AI 编程实时动态与要闻

YC W26 公司 CellType 11 月 4 日发布 BioSimBench 1.0，用真实实验室数据测试大模型能否预测细胞在药物、基因敲低和免疫信号作用后哪些基因上调或下调。12 个前沿模型中，Gemini 4 Argon 以总分 0.184 排第一，Claude Sonnet 5.5（0.160）和 GPT-6 Astra（0.159）随后，而两次实验室重复之间的一致度为 0.462。CellType 用自家 RL 环境 BioSimGym 训练的 27B 模型在四个预测赛道都超过最强前沿模型。

查看大图

生物科技初创公司 Exin Therapeutics 联合创始人兼 CEO Gabriel Ocana-Santero 10 月 28 日在 X 上披露：一个 AI 智能体从 19 种基因治疗载体中选药、选脑区、从 3 篇论文推导坐标，并驱动立体定位机械臂向癫痫模型小鼠脑内注射 250 纳升。WIRED 报道称团队先试 Claude Opus 5.5 被拒，改用 Sonnet 5 完成；兽医把关每个不可逆步骤，结果尚未经同行评审。

查看大图

Devin 背后的 Cognition 于 10 月 30 日 01:45（UTC）在 X 上公布，Google 新模型 Gemini 4 Carbon 在其编程基准 FrontierCode 2.0 上得分 40%，每任务成本 4.04 美元，接近最高水平，仅次于 Claude Opus 5.5、GPT-6 Astra 和 Claude Sonnet 5.5。上一代 Gemini 4 Argon 得分 26.3%，每任务成本却更高，为 6.41 美元。成绩为 Cognition 自测口径，排行榜已在官网更新。

查看大图

国际权威模型独立评测机构 Artificial Analysis 正式发布针对医疗专业领域的权威评测基准 HealthBench Professional 与消除长度偏差的全新指数 MLCR-AA。评测揭示了一个震撼业界的普遍现象：传统基于 LLM-as-a-Judge 的评估机制存在严重的“长回复字数偏好（Verbosity Bias）”——模型回答越长越容易被判定为优秀。在原始 HealthBench 中，Anthropic 模型的回答平均比竞品长 4 到 6 倍，Claude Opus 5.5 以 71.4% 斩获第一；然而在通过长度归一化严密矫正的 MLCR-AA 榜单中，GPT-6 Astra（Max）与 Claude Sonnet 5.5 并列全球第一，而 Claude Opus 5.5 的真实排名则直接从第 1 位暴跌至第 6 位，为全球大模型评测的公正性敲响了警钟。

查看大图

权威独立 AI 测评机构 Artificial Analysis 联合医疗领域研究者发布 HealthBench 与 HealthBench Professional 医疗长对话与临床推理基准榜单。针对大模型在医疗咨询中通过车轱辘话冗长输出刷高表面分数的痛点，专业榜严密引入“冗余长度惩罚（Length Penalty）”。实测显示 GPT-6 Astra（最高算力模式）以 66.0% 斩获专业榜全球第一，GPT-6.1 Sol 获 65.1%，而原始得分高达 71.4% 的 Claude Opus 5.5 因平均输出近 6000 字符严重被扣分至 59.9%。

查看大图

独立评测机构 Artificial Analysis 10 月 19 日上线两张医疗对话榜单，评测基于 OpenAI 的 HealthBench（5000 段真实健康对话）和 HealthBench Professional（525 段临床医生对话），由医生编写的评分细则打分，同时公布原始分和 OpenAI 采用的长度调整分。Professional 榜上 GPT-6 Astra（max）长度调整分 66.0% 第一，GPT-6.1 Sol 65.1%，Claude Sonnet 5.5 63.0%；Claude Opus 5.5 原始分最高（71.4%），但平均约 5900 字符的回答被扣分后跌到第六（59.9%）。HealthBench 榜上 Claude Sonnet 5.5 以 62.1% 第一，DeepSeek V4.1 Flash 60.9% 紧随其后，单任务成本约为前者的 1/16。

查看大图

Meta 官方正式披露其位于俄亥俄州新奥尔巴尼的吉瓦级（Gigawatt-Scale）AI 超算中心 Prometheus，拥有数十万张顶尖 GPU，在预训练中实现超 85% 的有效算力率（Goodput），在强化学习（RL）中达到 90% 以上。在此超级算力加持下，Meta 新一代代码与视觉旗舰模型 Muse Wonder Full 在 LMSYS Code Arena: WebDev 中斩获 1726 分跃居全球第 6 名（超越 Claude Sonnet 5.5 与 Gemini 4 Argon），推动 Meta 晋升全球前三大模型实验室。

查看大图

GitHub Security Lab 基于自家 Taskflow Agent 框架推出 Fuzzing Taskflow（MIT 开源）：输入一个 GitHub owner/repo，Agent 自动识别入口函数、分析构建、编写 Harness、运行 AFL++、读覆盖率迭代改进，并对每个去重崩溃生成带根因、可达性和补丁建议的漏洞报告。默认模型为 Claude Sonnet 5，官方提醒须在一次性环境中运行。

查看大图

GitHub 官方博客 ReviewBench: An open benchmark for AI code review（2026-10-05）发布 AI 代码审查离线基准（research preview）。它从 1.039 亿 个 GitHub PR 的分布中抽样，选出 187 个开源仓库、19 种语言的 219 个 PR，golden set 汇集人类评审、多家前沿 LLM 和静态分析三类来源，由 Claude Sonnet 5 担任评审裁判，资深工程师复核一致率 96.6%。排行榜上 Copilot Code Review Balanced 的 grounded recall 为 26.0%，Devin 23.8%，Qodo 22.1%，Cursor 9.6%。数据集、裁判 prompt 和 runner 以 MIT 协议开源在 GitHub。

查看大图

随着通用智能体向复杂物理世界与全流程数字化工作流渗透，开发者期望智能体能够无缝处理文本、图像、音频、视频、结构化文档、3D 资产与程序代码等 7 大跨模态资产。然而，直接重新预训练或微调全模态底座模型成本极其高昂且极易损害核心推理能力；而简单外挂零散工具又导致中间资产格式混乱、跨轮次状态修改无法追溯。来自新加坡国立大学（NUS）与 S-Lab 联合团队推出了开源即插即用外壳框架 Omni-IO Skills（arXiv:2609.31847，社区近 300 赞）：首创声明式执行图（Declare Execution Graphs）与持久化资产注册表（Asset Registry），打造包含 27 项层次化多模态技能的标准化接口，全方位覆盖 38 项代表性复杂跨模态任务。在权威评测 UniM-90 上，该外壳将 GPT-5.6 Sol 与 Claude Sonnet 5 的全模态输入支持率从原先的 40% 暴力提升至 100%，结构化达标率突破 99.78%，开辟了外壳级多模态能力重组的最高效路径。

查看大图

官方 Antigravity Models 表格已列出 Claude Sonnet 5.5 (thinking) 与 Claude Opus 5.5 (thinking)：Free / Google AI Plus / Enterprise 为 ❌；Google AI Pro 仅非试用订阅为 ✅，Ultra 为 ✅。同页脚注：Claude Sonnet/Opus 4.6 与 GPT-OSS-120b 将于 2026-11-02 移除。无独立 changelog 公告；以官方文档为准。本篇不臆造 Antigravity 侧 SWE 分数。

查看大图

通用智能体虽具备长程规划与工具调用能力，但在实际工程落地中，其生产力能力依然深度割裂在文本、图像、音频、视频、文档、3D 资产与代码这 7 大异构模态之间。直接微调端到端全模态底座成本极其高昂且极易出现灾难性遗忘，而简单外挂多个专用模型又缺乏跨模态依赖编排、中间产物复用与跨轮次协同能力。新加坡国立大学（NUS）NExT++ 实验室研究团队提出即插即用的全模态智能体底座增强运行时 Omni-IO Skills。该框架构建了层级化技能库、标准化多模态执行接口、依赖感知编排引擎与持久化资产注册表（Asset Registry）。工作流被建模为声明式执行图（Declare Execution Graphs），不仅原生支持无依赖动作并发调度，更能将多步生成的中间产物自动缓存供下游复用。在全新全模态基准 UniM-90 上，该运行时将 GPT-5.6 Sol 与 Claude Sonnet 5 的输入模态支持率从约 40% 直拉至 100%，语义质量综合得分实现近 3 倍爆发式跃升。

查看大图

Pydantic AI 于 2026-09-30 发布 v2.52.0（PyPI pydantic-ai==2.52.0）：新增 ctx.workspace 统一本地/沙箱文件与命令 API，落地 E2B / Fly.io Sprites / Modal / SSH / Bubblewrap 等后端；pydantic-ai-harness 并入主仓版本跳到 0.52.0；首发 pydantic-clai2（uvx pydantic-clai2）。同步修补本地 web_fetch 对嵌套 HTML 转换的资源耗尽问题（GHSA-v36g-jcw9-x7cw，CVSS 6.5），并支持 Claude Sonnet 5.5 与 GPT-6.1 Sol。

查看大图

LangChain 于 2026-09-29 发布 langchain-anthropic==1.7.5 与 langchain-core==1.6.6：合并 #40882，为 Claude Sonnet 5.5 加入模型档案与能力发现；拒绝不支持的强制 tool_choice/thinking 组合；支持会话中途更换 system/tool；在流式与 replay 中保留 computer-toolset 命名空间、加密 advisor 块与 refusal 细节。非法 tool call 可按未强制结构化输出回退或显式 method="json_schema"。

查看大图