AI 编程实时动态与要闻

数据笔记本公司 Deepnote 开源 Agent Initiative Benchmark v1.0：把智能体放进一家拥有 6 年历史、11 个服务数据的虚构公司 PageMantle 的 Slack 里，看它能否在没人叫它时主动查证、判断要不要开口、发给谁。50 个场景测 12 个模型，GPT-6 Astra 8.97 分第一，GPT-6.1 Sol 8.65 分第二，Claude Fable 5.2 8.17 分第三。

查看大图

ClickHouse 发布开源（Apache-2.0）的智能体记忆系统 Loom，把记忆、代码索引和运行日志放进同一个 ClickHouse 库，记忆与代码关联，代码变动时标记可能过时的记忆。支持 MCP、HTTP API、Python/TS SDK，提供 Claude Code 和 Codex 插件。官方测试中代码问答平均分从 0.78 升到 0.84。

查看大图

Artificial Analysis 11 月 14 日发布编码智能体指数 v2.1：把 FrontierCode 从 1.1 换成 Cognition 的 FrontierCode 2.0（132 个真实任务，按维护者是否愿意合并评分），Terminal-Bench 从 4.0 升到 4.1，保留 SWE-Atlas-QnA-AA。Claude Code + Claude Fable 5.2（xhigh/high）和 Claude Opus 5.5（max）并列 58 分居首；因新版 FrontierCode 更难，各配置平均降 5 分，只有 Codex + GPT-6.1 Terra（max）基本没掉分。

查看大图

Arena 统计了 Code Arena: WebDev 榜自 2025 年 12 月以来 44 期周榜的 105 个模型。结论：小米 MiMo-V2.6-Flash 已超过 4 月榜首 Claude Opus 4.7，价格不到其 1/20；5 月以来榜首分数每月涨约 41 分，是冬季的 3 倍；1 美元以下的 25 个前沿性价比模型里 19 个来自中国。

查看大图

11 月 12 日（UTC），获 Felicis 和英伟达投资的电脑操作智能体公司 Simular 发布 box：每个账号一台云端 Ubuntu 桌面，自带 Chrome 和常驻 shell，整体作为一个远程 MCP 服务器（mcp.box.simular.ai/mcp，Streamable HTTP，OAuth 登录）提供。claude.ai、ChatGPT、Gemini、Claude Code、Codex、Cursor、OpenCode、VS Code 等任何 MCP 客户端都能接入，不同助手可以在同一台机器上接力干活，共享登录状态和文件。用户可在网页或 iPhone 上实时观看，需要登录或付款确认时随时接管。桌面本身免费，模型调用消耗账号积分；空闲时休眠、约 1 秒唤醒，连续休眠 14 天会被删除。发布视频浏览量超过 81 万。官方称「生产环境最快的电脑操作」，但未公布跑分。

查看大图

Anthropic 宣布自托管版 Claude Managed Agents 进入私测。以前企业只能全托管给 Anthropic，或只把沙箱放在自己这边；现在整套服务（API、智能体循环、会话记录存储、沙箱）都能部署在自己的云账号或本地机房，会话记录存进自家 PostgreSQL。模型请求可以发给 Anthropic，也可以走 Amazon Bedrock、Google 的 Claude 托管服务、Microsoft Foundry 或自建网关。开发者 API 与托管版一致。目前只对符合条件的组织开放，需要通过 Anthropic 客户团队申请。

查看大图

移动开发框架 Expo 于 11 月 12 日正式推出 Expo Simulators，所有付费套餐可用。编程智能体用一条命令就能开一台云端 iOS 模拟器或安卓模拟器，装上构建包自己点测，结束后留下完整录屏、截图、日志和网络记录，可附到 PR 上给人审。每个会话独占一台虚拟机，不用 Mac，Linux 和 Windows（WSL）都能跑 iOS 模拟器。按分钟计费，iOS 和安卓都是每分钟 0.1 美元，Starter 及以上套餐每月含 60 分钟。

查看大图

端侧模型公司 Edge0 于 11 月 12 日开放 Edge0-145B 和 Edge0-120B 的权重，并发布 C++ 推理引擎 edge0-infer 和 Edge0 Chat 0.2.0。145B 版基于 Qwen3.8-Flash-Next，是潜空间稀疏 MoE，每 token 激活约 10.12B 参数，原生 4 bit 训练，上下文 256K。官方称本地峰值内存 29GB，在 RTX 5090 D 24GB 上智能体解码 98.3 tok/s；Terminal-Bench 2.1 得分 86.52，Claude Opus 4.6（Max）为 78.2。所有成绩均为 Edge0 内部评测。

查看大图

11 月 12 日，Anthropic 开始推送 Claude Meetings 测试版。团队可以把 Claude 拉进视频会议，它以可见参会者身份旁听，参会者喊一声「Claude」或在会议聊天里提问，它默认用文字作答，还能在获得授权后调用各人已连接的工具。会上可以让它现场起草文档、画白板，散会后纪要、待办、转写稿和成品都在 claude.ai 的会议页里。首发只支持 Google Meet，面向 Team 和 Enterprise 套餐；只保存转写和摘要，不存音频。

查看大图

AI 观察账号 leo（@synthwavedd，约 4.8 万粉丝）11 月 12 日凌晨（新加坡时间）发帖称：OpenAI 一年来首次在 Epoch AI 的能力指数（ECI）上排到第三，GPT-6 Astra 落后于 Claude Fable 5.2 和 Gemini 4 Carbon。帖子附 Epoch 榜单截图：Fable 5.2 为 173（90% 可信区间 170–177），Gemini 4 Carbon 170（166–174），GPT-6 Astra 与 Claude Opus 5.5 同为 169（166–172）。该帖约 3.8 万浏览、830 赞、45 条回复，中日文圈 12 日继续转述。Epoch 官网目前显示的最高分为 Fable 5.2 的 173，并注明该分数基于发布前测试、仍可能变化。争论焦点在于：前几名的区间互相重叠，「第三」到底有多大意义。

查看大图

专做对齐评测的 Goodhart Labs 于 11 月 12 日凌晨（新加坡时间）发布 HoneyBench v0.2，衡量模型在「评分器有漏洞」的任务里钻空子的频率。20 个任务覆盖医疗、工程、行政、编码等 7 个领域，测了 22 个模型，没有一个完全不作弊：Claude Fable 5.2 作弊率 11.9% 最低，Opus 5.5 为 31.8%，GPT-6 Astra 50.8%，国产模型中阶跃 Step 5 Preview 最低（64.9%），Grok 4.7 与 Muse Spark Open 超过 85%。官方举例：有模型试图逃出评测容器、为达治疗指标伤害模拟癌症患者。以上为第三方评测机构口径。

查看大图

Arena 于 11 月 11 日宣布，Anthropic 的 Claude Fable 5.2 (Max) 在 Agent Arena 总榜排名第一：基于 4,731 次真实智能体会话，净提升 +30.35%，约为第 2 名 Claude Opus 5.5 (Max)（+19.52%）的 1.6 倍，第 3 名为 Gemini 4 Carbon (High)（+16.98%，初步排名）。相比上一代 Fable 5.1，Fable 5.2 从第 5 升至第 1，净提升约翻倍，每任务中位成本从 7.60 美元降至 7.28 美元。它在「好评 vs 抱怨」「可控性」「确认成功」三项信号均居首，Bash 可靠性第 3，但每任务成本仍是 Gemini 4 Carbon 的约 5 倍。

查看大图

独立评测机构 Artificial Analysis（AA）11 月 12 日在官方账号公布：Anthropic 本周发布的 Claude Fable 5.2 在 AA-Robotics v0.1 上得分 75，成为新榜首，高于此前第一的 GPT-6 Astra（69）和 GPT-6.1 Sol（65）。这项评测让编码 Agent 通过 HTTP API 操控一台 6 轴机械臂完成 8 项桌面任务。AA 称 Fable 5.2 是第一个在「测量盒子尺寸」任务上得分的模型：它只靠摄像头视频，把场景里的卷尺当作比例尺来估算盒子尺寸。上一代 Fable 5.1 在 10 月首发榜单上只有 46.3 分。

查看大图