Google DeepMind 发布 Gemini 4 Argon 前沿模型

Google DeepMind 宣布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向可信网络防御者开放，再逐步扩展至开发者、企业和消费者。

Google 发布 Gemini 4 Argon 前沿模型

Google 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 面向可信网络防御者开放，价格为每百万输入 token $2、输出 token $10，缓存输入 token 为输入价的 5%。

Google DeepMind@GoogleDeepMindAI 评分3838

推出 Gemini 4 Argon——我们的全新前沿模型。 它专为编码、企业知识工作和网络安全防御等复杂工作流打造——今天起通过我们的 Fairwind Program 向一批受信任的测试者逐步开放。

Claude for Government 正式面向联邦与州政府机构开放

Anthropic 宣布 Claude for Government 正式可用，面向联邦和州政府机构提供 FedRAMP High 授权环境下的 Claude 编码与智能体能力，此前自 7 月起处于公开测试。

Claude Code v2.1.286 发布

Claude Code 发布 v2.1.286，为堆叠的权限请求加上"2 of 5"计数，并支持在全屏列表中点击"N more"行跳转。该版本修复了 claude --resume 和 --continue 在并行工具调用后丢失全部轮次、工具或 hook 返回对象/数字/布尔值时触发 API 400 错误，以及云会话因容器在 transcript 加载中被停止而无法唤醒等问题。

xAI 将 Grok 接入 OpenCode，SuperGrok 与 X Premium 订阅可直接用于编码

xAI 宣布 Grok 可在 OpenCode 中使用，用户连接 Grok 账号后即可用 Grok Build 编码，该模型同样驱动 xAI 的终端编码智能体。在 OpenCode 内运行 /connect 并选择 xAI，支持 SuperGrok 订阅的 OAuth 浏览器登录，以及面向 SSH 或远程主机的 Headless / Remote / VPS 验证码登录方式。

xAI 发布终端编码智能体 Grok Build 早期测试版

xAI 发布终端编码智能体 Grok Build 的早期测试版，面向所有 SuperGrok 和 X Premium Plus 订阅者开放。它支持计划模式审批、AGENTS.md、hooks、skills 和 MCP 服务器开箱即用，可将任务分派给并行运行的子代理，并提供 headless 模式（-p）与完整 ACP 支持。用户可输入 /feedback 提交反馈。

xAI 将 Grok 接入 Kilo Code，SuperGrok 与 X Premium+ 订阅可直接使用

xAI 宣布 Grok 订阅可直接在开源智能体编程平台 Kilo Code 中使用，SuperGrok 或 X Premium+ 用户无需单独的 API key 即可连接 Grok 账号，调用包括 Grok Build 在内的最新模型。

xAI 发布编码模型 grok-build-0.1，API 公测上线

xAI 将编码模型 grok-build-0.1 以公开测试形式上线 xAI API，该模型专为智能体编码任务训练，支持 Web 开发、调试和 MCP，也是驱动 Grok Build 的同一模型。

Composer 2.5 上线 Grok Build，可通过 /models 菜单选用

Composer 2.5 已在 Grok Build 中上线，用户输入 /model 后可在菜单中选择该模型。xAI 称其为一款快速、SOTA 的模型，擅长长时间运行任务与遵循复杂指令。

xAI 将 Grok 接入 Warp：SuperGrok 与 X Premium 订阅可直接使用

xAI 宣布 Grok 与 X Premium 订阅可在 Warp 终端智能体开发环境中直接使用，覆盖近百万开发者。用户连接 SuperGrok 订阅后即可调用 Grok 模型，包括驱动 Grok Build 的 grok-build-0.1。更多智能体与集成即将面向 SuperGrok 和 X Premium 订阅者推出。

xAI 为 Grok Build 推出 Agent Dashboard，支持同时管理多个编码会话

xAI 为 Grok Build 推出 Agent Dashboard，把所有会话集中到一屏，支持并行运行、按状态排序并优先处理等待输入的会话。用户可在 shell 运行 grok dashboard，或在会话内用 /dashboard（Ctrl+\）打开；支持不离开面板查看并回复输出、底部输入框派发新会话、接管任意会话，关闭面板后所有会话继续运行。

xAI 在 Grok Build 推出 /goal 长时自主任务执行模式

xAI 在 Grok Build 中推出 /goal 模式，支持长时自主执行任务，智能体会持续工作直到任务完成并验证，包括审查代码、检查网页或执行脚本。用户只需一行给出目标，智能体会规划方案、把工作拆成进度清单并开始执行，期间可继续追加指令，另有新命令用于监控和引导长时任务，完成后面板显示 Complete 且清单全部勾选。

xAI 开源 Grok Build 编码 Agent 与 TUI

xAI 宣布开源 Grok Build 的编码 Agent 与 TUI，源码已发布在 GitHub。

xAI 发布 Grok 4.5，主打编码、智能体任务与知识工作

xAI 于 7 月 16 日发布 Grok 4.5，定位为其最强模型，面向编码、智能体任务和知识工作，与 Cursor 联合训练。

Grok Build 推出 Workflows 功能，可编排数百个并行 agent 后台完成任务

xAI 宣布 Grok Build 支持 Workflows，用自然语言描述任务后由 Grok 规划并在后台分发给数百个并行 agent 执行，完成后汇报结果。

Grok 4.5 现已在 GitHub Copilot 中可用

xAI 宣布 Grok 4.5 上线 GitHub Copilot，覆盖云 Agent、Copilot CLI 和 VSCode IDE，用户可在模型选择器中直接选用，部分企业和商业用户需在 Copilot 设置中启用。该模型也可通过 SpaceXAI console 直接使用，定价为每百万输入 token $2、每百万输出 token $6。

xAI 推出 Build Mode：用对话创建并发布网站、应用、游戏和仪表盘

xAI 推出 Build Mode，用户用自然语言描述想法，Grok 在对话中直接写出代码并生成可运行的预览，可继续修改布局、功能和样式。完成后可发布为 grok.me 链接或自定义域名。Build Mode 以 Early Beta 形式面向 SuperGrok Heavy 订阅用户开放，覆盖 grok.com、iOS 和 Android。

xAI 发布 Grok 4.6，聚焦长程智能体与视觉交互任务

xAI 发布 Grok 4.6，在 Grok 4.5 基础上重点提升长程智能体和交互视觉类任务能力，在 Artificial Analysis Intelligence Index 上与 GPT-5.6 Sol 持平（61 分）。

Grok 4.6 上线 GitHub Copilot

xAI 宣布最新编程模型 Grok 4.6 在 GitHub Copilot 上线，覆盖云 agent、Copilot CLI 和 VS Code IDE，用户在模型选择器中选 "Grok 4.6" 即可使用，部分企业和商业用户需在 Copilot 设置中启用。该模型也可通过 SpaceXAI 控制台使用，价格为每百万输入 token $2、每百万输出 token $6。

某大型银行如何用 LLM 与 TensorZero 自动化代码变更日志

欧洲一家大型银行的 DevOps 工程师 Mark 借助开源平台 TensorZero 构建变更日志自动化系统，接入 GitLab merge request 与 CI/CD 流程，并用 Ollama 实现全自托管部署，数据不出内网。系统利用内置的动态上下文学习（DICL），将工程师对 AI 生成日志的修改自动用于优化后续推理，无需微调或标注数据集。

TensorZero 团队逆向 Cursor 的 LLM 客户端，公开其系统提示词

TensorZero 团队将自研开源网关部署为 Cursor 与 LLM 提供商之间的自托管代理，成功观察并替换 Cursor 的模型调用。

Berkeley 团队发布 OpenSage：自编程 Agent 生成引擎 ADK

UC Berkeley 等机构团队发布 OpenSage，一个让 AI 自动生成 Agent 拓扑、合成管理工具并控制分层记忆的 Agent Development Kit。

Visual Studio：面向软件开发者的 IDE 与代码编辑器

Visual Studio 现已支持最新版 .NET 与 C# 14，并原生集成 GitHub Copilot 与 Azure AI，覆盖 Web、云、桌面及 AI 工作负载。

GitHub Copilot 在 VS Code 中的 token 效率优化

GitHub 正在优化 VS Code 中 GitHub Copilot 的 token 效率，以应对其转向按用量计费后每个 token 都变得关键的变化。官方称让智能体框架更省 token 是持续进行的工作，将逐个小的改进持续投入。

Microsoft AI 生成式 AI 与 Copilot 产品组合概览

Microsoft 生成式 AI 通过深度学习按自然语言提示词生成文本、图像、音乐和代码，区别于仅做分析预测的传统 AI、预测式 AI 和对话式 AI。

METR 发布 RE-Bench 基准，对比 Claude 3.5 Sonnet、o1-preview 与人类专家的 ML 研究工程能力

METR 发布 RE-Bench 基准，包含 7 个 ML 研究工程环境、71 次人类专家尝试，以及 Claude 3.5 Sonnet 和 o1-preview 智能体的结果，全部开源。

MiniMax 发布 M2.5 模型，SWE-Bench Verified 达 80.2%

MiniMax 发布 MiniMax-M2.5，在 SWE-Bench Verified 得分 80.2%、Multi-SWE-Bench 51.3%、BrowseComp 76.3%，完成 SWE-Bench Verified 评测比 M2.1 快 37%，与 Claude Opus 4.6 的 22.9 分钟持平。

METR 测评前沿模型写 GPU kernel：KernelAgent 在改进版 KernelBench 上平均加速 1.8x

METR 发布对前沿模型编写 GPU kernel 能力的测量，用自建 KernelAgent 脚手架在改进版 KernelBench 上测试。相同模型下 KernelAgent 达到 1.81x 平均加速，远高于原 KernelBench 的 1.05x；o3-mini-high 单模型达 1.81x，全模型 best-of-k 达 2.01x。

MiniMax 发布 M2.7：SWE-Pro 得分 56.22%，展示模型自进化工作流

MiniMax 发布 M2.7 模型，已在 MiniMax Agent 和 API 平台全面可用。该模型在 SWE-Pro 得分 56.22%（接近 Opus 4.6），VIBE-Pro 55.6%，Terminal Bench 2 57.0%，GDPval-AA ELO 1495 为开源模型最高，MM Claw 准确率 62.7%。

METR 发布 HCAST 基准：用人类耗时衡量 AI 智能体完成软件任务的能力

METR 在 arXiv 发布 HCAST（Human-Calibrated Autonomy Software Tasks）基准，包含 189 个机器学习工程、网络安全、软件工程和通用推理任务，并收集 563 条人类基线（超 1500 小时），任务耗时从 1 分钟到 8 小时以上。

METR 提出"任务时长"指标：AI 可完成任务长度每约 7 个月翻倍

METR 提出用任务长度（按人类专家耗时衡量）来度量 AI 能力，发现 6 年来模型能以 50% 可靠性自主完成的任务长度呈指数增长，翻倍时间约 7 个月。当前模型对耗时 4 分钟以内任务成功率近 100%，超过约 4 小时则不足 10%；Claude 3.7 Sonnet 的 50% 成功率时间视界约一小时。

METR 研究：早期 2025 年 AI 工具使资深开源开发者效率下降 19%

METR 开展随机对照试验，16 名资深开源开发者在自己的大型开源仓库（平均 22k+ stars、1M+ 行代码）上完成 246 个真实 issue，允许使用 AI（主要是 Cursor Pro 与 Claude 3.5/3.7 Sonnet）时完成任务反而慢 19%。

METR 分析 9 个基准的时间视野在不同领域如何变化

METR 基于其时间视野论文，用 logistic 模型分析 GPQA、MATH、Mock AIME、LiveCodeBench、OSWorld、WebArena、Tesla FSD 等 9 个基准，发现各领域普遍呈指数或略超指数增长。

METR 研究：单元测试评分高估 AI 智能体真实编码表现

METR 在来自 stdlib-js 和 hypothesis 两个仓库的 18 个真实任务上，用 Inspect ReAct 智能体运行 Claude 3.7 Sonnet，算法评分下成功率为 38%（±19%，95% CI），但人工抽查的 15 个 PR 中无一可直接合并。

METR 将重新设计开发者生产力实验，因 AI 选择效应致新数据不可靠

METR 宣布重新设计其开发者生产力实验，认为 2025 年 8 月启动的二次研究中因开发者拒绝无 AI 工作而出现选择效应，使数据无法可靠反映 AI 工具的生产力影响。

METR 发布 MirrorCode 初步结果：AI 智能体可完成数周级编码任务

METR 发布 MirrorCode 基准初步结果，显示 AI 智能体可完成数周时长的编码任务，包括重新实现一个 16000 行代码库。同页还汇总了 349 名技术工作者调查，自报因 AI 工具工作价值中位数提升 1.4–2x，以及跨 9 个基准的时间跨度研究和监测性评测初步结果。

Trilogy 发布基于 Kimi K3 与 Fireworks 的开源权重网络安全实战手册

Trilogy AI Center of Excellence 围绕 Fireworks 上的 Kimi K3 发布公开 AI 网络安全手册与练习包，包含交互式手册、仓库和十个针对本地训练应用的练习。

Fireworks 实测 DeepSeek V4 Pro 0813：SWE-Bench 达 95.2%，单任务成本约为 Fable 5 的三分之一

Fireworks AI 发布对 DeepSeek V4 Pro 0813 的评测，SWE-Bench Verified 得 95.2%（Fable 5 为 85.4%），SWE-bench 单任务成本 $0.309 对 Fable 5 的 $0.808。

Fireworks 上线 DeepSeek-V4.1-Flash，编码准确率媲美 GPT-6 Astra 成本仅 1/15

Fireworks 上线 DeepSeek-V4.1-Flash，在 DeepSWE 上以 74.34% 的 Pass@1 达到 GPT-6 Astra 水平，每任务成本 $0.43，约为 Astra 的 1/15。