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

上海人工智能实验室正式在 arXiv:2610.28578 发布开源智能体基础模型 Sage-A1.5 技术报告。该模型采用 350 亿总参数量（35B）的混合专家（MoE）架构，延续了“扩展智能体执行视界（Agent Horizon）而非盲目扩大参数量”的设计哲学。Sage-A1.5 创新引入了自适应能力组合机制，重点针对长程仓库级软件工程问题修复（SWE）与多步骤假说驱动的科学探索进行了端到端对齐。评测显示，该模型在超长执行步数下展现出超越 70B+ 稠密大模型的稳定推理能力，并同步公开了本地微调与部署权重。

查看大图

随着编程智能体能力跃升，真实世界 GitHub Issue 的自然产生速度与人工清洗成本已成为制约 SWE 评测与强化学习训练的最大瓶颈。上海交通大学团队开源 SWE-at-Scale 框架，核心洞见在于‘历史修复补丁天然封装了真实的致错机理’：通过逆向历史修复将修复监督转化为致错监督，并迁移至全新代码上下文中重复采样。实测在单个代码文件上下文上即可稳健合成多达 200 个机制各异的可执行 SWE 缺陷任务。

查看大图

阶跃星辰于 2026-10-15 履约放出 Step 5 Preview 开源权重：600B 总参、每 token 激活 27B 的稀疏 MoE，支持最长 1M token 上下文与视觉输入，定位智能体与软件工程。权重已上 Hugging Face（FP8/BF16/NVFP4）与 ModelScope；官方评测 StepCodeBench 49.0%、FrontierFinance 66.4%、Artificial Analysis Intelligence Index 44。此前 9 月仅有 API/指数报道，本次是权重本身首次公开可下载。

查看大图

随着软件工程研发逐步交接给代码 Agent，委托智能体自主构建定制化 Agent 成为新的工程范式。清华大学与 VectorSpaceLab 等团队发布首个智能体软件工程基准 AgentSWE，覆盖构建、编辑与优化三大开发阶段。评测显示主流代码 Agent 远未达到要求，暴露显式示例过拟合、空壳运行时与虚假完成宣称等核心系统性缺陷。

查看大图

当前自主编程智能体（SWE Agents）的训练与评测大多局限于单个函数的孤立补全或现有单仓库内特定 Issue 的局部修复（如 SWE-bench），难以衡量智能体从空白工程起步、独立探索参考系统、推演架构设计并从零完整复现一个可编译可运行软件（Program Reproduction）的长程综合能力。学术研究团队在最新成果（arXiv:2610.13395）中正式开源了首个全自动工程级训练环境合成引擎与智能体工作流 ProgramGym（代码仓库：github.com/Acm1011/ProgramGym，数据集：ProgramGym/programgym-1648）。ProgramGym 包含两大核心支柱：Program-Env 流水线自动将真实开源代码库转换为具备确定性黑盒测试集的隔离执行沙箱，一举构建了涵盖 C、C++、Go、Rust 四大主流系统级语言的 1,648 个高质量可验证训练环境（ProgramGym-1648）；而 Program-Agent 则确立了‘需求分析 -> 代码实现 -> 审查反思’三权分立的迭代开发脚手架与版本控制恢复机制。在权威基准 ProgramBench 测试中，利用该引擎合成轨迹监督微调得到的 Qwen3.8-27B-SFT 模型测试通过率提升 7.97 个百分点至 42.84%，超越了 mini-SWE-agent 下的旗舰模型 GPT-5.4（37.70%）；搭配 Program-Agent 脚手架后跑分更是进一步跃升至 56.25%，全面超越 Claude Opus 4.7（50.90%）与 Gemini 3.5 Flash（53.60%），全套数据集与环境已全面开源。

查看大图

随着自主软件工程智能体与命令行运维 Agent 从执行单条命令走向长程自主交付，缺乏高质量、真实多轮交互的终端训练数据成为了制约基座模型进化的首要瓶颈。中国科学技术大学、高德地图（阿里巴巴集团）与南方科技大学联合研究团队在最新成果（arXiv:2610.13166）中正式推出了全自动终端数据合成引擎 TerminalHorizon。针对传统短程轨迹过度简化工程上下文、预设环境提前解题等致命缺陷，TerminalHorizon 始于真实专业工作流，通过独立执行闭环自动捕获被遗漏的核心操作步，基于探索证据动态重建环境，并沿统一长程目标将任务逐级扩展为多阶段有机需求。团队以此构建了 1.5K 个复杂任务环境与 2,852 条平均交互轮次达 52.8 步的高质量长程轨迹。基于 Qwen3.5-27B 监督微调得到的 TerminalHorizon-27B 模型在权威基准 Terminal-Bench 2.0 上斩获 55.8% 的高分，较原基座暴涨 14.2 个百分点，以极小训练规模击败此前主流模型，横扫涉及 Coding Agent、生产级运维及通用推理的 12 项评测，项目代码与数据集已全面公开。

查看大图

随着 Coding Agent 与自主软件工程智能体接管数小时甚至数天的超长程复杂任务，人类的角色正从‘单步指令操作者’转变为‘自主执行监督者（Overseer）’。然而，面对智能体生成的数万行终端日志、碎片化的代码改动和庞杂的执行轨迹，人类监督者面临着难以逾越的‘审计信息过载’危机：根本无法从浩瀚日志中甄别哪些操作属于具有重大安全或业务风险的‘关键决策（Consequential Decisions）’。来自学术研究团队在最新研究（arXiv:2610.06406）中发布了严苛的软件工程监督基准 AgentMonBench 与免训练监督框架 EBG（Evidence-Grounded Behavior Graph，开源代码：github.com/zhk-lab/EBG，项目主页：zhk-lab.github.io/agentmonbench-ebg）。EBG 创新性地将分散的代码修改与终端回显根据因果证据聚类为具象化的‘行为节点’，并自动构建展示行为间相互关系的拓扑有向图。配合面向任务定制的多视态度量视图，EBG 能够精准标定出最具风险的关键决策点并直接高亮其底层支撑证据链。在横跨 8 大主流基础模型的测试中，EBG 在关键决策识别与证据定位上全面超越直接读取原生上下文的传统监视器，官方代码与评测数据集现已开源。

查看大图

在实际软件工程与知识密集型交付任务中，自主 Coding Agent 通常以‘直接工作区交互（Direct Workspace Interaction, DWI）’的范式运作：通过终端命令直接检索、读取并修改本地代码库中的海量文件。然而，随着交互步数的拉长，Agent 极易遭遇严重的上下文失忆——初期提取的子任务需求被后续的大段文件内容挤出上下文窗口，而列出但尚未打开的潜在关键文件（Candidates）以及已读取证据的追溯链条（Provenances）也会随着模型滑动上下文丢失，导致 Agent 频繁出现漏解需求、死循环甚至‘在核心需求未完成前草率交付’的严重缺陷。韩国科学技术院（KAIST）的研究团队在最新研究（arXiv:2610.10444）中提出了创新框架 RunningTab。RunningTab 颠覆了依赖 Agent 自身注意力记忆或内部草稿纸（Scratchpad）的传统做法，首创了由执行环境托管的‘环境侧动态标签页（Environment-Side Tab）’。该标签页在交互全流程中独立追踪三大要素：结构化需求待办清单（Requirements）、带文件溯源的已读内容片段（Provenances）以及已罗列但未阅读的候选文件栈（Candidates）。在 Agent 尝试交付产物时，环境侧自动触发‘完成前置校验（Finish Check）’门禁，强制验证所有需求是否闭环。在 Workspace-Bench、TheAgentCompany 和 OfficeQA Pro 三大高难度真实工作区基准评测中，RunningTab 全面碾压原生 DWI 与自反思基线，在 TCR@70 指标上实现断崖式领先，论文与相关实现现已公开发布。

查看大图

随着终端智能体（Terminal Agents）从常规软件开发向生物信息、量子化学及天体物理等复杂科学垂直领域纵深渗透，如何构建高保真且具备确定性验证能力的训练环境成为了业界最大的工程死穴。传统手工编写特定领域任务与断言不仅成本高昂，且规则极难复用。来自清华大学与腾讯的研究团队提出了革命性的自监督框架 SWR（Software-in-the-Loop Reconstruction，arXiv:2610.02710）：直接利用工业界与科研界成熟现存的软件工作流（Executable Software Workflows）作为真实真值源，通过自动化输入配置扰动将测试集切分为公开观测与隐藏评测。智能体在仅看到输入模式与部分输入输出对的黑盒条件下，自主逆向重构出全功能可编辑脚本程序；再由多级层级验证器（结合语义断言、结构合法性与防捷径反作弊检查）在隐藏配置上进行绝对真值校验。团队在跨越 6 大科学领域的 500 个真实工作流与 46 个知名软件家族上落地 SWR，采集并清洗了 1,422 条高难度通关轨迹（扩增至 3,000 条训练集）。微调 Qwen3.8-27B 后，模型在权威基准 Terminal-Bench 2 上的平均得分由 47.94% 飙升至 53.56%，在全部对比对照组中全面斩获第一。

查看大图

随着 LLM 智能体在代码重构、操作系统运维等长流程（Long-Horizon）复杂任务中承担核心职责，如何在测试阶段缺乏标准答案或评分规则的前提下自主验证产出质量，已成为制约 Agent 可靠落地的最大瓶颈。学术界以往常依赖多采样多次重试结合多数表决（Majority Voting），但 Google Cloud AI Research 与剑桥大学联合团队揭示了反直觉的底层真相：在长程任务中，“意见分歧往往暴露了隐藏的正确解，而高度共识却常常掩盖了系统性盲区与致命共性错误”。为此，团队打造了 VeriHarness 框架：通过为生成器底座模型赋予独立沙箱工作区、证据探针工具和可复用的验证技能库，将其原位转化为“Agent 级验证官”。框架核心设立“分歧仲裁员（Disagreement Resolver）”利用环境运行时证据仲裁竞争性断言，并由“共识挑战者（Consensus Challenger）”主动探查潜在遗漏需求。基于证据的递归修正机制使 Gemini 3.5 Flash 表现净增 6.2 分，Claude Opus 4.8 净增 6.4 分。团队耗资超过 10 万美元，正式公开开源包含 26,000 条轨迹的完整评测基准。

查看大图

真实的软件研发远不止在文本编辑器中敲击代码：工程师必须频繁启动软件、与图形界面（GUI）交互、视觉观察组件渲染与动态反馈，以此推断故障根因并验证修复成效。然而长期以来，代码智能体（Coding Agents）与计算机使用智能体（Computer-Use Agents, CUA）被高度割裂在纯代码与纯操作两个极端孤岛中。由俄亥俄州立大学（OSU）、卡耐基梅隆大学（CMU）等机构联合推出的 CUA-SWE，是全球首个将计算机使用深度融入软件工程全生命周期的基准与评测环境。该基准涵盖四大核心工程领域，要求智能体在同一长程任务中交替修改源码/配置、执行终端指令、操控运行中的应用程序并审查视觉截图反馈，由确定性测试集保障软件行为合规，为多模态智能体演进提供了全新的统一试炼场。

查看大图