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 4 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。
TechCrunch · AIAI 评分6767 HackerRank 正式上线 AI 面试智能体 Chakra
开发者招聘平台 HackerRank 宣布全面上线 AI 面试智能体 Chakra，在候选人操作真实代码库并使用内置 AI 助手时进行实时观察、追问与评估。该工具将原有的初筛、课后作业和技术复试三轮合并为单轮交互，重点考察候选人的批判性思维与人机协作能力。官方称实测中可疑作弊标记降低了 70% 至 80%，系统仅负责生成结构化评分报告，最终录用决策仍由人工做出。
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。
LWNAI 评分4949 Sashiko 补丁审查系统最新进展
基于 LLM 自动生成代码审查意见的 Sashiko 系统已成为内核开发流程的重要组成部分，旨在缓解补丁审查人手不足的长期瓶颈。在 2026 年 Kernel Recipes 大会上，Sashiko 维护者 Roman Gushchin 介绍了该系统的工作机制以及正在开展的各项改进工作。
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。
量子位AI 评分5252 OpenAI Codex 负责人承诺限时 28 天每天提供改进或重置额度
OpenAI Codex 负责人 Tibo 宣布在接下来的 28 天内，每天将交付一项对大多数 Codex 与 Work 用户明显有用的改进，若无改进则提供一次完整额度重置。该举措基于此前收集的用户反馈，工作重点涵盖产品简化、提升效率、突破性功能和新模型。分析指出当前用户对产品的核心诉求不仅是额度充足，更在于减少任务中断连与执行卡顿等稳定性问题。
The DecoderAI 评分6262 AI 智能体可通过单张照片编写代码重建 3D 场景，但缺乏可靠的几何自评能力
研究团队提出 LEGO-Anything 和评估基准 LEGO-Bench，发现代码智能体虽能通过迭代编写 Blender 程序从单图构建 3D 场景，但对几何精度的自评表现接近随机猜测，常在后续修改中破坏已建好的场景。为此团队开发了无需额外训练的 LEGO-Plugin，通过引入客观度量替代模型自评并阻止回退修改，使参与测试的模型表现普遍获得提升。
Latent SpaceAI 评分3535 AINews：GPT-6.1 Sol 与 Sonnet 5.5 重塑性价比前沿
OpenAI 推出 GPT-6.1 Sol，输入与输出定价分别为 $2/$10 per M tokens，在 DeepSWE v1.1 上超越 GPT-6 Sol 6.4 分，并以单任务 $0.56 中位数成本位居 Agent Arena 第 5 位。
The Decoder精选AI 评分7777 Claude Code 推出 Mods 插件系统，允许开发者深度自定义工具与界面
Anthropic 为 Claude Code 推出 Mods 插件系统，允许开发者通过 JavaScript 或 TypeScript 中间件深度自定义工具行为与 UI 界面。
推荐理由：该系统允许用代码直接介入工具调用与交互界面，为开发者提供了深度定制编码智能体工作流的扩展机制。
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。
Latent SpaceAI 评分7373 Airbnb CTO 详解由内而外 AI 改造：重构工程研发与用户体验
Airbnb 正通过由内而外的策略推进 AI 原生化改造，目前其内部已有 60% 的代码由 AI 编写，约半数客服工单由 AI 独立解决。CTO Ahmad Al-Dahle 透露，团队通过构建名为 Everest 的内部组织上下文图，将机场接送等新业务的研发周期从数月压缩至约 6 周，同时针对编程任务选用最强前沿模型，在搜索等低延迟场景下对小型开源模型进行后训练。
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。
Latent SpaceAI 评分6060 Latent Space 对话 MIT Alex Zhang：从 GPU 内核、RLM 递归智能体到 Harness 组合泛化
Latent Space 专访 MIT 博士生 Alex Zhang，深入探讨了 GPU 内核自动编写、递归语言模型（RLM）以及测试框架 Harness 对大模型组合泛化的核心机制。
NatureAI 评分3333 《Nature》每日简报：你能说出所有女性诺贝尔奖得主的名字吗？
Nature 每日简报推出互动测试回顾 125 年历史中的女性诺贝尔科学奖得主。同时，韦氏词典在线版新收录了 agentic、vibe coding 和 prompt engineering 等热门 AI 专业词汇。此外，简报还报道了新羽毛恐龙化石揭示飞行演化非线性、胰腺癌早期拦截药物 daraxonrasib 及人类世命名争议。
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。
TechCrunch · AIAI 评分6969 Shopify 推出 Canvas：支持通过 AI 对话搭建在线店铺
Shopify 推出建站工具 Canvas，允许商家通过与其 AI 智能体 Sidekick 对话直接搭建在线店铺。该工具会直接修改主题文件并实时渲染底层真实代码，支持商家即时测试页面交互、动画效果与多屏幕适配，Sidekick 还会通过自动截屏保持视觉同步。当前 Canvas 仅限桌面端使用，首发版本暂不支持第三方主题、应用扩展、多市场和多语言翻译等功能。
LWNAI 评分4646 应对 Linux 内核安全漏洞冲击
大语言模型（LLMs）降低了识别安全漏洞的门槛，导致包括内核在内的几乎所有自由软件项目面临海量漏洞报告冲击。在 Kernel Recipes 2026 会议上，Greg Kroah-Hartman 介绍了内核安全团队应对这波报告洪流的做法，其核心观点是“不要恐慌”。
Simon WillisonAI 评分4444 pwasm 0.2a0 发布
纯 Python WebAssembly 引擎项目 pwasm 发布 0.2a0 版本，由 Claude Opus 5.5 在极少提示词干预下经 42 次 commit 重构完成。新版本几乎支持全部 WASM 规范，并在 PyPI 的 wheel 安装包中打包了 MicroPython、QuickJS 与 Micro QuickJS 的可用 WASM 构建版本。
PhoronixAI 评分6565 Linux 网络子系统部分修复推迟至 7.4，开发者称已被 AI 补丁彻底压垮
Linux 网络子系统开发者表示已被 AI 和大语言模型驱动的补丁提交、Bug 报告及劣质代码彻底压垮。受此类自动化活动持续增加的影响，尽管 Linux 7.3 稳定版还有三周才发布，部分网络修复已被提前转移推迟至 Linux 7.4。
NatureAI 评分6161 韦氏词典收录 vibe coding 与 agentic 等多项 AI 词汇
韦氏词典在线版新增 1400 个词条，正式收录包括 vibe coding、agentic、prompt engineering、AGI 和 compute 名词用法等一系列 AI 术语。词典编纂团队与认知语言学家指出，这些高门槛专业词汇频繁见诸主流媒体并入选词典，反映出数字传播正在推动前沿科技概念加速渗透进大众日常语言。
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。
量子位精选AI 评分8080 谷歌发布新一代旗舰模型 Gemini 4 Argon
谷歌发布新一代旗舰模型 Gemini 4 Argon，支持最高百万 Token 输出上限，并在 DeepSWE 等多项长期软件工程基准中取得领先表现。该模型主打防御性网络安全与深度推理任务，每百万输入和输出 Token 价格分别为 2 美元与 10 美元。目前模型仅通过 Fairwind 计划面向受信任的防御团队开放，尚未向普通订阅用户全面推送。
推荐理由：报道汇总了该模型在多项基准测试中的表现与定价，读者可以参考其在长输出与防御性网络安全场景中的实际定位。
PhoronixAI 评分4040 Qt Creator 21 IDE Beta 默认启用更多 AI 功能
The Qt Group 正式发布 Qt Creator 21 Beta，默认启用了更多 AI 功能。该版本是面向 C/C++、Python 及 JavaScript 等编程语言的集成开发环境最新测试版，紧随此前发布的 Qt 6.12 LTS 工具包推出。
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。