AI 编程实时动态与要闻

半导体与 AI 研究机构 SemiAnalysis 11 月 2 日发布 GDPx，用来衡量前沿模型在芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进（RSI）、硬件设计、材料科学、对齐和软件工程 11 个领域的智能体能力，共 206 道任务，由 14 家专业数据公司出题、SemiAnalysis 负责最终质检。官网榜单上 Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 10.9%、GPT-6 Astra 9.6% 紧随其后；金融和法律任务几乎所有模型都是 0 分。SemiAnalysis 称 Opus 5.5 和 GPT-6 Astra 的总分被安全分类器拖低，并计划每 3–6 个月更新一版。以上分数均为 SemiAnalysis 口径。

查看大图

独立评测机构 Artificial Analysis 10 月 31 日发布知识与幻觉基准 AA-Omniscience v1.1，作为 Intelligence Index v5 的组成部分。新版题库从 6,000 题精简为 3,000 题，删掉已公开和已饱和的题目、修正错误与歧义并补充新题，同时在 Hugging Face 公开一套 300 题、难度与私有集校准的公开集，两者 Net Score 的 Pearson 与 Spearman 相关系数均为 0.99。结果显示 Gemini 4 Carbon（high）以 54 分领先，Claude Opus 5.5 为 48、Claude Fable 5.1 为 46；Fable 5.1 准确率最高（68%），Gemini 4 Argon 幻觉率最低（4%）。模型平均比 v1 低约 1.9 分，MiniMax M3.1 Flash 下滑 22 分。以上均为 Artificial Analysis 口径。

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

Y Combinator 的研究项目 YC Labs 与多智能体环境公司 Olam Labs 10 月 29 日发布《Agents in Games》实验报告：50 个 GPT-6.1 Sol 智能体在 Minecraft 生存模式里「建设繁荣文明」3 小时，最后挤在避难所里配给口粮，发了约 5,900 条消息，搞出配给账本、许可证和各种岗位；9 局 Bed Wars 中 10 个 GPT-6.1 Sol 对 10 个 Claude Opus 5.5，GPT 以 6–3 获胜；Mindustry 50 对 50 共 7 局约 9.5 小时，GPT 以 6–1 获胜。报告还发现领导者几乎总是名册上排第一的智能体，GPT 卡住时会自己上网读游戏源码。Minecraft 智能体框架已开源。这是单一机构的实验观察，不是标准化跑分。

查看大图

Kaggle 官方账号宣布与 IBM Research 合作上线 ScarfBench，用 204 个任务测试编码智能体能否把企业 Java 应用在 Jakarta EE、Quarkus 和 Spring 之间迁移且行为不变。IBM 10 月 27 日的技术说明显示，Gemini 4 Argon + Antigravity 以 75.2% 冒烟分居首，Claude Opus 5.5 + Claude Code 全通过率最高（72.1%），GPT-6.1 Sol + Codex 每解决一个任务成本最低（1.25 美元）。

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

AI 编程 Agent 公司 Factory 10 月 29 日 22:31（UTC）在 X 和官方博客发布 Droid 1.0，称这是其 agent harness 迄今最大的一次更新。核心变化是把程序化工具调用（PTC）设为默认：模型写一段 JavaScript 脚本，在沙箱里一次跑完多达上百次工具调用。官方自测 Terminal-Bench 4 中，用 GPT-6.1 Sol 通过率 57.6%（每个通过任务 $0.79），用 Claude Opus 5.5 通过率 65.2%（$4.73），均高于同模型下的 Codex、Claude Code、Cursor、OpenCode 和 Devin。

查看大图

GitHub 10 月 28 日在 Universe 2026 宣布 Copilot Fusion 正式可用（GA）。它把此前研究预览的 Project HydraFusion 多模型编排和 Copilot auto 模型选择合并：用户在模型选择器里选 Copilot Fusion 和努力档位（Standard / High / Max），由系统按任务决定用哪些模型、走 Single、Cascade 还是 Critique 流程。官方称 Fusion Max 在 Artificial Analysis 编码智能体指数得 60 分，比 Claude Code + Opus 5.5 Max 低 2 分，但每任务 API 成本约一半、token 约一半、耗时少约 40%。按所用模型标准价计费，付费用户到 11 月 30 日享 30% 折扣。

查看大图

独立评测机构 Artificial Analysis 10 月 28 日发布 Intelligence Index v5，是 1 月 v4 以来最大一次改版：新增 Cognition 的 FrontierCode 2.0 和 Terminal-Bench-Science，用 HLE-Diamond 替换 Humanity's Last Exam，60% 的权重来自私有或答案保留的测试集。榜首为 Claude Opus 5.5（max）58 分，GPT-6 Astra 57、GPT-6.1 Sol 55；开源权重最高的 Kimi K3.1 Pro（权重尚未发布）46 分，与榜首差距从 v4.3 的 3 分扩大到 12 分。同时推出跨年代对比的 Progress Index v1。

查看大图

Devin 背后的 Cognition 于 10 月 27 日发布 FrontierCode 2.0。新版沿用由开源维护者亲自出题、按"能否合并"打分的方法，但任务来自更多仓库、覆盖安全补丁与性能优化，提示词刻意不写全，并加入大量"周全性"判定项。官方结果中 Claude Opus 5.5 以 45.5% 居首，GPT-6 Astra 42.8% 次之，Grok 4.7、Gemini 4 Argon 等降到 20% 多，基准远未饱和。

查看大图

上海人工智能实验室把 Atria Dawn 从 Preview 升级为正式版，Hugging Face（internlm/Atria-Dawn 及 FP8 版）与 ModelScope 均已上线开放权重，MIT 许可。模型基于 744B 参数 MoE 的 GLM-5.2，面向科研与工程类长程智能体任务，上下文从 Preview 的 256K 翻倍到 512K，仅接受文本输入。官方表格显示其在 AutomationBench、CyberGym、SkillsBench 等智能体基准上领先所列模型，但在 SWE-bench Pro、Terminal-Bench 2.1 等编码基准上仍落后 Claude Opus 5（均为厂商口径）。

查看大图

Cursor 官方 10 月 27 日（SGT）宣布 DeepSeek V4.1 Flash 已在 Cursor 中可用，在 Cursor Settings > Models 打开即可。Cursor 称该模型每一档推理强度都落在 CursorBench 成本前沿上：每任务 $0.60 到 $0.98，在这个价位没有模型得分更高。官方 CursorBench 4.0 榜单显示，DeepSeek V4.1 Flash 1017 Max 档 47.7%（$0.98/任务），Medium 46.3%（$0.80），High 45.6%（$0.77），Low 44.9%（$0.60）；同榜最高分 Opus 5.5 Max 为 57.8%，但每任务 $13.43。

查看大图