Together AI 实测 GLM-5.3 与 GLM-5.3 Flash 在 DeepSWE 上的成本、编码与级联路由
Together AI 在 DeepSWE v1.1 全部 113 个任务上实测 GLM-5.3 与 GLM-5.3 Flash，各跑 4 次共 900 rollouts。
推荐理由：原文基于 900 次 rollout 实测给出两模型的成本、质量与蒸馏影响分析，可迁移到模型选型和级联路由决策。
技术方向
AI 编码 最新动态
AI 写代码的一切：编码助手、Vibe Coding、代码模型评测与开发工作流变革。
750 条精选近 30 天 92 条共收录 4,270 条
更新
精选归档 · 第 8 页
Together AI 研究与产品博客精选AI 评分7474 Tessl：产品与工程博客精选AI 评分6464 Tessl 实测：token 单价便宜不等于智能体任务成本低
Tessl 在为 Code Review 工具选模型时发现，按费率卡比较 token 单价会得出错误结论：三种更便宜的开源权重模型中有三种在真实 PR 审查中实际花费更高，一个模型每 token 便宜近 3 倍却在同一 PR 上贵 2.8 倍。
推荐理由：作者用自家代码审查负载的实测数据说明按 token 单价选模型会算错账，并给出可复用的成本度量公式和三项选型检查。
Johann Rehberger / Embrace The Red精选AI 评分7777 Claude Code Opus 5 Auto Mode 被提示注入攻击链攻破，成功率最高 80%
安全研究员 Johann Rehberger 发布针对 Claude Code Opus 5 Auto Mode 的攻击链，通过诱导 curl 下载 ZIP、Python 模块遮蔽 struct.py 实现代码执行与 C2 回连，小样本下攻击成功率 60% 至 80%。
推荐理由：作者以第一手攻击链演示 Auto Mode 的绕过路径，并对比厂商评测口径，读者可据此校准对沙箱隔离的必要性认知。
Fireworks AI精选AI 评分6868 DeepSeek V4 Pro 0813 上线 Fireworks：SWE-Bench Verified 达 95.2%，单任务成本约为 Fable 5 的三分之一
Fireworks 上线 DeepSeek V4 Pro 0813，提供 serverless、专属部署及 SFT/DPO/RFT 训练支持，模型具备 1M token 上下文窗口和原生工具调用。
推荐理由：原文用四组基准和逐任务成本数据对比 V4 Pro 与 Fable 5、Kimi K3，并指出 Java 弱项与路由空间，读者可据此选型。
OpenAI：官网动态精选AI 评分5959 GPT-5.6 登陆 Kiro，为开发者提升性价比
GPT-5.6 模型家族现已登陆软件开发智能体 Kiro，包含 Sol、Terra 和 Luna 三款模型。在 Terminal-Bench 2.1 测试中，GPT-5.6 Terra 在 Kiro 内完成任务成本降低约 82%。该更新由 OpenAI 与 AWS 合作优化，旨在以更少迭代和更高 token 价值帮助开发者产出更高质量的代码。
推荐理由：在 Terminal-Bench 2.1 上，GPT‑5.6 Terra 在 Kiro 中完成任务的成本约下降 82%，为长周期编码任务的投入产出评估提供了一个量化基准。
Tessl：产品与工程博客精选AI 评分6666 Tessl 工程师提出 Harness Engineer 角色：AI 时代工程能力的三个新方向
Tessl 研究工程师 Amy Heineike 提出 harness engineer 这一新角色，认为智能体大量写码后工程工作不是变少而是形态改变。其自建技能基准测试显示任务完成率高但平均只有约 70% 的技能指令被真正遵守；Tessl 近一周约 90% 代码经内部软件工厂生成，并给出从最近 50 个 PR 提炼不变量、转为 CI 门禁等三项可本周上手的练习。
推荐理由：作者基于自家软件工厂的实测数据，提出 harness engineer 角色和三个可上手的技能方向，适合想管理 AI 代码质量的工程师参考。
ElevenLabs：Blog精选AI 评分6262 ElevenLabs 发布 CLI v1，将 ElevenLabs API 带入终端
ElevenLabs 发布 CLI v1，把 ElevenLabs API 直接带入终端，OpenAPI spec 中的所有 API 端点都可用作子命令。
推荐理由：官方介绍 CLI 的 agents-first 设计细节，读者可以了解如何用文件和版本控制管理大规模 Agent 配置工作流。
Claude：Blog精选AI 评分7373 AI 原生 SDLC 实战手册：Anthropic 如何用 Claude 重塑软件开发生命周期
Anthropic 发布 AI 原生 SDLC 实战手册，提出将传统六阶段软件开发生命周期重构为 AI 嵌入各环节的闭环流程。手册指出，当代码不再是瓶颈时，规划、审查、部署等人速环节成为新约束，需通过 Claude 将需求压缩为 intent.md、以技能编码标准、用持续评测替代阶段门禁，并保留人工对关键代码的审查。
推荐理由：把各阶段产物固化为可版本化 markdown 并让下一阶段读取，人工审查就从逐行看代码转向在关卡看代理标记，对改造研发流程的团队有直接参考价值。
OpenAI Developers：Blog精选AI 评分6565 OpenAI Daybreak 集合 ChatGPT 与 Codex Security 扩展网络防御工作流
OpenAI Daybreak 汇集模型、安全工具、受控访问与安全生态，配合 ChatGPT、Codex Security、Codex Security Cloud 和开源 Codex Security CLI 覆盖调查、代码评审、漏洞分诊与修复验证。
推荐理由：官方整理了从调查、评审到修复和 CI 检查的完整安全工作流，读者可以按自己团队已有的环节挑一个入口上手。
Together AI 研究与产品博客精选AI 评分7979 DeepSWE 实测：GLM-5.3 与 Claude Fable 5 在成本、编码与路由上的对比
Together AI 在 DeepSWE 全部 113 个任务、每任务 4 次试验（共 904 次 rollout）上对比 GLM-5.3 (max) 与 Claude Fable 5 (max)。
推荐理由：基于 904 次 rollout 的实测数据，给出两模型成本与准确率的量化对比，可帮助团队在两者间做出路由选择。
Together AI 研究与产品博客精选AI 评分7272 Together AI 实测 GLM-5.3 对比 GPT-5.6 Sol：DeepSWE 上的成本、编码与路由
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次试验（共 904 次 rollout）对比 GLM-5.3 与 GPT-5.6 Sol。
推荐理由：原文基于自跑 904 次 rollout 给出成本、pass@k 和失败模式数据，读者可据此设计两模型的级联路由策略。
Claude：Blog精选AI 评分6565 Claude Code 初创公司指南：五大规则与创始人洞见
Anthropic 发布面向初创公司的 Claude Code 使用指南，基于对十余家高增长公司的调研，总结出“人人皆可交付、自动化繁琐工作、信任但验证、为重构而构建、原型-自用-产品化”五大规则。
推荐理由：指南把十几家创业公司实践归纳为五个可操作规则，其中「修复原则而非修复个案」对搭建自改进 agent 流程具有直接参考价值。
公众号：百度智能云精选AI 评分6464 百度千帆上架GLM-5.3
百度千帆今日上架智谱开源旗舰模型GLM-5.3，API定价与智谱官方保持一致。该模型与上代同架构、同参数，依靠后训练Scaling在代码与网络安全能力上表现超预期，AA综合智能指数取得60分，与Kimi K3并列开源模型第一。开发者可通过API调用或订阅Token Plan企业版接入Claude Code等AI工具使用。
推荐理由：GLM-5.3 与上代同参数却靠后训练 Scaling 进入前沿，单任务成本又是同档最低，这让原本受调用成本限制的长链路智能体和编码任务有了开源可选项。
OpenAI Developers：Blog精选AI 评分7575 OpenAI 详解 Codex 开源智能体框架的应用集成方式
OpenAI 将 Codex 定位为可复用的智能体平台，开源 Codex CLI、app-server 和官方 Codex SDK，让开发者把智能体循环嵌入自己的产品界面，而非只用通用聊天助手。
推荐理由：官方说明 Codex 开源 harness 的集成层与 app-server、SDK 的分工，开发者可以据此把智能体嵌进自己的产品而非通用聊天窗口。
公众号：智谱精选AI 评分7979 GLM-5.3上线：AA智能指数60分并列开源第一，成本更低
GLM-5.3 API即日上线，擅长复杂编码、防御性网络安全与长程任务，在AA综合智能指数中取得60分，与Claude Fable 5、GPT-5.6 Sol等闭源旗舰同级，并与Kimi K3并列开源模型第一。该模型以更小参数规模和更低调用成本降低前沿智能门槛，单任务成本为旗舰模型中最低。API定价与GLM-5.2持平，模型权重将于下周五开源。
推荐理由：GLM-5.3 把前沿智能的单任务成本压到同档最低，模型选型时成本与智能可以放在同一优先级比较，而不必默认高价闭源旗舰。
Answer.AI 官方研发博客精选AI 评分6363 为什么 LLM 无法简化你的代码：Answer.AI 工程师用 Naur 理论解读复杂度
Answer.AI 工程师借鉴 Peter Naur 的《Programming as Theory building》，指出决定代码复杂度的关键信息存在于工程师头脑中的 Theory，而非代码本身，因此 LoC、圈复杂度等指标无法约束 LLM 造成的复杂度膨胀。
推荐理由：作者结合 Answer.AI 支付系统重构实例，说明决定代码复杂度的信息不在代码里，解释了为何 LoC 等指标约束不了 LLM 的复杂度膨胀。
Tessl：产品与工程博客精选AI 评分6666 Paul Stack 分享人类做架构、AI 写代码的五人团队实践
Paul Stack 自 1 月底起不再手写代码，团队规定 agent 写每一行代码，不接受人类编写的代码 PR。工作流为状态机加 CLAUDE.md 可执行契约，CI 设五个合并门禁；此前 30 天开启 295 个 issue，ship 217 个，triage 中位数 4.6 小时，triage 到 ship 中位数 1.6 小时。
推荐理由：作者用自家五人团队全程由 agent 写代码的实践，说明流程、约束和门禁如何设计，是可参考的一手方法论。
Together AI 研究与产品博客精选AI 评分7070 DeepSWE 实测：DeepSeek V4 Pro 0813 与 GPT-5.6 Sol 的成本、编码与级联路由对比
Together AI 在 DeepSWE 全部 113 个任务上各跑四次对比 DeepSeek V4 Pro 0813 与 GPT-5.6 Sol，共 904 次运行。
推荐理由：原文基于同一批 904 次运行数据拆解两模型的成本与失败模式，并给出可复用的级联路由方案，比单独跑分更有参考价值。
Together AI 研究与产品博客精选AI 评分7070 Together AI 实测 DeepSeek V4 Pro 0813 对比 Claude Fable 5 在 DeepSWE 上的成本、编码与路由表现
Together AI 在 DeepSWE 全部 113 个任务、每任务 4 次试验（共 904 次 rollout）上对比 DeepSeek V4 Pro 0813 与 Claude Fable 5。
推荐理由：原文基于同一批 904 次 rollout 的实测数据，给出两模型在 DeepSWE 上的成本与互补性对比，以及可复用的级联路由结果。
Simon Willison 博客精选AI 评分7373 Qwen 3.8 27B 表现出色，但默认推理强度过高导致过度思考
阿里 Qwen 实验室发布 Apache 2 许可的 27B 参数视觉大模型 Qwen 3.8 27B，官方基准显示其超越前代 Qwen 3.6 27B 及闭源 Qwen 3.7-Plus。
推荐理由：把 Qwen 3.8 27B 的推理档位成本量化成时间差异，xhigh 默认让生成同一 SVG 从 137 秒膨胀到 21 分钟，这个默认值比能力更影响本地选型。