Jevgrep让Coding Agent少自己找代码：SWE-bench主模型成本降29%
相关推荐
Jev团队公开Coding Agent设计草案：每轮重新决定模型该看什么
动察 Beating AI 快讯，TypeSafe 创始人 Diogo Almeida 公开了一份 Coding Agent 设计草案，希望社区直接拿去实验。他直说团队大概率没时间自己把这些想法都做出来。 这份草案最核心的改动是上下文。现在的 Coding Agent 通常会一直带着之前的聊天、工具结果和代码状态，太长了再压缩或重启。TypeSafe 想让 Agent 每轮重新判断：继续沿用现有缓存，还是重新挑一份更合适的上下文；哪些保留全文，哪些只留摘要，哪些直接丢掉。 Almeida 认为，现有 Agent 不少设计都被 KV Cache 反过来绑住了。比如任务先切给便宜模型，再切回强模型，强模型可能还得重新读一遍长上下文，最后反而更贵；工具定义长期塞在系统提示词里，也会一直占空间。 上下文如果能动态重组，模型路由、Sub-agent、MCP 和 AGENTS.md 也能跟着按需加载。简单任务交给便宜模型，需要哪个工具再加载哪个，子 Agent 只拿和自己任务相关的状态。Almeida 暂时把这套思路叫「Meta-attention」。
斯坦福与英伟达开源Jev同类模型CLM-8B，最高快9倍
动察 Beating AI 快讯，斯坦福大学与 NVIDIA Research 研究人员开源 Jev 同类 System One 模型 CLM-8B，专门帮 Agent 快速做判断和选择。 CLM 和 Jev 做的是同一类事，都让 Agent 跳过长文本生成，直接从几个候选动作里做选择。CLM 的主要区别在底层架构：它把「当前状态」和「候选动作」分开计算，固定动作可以提前算好反复使用，因此在需要连续做决定的场景里更快。官方测试中，CLM-8B 表现整体接近 Jev，最高将延迟压低约 9 倍。 团队还把 CLM 用来给 Coding Agent 挑答案。Opus 5 和 Fable 5 先生成多份候选方案，再由微调后的 CLM 选出最好的一份。在 38 个 DeepSWE 留出任务上，成功率达到 81.6%；在 30 个 Terminal-Bench 2.1 留出任务上达到 87.6%。 CLM-8B 基于冻结的 Qwen3-8B，只额外训练状态和动作投影头。训练数据包括约 6000 万组问答、3000 万个困难负样本和约 100 万条 Agent 轨迹。代码和模型权重均已开放，采用 Apache 2.0 许可。
Cloudflare给Coding Agent自动开「临时测试服」
动察 Beating AI 快讯，Cloudflare 上线 Worker Previews。 Worker 可以简单理解成跑在 Cloudflare 上的后端程序，比如处理 API、登录、数据库和网页请求。现在开发者或 Coding Agent 每新建一个 Git 分支，都能给这套程序临时开一个独立测试环境，改完代码直接部署进去试，不用碰正式网站。 这套测试环境有自己的网址、日志和运行状态，Durable Objects、Containers 等资源也能单独创建。Agent 因此可以自己完成改代码、部署、打开网页测试、看报错，再继续修改。 Cloudflare 以前也有 Preview URLs，但主要只是给某个 Worker 版本生成一个临时网址，背后的资源仍可能连着正式环境。现在每个分支都能单独跑一套，Agent 测试新代码时，就不用担心把线上服务一起搞坏。
DeepSeek把AI编程卷进「许愿时代」：从零造3D游戏，DeepSWE跑分超Opus 5
动察 Beating AI 快讯，DeepSeek 将 V4.1 Flash 升级至 1017 版本，网页端、App 和 API 已同步切换，新模型权重也已按 MIT 协议开源。 官方测试中，DeepSWE v1.1 软件工程任务通过率从 74.2% 提升至 77.0%，超过 Claude Opus 5 的 74.0%。Terminal-Bench 4.0 从 31.2% 提升至 42.3%，但仍低于 Opus 5 的 51.8%。按照官方公布的成本曲线，达到 77% 通过率的配置，每题平均仅花费约 1.3 元。不过，对比对象是 Opus 5，而非更新的 Opus 5.5。 新版本重点强化了「许愿式编程」，也就是只给出简单需求，让 AI 自行规划并完成整个项目。DeepSeek 利用自反馈强化学习改进这类能力，并展示了故宫 3D 场景、网页版赛车游戏，以及基于 Godot 引擎的《传送门 2》复刻。官方称，新模型完成任务的时间和输出长度均有所减少，还针对 DeepSeek Harness、腾讯 CodeBuddy 和 WorkBuddy 做了优化。 此外，DeepSeek 首次向开发者开放自研搜索引擎的 Search 和 Fetch API。开发者可以让 Agent 直接搜索网页、抓取正文。两个接口均按成功请求计费，每千次 5 元。通过 Claude Code、Codex 内置网页搜索功能触发的 Search 请求，前两周暂免接口调用费。
基元律动开源4B决策模型NeoHorse-Jev，开源 Jev 综合评测第一
动察 Beating AI 快讯，前华为盘古大模型负责人王云鹤创办的基元律动开源 NeoHorse-Jev-4B，把自家的 NeoHorse-1-4B 做成了一款 Jev 同类决策模型。它不需要逐字生成答案，而是直接在几个候选项里做选择、判断是非或打分，主要用来给 Agent 选工具、做路由和决定下一步动作。 官方汇总了 JevBench、Kev、OpenJev 等 6 组文本评测。NeoHorse-Jev-4B 的等权平均分为 77.70，高于 9B 参数 Open-Jev 的 75.67，也超过 Kev-4B 的 74.25。不过这个综合分由基元律动自行汇总，目前只有 4 款开源模型六项成绩完整，NeoHorse-Jev 也只在其中两组拿到最高分。 它基于 NeoHorse-1-4B，通过 prefill-only 推理直接计算候选答案的概率，省掉普通大模型逐字生成文本的过程。在 1158 个文本请求的测试中，32 并发时服务端平均一次决策耗时 74.3ms；256 并发时吞吐达到每秒 347.05 个请求。 模型支持文本以及单张图片输入，权重、推理代码和部署示例均已开放，可通过 vLLM、SGLang 或本地 Runtime 运行，采用 Apache 2.0 许可。
BOSS 直聘开源 33B Agent 模型，20 项自评领先 17 项
ChainCatcher 消息，招聘平台 BOSS 直聘旗下南北阁实验室发布开源模型 Nanbeige4.3-33B，面向编程和办公 Agent，支持 512K 上下文，采用 Apache 2.0 许可证。官方将其与 Qwen3.8-27B、Meta Muse Glimmer 30B 和 Gemma 4 31B 比较，在公布的 20 项测试中有 17 项排名第一。Terminal-Bench 2.1 得分为 80.9，高于 Qwen 的 73.0；DeepSWE 达到 65.5，对照得分为 42.5；办公自动化测试 Automation Bench 为 54.2，高于 Qwen 的 38.3。SWE-Bench Pro 和 GDPval 仍由 Qwen 领先。南北阁此前主要研发 3B 级小模型，上一代 Nanbeige4.2-3B 通过重复使用 Transformer 层，在不增加参数的情况下提高有效计算深度。此次先训练 33B 模型，准备让其充当老师，再把编程、工具调用等能力蒸馏给即将推出的 Nanbeige4.3-3B。