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。
推荐理由：原文给出定价、1M 输出上限和多项基准成绩，读者可据此评估该模型在编码与防御性网络安全上的实际表现。
AI 编码
全部主题AI 写代码的一切：编码助手、Vibe Coding、代码模型评测与开发工作流变革。
最新精选
第 1–20 条 · 共 164 条Google DeepMind：Blog（RSS）精选AI 评分7777 Google Blog：AI（RSS）精选AI 评分7676 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%。
推荐理由：官方公告给出定价、输出 token 上限和多个基准分数，读者可以据此评估它在编码与安全防御场景的落点。
Google AI：DEV 作者专属（RSS）精选AI 评分7575 一次 Agent 重构事故复盘：二十个正确改动如何掩盖了错误的假设
作者复盘充电站地图去重任务的事故：一个由 Agent 编写、重构后测试全部通过的去重任务，因测试数据自造而未取自真实数据（9269 对重复记录中运营商名称仅 1 对匹配），导致约三分之一注册表站点在 100 米内存在重复显示，重构 78 分钟后被无审阅合并。
推荐理由：作者以真实去重事故为底，给出从审代码转向审概念与真实数据的可迁移复核清单。
Arena.ai@arena精选AI 评分7171Arena 宣布 OpenAI 的 GPT-6.1 Sol (Max) 在 Code Arena: WebDev 榜以 1759 分排第 3，混合价格 $8/MToken。
引用OpenAI@OpenAIGPT-6.1 Sol: near-Astra intelligence for a fifth of the price. It’s the most cost-efficient model for its performance available today.
推荐理由：Arena 用自家榜单数据对比 GPT-6.1 Sol (Max) 与前代及竞品的价格性能位置，读者可据此评估其成本效率变化。
Google AI：DEV 作者专属（RSS）精选AI 评分7373 工程师复盘十个月围绕 Claude Code 搭建守护框架的经验与教训
一位工程师复盘十个月为 Claude Code 逐步搭建 hooks、门禁和守护框架的经历，核心结论是“仪表会撒谎”，提示词只是请求，真正有效的是代码边界。
推荐理由：作者用十个月的真实失败数据说明提示词为何挡不住模型，并给出可复用的 Claude Code hooks 种子。
xAI：News（网页）精选AI 评分6767 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。
推荐理由：官方介绍覆盖计划模式、并行子代理和 headless 模式等能力，读者可据此判断如何接入现有终端工作流。
xAI：News（网页）精选AI 评分6262 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。
推荐理由：xAI 官方公告给出了 grok-build-0.1 的定位、速度、定价和适配工具，读者可据此评估是否接入自己的编码工作流。
xAI：News（网页）精选AI 评分7373 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。
推荐理由：源码公开了 agent loop、工具、TUI 和扩展系统的实现细节，还支持本地编译和接自有推理服务。
xAI：News（网页）精选AI 评分7878 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。
推荐理由：官方发布页给出了基准分数、定价、token 效率和免费入口等具体数据，读者可据此与其他模型比较并选择使用场景。
xAI：News（网页）精选AI 评分7373 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。
推荐理由：官方说明了 workflows 的编排方式、agent 预算和复用机制，读者可据此判断它适合哪类多智能体任务。
xAI：News（网页）精选AI 评分7878 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）。
推荐理由：官方公告给出了各基准对比数字、API 定价和开放入口，读者可据此评估 Grok 4.6 在智能体编码上的位置。
TensorZero：实验与工程博客精选AI 评分6969 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。
推荐理由：作者以第一手实验给出自建代理查看 Cursor 提示词的完整路径，还分享了系统提示词和模型分层等可复核的细节。
Prime Intellect（网页）精选AI 评分6868 Prime Intellect 让 Codex 与 Claude Code 自主刷新 nanoGPT speedrun 优化器纪录
Prime Intellect 让 Codex（gpt 5.5 xhigh）和 Claude Code（opus 4.7 xhigh）在 nanoGPT speedrun Track 3 优化器赛道上自主迭代两周，约 10k 次运行、约 14k H200 小时，两个 Agent 均打破人类基线，Opus 以 2930 步刷新纪录（人类基线 2990）。
推荐理由：原文用约 10k 次运行的完整日志拆解了两个 Agent 在自主研究中的能力边界与失败模式，方法可复用。
Prime Intellect（网页）精选AI 评分7676 Prime Intellect 发布开源自改进编码智能体 Prime Agent
Prime Intellect 发布开源编码智能体 Prime Agent，围绕 Recursive Language Model（RLM）和 Continual Harness 两个抽象设计，通过持久 IPython 内核以程序化方式调用工具和子智能体，并支持对提示词、技能、记忆和子智能体进行 CRUD 式自改进。
推荐理由：官方介绍了 RLM 与 Continual Harness 两个抽象和公开的评测数据，读者可以据此评估这个开源智能体运行时的适用场景。
MiniMax：Blog（网页）精选AI 评分7575 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。
推荐理由：官方公布了 M2.5 在编码、搜索和办公场景的成绩与价格细节，读者可以据此比较它与同类模型的性价比。
MiniMax：Blog（网页）精选AI 评分7272 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%。
推荐理由：官方给出了各基准的具体分数和自进化工作流细节，读者可以据此与同档模型做直接比较。
METR：Research（网页）精选AI 评分7878 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。
推荐理由：METR 用人类任务时长衡量智能体能力，给出 6 年约 7 个月翻倍的指数趋势及其外推含义。
METR：Research（网页）精选AI 评分7777 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。
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。