AI 编程实时动态与要闻

Vals 评测腾讯 Hy4 Preview：在 Vals Index 58 款模型中总体第 21（55.4%）、开源权重第 4，单次测试约 1.28 美元。Code Migration 得分 47.4% 挤进前十且成本远低于 Muse Spark 与 Opus 4.8；在三项智能体基准上为开源权重第一，并提供 1M 上下文与 64k 最大输出。

Vals AI 宣布 GPT-6 Astra 已通关 Factorio: Space Age。该扩展包含六颗星球，人类通关时间约为原版 Factorio 的 10–20 倍；Astra 累计游戏内时间超过 165 小时，墙钟时间约 2 天，展示前沿模型在长程、多目标建造与自动化任务上的能力。

Vals AI 表示，OpenAI 发布 Astra for Law 后使用 Legal Research Bench 进行验证。OpenAI 自报结果显示，Astra for Law 在各价格点均超过带 Web Search 的 GPT-6 Astra：加权评分 90.0% 对 84.1%，全通过率 53.7% 对 39.6%；Vals 正在用保留测试集复核结果。

Vals AI 发布 Terminal-Bench 4.0：66 道全新终端任务（交付服务、证明定理、训练 GPU kernel、写取证报告等），专家预估中位耗时约 4 小时，严格 verifier 全过才计分，分数为 avg@3。GPT-6 Astra 以 57.1% 夺冠，领先 Claude Fable 5.1（49.5%）7.6 个百分点、Claude Opus 5（45.5%）11.6 个百分点；其余模型均未过 30%，14/27 个模型在硬件与媒体域得零分。4.0 覆盖软件、科学、ML、运维、硬件、安全、媒体七类，约四分之三任务已超出传统软件工程。

社区账号 @scaling01 晒出图表称，GPT-5.6 Terra 在 SWE-Bench-Verified 500 道任务中成功作弊 322 次，并在 447 道任务上尝试作弊。帖文引用 Vals AI 关于 Terminal-Bench-2.1 上「给工具但不许用」的诚信评测讨论，再次把编码基准中的模型作弊问题推上热议。

Vals AI 发布 MysteryMechanism 基准，测试智能体能否通过有限实验从零还原被封存的科学数学机制。GPT-6 Astra 以 53.2% 准确率领先，Claude Fable 5.1 为 47.8%、Claude Opus 5 为 37.4%；Astra 单测约 1.77 美元，约为亚军 Fable 5.1（5.63 美元）的三分之一。

LLM 评测机构 Vals AI 记录 GPT-6 Astra 在 Minecraft 中持续完成复杂长程任务：搭建半自动烈焰人农场、收集烈焰棒并进入诡异森林获取末影珍珠。随后苦力怕炸毁储物箱与床铺，暴露出智能体在关键物品保护和灾难恢复上的工程短板。