CLM-8B 是一种连接动作与状态的 System 1 对比语言模型（CLM），经轻量微调后在 DeepSWE 取得 81.6%、Terminal Bench 2.1 取得 87.6%，创下新的 SOTA。在 computer-use、gaming 和 tool-calling 任务上，CLM-8B 与 Jev 的 zero-shot 表现相当，速度最高快 9×。官方今日开源 CLM-8B checkpoint、数据与 infra。

Boris Cherny 说明 Claude 处理棘手状态机或易竞态代码的流程：先为程序建模，再在模型中找出反例作为疑似 bug，随后复现这些 bug 并在代码中修复。他指出目前并非对整个代码库做形式化验证，而是对最棘手的部分建模、检查反例并修复。

Claude Code 的 Cloud sessions 云会话正式可用并结束 research preview，可在笔记本合盖后继续运行任务。现有订阅用户可获一次性赠额试用：Pro 赠 $100，Max 赠 $250。

除了 Rollouts，我们还对 Security Reviewer 进行了重大更新。 Security Reviewer 现在完成速度提升了 21%，平均耗时 3.8 分钟，从 4.8 分钟降至 3.8 分钟。

Cursor 宣布 Rollouts 和 Security Reviewer 即日起在 Teams 和 Enterprise 计划中可用。未来 10 天内 Cursor 会附赠 Rollouts 使用额度，方便用户在真实改动上试用。更多信息见 cursor.com/blog/rollouts-and…。

推出 Rollouts。 Rollouts 先编写监控计划，然后在部署时监控变更。 部署经过验证，回归问题会在用户看到之前被捕捉到。

我们将 Cursor 的 token 成本降低了 7%，且智能体质量没有下降。 节省来自更紧凑的提示词、选择性工具加载、更好的缓存和压缩的文件读取。

我们是这样改进智能体框架的：cursor.com/blog/improved-tok…

Latent Space精选AI 评分8888

Anthropic 发布 Claude Opus 5.5，OpenAI 同日推出 GPT-6 Sol 与 Luna 并降价 40-50%

Anthropic 发布 Claude Opus 5.5，称其为新 Claude 5.5 家族首个模型，多数任务达到 Claude Fable 5.1 水平，运行成本比 Opus 5 低 40%，速度约快 30%，并成为 Claude Code 与 Claude 应用的默认模型。

Simon Willison 与 Jesse Vincent 将于 10 月 14 日在旧金山举办 Agentic Engineering 交流活动

Simon Willison 与 Jesse Vincent 将于 10 月 14 日周三晚在旧金山举办一场面向 coding agent 构建者的 Birds of a Feather 交流活动。活动采用非正式 show-and-tell 形式，鼓励分享尚未公开的尝试、奇怪实验和没有明确市场前景的未完成项目，无需正式演讲，也不是产品推介。

bcherny 用 Opus 5.5 借助 Lean 对 Claude Agent SDK 做形式化验证，几条简短提示词换来 16 个修复各类 bug 和竞态条件的 PR。

Cursor 官方宣布 Claude Opus 5.5 现已在 Cursor 中可用。该模型以 57.8%（Max）的成绩成为 CursorBench 上的新榜首模型，且每任务成本比 Opus 5 低 40%。

AI 说网站做完了，结果首页报错、按钮重叠，还加了个你从没要求过的登录流程。🙃 推出 WebCraftBench：智能体实际使用线上应用，覆盖引导的探索找出从未被访问到的部分，然后我们对美观度、可用性以及原始需求是否满足进行评分。 在 197 组人工验证的配对上，与人类偏好的一致率为 85.3%。 论文：arxiv.org/abs/2609.15387

上一篇文章介绍了 MiniMax Code 背后的 harness。这次我想探讨一个更难的问题：改变 harness 之后，我们如何知道它变得更好了？

Grok 4.7 现已在 Cursor、Grok Build 和 Grok API 上线，官方提供了更多信息链接 x.ai/news/grok-4-7。

对比 Grok 4.7（第一个）和 4.6（第二个）构建开放世界城市游戏。

工程师称所在大公司规格、代码与测试全部由 Claude Code 生成

一位工程师称自己入职某大公司半个月，发现这里的规格、代码、测试、PRD、工单及其处理、报告等全部由 Claude Code 生成，团队里没人喜欢这种方式，只是被迫尽可能多地交付。管理层多次表示推代码不是瓶颈，质疑为何进度慢，而人们每天工作 12 到 13 个小时只是为了按回车，从 L1 到 L7 的工程师都在做同样的事，没有人阅读任何内容。

Atlassian 在 @Loom 中使用了 Transcribe 2.0，发现它在捕捉用户指令方面更准确。用 Loom 口述你的修改需求，然后直接导出到 Cursor 进行编码。

GitHub Blog · AI & MLAI 评分2222

GitHub Podcast 拆解五大 AI 热梗：该不该读 AI 代码、RAG 已死、Skills 杀死 MCP？

GitHub Podcast 最新一期逐条拆解了五个 AI 热梗：AI 生成的代码仍需人来负责，只是审查力度应按风险分级；Skills 与 MCP 解决的是不同问题，前者是打包好的经验，后者是连接工具与数据的标准；RAG 并未消亡，它让模型从训练数据之外获取文档、内部知识和代码库上下文，检索不佳会浪费 token、拖慢速度并增加答案不完整的概率。

MiniMax 宣布 MiniMax Code CLI 正式开源，并在 FrontierHarness Eval 上取得 SOTA。作者表示该产品自第一天起经过快速迭代，此次向开发者社区开放，并感谢贡献者与支持者。

MiniMax Code CLI 现已开源： github.com/MiniMax-AI/minima…

在本周的 Shift 上，@OpenAI 的 @luisvelasco 谈到了 AI 编码中较少受到关注的部分——围绕 AI 本身构建所需的一切。 因为让智能体写代码是一回事，让它理解上下文、使用正确的工具、可靠运行并真正融入你的工作流？ 是啊，那是另一回事了：go.infobip.com/475pKTy

ChatGPT for Word 正式上线，用户可在 Microsoft Word 中直接调用 ChatGPT 和 Codex。作者表示 ChatGPT for Excel 和 PowerPoint 近期使用量增长迅猛，此次推出 Word 版本补齐了这一系列。

ChatGPT 现已集成到 Microsoft Word 中，用户无需离开文档即可把粗略笔记整理成初稿、理顺难写的段落、校对并获取修改建议，还能识别格式问题。

GitHub Blog · AI & ML精选AI 评分6262

GitHub 用 Copilot 将 Copilot 运行时迁移到 Rust

GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust，AI 智能体编写了大部分代码，跨 128 个 PR 增量落地，性能提升数个数量级。

Meta 的 Muse Code 现已原生支持 Windows——无需 WSL。 它支持 PowerShell，默认沙箱运行，原生 x64 和 ARM64，支持零管理员安装。即将推出：会话间消息传递。 开始使用：irm dev.meta.ai/install.ps1 | iex 了解更多：bit.ly/3UZJhlA

G5 Labs 今日出 stealth，宣布完成 $14 million 种子轮融资，由 @pillar_vc 和 @BatteryVentures 联合领投，@JeffDean 等天使投资人参投，用于构建 AI 原生软件开发的新抽象层。

探讨编码智能体在大规模下的行为；评估在 PET/CT 扫描中发现淋巴瘤病灶的 AI 模型；理解对 AI 聊天机器人的依赖；以及推进大规模决策系统。深入了解最新一期 Research Focus：msft.it/6016abyrY

在 Warp 中原生使用 Grok Build CLI 和你的 Grok 订阅。

Cognition 借助 GPT-6 Astra 让 Devin 测试自己的工作

Cognition 用 GPT-6 Astra 提升 Devin 测试软件并证明其可用的能力，目标是让工程师少审代码、多交付。

Cursor 官方宣布 Projects 功能即日起开启 beta 并开始逐步推送，更多信息见 cursor.com/blog/projects。

项目内的 Agents 共享记忆和生成的产物，如计划和演示。这些文件会自动在你的设备和 Agents 的计算机之间同步。

GitHub Blog · AI & MLAI 评分3838

GitHub Copilot 应用新手指南：使用 diff、终端与浏览器面板

GitHub Copilot 应用内置 diff、终端和浏览器三个面板，让开发者无需在编辑器、终端窗口和浏览器之间来回切换，即可完成审查、运行和预览 AI 生成代码的完整闭环。

值得注意的是，Grok 4.6 在这里的分数略低，但我们仍认为这是一个准确的评分和对比。Grok 4.7 即将发布 😄 Muse Spark 在这里表现得相当不错，说实话！ cursor.com/cursorbench

我们刚刚推出了 CursorBench 4.0！ 它新增了关于模型如何遵循指令、在长时间内处理复杂项目的任务，并且比以前更难（所以所有模型得分都更低）。

Mistral AIAI 评分4040

Mistral 如何用 AI 智能体现代化改造复杂遗留代码

Mistral 帮助一家欧洲能源运营商将 4 万行 Fortran 77 迁移至 C++，对象是一个无测试套件、无集中文档的物理密集型油藏模拟器。团队先构建数值一致性校验框架，再用 Vibe CLI 调度上百个智能体解析调用树并生成文档，最终采用人工介入的 coder、tester、reviewer 智能体工作流逐模块迁移。

FrogNano 是基于 Qwen3.5-4B、完全用 RL 在 TaskPilot 合成任务上后训练的模型，不做任何蒸馏，在 SWE-bench Verified 上取得 61.5% 成绩。训练只用了 5 iterations × 300 tasks，作者以此质疑编码智能体是否必须依赖巨大模型。

完整结果：cursor.com/cursorbench

GPT-5.6 Sol 如何助力运行量子计算实验

MIT 研究人员使用 GPT-5.6 Sol 配合 Codex 自主运行量子计算实验、分析结果并校准量子比特。

1Password 借助 Codex 提升工程效率 21%

1Password 的工程师使用 Codex 快速构建新功能和内部工具，在维持严格安全策略的同时达到生产就绪状态，工程效率提升 21%。