山东大学研究：花哨的 coding agent harness 更贵但并不能提升成绩
山东大学研究者让五个模型在 Claude Code、OpenCode 和 mini-SWE-agent 三个 harness 下跑 SWE-bench Verified 任务，发现换 harness 的结果波动与重复运行同一配置相当，成本却最多可达三倍。
#编码
The Decoder：AI NewsAI 评分7171
The Decoder：AI NewsAI 评分7474 Anthropic 用 Claude 自动生成数学证明验证现有代码安全性
Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 将 OSS-Fuzz 测试转化为数学问题并生成约 1.8 亿行证明代码，由独立程序 Rocq 自动核验，几乎无需人工审查。
Anthropic：Research精选AI 评分8585 Anthropic 用 Claude 对 123 个开源库完成汇编级形式化安全证明
Anthropic 与 Theorem 合作，用 Claude 将 OSS-Fuzz 模糊测试转化为规格，对 123 个开源库的 239 个入口点证明了任意 64 MB 以下输入不崩溃，生成约 1.8 亿行 Rocq 证明。
推荐理由：Anthropic 用 Claude 对 123 个 OSS-Fuzz 开源库在 RISC-V 汇编层面写 Rocq 证明，读者可以据此了解 LLM 规模化形式化验证的实际流程与局限。
IT之家·人工智能AI 评分6767 OpenAI 报告称 GPT-6.1 Sol 的 COBOL 迁移准确率最高达 97.9%
OpenAI 于 10 月 20 日发布研究报告，介绍其增强 GPT-6 Astra 等模型构建和迁移 COBOL、Fortran、Visual Basic 等低资源编程语言的能力，并推出 MultiLangBench（20 种语言从零构建兼容 SQLite 的数据库引擎）和 COBOL 迁移至 C++、Java、Python、Rust 两项评测。
公众号：小红书技术AI 评分4747 小红书 AllSpark 提出 ROSS：让模型重学训练中自生成的 rollout
小红书 AllSpark Team 提出 ROSS，让模型重新学习训练中自己生成的 rollout，通过筛选有价值轨迹片段并保留完整上下文做选择性监督。基于 Qwen3.6-35B-A3B，该方法在单轮 RL 中把数学均分从 75.19% 提至 76.98%、代码从 42.09% 提至 44.21%，MOPD 均分从 58.40% 提至 62.20%。
OpenAI：官网动态精选AI 评分6464 OpenAI 推出两项自建评测，展示 GPT-6 系列在 COBOL 等低资源编程语言上的进步
OpenAI 宣布最新模型在 COBOL、Fortran、Visual Basic 等低资源编程语言上能力显著提升，并推出两项自建评测。
推荐理由：原文给出低资源语言的两套自建评测和逐语言数据，读者可据此评估新模型在遗留系统维护与迁移上的可用性。
Rohan Paul@rohanpaul_aiAI 评分5858
The Decoder：AI NewsAI 评分5959 Taste-Bench 基准揭示 AI 智能体长期决策能力薄弱，最佳模型仅得 59.7%
新基准 Taste-Bench 通过 502 个决策分叉问题测量智能体在编码和 AI 研究任务中的长期决策品味，测试了来自 Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 家族的 14 个模型。
Johann Rehberger / Embrace The Red精选AI 评分7676 Visual Studio Copilot 与 SSMS 远程代码执行漏洞（CVE-2026-103572）技术分析
Johann Rehberger 披露 Visual Studio Copilot 与 SQL Server Management Studio 中的远程代码执行漏洞 CVE-2026-103572，根因是利用文件名末尾多加一个点绕过路径校验，写入 .mcp. 或 settings.VisualStudio. 等受保护配置文件，实现任意命令执行。
推荐理由：作者亲述漏洞原理与利用链，读者可学到 Windows 路径规范化缺陷如何绕过 AI 智能体安全检查的可迁移方法。
Cohere Labs：官方研究博客精选AI 评分7171 Cohere Labs 研究：编码 Agent 团队扩编的经验，以 30% 成本逼近前沿效果
Cohere Labs 在 ProgramBench 200 个任务上系统测试编码 Agent 团队的设计选择，发现团队优于单个 Agent 但成本高 4 到 7 倍。
推荐理由：Cohere Labs 用受控实验拆解多智能体团队的设计选择，指出只在规划阶段派便宜的 worker 就能以五分之一成本逼近全强模型团队。
Artificial Analysis 完整文章AI 评分5757 Artificial Analysis 发布 FrontierCode 1.1 编程评测：Claude Opus 5.5 以 52% 得分居首，领先模型失败率仍超 40%
Artificial Analysis 独立运行 Cognition 的 FrontierCode 1.1 Main 编程评测，用统一的 Stirrup agent harness 测试 100 个真实开源仓库任务。
- Rohan Paul@rohanpaul_aiAI 评分4848
Ars Technica：AIAI 评分6161 研究：AI 编码智能体生成更多代码，但并未带来更多软件产出
Harvard 研究者 Fiona Chen 和 James Stratton 基于 Jellyfish 的数据分析发现，AI 编码工具的编码阶段效率提升被生产流程下游瓶颈吸收，企业软件产出和就业未见明显变化。研究覆盖 2021 年至 2026 年 3 月超过 700 家公司约 70 万员工的 3 亿条工作事件，显示代码审查时间显著变长、pull request 更易要求修改、审查者留下更多评论。
ClaudeDevs@ClaudeDevsAI 评分4747我们在一个 11.6 万行的代码库中埋了 70 个 bug。3 次运行中，单个智能体分别找到了 14、15 和 27 个 bug。而一个工作流在 3 次运行中每次都稳定找到 66 个。
- Rohan Paul@rohanpaul_aiAI 评分5555
- Rohan Paul@rohanpaul_aiAI 评分6161
Apple 论文《How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering?
GitHub BlogAI 评分5252 GitHub 发布开源基准 ReviewBench，用于评测 AI 代码审查智能体
GitHub 发布 AI 代码审查离线基准 ReviewBench，现已在 ReviewBench 网站开放使用。
- Rohan Paul@rohanpaul_aiAI 评分6565
Apple Machine Learning ResearchAI 评分4545 Apple 提出 RLTL;DR：让模型内化自生成反馈实现自我提升
Apple 研究者提出 RLTL;DR，在每次失败尝试后让策略读取验证器输出并自行写出一条 TL;DR 式反馈，后续 rollout 以历史反馈为条件，并对上下文中的反馈做反向传播以内化"任务→反馈"映射。
Apple Machine Learning ResearchAI 评分5959 研究指出强模型智能体在自主机器学习工程中几乎不需要复杂 harness
EPFL 与 Apple 研究者发表论文，发现在相同时间预算和同一前沿 LLM 骨干下，开源最先进 harness 并不优于最小化 harness 编码智能体的单次会话。通过大规模系统性消融研究，作者认为复杂机制层在编码智能体场景中变得冗余，性能主要由 LLM 骨干驱动，为强模型手工搭建复杂 harness 的投入在当前 MLE 基准上回报很低。
公众号：小红书技术AI 评分4646 小红书 AllSpark 提出 PACT：从信用分配到 Critic 对齐，SWE-bench Verified 达 67.4%
小红书 AllSpark 团队提出 PACT（Policy Aligned Critic Training），通过三个正则条件唯一确定长程 Agent 的信用分配，并用 BCE 回归有界 Value、采用 Actor-Then-Critic 更新顺序改进 Critic 与策略对齐。
The Decoder：AI NewsAI 评分6161 Nvidia SoL-Pi 系统优化 agent harness，编码任务 token 用量减少近一半
Nvidia 研究人员提出 SoL-Pi 系统，用研究 agent 自动优化编码 agent 的控制层（harness），在 EdgeBench 上相比 Codex 节省 50%、相比 Claude Code 节省 54.3% 的 token，性能与原 Pi harness 大致持平。
Factory 研究 / 产品AI 评分4141 Factory 的 Legacy-Bench 加入 Fireworks 专项智能指数，评测哪款模型最适合遗留代码
Factory 的 Legacy-Bench 正式加入 Fireworks 的 Specialized Intelligence Index（SII），用于评测前沿模型在 COBOL、Java 7、BASIC、C89、Fortran 和 Assembly 等遗留语言上的调试、实现与迁移能力。
Artificial Analysis 完整文章精选AI 评分7878 Artificial Analysis 评测 GPT-6 Sol 和 Luna：价格减半但各项表现有升有降
Artificial Analysis 评测 OpenAI 的 GPT-6 Sol 和 Luna，两模型价格较 GPT-5.6 约减半，Sol 定价 $2/$10、Luna $0.10/$0.50 每百万输入/输出 token。
推荐理由：Artificial Analysis 用自家指数实测两代模型的成本与表现，读者可据此判断 GPT-6 降价后哪些能力持平或退步。
Artificial Analysis@ArtificialAnlys同事件AI 评分6666同一件事，精选收录的是《Artificial Analysis 评测 Grok 4.7：智能指数 46 分进入前四，编码智能体升至第 4》
- Rohan Paul@rohanpaul_aiAI 评分5555
Sierra 与普林斯顿大学推出 τ^τ-bench 基准，把智能体构建模拟成真实客户交付任务，智能体需基于公司记录、客户需求、生产 API、现有代码和预算交付可部署的客服智能体。
Fireworks AIAI 评分5959 Fireworks AI 分析 DeepSWE：路由到合适模型可超越单一最强模型
Fireworks AI 对 DeepSWE v1.1 的 113 个任务、18 个模型做了分析：逐任务选择最优模型的 oracle 路由达 97.6% 通过率、每任务 $1.88，比最佳单模型 GPT-6 Astra 的 74.1%（$6.52）高 23 个百分点且成本不到三分之一；仅用开源权重模型也达 90.3%（$1.45）。
公众号：腾讯混元AI 评分5151 腾讯混元联合清华北大发布 WebCraftBench，用软件测试方法评测 AI 网页生成
腾讯混元联合清华大学、北京大学提出 WebCraftBench，让智能体实际操作 AI 生成的网页，用代码覆盖率引导探索，再从美观度、易用性和需求符合度三个维度评分。
Hacker News：AI 热帖AI 评分5959 编码智能体 Harness 设计的实证研究：176 个设置下消融规划、动作空间与上下文管理
arXiv 论文（arXiv:2609.20804）构建固定执行循环的轻量级 coding harness，在 Nemotron-3（30B/120B/550B）和 Mistral-Medium-3.5-128B 上、于 SWE-Bench Verified 和 Terminal-Bench 2.1 共评测 176 个设置，变化规划、动作空间和上下文管理三个组件。
Anthropic：Research精选AI 评分7474 Anthropic：Claude 四周优化 30 多个开源生物分子模型，平均提速约 4 倍并开源代码
Anthropic 让 Claude 在不到四周内优化了超过 30 个开源生物分子模型，平均提速约 4 倍、精度损失极小，输出完全一致时也有近 2 倍加速。优化代码全部开源，还推出低内存 Big 模式，可在单张 NVIDIA GPU 节点上对超过 10,000 token 的生物分子系统做准确预测。
推荐理由：Anthropic 公布了完整提速数据、开源代码和比赛入口，读者可以据此评估 AI 优化科学计算代码的实际水平。
Hacker News：AI 热帖AI 评分7474 GLM 官方复盘：Infra Agent 如何在 10 万级国产加速器集群上两周建成 GLM-5.3-Flash 推理系统
智谱（Z.ai）发布技术长文，讲解 GLM-5.3 驱动的 Infra Agent 如何在 100,000 多颗国产 AI 加速器上从零搭建 GLM-5.3-Flash 的生产级推理系统，不到两周将端到端吞吐提升约 3 倍，支撑 1M token 上下文与多模态请求。
Hacker News：AI 热帖AI 评分6666 HarnessTax 研究：harness 对 coding agent 的影响有多大
UC Berkeley 团队发布 HarnessTax 研究，评估 21 个模型-harness 组合（7 个模型、3 个 harness：Claude Code、Codex CLI、Pi），在 SWE-bench Lite 和 Terminal-Bench 2.0 各 30 个任务上各跑 3 次。