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%。
推荐理由：METR 的随机对照试验给出了 AI 使资深开源开发者变慢 19% 的实测结果，可用于校准基准分数与自我感知之间的落差。
#编码
#编码
今日 47 条METR：Research（网页）精选AI 评分7777 METR：Research（网页）AI 评分6363 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：Notes（网页）AI 评分4646 METR 用 Claude Code 和 Codex 测量时间跨度：未优于默认脚手架
METR 研究员 Nikola Jurkovic 用 Claude Code 和 Codex 脚手架测量 Opus 4.5 与 GPT-5 的时间跨度，发现两者均未明显优于 METR 默认的 ReAct 和 Triframe 脚手架。
METR：Research（网页）AI 评分5757 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：Notes（网页）AI 评分6262 METR 用 5305 条 Claude Code 转录估算编码智能体时间节省因子约 1.5x 到 13x
METR 研究员 Amy Deng 用 7 名技术员工 2026 年 1 月生成的 5305 条 Claude Code 转录，以 LLM 评审估算无 AI 情况下的任务耗时，得出时间节省因子约 1.5x 到 13x。作者认为该指标因任务替代、任务选择效应和员工专业化等因素而偏高，是真实生产力提升的软上限，并观察到更高的智能体并发度与更高的时间节省因子相关。
METR：Notes（网页）AI 评分6363 METR 研究员用 Opus 4.6 在 CLI 复刻 Slay the Spire 和 Balatro 的观察
METR 研究员 Nikola Jurkovic 让 Opus 4.6 用简单 ReAct 脚手架复刻 Slay the Spire 和 Balatro 的 CLI 版本，得到基本可玩但有不少缺陷的实现。
METR：Notes（网页）精选AI 评分6868 METR 研究：约半数通过 SWE-bench Verified 的 AI PR 不会被维护者合并
METR 研究发现，2024 年中至 2025 年中后期模型生成的通过 SWE-bench Verified 自动评分的 PR 中，约一半不会被仓库维护者合并进 main。
推荐理由：研究用真实维护者评审量化 SWE-bench 分数与实际可合并 PR 的差距，为解读编码基准提供了更审慎的参照。
METR：Research（网页）精选AI 评分6666 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。
推荐理由：原文解释了为何 AI 更广泛采用带来的选择效应使其实验结果不可靠，并给出初步数据与后续研究设计思路。
METR：Notes（网页）AI 评分5757 METR 分析 NanoGPT speedrun 中人类与 AI 智能体的贡献
METR 研究人员对 NanoGPT speedrun 的 77 条记录分类，2024 年 5 月至 2026 年 3 月间 36 名贡献者将训练时间从 45 分钟降到 1.43 分钟，共 31x 提速。
METR：Research（网页）AI 评分5858 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。
METR：Notes（网页）AI 评分6262 METR 分析：基于 Anthropic 代码产出 8 倍增长推算研究员提效可能超过 2 倍
METR 研究员 Thomas Kwa 分析称，Anthropic 报告 2026 年 Q2 贡献者日均合并代码量为 2021-2024 期的 8 倍，在标准经济建模假设下，仅编码智能体带来的研究员提效就大于 2 倍，中心估计约 2.5 倍。
Fireworks AI（网页）AI 评分5050 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 AI（网页）精选AI 评分6767 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。
推荐理由：Fireworks 用自家同一套评测对比 DeepSeek V4 Pro 与 Fable 5，给出单模型与 oracle 路由的成本和准确率数据，可作选型参考。
Fireworks AI（网页）精选AI 评分6565 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。
推荐理由：原文给出 DeepSWE、Terminal-Bench 2.1 和 HLE 的具体成本与准确率数据，可帮助开发者评估智能体编码工作流的模型选型。
Cursor Blog精选AI 评分7070 Cursor 团队分享如何搭建云端智能体开发环境
Cursor 团队分享为云端智能体搭建开发环境的经验，核心思路是把开发环境当作用户是智能体的产品来做。他们让云端 VM 与本地开发环境对齐，构建 anydev CLI 简化智能体运行服务的流程，并通过 Cursor Cloud MCP 和 Cloud Doctor 自动化功能实现环境的自愈与持续改善。
推荐理由：Cursor 团队分享了自家云端智能体环境的搭建经验，包含 anydev CLI、Cursor Cloud MCP 等做法和可迁移的判断标准。
Cursor Blog精选AI 评分6969 Cursor 与 SpaceXAI 联合发布 Grok 4.6，聚焦长时程智能体任务
Cursor 团队与 SpaceXAI 今日联合发布 Grok 4.6，基于 Grok 4.5 打造，专注于长时间运行的智能体、更复杂的交互与视觉工作。在 Artificial Analysis Intelligence Index 上它与 GPT-5.6 Sol 持平（61 分），训练上进行了更长时间的补充训练、重新生成的 SFT 轨迹和广泛的智能体 RL。
推荐理由：原文给出训练方法、基准分数和定价细节，读者可以据此评估它在智能体编程场景中的定位。
Epoch AI：研究、数据与评测AI 评分2525 Epoch AI 研究：GPT-6 Astra 数学基准领先，软件工程仍落后 Claude Fable 5.1
OpenAI 的 GPT-6 Astra 以 166 分登顶 Epoch Capabilities Index，领先 Claude Fable 5.1 的 164 分和 GPT-5.6 Sol 的 162 分，其 Math-ECI 达 170 创下新纪录。但在软件工程基准上，GPT-6 Astra 的 SWE-ECI 为 164，仍落后于 Fable 5.1 的 167。
Epoch AI：研究、数据与评测AI 评分6161 Epoch AI 与 METR 联合推出长程编码基准 MirrorCode
Epoch AI 与 METR 联合推出长程编码基准 MirrorCode，要求 AI 在不接触源代码的情况下端到端重实现完整程序，输出须通过含 held-out 测试的端到端测试。
Claude：Blog（网页）精选AI 评分7171 Claude Marketplace 上线 340 个插件支持一键安装
Claude 推出插件市场，收录 340 个插件，可一键安装为 Claude 添加工具、技能和集成。示例包括 GitHub 官方 MCP 服务器、Playwright 浏览器自动化、Figma 设计转代码、Supabase、Vercel 集成，以及代码审查、语言服务器和 CLAUDE.md 维护等开发类插件。
推荐理由：页面列出了插件市场的主要品类和代表性插件，读者可以据此了解 Claude 现有可扩展能力的范围。
Claude：Blog（网页）精选AI 评分7575 Anthropic 发布 AI-native SDLC 实践手册，用 Claude 重构软件开发全流程
Anthropic 发布 AI-native SDLC playbook，主张在代码不再瓶颈后重构传统软件开发生命周期，将流程改为以提交工件驱动的闭环。
推荐理由：Anthropic 把内部 agentic 编码实践整理成六阶段方法论，覆盖从需求捕获到自动回环的每一步落地与治理细节。
Claude：Blog（网页）精选AI 评分6565 Claude Code Projects 改版：从文件夹到多线程对话协调
Anthropic 改版 Claude Code 的 Projects 功能，用户描述目标后由 Claude 负责拆解任务、并行协调多个线程、审查输出并汇总结果，例如按仓库开线程迁移调用、跑测试并开 PR。
推荐理由：官方介绍了 Projects 从文件夹到对话的改版机制，读者可以了解多线程协调与共享记忆如何改变 Claude Code 的长任务工作流。
Claude：Blog（网页）精选AI 评分6969 Anthropic 前线工程师详解如何准备 AI 驱动的代码现代化项目
Anthropic 前线部署工程师分享大型代码现代化项目的准备方法：过去需多年的项目如今可在数月或数周完成，但组织流程不变，瓶颈从产出变更转向动员组织。
推荐理由：Anthropic 前线工程师基于真实客户部署，给出智能体驱动代码现代化的六步准备方法，可直接迁移到企业大型改造项目。
Claude：Blog（网页）AI 评分3737 CodeRabbit、Power Digital 与 ThoughtSpot 如何借 Claude Marketplace 扩展 Snowflake 和 Vercel 用量
CodeRabbit、Power Digital 和 ThoughtSpot 通过 Claude Marketplace 用已有的 Anthropic 承诺额度扩展了 Vercel 与 Snowflake 用量。
Claude：Blog（网页）精选AI 评分8181 Anthropic 详解 Claude Opus 5.5 为何适配更长、更高上下文的编码会话
Anthropic 发文说明 Claude Opus 5.5 针对更长、上下文更重的编码会话做了成本优化，估计典型按 token 计费的工作负载运行成本比 Opus 5 低约 40%。
推荐理由：原文用 Claude Code 六个月聚合数据解释长上下文会话成本结构，并给出保护缓存读取的可操作建议。
Claude：Blog（网页）精选AI 评分6060 Claude Code 推出 Artifacts：把会话工作变成可共享的实时网页
Claude Code 推出 Artifacts，可基于会话完整上下文（代码库、连接器、对话）生成实时可共享的网页，如 PR 讲解、事故页、仪表盘和发布清单，页面随会话进展原地刷新，每次发布为新版本并支持历史回滚。
推荐理由：官方说明了 Artifacts 的构建方式、版本共享机制和权限策略，读者可以判断它能否替换团队现有的状态同步流程。
Cognition 模型 / Devin 博客（网页）AI 评分6464 Cognition 为 Claude Sonnet 4.5 重构 Devin，速度提升 2 倍并在 Agent Preview 上线
Cognition 为 Claude Sonnet 4.5 重构了 Devin，新版本速度快 2 倍，Junior Developer Evals 提升 12%，现已开放 Agent Preview，旧版 Devin 仍可使用。团队观察到该模型会感知自身上下文窗口、主动写笔记和并行执行工具调用，为此调整了提示词和记忆管理架构，并分享了子智能体、元智能体提示词等后续探索方向。
Cognition 模型 / Devin 博客（网页）AI 评分5151 Cognition 在 Devin 中上线 Claude Sonnet 4.5 并发布 Devin Agent Preview
Cognition 宣布 Claude Sonnet 4.5 今日起可在 Devin 中使用，同时发布新的 Devin Agent Preview，速度提升超过 2 倍，Jr. Developer Evals 提升 12%。
Cognition 模型 / Devin 博客（网页）精选AI 评分6565 Cognition 发布 SWE-grep 和 SWE-grep-mini，用 RL 训练快速并行上下文检索模型
Cognition 训练了 SWE-grep 和 SWE-grep-mini 两个快速智能体模型，专攻高度并行的上下文检索，检索能力匹敌前沿编码模型，耗时低一个数量级。
推荐理由：官方公布了模型设计、RL 训练细节和评测数字，读者可以借此了解并行上下文检索的实现路径。
Cognition 模型 / Devin 博客（网页）AI 评分2828 用 Devin 自动化 .NET Framework 到 .NET Core 迁移
Cognition 的 Devin 可将 .NET Framework 到 .NET Core 的 Strangler Fig 迁移从数月缩短至最快两周。Devin 通过 DeepWiki 生成架构文档、Ask Devin 产出迁移计划、独立环境执行迁移并实时验证每个 PR，覆盖依赖共享、控制器、视图和 Session State 等环节。
Cognition 模型 / Devin 博客（网页）精选AI 评分6969 Cognition 发布 SWE-1.5 编码模型，最高 950 tok/s 并登陆 Windsurf
Cognition 发布面向软件工程的 SWE-1.5 模型，参数量为数千亿级，与 Cerebras 合作以最高 950 tok/s 推理，比 Haiku 4.5 快 6 倍、比 Sonnet 4.5 快 13 倍，现已在 Windsurf 上线。
推荐理由：原文给出速度对比、SWE-Bench Pro 成绩和训练细节，读者可以据此评估这款高速编码模型是否改变现有工作流。
Cognition 模型 / Devin 博客（网页）AI 评分6060 Windsurf 推出 Codemaps：AI 标注的代码结构地图
Cognition 发布 Windsurf Codemaps，由 SWE-1.5 和 Claude Sonnet 4.5 驱动的 AI 标注结构化代码地图，用于帮助工程师快速理解代码库。
Cognition 模型 / Devin 博客（网页）精选AI 评分6767 Cognition 发布 Devin 2025 年度绩效复盘：上线 18 个月的真实部署经验
Cognition 在 Devin 上线 18 个月之际发布年度绩效复盘，称其已进入数千家公司的工程团队，累计合并数十万个 PR。
推荐理由：Cognition 以自家客户数据和指标复盘 Devin 的强弱项，为评估智能体实际部署效果提供了可参照的框架。
Cognition 模型 / Devin 博客（网页）AI 评分4545 Infosys 与 Cognition 合作，规模化部署 AI 软件工程师 Devin
Infosys 与 Cognition 达成合作，将在其组织内部及全球客户群中部署 AI 软件工程师 Devin，先在金融服务业务落地，覆盖银行、支付、资本市场、保险和财富管理场景，再扩展至零售、能源、医疗等行业。
Cognition 模型 / Devin 博客（网页）精选AI 评分6767 Cognition 推出 Devin Review 代码审查工具，早期版本免费开放
Cognition 发布 Devin Review，一款面向 GitHub PR 的 AI 代码审查工具，认为代码审查已成为比代码生成更大的瓶颈。
推荐理由：原文给出了 Devin Review 的三种使用入口和具体功能细节，读者可以据此判断它如何改进自己的 PR 审查流程。
Cognition 模型 / Devin 博客（网页）AI 评分2525 Devin 跨越大西洋：Cognition 在伦敦开设办公室
Cognition 在伦敦开设办公室，将自主软件工程推向欧洲领先企业。过去一年，全球多家大型金融机构已采用 Devin 覆盖 SDLC 工作，包括大规模现代化与迁移、安全漏洞修复以及复杂代码库文档化，Cognition 的合作伙伴包括 Goldman Sachs、Santander、Citi、BNY、HG Capital 和 The Access Group 等。
Cognition 模型 / Devin 博客（网页）AI 评分4848 Cognizant 与 Cognition 合作，将 Devin 和 Windsurf 推广至其工程团队与全球客户
Cognizant 与 Cognition 达成合作，将在其工程组织和全球客户中部署 Devin 与 Windsurf。Cognizant 工程师已使用 Windsurf IDE 进行智能体辅助的流式编码，并正在探索 Devin 在代码迁移、重构、测试和维护等工程工作流中的自主端到端执行能力。
Cognition 模型 / Devin 博客（网页）精选AI 评分6969 Devin 支持自动修复 Review 评论，闭环代码审查流程
Cognition 为 Devin 推出 bot triggers 功能：Devin 可被配置为自动修复 Devin Review 及其他 review bot 在 PR 上留下的评论，并继续自动修复 lint 和 CI/CD 问题。
推荐理由：原文由官方说明功能配置入口和适用范围，读者可以判断它如何改变团队 PR 审查流程。
Cognition 模型 / Devin 博客（网页）AI 评分6060 Cognition 发布 Devin 2.2，支持桌面测试、自审与自动修复
Cognition 发布 Devin 2.2，称其为 Devin 上线以来最重要的更新之一。Devin 现在可用自己的 Linux 桌面启动和测试桌面应用，PR 后可回传屏幕录制供人审查；同时能自审输出并自动修复问题，启动速度提升 3 倍，界面全面重构。新用户可获 $10 额度免费使用，新会话默认开启 Desktop 支持。
Cognition 模型 / Devin 博客（网页）AI 评分4242 Cognition 推出面向美国政府的 AI 软件工程平台，Devin 与 Windsurf 进入联邦市场
Cognition 推出 Cognition for Government，将 AI 软件工程平台引入美国联邦政府 IT 现代化。其 Devin 智能体可在云端并行执行数百个任务，迁移速度比人类工程师快 5-40 倍，现已上线 AWS GovCloud，FedRAMP High 授权版本即将推出。
Cognition 模型 / Devin 博客（网页）AI 评分6161 Cognition 如何用 Devin 开发 Devin：内部工程实践详解
Cognition 官方博客介绍其团队如何用 Devin 构建 Devin 本身：上周合并了 659 个 Devin 提交的 PR，高于 2025 年最佳单周的 154 个。