Google 发布前沿模型 Gemini 4 Carbon，重点提升网络安全能力
Google 发布前沿模型 Gemini 4 Carbon，重点提升网络安全、编码及智能体任务能力，并在 SEC-bench Pro 和 ExploitGym 榜单上登顶。
#编码
#编码
今日 4 条The Verge · AIAI 评分7474 arXiv cs.LGAI 评分3232 预训练容量何时有益于因果学习？从标量预测到反事实后训练
一项基于千问（Qwen 2.5）的研究探讨了预训练容量对因果学习的影响，发现模型规模从 0.5B 扩至 1.5B 对标量估计结果不一，但显著改善了生成表现。经反事实后训练等完整流程后，CodeGen pass@1 从 0.267 提升至 0.575，干预效果分数由 0.231 升至 0.515。此外，0.5B CausalLLM 的叙述性输入比表格输入将平均 sqrt(PEHE) 改善 3.4%。
arXiv cs.AI精选AI 评分6969 UC 伯克利团队提出 Evolving Agent Teams：通过动态重组突破 GPU 内核优化局部最优
研究人员提出多智能体框架 Evolving Agent Teams，通过中央监督者诊断局部最优并动态重组智能体团队，结合持久化文件系统积累的演化经验突破复杂工程瓶颈。
推荐理由：论文针对编程智能体容易陷入局部最优的痛点，提出了通过中央监督者动态重组团队并积累持久经验的通用协作范式。
arXiv cs.AIAI 评分4949 客观视角：以群体为中心的智能体进化（PCE）
研究提出以群体为中心的智能体进化方法 PCE，提炼群体任务记录与修改历史来指导智能体自我改进。在相同设置下，PCE 在 SWE-bench Verified 和 Polyglot 上分别取得 72.1% 与 96.7% 的成功率，较强基线提升 3.2 和 5.9 个百分点。该方法将 SWE-bench 上群体覆盖度与最佳单体表现的差距缩减三分之一，并在 Polyglot 上完全抹平差距。
arXiv cs.AIAI 评分3535 在智能体 Kernel 生成中实现批次不变性
针对 LLM 服务中 GPU kernel 缺乏批次不变性（BI）影响复现性的问题，研究人员提出一种面向智能体 kernel 生成的 BI 强化插件。该工具结合静态依赖分析与动态逐位一致性验证，作为优化循环的准入门控拦截风险候选。跨 3 个智能体框架的实验表明，BI 通过率从 67.6% 提升至 91.9%，并保留了基线 91.8% 的几何平均加速比。
arXiv cs.AIAI 评分5454 InfraDev 基准测试：评估编码智能体开发 AI 基础设施的能力
研究团队推出面向 AI 基础设施开发的评测基准 InfraDev，涵盖基于 Megatron-LM、vLLM 和 verl 真实 PR 构建的 36 项多 GPU 跨文件任务。
arXiv cs.AIAI 评分4040 可执行考古：复现编程建模程序 Heuristic Compiler（1961）与 KBEmacs（1984）
研究者通过运行原始代码的“可执行考古”方法，成功复现了赫伯特·西蒙的 Heuristic Compiler（1961）和 MIT 的编程助手原型 KBEmacs（1984）。
arXiv cs.AIAI 评分3535 LLM 生成的证明在程序重构下有多稳定？可验证代码生成压力测试
新基准 RefactorProof 从 185 个 VERINA 任务派生 458 个 Lean 认证变体，测试 LLM 生成证明在程序重构下的稳定性。
arXiv cs.AIAI 评分4141 Skill Dreaming：通过 Pull Request 流演进代码仓库技能
研究人员提出 Skill Dreaming 框架，通过从已验证的 Pull Request（PR）流中提取可执行知识，构建并持续演化代码仓库专属技能库。该技能库可指导代码智能体在实现功能的同时，协同维护相关测试、文档、兼容性及仓库规范。通过整合 PR 分析、技能管理、代码执行与持续集成，系统实现了技能演进与代码维护的端到端闭环。
The Decoder精选AI 评分8080 Google DeepMind 发布 Gemini 4 Carbon 模型
Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，并在 Artificial Analysis 智力指数 v5.0 中以 59 分位居榜首。
推荐理由：原文详细对比了新模型在长程工程推理与网络安全任务上的评测数据，读者可以参考其在不同基准测试中的成本与性能权衡。
TechCrunch · AIAI 评分6464 Anthropic 推出企业报告工具以展示 AI 支出回报
Anthropic 推出一套全新企业报告工具与共享预算功能，帮助管理者按时间范围查看团队产出、token 支出成本及工作流断点，并提供优化建议。该分析数据默认不用于模型训练；Anthropic 同期向投资者披露其第二季度已实现营业利润，净营收留存率达 900%。
TechCrunch · AIAI 评分5252 Wiz CTO 谈网络老旧代码的漏洞危机：AI 正在加快漏洞挖掘与修补节奏
Wiz 曝光管理与应用安全 CTO 在 TechCrunch 播客中指出，AI 正在显著加快新漏洞的发现与利用速度，老旧网络代码将面临严峻的安全挑战。在上周支撑约 70% 网站的 PHP 出现严重漏洞后，Wiz 与 OpenAI、Calif 及 PHP 团队协同展开修复，并表示没有 AI 工具辅助就无法在短时间内定位这些深层缺陷。
AWS Machine Learning BlogAI 评分3838 利用 Amazon Nova Act 智能体 QA 自动化加速软件交付（三）
基于 Amazon Nova Act 的 QA 自动化方案 QA Studio 推出 Applications 与团队权限管理两项功能，以支持跨组织规模化测试。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini 4 Carbon 前沿模型
Google DeepMind 发布前沿大语言模型 Gemini 4 Carbon，重点提升网络安全防御与长周期复杂工程任务的处理能力。该模型在漏洞挖掘、利用验证与补丁修复多项基准上取得领先，且在 Gray Swan 间接提示词注入测试中实现 0.0% 的攻击成功率。
推荐理由：该模型在网络安全防御全流程与长程工程任务中刷新基准，展示了高对齐度模型在复杂自主工作流中的落地表现。
The DecoderAI 评分6262 OpenAI 柏林开发者日透露 Dots 欧洲进展，核心转向构建平台生态
OpenAI 在柏林开发者日透露其 AI 助手 Dots 预计数周内向欧洲更广泛开放，并展示了通过托管基建打造类似应用商店以绑定开发者的平台生态。数据显示德国 Codex 周活跃用户自 1 月以来增长 20 倍，近两成桌面用户将其用于文档与表格等日常办公；管理层还解释因资源消耗与需求优先级的考量已关停 Sora 且未优先推进视频序列模型。
The Decoder精选AI 评分7878 Google 为 Android Studio 引入第三方 AI 智能体并推出新 Gemini API
Google 在 Android Dev Summit 上宣布 Android Studio 支持“自带智能体”（BYOA）模式，开发者可直接在 IDE 中运行 Claude、Codex 等 40 多种编码智能体。
推荐理由：Google 将 Android 开发体系全面对接第三方智能体与 MCP 标准，为开发者提供了把多厂商模型接入 IDE 工具链与移动端应用的标准化路径。
Simon Willison精选AI 评分7878 GitHub 发布 Octoverse 2026 报告：智能体工程推动月度 PR 增至 2.2 亿
GitHub 在 GitHub Universe 期间公布 Octoverse 2026 报告，数据显示智能体工程正显著改变开发生态。2026 年合并的 Pull Request 在不到一年内增长两倍至每月 2.2 亿，月度 Commit 增加超两倍达到 73.8 亿且增量多集中在下半年，每月新建仓库量也翻倍至 3030 万。
推荐理由：报告通过合并请求与提交量成倍增长的统计，呈现了智能体工程对开源与代码仓库活动规模的实际拉动。
Simon WillisonAI 评分7373 Simon Willison 认为 vibe 游戏开发已迎来关键拐点
Simon Willison 提出 vibe 游戏开发已迎来关键拐点，指出 Claude Opus 5.5 等模型不仅能编写代码，还在 3D 建模、音乐与核心游戏趣味性设计上取得实质突破。
The DecoderAI 评分7272 Anthropic 工程主管称 AI 改变招聘标准：创业思维与原型能力成新人核心考量
Anthropic 工程经理 Felix Rieseberg 表示团队已废除传统编程面试，认为 AI 能比候选人更好地完成代码任务，招聘重心已转向创业思维、用户同理心和端到端原型能力。他指出 AI 大幅降低了执行成本，新人工程师可通过利用 AI 快速构建原型跳过传统审批层级，以此展现商业价值并超越资深员工。
Simon WillisonAI 评分5454 亚马逊工程领导层谈 AI 时代开发者：工具无法提效是发现而非失败
Simon Willison 引用亚马逊工程领导层 Terk Terkowitz 的观点指出，如果工程师当前的工作无法从 AI 工具中受益，这属于有价值的“发现”而非“失败”。工程师应记录具体原因并向同行及管理者反馈以寻找解决方案，能够准确解释 AI 尚不能提供帮助的环节，正是体现团队专业判断力的表现。
Latent SpaceAI 评分4040 Anthropic 终止传统编程面试：“野心胜过资历”
Anthropic 招聘经理 Felix Reiseberg 宣布停止传统的编程面试，指出 Claude 在代码挑战上的表现已超越人类候选人，此类测试无法衡量开发者的实际业务价值。他建议初级工程师应优先聚焦商业影响力和激进构想，通过快速构建可用原型来替代传统的冗长流程。
arXiv cs.AIAI 评分4141 SWE-Ladder：通过渐进式特权自蒸馏学习定位、复现与修复
研究者提出 SWE-Ladder，通过将软件修复过程分解为定位、复现与修复的阶段性特权自蒸馏，并结合 GRPO 优化端到端轨迹。在 SWE-bench Verified 基准上基于 Qwen3-4B-Instruct-2507 评测，R2E-Gym 脚手架下的 pass@1 从 9.6% 提升至 16.4%，优于纯 GRPO 的 10.4% 和全补丁 OPSD 的 12.4%。
arXiv cs.AIAI 评分4444 RAQ-MLA：面向多头潜在注意力（MLA）Cache 的角色感知量化
研究者提出免训练的角色感知量化方法 RAQ-MLA，专为大模型的多头潜在注意力（MLA）Cache 设计。该方法针对 latent 和位置 key 对注意力输出的不同误差影响分别拟合可逆变换，将完整 MLA Cache 量化至每个元素约 2.5 bits。在无需训练的情况下，其理论 KV cache 容量提升 6.5x，并在 4 个 MLA 模型的推理与代码任务上保持几乎无损。
arXiv cs.AIAI 评分4444 AdaPRA：面向数据科学的自适应评价准则过程奖励智能体
AdaPRA 是一种面向数据科学的持久化编程智能体框架，通过自适应评价准则进行过程监督，能在多次尝试中积累知识并识别纠正错误。在每项任务尝试 5 次的设置下，AdaPRA 使 80B Qwen 模型在 DSPredict-Easy 和 DSPredict-Hard 的排行榜百分位分别提升 24.5 和 14.8 点。
arXiv cs.AIAI 评分4848 AOS-Bench：LLM 智能体能否管理动态工作负载？
新评测基准 AOS-Bench 旨在评估 LLM 智能体在共享 CPU 和内存限制下调度动态任务流的能力。在 5 组模型与框架测试中，重负载导致系统成功率普遍下降 13 至 23 个点，串行调度会遗漏 73% 的重负载任务。研究同时发现，固定并发度为 2 的策略与最优智能体调度差距在 4 个点以内，且任务等待时 CPU 利用率中位数均低于 30%。
Simon WillisonAI 评分4848 webframe 评测：作为网页爬虫与沙箱的表现
轻量工具 webframe 经评测展现出媲美 shot-scraper 的网页抓取性能，但在 CSP 支持与控制能力上存在明显短板。该工具由 Go 和 glaze 库构建，可直接调用系统内置浏览器运行 JavaScript，无需捆绑独立引擎或依赖 Playwright，但仍受 0×0 视口、加载挂起以及缺失 HTTP 元数据等问题限制。
Simon WillisonAI 评分2727 在 GitHub Universe 大会工牌上运行 Game Boy Color
开发者在 GitHub Universe 大会上借助 Gemini，在自带彩屏的工牌微型计算机上成功部署了 NES、Game Boy 及 Game Boy Color 模拟器。获取相应 ROM 后，用户可直接在工牌上运行《塞尔达传说：织梦岛》（The Legend of Zelda: Link's Awakening）。该工牌还支持倒置使用，能通过机身内置的游戏手柄触摸按键直接进行操控。
Latent SpaceAI 评分6060 利用本地 Qwen3.5 与 OpenCode 在完全断网环境下运行 AI 编程智能体实测
作者实测了在完全切断网络连接的笔记本上，通过 Ollama 本地运行 Qwen3.5 9B 模型并配合开源代码智能体 OpenCode 1.19.4 完成代码检视、错误修复与单元测试。
arXiv cs.LGAI 评分4141 CuraLoc：通过规划式代码检查实现仓库级故障定位
CuraLoc 提出在源码检索前进行单次规划式代码检查，以此取代传统迭代式仓库级故障定位。在 SWE-bench Verified 上搭配 GPT-5.2 时，CuraLoc 将 Func@1 准确率提升至 59.3% 且减少 90.3% 的记录 token 消耗，优于 LocAgent。
arXiv cs.LG精选AI 评分6262 论文指出长程智能体基准测试出奇适应上下文压缩并存在约束丢失风险
一项针对长程编码智能体上下文压缩的研究指出，现有基准测试由于目标固定且进度保存在磁盘上，对信息压缩出奇宽容，但该过程会静默丢弃大量关键任务约束。研究基于 OpenCode 框架测试了五种压缩策略与三款前沿模型，发现没有任何压缩方法优于默认的自我总结，且过度丢弃内容的策略会导致部分模型性能大幅下滑 20 分。
推荐理由：这项研究揭示了现有长程基准测试对上下文压缩的宽容假象，为设计能够保留负向约束的智能体架构提供了关键实证依据。
科学网AI 评分6464 南大副教授蒋炎岩回应“没有 token 的 CS 学生应立即退学”：AI 时代需重构计算机教育
南京大学副教授蒋炎岩就其引发争议的“没有 token 的 CS 学生应立即退学”言论接受专访，阐述在开设的“生成式软件工程”课程中推行自然语言描述意图、AI 生成实现、人工审查迭代的新范式。该课程要求学生自行调用大模型完成实训并禁止纯手写古法编程，考核转向可公开运行的实际作品，旨在应对传统编码技能被 AI 替代后的高校计算机教育危机。
OpenAI NewsAI 评分2323 Greptile 借助 GPT-6 Astra 将 Bug 检测拓展至代码审查之外
Greptile 借助 GPT-6 Astra 将 Bug 检测能力拓展至常规代码审查之外。其主要使用 GPT-6 Astra 测试用户工作流程，通过 Daybreak 增强安全性，并结合 Codex 减少代码返工。
OpenAI NewsAI 评分3131 GPT-6.1 Sol 助力 CodeRabbit 增强复杂代码库安全性
CodeRabbit 采用 GPT-6.1 Sol 排查复杂代码库中的安全风险。其安全智能体能够协助开发者审查排查发现的问题以及相应的修复方案。
The Decoder精选AI 评分8686 OpenAI 发布 GPT-6.1 Terra：API 定价减半且多项基准逼近更大模型
OpenAI 正式发布 GPT-6.1 Terra 模型，其 API 定价降至每百万输入 token 1 美元、输出 5 美元，仅为 GPT-5.6 Terra 的一半。
推荐理由：该模型在大幅降低调用成本的同时提升了多模态与编码表现，为评估智能体任务的性价比提供了参考。
OpenAI NewsAI 评分2424 Codex Ultrafast 如何将 OpenAI 的事件调查时间从数小时缩短至数分钟
OpenAI 工程师正在使用 Codex Ultrafast 将事件调查时间从数小时缩短至数分钟。此外，该工具还被用于实现更快速的安全分析、代码重构以及日常工作流。
The Verge · AIAI 评分6565 AI 能否解决 COBOL 遗留代码危机？
针对银行与政府基础设施严重依赖老旧 COBOL 系统的问题，OpenAI 与 Anthropic 相继宣称其 AI 模型与智能体可将遗留代码平滑迁移至现代语言。OpenAI 称其 GPT-6.1 Sol 在高推理模式下代码行为一致性达 98%，但多位软件工程学者指出，单纯重写代码不等同于替换系统，架构拆分与极低容错率仍使 AI 难以单独应对庞大遗留工程。
IEEE SpectrumAI 评分2626 用磁成像板打造隐形手势锁
开发者利用 SparkFun 磁成像板与 Teensy 4.1 微控制器，打造了一款可通过可编程磁手势解锁的隐形锁。硬件依托 8×8 霍尔效应传感器网格检测磁场强度与极性，支持每秒数百至数千次数据采样。软件端借助 Claude 编写了手势录制与阈值匹配支持库，配合盒身伪装图案引导磁性手势输入，最终驱动伺服电机完成开锁。
arXiv cs.AIAI 评分4141 POSEIDON：基于代码库规模化构建科学智能体训练环境
研究人员提出自动化管线 Poseidon，可从科学代码库大规模生成可验证的训练环境，提取数量比前序方法多近 10 倍。利用 Poseidon 构建的 Pearl 包含跨 10 个学科、7,110 个公开代码库的 97,659 个可执行环境。经 Pearl 训练的 Qwen3.5 模型（9B、27B 和 35B-A3B）在 6 个科学智能体 benchmark 上均取得持续提升。
arXiv cs.AIAI 评分4040 TGR-EvoDAG：面向腾讯生成式推荐的 DAG 多智能体代码进化框架
面向生成式推荐的多智能体代码进化框架 TGR-EvoDAG 将代码演化建模为有向无环图（DAG），以维护多分支演化并融合互补创新。该框架引入阶段感知成本规划以优化 GPU-hour 预算，在 Amazon 数据集上将离线指标最高提升 37.4%。在腾讯商业媒体平台部署中，它实现离线 Hit@1 相对提升 12.16%，线上点击率（CTR）提升 0.40%。
arXiv cs.AI精选AI 评分6262 SWE-Shift：评估编码智能体在动态演化工作区中表现的评测基准
研究团队推出 SWE-Shift 基准，用于评估编码智能体在执行任务过程中应对代码、依赖、状态及需求等动态变化的能力。该基准包含 12 类变动共 120 个场景并在 9 个干预点进行测试，评估的 17 个智能体在环境变动后的成功率均出现下降，其中 GPT-6 Astra 成功率从 67.35% 跌至 24.79%。测试还发现，工具或会话变动以及陈旧证据会导致所有受测系统的配对成功率归零。
推荐理由：该研究揭示了编码智能体在开发环境动态变化时难以保留工作成果与刷新状态，为动态协作场景提供了评测基准。