让AI迁移整个代码库，94.6%没过关：20项任务13项无人做成
相关推荐
Amp取消平台门票：自带ChatGPT和电脑就能免费跑Coding Agent
动察 Beating AI 快讯，Amp 推出免费 Hobby 档。Amp 是从 Sourcegraph 拆出来的 Coding Agent 公司，产品和 Claude Code、Codex 属于一类，可以让 AI 自己读代码、改代码、跑命令和测试。现在只要用自己的电脑，再接自己的 ChatGPT 订阅或模型 API Key，就能免费使用 Amp，不再额外交月费和 BYOK Token 费。 今年 7 月 Amp 推出订阅制后，想把自己的 ChatGPT 订阅接进 Amp，至少要开每月 20 美元的 Megawatt。BYOK 即便用的是自己的模型 Key，Amp 也会收额外 Token 费用并设限制。现在这两层都取消了。ChatGPT 订阅费或 API 本身的模型费用，还是用户自己承担。 Amp 还有一个叫 Orb 的远程云电脑产品，可以给每个任务开一套独立环境。代码和开发工具都放在里面，关掉自己的电脑后 Agent 还能继续干活，也方便同时跑多个任务。Orb 依然按使用量收费；不想付这笔钱，也可以让 Amp 直接跑在自己的电脑上。 另外，Amp 还在扩大 BYOK 范围。付费用户已经可以接 OpenRouter、Amazon Bedrock、Azure Foundry、Ollama Cloud 和自定义模型接口等，之后会开放给所有用户。
Cognition拿Kimi K3炼出SWE-2：逼近Astra，成本仅1/4
动察 Beating AI 快讯，Coding Agent Devin 母公司 Cognition 发布新编程模型 SWE-2。它直接基于月之暗面 2.8T 参数的 Kimi K3 继续做强化学习，进一步训练后，多项编程评测又提高约 5 到 6 个百分点。 在 Cognition 自家的 FrontierCode 1.1 Main 上，SWE-2 得分 50.0%，超过 GPT-5.6 Sol 的 47.5% 和 Grok 4.6 的 48.0%。它距离 Fable 5.1 的 50.9% 只差 0.9 个百分点，但成本低 64%。GPT-6 Astra 得分 53.3%，SWE-2 与其相差 3.3 个百分点，成本约为四分之一。 SWE-2 也比上一代少走很多弯路。中等推理强度下，它完成任务的交互轮数减少 58%，平均成本下降 81%。不过在更难的 Terminal-Bench 4 上，SWE-2 只有 27.3%，明显低于 Astra 的 57.9% 和 Fable 5.1 的 55.8%，还谈不上全面追平前沿模型。 SWE-2 已上线 Devin Desktop 和 CLI，并开始推向 Devin Web 和 Fusion。
UU 远程优化手机 Vibe Coding：多 Agent 并行，电脑手机无缝接管
动察 Beating AI 快讯，网易 UU 远程大改终端功能。手机现在能同时创建多个终端会话，分别运行 Claude Code、Grok Build 等 Coding Agent。退出页面不会停掉任务，之后可以随时回来查看进度。此前 UU 终端一次只能开一个会话，多 Agent 并行基本没法用。 移动端也补上了 TUI（终端里的交互界面）支持。Claude Code、Grok Build 这类工具的菜单、选择器、状态栏现在能正常显示，还能直接触屏选择。输入也可以调用手机系统输入法，中文、语音和特殊符号都方便不少。 更实用的是跨端接管。手机上开的终端任务，回到 Mac 后可以用 uuyc-cli lterm attach 直接接着操作；电脑上开的会话，出门后也会出现在手机里。任务和历史记录不用重新开一遍。 UU 还扩展了 uuyc-cli。终端会话可以直接通过命令创建、查询、接入和关闭，设备控制、远程协助等操作也能走 CLI，查询结果支持 JSON。这样不只人能操作 UU，Agent 和自动化脚本也能直接调用它。
英伟达给Pi加外挂：Agent自己研究找出4种优化，Token最高省64%
动察 Beating AI 快讯，英伟达 NVLabs 开源 SoL-Pi，给 Coding Agent Harness「Pi」加了一层效率优化。研究团队搭了一套自动研究流程，让多个 Agent 分析 Pi 的运行轨迹、提出优化方案、改代码并自动验证。最初有 152 个候选方向，最后只留下 4 个。 这 4 个优化都在减少重复开销。比如改完代码后直接接着跑测试，少一次模型调用；读过的大文件和长输出先存到本地，需要时再取；子任务结束后判断要不要压缩上下文；超长日志先交给便宜模型筛重点，再核对内容确实来自原日志。 在 EdgeBench 上，SoL-Pi 相比原版 Pi 少用 45%–49% Token，成本低约三分之一；相比 Codex、Claude Code 的原生 Harness，Token 少 35%–64%，按 API 标价计算成本低 50%–54%。 不过省钱会损失一点能力，SoL-Pi 保留了 Pi 约 94% 的平均得分；在 Terminal-Bench 4 的 63 个 CPU 任务里，它解出 15 个，Codex 和 Pi 都是 18 个。
离真正替程序员还远：Agent进企业私有代码，最高通过率也只有四成
动察 Beating AI 快讯，YC 孵化的 AI 数据公司 Specific Labs 推出编程评测 Real-SWE，专门拿真实公司的私有代码测试 Coding Agent。任务直接来自企业生产环境，包括算税、账单迁移、API 计费和客户数据迁移。代码和答案都没公开在网上，Agent 得自己摸清公司的业务规则和代码结构。 结果 Fable 5.1 排第一，通过率也只有 38.8%；GPT-6 Astra 为 33.8%，Gemini 3.8 Flash 为 31.2%。GLM 5.3 以 28.8% 排第四，高于 Grok 4.6、Kimi K3 和 GPT-5.6 Sol。当前公开的 10 个任务里，有 6 个整体通过率低于 15%，还有一个任务所有模型全部失败。 最让人意外的是 GLM 5.3。Real-SWE 更考验 Agent 在陌生项目里持续读代码、找规则和完成多步改动的能力。智谱研究员 Xiaopu Peng 回应称，他们从 GLM-5.1 起就在训练长程任务，Real-SWE 比公开 SWE 榜更接近这类能力，这也能部分解释 GLM 5.3 为什么在这套榜上表现突出。
DeepSWE一夜两换榜首：Gemini刚上去，Meta又报75.4%
动察 Beating AI 快讯，Gemini 3.8 Flash 刚发布时，Google 在 DeepSWE v1.1 上跑出 73.7%。DeepSWE 官方榜目前将它显示为 74%±1%，排在 Claude Opus 5 和 GPT-5.6 Sol 前面。几个小时后，Meta 又公布 Muse Spark 1.3，自己在同一套 DeepSWE 上跑到 75.4%，把公开成绩再往上推了 1.7 个百分点。 这项测试让 Agent 独立处理 113 个真实代码库里的长周期软件工程任务。Google 和 Meta 都使用 mini-swe-agent，Google 跑的是 high 推理档，Meta 跑的是 max。Meta 上一代 Spark 1.2 只有 55.0%，这次直接涨了 20.4 个百分点。不过 Meta 的 75.4% 目前还没进入 DeepSWE 官方榜。 在 Artificial Analysis 的 Coding Agent Index 中，限量预览的 Spark 1.3 max 得到 68 分，仅次于 Claude Opus 5；目前公开可用的 xhigh 版本则是 64 分。