OpenAI 研究:编码智能体加速 AI 研究,但能力边界参差不齐
OpenAI 测量了编码智能体加速 AI 研究的实际效果,发现其表现并不均衡。该研究同时探讨了这一"参差不齐的前沿"对递归自我改进意味着什么。
OpenAI 测量了编码智能体加速 AI 研究的实际效果,发现其表现并不均衡。该研究同时探讨了这一"参差不齐的前沿"对递归自我改进意味着什么。
Google DeepMind 发布 Gemini 4 Neon,主打复杂软件工程、知识工作与科研流程的端到端任务完成,在 Artificial Analysis Intelligence Index 上以 61 分位列第 3。
推荐理由:官方给出 Gemini 4 Neon 在多项基准上的排名、定价与思考档位,读者可据此判断它在 Gemini 4 家族中的定位与成本取舍。
Airbnb 通过 LLM gateway 在 Amazon Bedrock 上运行编码智能体 AirChat,并用“每任务成本”指导模型选型。约五周内上线八款新模型,到 10 月中旬约三分之二的编码智能体请求已流向这些新模型。Airbnb 在发布前用自有任务评测各模型的得分与每任务成本,发布后借助 CloudWatch 的延迟、限流和 token 指标核对生产表现。
Codex 在用户机器上执行命令时,会按用户设定的文件系统与网络限制进行约束,覆盖 macOS、Linux 和 Windows 三大平台。
OpenAI 发布 GPT-6.2 Astra 与 Sol,在专业输出、编码和电脑操作方面有所提升,并降低了成本。新模型覆盖 ChatGPT Work、Codex 和 API 三个入口。
推荐理由:原文给出 GPT-6.2 Astra 与 Sol 在专业输出、编码和电脑操作上的能力变化,以及更低成本这一关键信息。
Revolut 使用 OpenAI 模型和 Codex 将编码时间缩短 30–60%,并扩展金融犯罪调查能力。在保障安全的前提下,Revolut 借助这些工具推进创新,同时不降低标准。
微软研究院联合 UC Berkeley 和 Microsoft Security 提出开源插件 TokenEconomizer,它从编码智能体在仓库中的历史会话学习,在不修改智能体和底层模型的情况下减少重复探索、无用工具加载和失败循环。
推荐理由:微软研究院等机构提出的插件在不改动智能体和模型的前提下,用仓库历史降低编码智能体的 token 成本,并给出多组合实测数据。
AWS 发布五阶段方法论,借助 Amazon Bedrock、Kiro IDE 和 AWS Transform 将大型机 Assembler 程序先转为 COBOL 中间层、再转为 Java Spring Boot 服务部署到 AWS。
NVIDIA NeMo Switchyard 是一个开源库,可让 AI 智能体为每个请求选择由哪个模型处理,其 LiteLLM 集成支持 Stage 路由(读取请求历史中的工具活动与结果,在两个候选模型间选择)和 Random 路由(按权重分流用于 A/B 对比)。
Gondola 借助 Codex 将首席工程师产出提升 50%,并实现营收翻倍。ChatGPT 同时简化了其团队的日常工作。
Microsoft Research Focus 第98期由 Anson Ho 主持,介绍 AI 通用翻译进展、31 年 KLS 猜想被解决,以及让 AI 编码智能体更高效的新方法。
Amplitude 以 OpenAI 模型为主要基础构建主动式产品智能体 Wave,可识别该做什么、帮助团队用编码智能体交付改动并衡量影响,从而在 1–2 天内完成产品改进。
该方案用运行在 AWS Fargate 上的 LiteLLM 代理,将 Amazon Bedrock 封装为 OpenAI 兼容 API,并通过 Application Inference Profiles 实现按用户和按模型的成本控制与配额隔离。
Google DeepMind 发布 Gemini 4 Hydrogen,面向日常编码与智能体工作流,并在 Google AI Studio、Gemini API、Gemini app 和 Google Search 等全线开放。
推荐理由:原文给出 Hydrogen 与 Carbon、Argon 的定位分工及多项基准与定价,读者可据此判断它在多模型工作流中的位置。
Holiday Extras 正借助 Codex 将客户专业知识转化为更好的应用、更高的预订转化率以及新的增长可能。
OpenAI Codex 可通过 Amazon Bedrock 调用支持的 OpenAI 模型完成推理,Codex 本身仍运行在开发者工作站上。
Moonshot AI 的 Kimi K3.1 Pro Highspeed 已在 Amazon Bedrock 上线,基于 Kimi K3 后训练而来,保持 3T 级开放权重架构和 100 万 token 上下文窗口,官方称输出速度是 Kimi K3.1 Pro 的 2–3 倍。
Google DeepMind 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon,称其在网络安全能力和长周期智能体工作流上达到前沿水平。Carbon 在 CursorBench 4.0、Perplexity 的 WANDR 和 Zapier 的 AutomationBench 上排名第一,单任务成本比次优外部模型低 2 倍以上。
推荐理由:原文给出 Carbon 与 Argon 的定位差异、多项基准排名和定价,读者可据此判断该模型适合哪类任务。
CodeRabbit 使用 OpenAI 模型治理并信任 AI 生成的代码,并借助 Codex 在工程团队规模不变的情况下将软件交付量提升 20 倍。
AWS 宣布 Claude Fable 5.2 和 Claude Mythos 5.2 在 Amazon Bedrock 与 Claude Platform on AWS 上可用,其中 Fable 5.2 面向编码、数学和科研等技术工作,可处理多步骤任务并自行校验输出。
推荐理由:文章说明了 Fable 5.2 在编码与科研任务上的能力定位,以及数据保留和迁移方式,便于评估接入成本。
GitHub 单周提交量突破 12 亿次,同比增长超 400%,超过 2025 年全年总量。Faros AI 研究显示,团队从低 AI 采用率升至高位后,pull request 的评审停留时间延长了 441%。
示例项目 sample-remote-coding-agent 展示了如何把 Claude Code 作为远程智能体运行在 Amazon Bedrock AgentCore 上,每个任务在独立 AgentCore runtime 会话的 microVM 中执行,最终返回 GitHub pull request 供审阅合并。
Cult.fit 正在使用 Codex 帮助各职能团队构建工具、加快工作速度并改变工作方式。
Merge 使用 GPT-6 Astra、ChatGPT 和 Codex 审查产品代码并支持营销工作。其团队还用 AI 策划高管晚宴、准备销售更新。
微软研究院发布 PDD Kit,可将用户意图转成 Verus 形式化规范,证明智能体生成的代码对每个输入都满足规范,证明覆盖不到的部分则回退到测试。团队在 GitHub Next 的 Chopin 环境中用它验证了 Rust 全栈应用 Pet Store 的登录逻辑,Verus 在加固代码的同时发现了已有 bug,开发者只审阅意图而未逐行阅读生成代码。
推荐理由:微软研究院介绍 PDD Kit 如何把用户意图转成 Verus 形式化规范,并用证明加测试约束智能体生成的代码。
OpenAI 宣布将收购 Pierre Computer Company,以扩充 Codex 在代码构建、理解和审查方面的工具能力。原文未披露交易金额与完成时间等细节。
推荐理由:OpenAI 收购 Pierre 以扩充 Codex 的代码构建与审查能力,读者可据此观察其编码工具链的整合方向。
Collinear AI 在 Hugging Face 发布 CWE-bench v2,公开 100 个安全漏洞修复任务,覆盖 91 种 CWE,评分完全程序化、可复现。
ChatGPT 和 Codex 正在帮助工程师加速 CAD、PCB 设计、仿真等物理世界工作流。OpenAI 介绍了这些工具在工程领域的应用方式。
OpenAI 构建了 Git 兼容后端 Pando,用于支撑 Codex 带来的开发规模。该后端面向大规模开发场景设计,具体性能数据与开放情况原文未披露。
Qodo 把公司知识与编码规范引入 Codex,帮助开发者在提交 pull request 之前跨仓库发现 P0 级问题。
ChatGPT 桌面应用现已在 AWS GovCloud (US) 的 Amazon Bedrock 上线,通过 Work 和 Codex 两个组件访问 OpenAI 前沿模型。
Mistral 发布 Mistral Large 4(Le Chonk)的开放权重,这是其 1 万亿参数、原生多模态的旗舰模型,此前已公开预览。该模型在 FrontierCode 2.0 上得分 19.7%,在 Terminal-Bench 4.0 上提升 13 个百分点至 41%,并提供 Low、Medium、High 三档推理模式。
推荐理由:原文给出开放权重、三种推理模式与定价,读者可据此判断自托管部署的成本与安全取舍。
Microsoft Research Focus 第97期介绍多项新研究:自改进智能体框架 ForkPilot 在六个基准和主流模型上达到现有最佳方法水平,同时将 AI 处理开销最多降低 59%。
AWS 博客介绍如何用 AI IDE Kiro 把 PHP 到 Java 迁移做成可重复流程,核心是一套共享技能文件、一个发现扫描器和八阶段工作流。扫描器 discover-models.php 以单文件、无依赖方式读取源码 token,输出包含字段、类型转换和关系的 JSON 清单,并把歧义项放入人工复核队列。
Google DeepMind 发布 Gemini 4 Carbon,称其在网络安全与长程任务能力上达到 SOTA,在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
推荐理由:原文列出 Carbon 在网络安全与长程编码基准上的具体分数和定价,可对照两周前发布的 Argon 看能力推进节奏。
Greptile 使用 GPT-6 Astra 测试用户工作流,把缺陷检测从代码审查延伸到实际使用场景。它还借助 Daybreak 加强安全,并用 Codex 减少返工。
CodeRabbit 使用 GPT-6.1 Sol 排查复杂代码库中的安全风险。其安全智能体可帮助开发者审查发现的问题与建议修复方案。
OpenAI 工程师借助 Codex Ultrafast 将事故调查时间从数小时压缩到数分钟。该工具还用于加速安全分析与代码重构,并融入日常开发工作流。
Cloudflare 使用 OpenAI Daybreak 调查漏洞并提出修复方案供人工审核,其开发者则用 Codex 加快开发并提升代码质量。
OpenAI 与 Google Cloud 合作,将 OpenAI 前沿模型和 Codex 工作流接入 Gemini 的 Model Garden,并通过 Google Cloud Marketplace 提供。原文未披露具体模型版本、上线时间和定价。
推荐理由:OpenAI 前沿模型与 Codex 工作流接入 Google Cloud 的 Gemini Model Garden,读者可据此了解两家云与模型方的合作边界。