LMSYS Arena 发布编码智能体 harness 研究：对比 Claude Code、Codex CLI 与 Pi 等原生工具链对模型表现的影响。基于 21 组模型-harness 配对的严格评测，结论是 harness「税」远小于社区常见假设，模型本身仍占主导；详情见 Arena 博客。
Specific Labs（@janaksunil）发布 Real-SWE：用真实公司私有、分布外生产代码库上的工程任务评测编码智能体（含 20 万+ 用户应用、金融对账、企业销售工具等）。公开榜单（8 次独立运行均值）显示 Claude Fable 5.1 + Claude Code 38.8%、GPT-6 Astra + Codex CLI 33.8%、Gemini 3.8 Flash + Gemini CLI 31.2%，领先者仍未达 40%。站点 realswe.withspecific.com。
LMArena 公布 Muse Spark 1.3（Max）在 Agent Arena 升至第 13 名，基于逾 8700 次真实智能体会话净提升 +4.2%；相对 1.2（xHigh）的第 30 名上升 17 位。编码、工作与聊天分榜均改善，其中 Code 升至第 15（+4.3%）。
OpenAI 研究员 Kevin Liu 发布 Research acceleration 报告：内部编码智能体正重塑研究员日常；按 API 价计中位研究员日推理超 600 美元、研究组织 P90 超 7000 美元/天；截至 2026 年 8 月中，每 1 个人工工作日对应约 3.1 个智能体工作日。公司称已达成「自动化研究实习」目标，并继续推进 2028 年 3 月前后的自动化 AI 研究员路线。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察