
推荐理由：该工具允许现有编码智能体无缝切换至开源模型并按任务复杂度动态路由，为工程团队降低闭源模型开销提供了直接落地路径。
GitHub Blog · AI & ML精选AI 评分6565 GitHub 推出 AI 代码审查开源评测基准 ReviewBench
GitHub 发布面向 AI 代码审查智能体的开源离线基准 ReviewBench，基于 1.039 亿真实拉取请求分布抽样构建了覆盖 19 种语言的 219 个公开拉取请求测试集。
推荐理由：ReviewBench 基于真实拉取请求分布构建，提供了与线上生产表现一致的离线评测信号，有助于客观比较代码审查智能体的实际表现。
Cloudflare BlogAI 评分3636 Cloudflare“1.1.1.1 实习生计划”一年进展：AI 赋能早期人才的实践成果
Cloudflare 总结其招募 1,111 名实习生项目的一年进展，目前已在 9 个办公室的 48 个团队接纳了 750 名实习生。实习生借助 AI 加速研发并交付实际业务，包括将存储占用缩至三分之一的 Cache Transcoding、EmDash 1.0 以及抗量子工具 CryptoLabe 等。公司强调 AI 显著缩短了交付周期，未来将继续推进该人才计划。
arXiv stat.MLAI 评分4343 GTDD：面向 AI 编码智能体的对抗式生成测试驱动开发
研究者提出面向 AI 编码智能体的生成测试驱动开发（GTDD）框架，通过独立测试智能体在候选实现确定后对抗生成新测试输入。受信任评估器将精简的反例反馈给编码智能体并留存为回归测试，使系统持续暴露初始测试集之外的缺陷。在有状态键值存储实验中，开发期间重新生成测试的策略平均故障率低于单次生成测试的策略。
arXiv cs.AIAI 评分4444 通过 Recursive Self-Rewrite 扩展复杂任务轨迹
研究团队提出 Recursive Self-Rewrite（RSR）框架，基于 Qwen-3.8-27B 将多样环境下的复杂任务求解经验重构为通用训练轨迹。该方法通过规划器、审核器与执行器，将 2,001 条源轨迹扩展为 11,094 条重写轨迹用于 SFT 微调。
arXiv cs.AIAI 评分4343 Law&Order：税法自动形式化的神经符号框架
研究提出神经符号框架 Law&Order，可将税表与填报指南自动形式化为可执行的符号程序。该方法结合大语言模型合成、单元格级验证以及基于 OpenTaxSolver 的局部迭代错误修复机制。在 51 份独立的测试集 TaxCalcBench 申报表上，最先进 LLM 准确率仅为 66%，而 Law&Order 实现了 100% 的单元格级和表单级准确率。
arXiv cs.AIAI 评分4949 VERSE：面向 AI 智能体 Harness 的可验证自演化优化器
研究者提出面向 AI 智能体 Harness 的优化器 VERSE，在保持模型权重不变的前提下，通过基于执行的验证机制让优化器同步迭代自身的工具与流程并改进执行器。在保留的 SWE-rebench 任务与 5 种语言的分布外任务中，VERSE 产出的最佳 harness 准确率分别达 42.3% 和 37.7%，显著超过最强基线的 39.2% 与 29.3%。该项目相关代码已开源。
arXiv cs.AIAI 评分4343 世界编辑：在可执行世界中进行更深层次的干预
研究团队提出世界编辑（World Editing）概念与基准 IGMBench，通过游戏模组评测 AI 智能体干预可执行世界的能力。IGMBench 涵盖 Minecraft 与 Terraria 的 110 项任务及超 1.1K 个可执行标准，前沿编程智能体最强配置达成 78.2% 的严格任务级解决率。评测显示编辑可靠性随干预深度增加而下降，且所有配置的联合视觉通过率均低于 50%。
arXiv cs.LGAI 评分4646 OpenGameEval：在有状态游戏引擎中评测智能体编程与探索能力
OpenGameEval 是一个在 Roblox Studio 中评估 AI 智能体游戏开发与探索能力的基准框架，现已以 MIT 协议开源。该基准提供 8 种操作工具以分离观察与编辑行为，并在 84 个核心任务上评测了 13 个前沿模型。结果显示最佳模型单次通过率为 51.7%，且提前检查目标对象的探索行为在纯场景任务中使通过率高出 13.4 个百分点。
arXiv cs.LGAI 评分3838 合成还是召回？评测 LLM 的算法代码检索能力
新基准 AlgoREval 包含 14 个领域、7 种编程语言下的 77 个经典算法共 599 道题，用于评测 LLM 复现已知算法的参数化代码检索能力。在 zero-shot 下对 15 个 7B–34B 参数模型测试显示，各语言和输入表示间的检索准确率差异显著。提示词增强、SFT 与 GRPO 能有效提升表现，研究也提示 AI 算法代码须经系统性验证。
arXiv cs.LGAI 评分3737 LeanPolish：面向 Lean 证明压缩的形式验证监督
LeanPolish 推出面向 Lean 4 证明压缩的符号化流水线，并发布 33,402 条验证通过的局部编辑与 65,596 条失败尝试数据。基于该数据训练的排序器在 70.1% 的保留状态中选出最佳候选，优于冻结基准的 36.9%。
GitHub Blog · AI & MLAI 评分4242 GitHub：AI 正在改变开发者工作，需强化的 3 项核心技能
GitHub 指出 AI 正在改变开发工作，建议开发者重点强化引导 AI 智能体、严格评审生成内容以及聚焦高阶技术决策三项技能。在多 Agent 工作流中，开发者可使用第二模型（如 GitHub Copilot 内置的 Rubber Duck agent）交叉评审代码方案以弥补盲区。节省实现时间后，工程师应将精力投入架构权衡、系统设计与需求验证等关键决策中。
arXiv cs.AIAI 评分3939 OSCAR 框架：运筹优化建模中的大语言模型梯级路由机制
研究者提出运筹优化建模框架 OSCAR，通过离线模拟器验证决策并在多款大语言模型间执行梯级路由搜索。在 5 个基准问题上，OSCAR 仅采用两款可单 GPU 本地部署的小型开源权重 LLM 即可达到 95% 至 100% 的准确率，且平均 token 成本显著低于 Codex 与 Claude Code（二者成本分别是 OSCAR 的 3.1 倍和 5.8 倍）。
arXiv cs.AIAI 评分4141 Incident-Arena：让智能体迈向极高可靠性
研究团队推出 Incident-Arena 基准，用于评估 AI 智能体在生产环境中的故障响应与 SRE（站点可靠性工程）能力。该基准包含在临时 Kubernetes 集群中部署的 20 个真实任务与功能验证机制，智能体测试平均耗费 2.81M tokens 与 41 轮交互。评测显示前沿模型得分均低于 64.3%，失败原因涵盖诊断定位错误、修复不完整与不安全回归。
arXiv cs.AIAI 评分3232 Rules to Tools：科学计算中 LLM 智能体的可执行检查
Rules to Tools（R2T）为科学计算中的 LLM 智能体提供预置可执行检查工具，将代码修复表现从纯文本规则的 26/30 提升至 29/30。在 SciCode 测试中，工具组分别取得 15/16 与 7/10 的修复表现，优于纯文本组的 13/16 和 3/10。在匹配的 PDE 对比中，检查工具取得 24/24 修复表现并减少 31.2% 的模型输出，但公共 CPU 消耗有所增加。
NVIDIA Blog精选AI 评分7979 NVIDIA GPU 如何加速 OpenAI 的 GPT-6 Astra Ultrafast
OpenAI 推出的 GPT-6 Astra Ultrafast 已上线 API，依托 NVIDIA Blackwell GPU 架构及专属推理优化，token 生成速度最高达到 Astra Standard 模式的 8 倍。
推荐理由：文章展示了通过模型优化 GPU 内核实现提速的路径，有助于理解硬件协同对智能体多轮调用的延迟改善。
AWS Machine Learning BlogAI 评分3939 基于 Amazon Bedrock AgentCore 智能体 AI 扩展云迁移规模
AWS 介绍了基于 Amazon Bedrock AgentCore 的四智能体架构模式，在超 300 款应用迁移项目中将单应用 IaC 开发时间从 3 至 4 周缩短至数分钟。该方案基于 Strands Agents SDK 与 MCP 工具构建，包含 Intake、IaC、治理及 SRE 智能体，可与 AWS Transform 及 AWS DMS 协同覆盖企业定制化迁移与运维需求。
Apple ML ResearchAI 评分4646 RLTL;DR：通过内化自生成反馈实现自我改进
强化学习方法 RLTL;DR 通过让模型在失败后生成单条 TL;DR 洞察并内化映射，实现无解题示例下的自我改进。在 Pass@128 = 0 的高难任务中，该方法使 Qwen 3.5 9B Thinking 的 Pass@1 从标准 GRPO 的 0%–1% 提升至评测无洞察时的 12%–13%。仅用 4k 个（任务, 洞察）元组训练的 SFTL;DR 也几乎复现了全量 rollout 的性能。
Apple ML ResearchAI 评分5454 Apple 与 EPFL 探究强智能体在自主机器学习工程中对复杂脚手架的依赖
Apple 与 EPFL 联合研究发现，在相同时间预算和前沿大语言模型底座下，开源复杂智能体架构相比仅具备读写与 bash 原语的极简编码智能体并无优势。系统性消融实验表明多智能体编排等复杂机制在编码智能体场景中存在冗余，当前自主机器学习工程基准上的性能主要由大模型底座驱动，在外层手工搭建复杂框架的投入产出比较低。
Cloudflare Blog精选AI 评分6363 Cloudflare 宣布 Git 文件系统 Artifacts 进入公测并推出开发者竞赛
Cloudflare 宣布专为 AI 智能体设计且支持 Git 的版本化文件系统 Artifacts 进入公开测试阶段，并面向开发者举办构建新一代 Git 平台的竞赛。
推荐理由：文章展示了如何将代码仓库转化为可编程基础设施，为多智能体协同开发提供了基于事件驱动与操作接口的实践路径。
Cloudflare Blog精选AI 评分6363 Cloudflare 开放全托管版 Cloudflare OS 候补名单，支持智能体连接代码库与办公套件
Cloudflare 宣布开放全托管版 Cloudflare OS 部署的候补名单，支持企业在控制台一键启动连接内部数据与系统的智能体工作空间。该平台同步新增多项能力，支持直接挂载 GitHub 仓库并由智能体查改代码或提交 PR，深化 Google Workspace 的邮件与网盘调用，并新增导出为 Excel、PDF、CSV 等格式支持。
推荐理由：全托管模式降低了此前开源版需要企业自行部署运维的门槛，配合代码库与办公套件打通进一步补齐了日常工作流闭环。
arXiv cs.AIAI 评分4242 自进化算法设计智能体：通过群体精选策略优化打破上下文进化停滞
研究者提出群体精选策略优化（PCPO），通过学习自生成算法实现参数自进化，解决算法设计智能体的上下文进化停滞。在 EDA 任务中，仅在 4 个芯片案例上训练的 8B 基础模型 PCPO 跨 16 个案例超越 OpenEvolve，表现媲美 GPT-5.5。该方法不仅降低了推理 token 成本，还在 4 个 GPU kernel 设计上比 PyTorch Eager 基线平均加速 8.27x。
arXiv cs.AIAI 评分4040 Code to Control：合成参数化反应式控制器
Code to Control 提出了一种由 LLM 合成 Python 控制器结构、并通过无导数搜索拟合连续控制参数的方法，直接作为策略执行。生成的控制器在决策时无需 LLM 推理或规划，动作选择速度快于 PPO 策略。在 Atari、Flappy Bird 和 MuJoCo 任务中，其表现优于基于规划的程序合成方法，且所需环境交互更少。
arXiv cs.AIAI 评分3636 ChartRevise：基于代码的精确图表编辑数据集与评测协议
ChartRevise 是用于代码精确图表编辑的数据集与评测协议，涵盖 20 种图表类型、3 个绘图库及 344 种编辑类型的 92,438 条记录。该无参考协议分别检测需求完成度、无端变更与遗漏更新，并结合代码执行和渲染判定精确编辑成功。在 5 个模型与 4 个外部基准上微调后，平均需求召回率相对提升 16%，平均精确编辑率提升 22%。
arXiv cs.AIAI 评分3737 面向自进化程序的组件感知反馈机制
针对大语言模型引导程序进化搜索中缺乏组件级修改归因的问题，研究者提出了组件感知反馈机制，通过归因记忆记录各组件修改及其带来的指标变化。在 12 个 BRIGHT 数据集的重排序测试中，该方法仅用最强基线 1/3 的中位数搜索预算即可达到同等质量，最终测试集 nDCG@10 提升 7.2%，并在成本感知目标下单查询 token 消耗减少 11%。
arXiv cs.AIAI 评分3535 通过上下文选择与目标加权微调扩散大语言模型
研究者提出离散扩散大语言模型微调方法 GoldiMask，通过最大化次模目标选择可见上下文 token，并对剩余预测目标进行加权。在 3 个骨干模型和 3 个训练数据集的评测中，GoldiMask 在推理与代码生成任务的大多数设置下取得了最高平均准确率。在置信度阈值并行解码下，该方法还在 GSM8K 和 MATH-500 上减少了解码迭代次数。
Cloudflare BlogAI 评分4444 Cloudflare 利用 AI 规划后量子迁移路径
Cloudflare 开发了内部 AI 工具 CryptoLabe，以推进在 2029 年实现全面后量子就绪的目标。该工具利用 AI 扫描代码库、配置文件及文档，克服单纯文本匹配的局限，精准识别密码学使用场景并生成迁移进度指标。CryptoLabe 专为内部系统打造且暂不对客户开放，旨在协助工程团队规划后量子加密与认证的升级路径。
Google DeepMind精选AI 评分7777 Google DeepMind 发布前沿模型 Gemini 4 Argon
Google DeepMind 发布新一代前沿模型 Gemini 4 Argon，将输出 token 上限提升至 1M，主打软件工程、网络安全防御与企业长程工作流。
推荐理由：该模型将单次输出上限大幅提升至 1M token，展示了在超长程代码重构与企业复杂工作流上的实测落地路径。
arXiv cs.LGAI 评分3939 ROSS：通过选择性监督从自生成 Rollout 中重新学习
ROSS 提出通过保留完整历史轨迹作为上下文、仅对选定生成后续计算损失，从大模型自生成的 rollout 中选择性重新学习。在 Qwen3.6-35B-A3B 上，该方法将 6 项基准的 MOPD 平均分从 58.40% 提升至 62.20%，SWE-bench Verified 从 64.20% 提升至 68.40%。这表明无需额外的策略采样，仅通过离线 SFT 复用历史经验即可实现性能增益。
arXiv cs.AIAI 评分4949 迈向面向数据系统的 AI 软件工厂
研究团队提出了面向数据系统的 AI SW Factory，旨在加速软件开发生命周期中的定位、编码、评审和运维全流程。系统通过元数据微调模型权重并更新 World Model 实现自我改进，聚焦演化编码任务。在 Microsoft 数十个代码仓库的规模化部署中，其工程效率相比智能体编码提升 3x，token 效率最高提升达 22x。
arXiv cs.AIAI 评分4242 StateTape：面向长程代码 AI 智能体的动作条件证据生命周期建模
针对长程代码 AI 智能体上下文膨胀与代码修改导致记录失效的问题，研究人员提出了 StateTape 框架，依代码库实际变动重写智能体上下文。该框架将代码库建模为符号级代码图，结合标记磁带与小型管理器模型清理失效记录，并提出了 TraceBench 基准。在 6 个代码智能体与 3 个高频编辑基准的实验中，StateTape 以极低开销显著提升了解决率。
arXiv stat.MLAI 评分5050 RLTL;DR：通过内化自生成反馈实现模型自我改进
研究团队提出 RLTL;DR 方法，让模型在任务失败后根据验证器反馈自生成精炼洞见并反向传播内化，解决了无成功范式下的自我强化学习冷启动问题。在 Pass@128 为 0 的高难度工具调用与编码测试中，该方法使 Qwen 3.5 9B Thinking 在评估阶段无上下文洞见时的 Pass@1 提升至 12%-13%，而标准 GRPO 仅为 0%-1%。
AWS Machine Learning Blog精选AI 评分7676 Claude Sonnet 5.5 正式上线 AWS Amazon Bedrock
AWS 宣布 Claude Sonnet 5.5 正式上线 Amazon Bedrock 与 Claude Platform on AWS，支持在区域数据驻留及现有 IAM、CloudWatch 等安全控制下运行。
推荐理由：原文明确了模型在企业云环境中的分工定位与调用方式，读者可以据此评估如何将其与高阶模型搭配部署。
Cloudflare Blog精选AI 评分6767 Cloudflare Workers 推出 Issues 公测版，支持将生产报错直连编码 Agent
Cloudflare 宣布为 Cloudflare Workers 推出内置错误监控功能 Issues 并开启公开测试，支持自动归类生产异常并直接推送至编码 Agent。
推荐理由：该功能打通了生产环境遥测数据聚合与编码智能体修复之间的断点，让开发者无需手动复制报错日志即可触发自动化排查。
AWS Machine Learning Blog精选AI 评分7171 GPT-6.1 Sol 正式上线 Amazon Bedrock
GPT-6.1 Sol 现已在 Amazon Bedrock 正式全面可用，为智能体代码编写、计算机使用及日常企业工作流提供更强的推理能力。根据 OpenAI 的评测数据，GPT-6.1 Sol 在 DeepSWE v1.1 上的表现匹敌 GPT-6 Astra，单任务成本约为后者的五分之一，得分比 GPT-6 Sol 高出 6.4 个百分点且使用了更低的推理开销。
推荐理由：原文给出了 GPT-6.1 Sol 相比 GPT-6 Astra 与 GPT-6 Sol 的评测变化及成本比例，有助于读者评估该模型在复杂智能体场景下的落地性价比。
OpenAI News精选AI 评分7373 OpenAI 推出 GPT-6.1 Sol 模型
OpenAI 正式推出 GPT-6.1 Sol 模型。该模型在编码、计算机使用和专业工作任务上具备接近 Astra 的智能水平，其 API 输入与输出 token 价格仅为 Astra 标准价格的五分之一。
推荐理由：该模型将接近旗舰水平的能力降至五分之一的调用价格，为高频编码与自动化任务提供了更高性价比的选择。
OpenAI News精选AI 评分7979 OpenAI DevDay 2026 回顾：涵盖 GPT-6 Astra 等 20 余项发布
OpenAI 发布 DevDay 2026 汇总，集中公布了超过 20 项产品与技术更新。更新内容涵盖 GPT-6 Astra 模型、ChatGPT、Codex、API、安全特性以及面向开发者的新构建工具。
Cloudflare Blog精选AI 评分7777 Cloudflare 发布面向智能体的全新 CLI 工具 cf
Cloudflare 宣布推出面向 AI 智能体的全新命令行工具 cf 并开启公开测试，旨在全面覆盖平台超过 3,000 个 API 操作。该工具默认以 JSON 格式输出数据以节省上下文，内置自然语言命令搜索，并采用基于 TypeScript 的统一配置文件与 Vite 本地环境。现有项目可通过迁移命令过渡，公测结束后原有的 Wrangler 工具将进入为期 18 个月的维护期并逐步被替代。
推荐理由：原文展示了如何针对智能体重新设计命令行交互，包括全量接口代码化生成与类型配置，为工具链适配提供了具体路径。