Cognition拿Kimi K3炼出SWE-2：逼近Astra，成本仅1/4
相关推荐
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。
Devin年化收入9亿美元，Cognition今年可能烧掉8亿
动察 Beating AI 快讯，AI 编程 Agent Devin 背后的 Cognition，年化收入已经达到约 9 亿美元。按现在每月约 7500 万美元的收入计算，比今年年初增长超过 3 倍。公司还在进行新一轮融资，估值可能达到约 450 亿美元。 增长速度还在加快。今年 5 月融资时，Cognition 公布的年化收入还是 4.92 亿美元，估值 260 亿美元。短短三个月，年化收入又涨了约 83%。 但 Cognition 也非常烧钱。《The Information》称，公司今年可能消耗约 8 亿美元现金，光第二季度就烧掉约 2 亿美元。很大一部分钱花在算力上。Cognition 租了大规模英伟达服务器，一边运行 Devin，一边训练自己的模型，这套服务器每年就要花数亿美元。 目前 Cognition 的企业业务毛利率接近 50%。如果不算自研模型的训练投入，公司已经接近不再烧钱。管理层预计，今年底年化收入会超过 15 亿美元，明年达到 40 亿至 50 亿美元。
GPT-6 Astra拿下Perplexity研究Agent榜首：比Fable 5.1高13.5%，还便宜6.1%
动察 Beating AI 快讯，Perplexity 用自家的 Agent 基准 WANDR 测了 GPT-6 Astra，得分 0.682，是目前测过的模型里最高。平均每个任务成本 11.98 美元。相比 Claude Fable 5.1，分数高 13.5%，成本反而低 6.1%；相比 Opus 5，分数高 27%，成本只高 3.3%。 WANDR 专门测「又广又深」的研究任务。它有 500 个真实研究任务，要求 Agent 不只是找到几个答案，而是尽量找全符合条件的对象，再逐个查资料、核身份，并给每条结果配上可验证的来源。典型任务包括竞品研究、尽调、文献检索、市场分析和人才搜寻。 此前 Fable 5.1 以 0.601、每任务 12.76 美元排第一，Opus 5 为 0.537、11.60 美元。Astra 这次把分数明显往上推了一截，而且不是用更高成本硬堆出来的。
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。
DeepSeek V4.1 Flash第三方实测：没夺回国模第一，但成本只有Kimi、GLM七分之一
动察 Beating AI 快讯，Artificial Analysis 完成 DeepSeek V4.1 Flash 独立测试，综合智能指数拿到 40 分。它已经超过自家 V4 Pro 0813 的 36 分，但仍低于 Kimi K3 的 44 分和 GLM-5.3 的 45 分。按这套第三方榜单，DeepSeek 还没夺回国产模型第一。 但价格差距非常夸张。V4.1 Flash 跑完一个 Intelligence Index 任务平均只花 0.27 美元，Kimi K3 和 GLM-5.3 都在 2 美元左右，相差约 7 倍。输出速度达到 197 Token/s，也远高于 Kimi K3 的约 36 Token/s 和 GLM-5.3 的约 58 Token/s。 Agent 依然是它最强的部分。AutomationBench-AA 上，V4.1 Flash 拿到 69%，追平 GPT-6 Astra，并超过 GLM-5.3 的 62%；长上下文测试 AA-LCR 也拿到 84%。缺点是它特别能说，AA 测试中单任务平均输出约 8.9 万 Token，比 V4 Pro 多 62%，吃掉了一部分价格优势。
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。