AI 编程实时动态与要闻

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

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

新加坡时间 11 月 13 日 02:02，Google DeepMind、Google AI 和 Gemini 官方账号同时宣布 Gemini 4 Hydrogen 正式上线，Gemini API 更新日志标注为 GA，模型 ID 是 gemini-4-hydrogen。按官方口径，它在默认 high 思考档位下的 Artificial Analysis 智能指数为 51，高于 Gemini 4 Argon 的 50，新增的 xhigh 档位可到 54；完成任务的速度是 Gemini 3.8 Flash 的 2.5 倍，Terminal-Bench 4.1 得分从 18.2% 提高到 57%。价格在 100 万 token 上下文内统一为输入 1.5 美元、输出 7.5 美元（每百万 token），免费层也能用。它同时成为 Gemini 应用、Google 搜索和 Antigravity 托管智能体的默认模型。昨天站内报道过的 SKU 价目表泄露，今天由官方证实。Cursor 官方随后宣布 Hydrogen 已上线编辑器，默认努力档（high）在 CursorBench 4.0 上为 54.3%，高于 Gemini 3.8 Flash 的 39.6%。

查看大图

Hugging Face 研究员 Joël Niklaus 11 月 11 日宣布，DeepSeek 开源编码 Agent DeepSeek Harness（DSH，开发者预览版 0.2.2-rc.1）已加入他维护的 Harness Leaderboard。该榜单固定模型和推理力度、只换 harness，比较 10 款编码 Agent。作者口径：DSH 在 DeepSeek-V4.1-Flash、GLM-5.3-Flash（低/高推理力度）和 Flint 共 5 组评测中都与第一名统计持平；DeepSWE 三模型平均排第 2，仅比 Nous Research 的 Hermes Agent 低 0.5 分；Terminal-Bench 排第 6。主要原因是 DSH 结束任务时会关掉自己启动的后台程序，3 道要求留着服务器给评分器检查的任务 36 次只过 2 次，每组评测因此丢 1.5–1.7 分。平均每解出一题花费 0.53 美元。这是个人维护的研究榜单，并非 DeepSeek 或 Hugging Face 官方公告。

查看大图

百度 11 月 11 日在 ERNIE 官网和 @Baidu_Inc 发布文心 5.5 Flash Preview，这是基于 11 月 5 日开源的 ERNIE 5.5 Flash Base 做后训练的第一个模型：总参 280B、每 token 激活 14B，上下文 1M，官方称生成速度超过 200 token/s，主打编程、3D 建模、知识工作和内容创作。API 已在百度智能云千帆上线，权重将于 11 月 25 日前开源，官方博客写明采用 Apache 2.0。官方跑分（厂商口径）中，它在 AutomationBench（61.9）和 SpreadsheetBench V2（36.4）上排在对比表第一，但 Terminal-Bench 4.0 只有 46.5，低于 Claude Opus 5.5 的 63.6。官方也说明这是后训练中途的检查点。

查看大图

Y Combinator 总裁兼 CEO Garry Tan（@garrytan）于 2026-11-08 18:09 UTC 在 X 发帖，称出于好奇在做「frontier 模型 + harness」的开源评测，并贴出初步结论截图；随后公开了 GitHub 仓库 garrytan/g-harness-evals（MIT）。仓库做法是固定模型（Opus 5.5 或 GPT-6.1 Sol）和任务，只换 harness（系统提示、工具、记忆）。截图称 7 种组合在同样 20 道编码任务上通过率都在 71–79%，其中 14 道题在所有组合里结果相同，所以「测试太简单、分不出高下」，更难的 Terminal-Bench 复跑正在进行。成本差距明显：Opus 上 OpenClaw 约 $0.44/题、Claude Code $0.22、Hermes $0.24、QM $0.19；Sol 上 Codex 最便宜最快，$0.17。抓取时原帖约 312 赞、84 回复、117 收藏、约 4.2 万展示。仓库自带利益披露：QM 属于 YC 项目，YC 投资了 Hermes。

查看大图

斯坦福 / 康奈尔团队（E. Kelly Buchanan、Crystal Zhou、Scott W. Linderman、Christopher Ré）于 arXiv 2611.08417（2026-11-05）提出「benchmark maintenance debt」：即使用发布前人工+模型红队审过的 Terminal-Bench 2.0，仍有约 30%（28/89）任务存在指令—验证器不一致、外部依赖漂移或资源预算过紧。修复版 Terminal-Bench 2.1 已开源；重跑 19 个 Agent 后，个体分数最多变动约 12 分、名次最多变动 3 位，总排序仍高度相关（Spearman ρ=0.958）。延长超时后，GPT 5.4 上约 20 分的 harness 差距基本消失。

查看大图

微软 Foundry 团队于 2026-11-05 发博：Foundry Local CLI ≥0.13.0 可用 ONNX Runtime 在本机跑 4bit Qwen3.8-27B（权重约 18GB），经 Bring Your Own Key 接到 GitHub Copilot。需 NVIDIA ≥24GB 显存（24GB 时上下文约 64K；≥32GB 可达模型上限 262K）。官方引用模型卡口径 Terminal-Bench 2.1 73.0、SWE-bench Pro 61.7；并称在 RTX 5090 / DGX Spark 上生成速度优于同量化的 llama.cpp。Mac/AMD 尚在路线图。

查看大图

2026-11-05，Hugging Face Harness Optimization 研究员 Joël Niklaus（@joelniklaus）发布 Harness Leaderboard：在固定模型/供应商/推理力度下只换 harness，跑 GLM-5.3-Flash、DeepSeek-V4.1-Flash 与 Flint，基准 Terminal-Bench 2.1 与 DeepSWE，共 28,849 次试验、推理花费约 $4,746。作者口径：三模型平均 mini-swe-agent 解决率约 51.4%，Pi 约 49.4% 且每解一题约 $0.29。本条为个人研究排行榜，非 Hugging Face 公司官方产品公告。

查看大图

独立评测机构 Artificial Analysis 11 月 5 日（UTC 08:28）公布腾讯混元 Hy4 的 Intelligence Index v5 成绩：综合 35 分，与 Grok 4.7（xhigh）持平，落后 Claude Haiku 5.5（max）1 分；在中国实验室模型中仅次于 Kimi K3.1 Pro（46）。Agent 编码方面 FrontierCode 2.0 为 31%、Terminal-Bench 4.0 为 37%；单任务成本约 0.78 美元，约为同分 Grok 4.7 的十分之一。

查看大图

Cognition 于 11 月 4 日（UTC 19:55）发布 SWE-2 Flash。官方博客称它以 Thinking Machines 的 Inkling-Small（276B 总参、12B 激活）为底座，首次在强化学习前加入大规模中训练，把 FrontierCode 2.0 从 3.2% 提到 24.0%、Terminal-Bench 4.0 从 0.9% 提到 20.0%，自称超过所有美国开源权重模型。生成速度约 200 tok/s，价格为 SWE-2 的五分之一、速度为其 3 倍；本月底前对 Devin Desktop 和 CLI 的 Pro、Max、Teams 用户免费。权重暂不公开，将通过安全共享计划提供给合作方和研究者。

查看大图

清华大学与 Z.AI（智谱）等机构的论文 HarnessPro（arXiv 2610.26770，10 月 19 日提交、10 月 20 日更新 v2）提出一种无需标准答案的 harness 自我改进方法：让专门的 agent 诊断执行轨迹、改写指令与运行时策略，再用 LLM 生成的测试评估，并按性能与成本给出 Lite、Medium、Heavy 三档 harness。论文口径：GPT-5.5 搭配 Codex 时，Heavy 档在 Terminal-Bench 2 达到 80.8%，比此前方法 RHO 高 4.5 个百分点，单任务成本从 1.09 美元降到 0.72 美元。代码以 MIT 协议开源，本周被 Pandaily 等媒体集中报道。

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

Mistral 10 月 29 日发布改进版 Mistral Large 4（Le Chonk）并开放权重，已上架 Hugging Face（另有 NVFP4 量化版），API 名为 mistral-large-4。相比 10 月初的公开预览，多做了约三周强化学习：官方口径 FrontierCode 2.0 得分 19.7%、Terminal-Bench 4.0 从 28% 升到 41%，并新增 low/medium/high 三档推理。许可证为改版 MIT，商用可用，但做模型即服务需另签商业许可。

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