实测28种Agent组合：面对5000词需求文档，Claude也只交付14%
一项实测以5000词需求文档为任务，检验Agent能否在长期演进的大型软件系统中从新需求出发交付完整功能，覆盖28种Agent组合，结果显示Claude也只交付了14%。文章指出当前Agent已能熟练调用工具、修改文件、运行测试，但在完整功能交付上仍有差距。
#编码
新智元AI 评分5555 The DecoderAI 评分6161 研究展示 GPT-6 Astra 通过权重空间编程直接改写其他模型权重
研究人员让语言模型 Astra 直接读取和改写神经网络权重，无需常规训练流程，他们称之为权重空间编程。
雷峰网AI 评分7171 实测对比 GPT 6.1 Sol 与 Claude Sonnet 5.5：三项真实任务谁更划算
雷峰网用 Claude Code CLI 通过 OpenRouter 同价调用 GPT 6.1 Sol 与 Claude Sonnet 5.5，完成 3D 密室开发、政策调查和诺奖化学科普三项任务。
钛媒体AI 评分5252 DeepSeek Harness 团队解读 Super-agent 设计：为什么代码助手不该秒回消息
DeepSeek Harness 团队于 2026 年 10 月 31 日发布《Super-agent 设计探索：迈向更自主的 Agent 系统》技术长文，提出前端 Router 加后台 Worker 的分治架构，把调度与执行解耦，减少对人类注意力的占用。
新智元AI 评分2828 港科广（HKUST-GZ）新基准：只给截图，AI 能把 App 交互做出来吗？
港科广团队推出一个新基准，测试 AI 只凭网站截图能否生成真正可交互的应用，而不只是「看起来很像」的静态网页。评测关注商品加入后购物车是否更新、切换页面后状态能否保留等实际交互能力。
The DecoderAI 评分6767 研究称花哨的 coding agent harness 更贵但并不提升通过率
Liu 和 Han 的研究让 5 个模型跑 3 种 harness，发现换 harness 的影响与同设置重跑相当，通过率差距多在噪声范围内，但 token 消耗可差 2 到 3 倍。
The DecoderAI 评分7070 Anthropic 用 Claude 自动形式化验证现有代码正确性
Anthropic 的 Frontier Red Team 与 Theorem 合作，让 Claude 将 crash 测试转化为数学问题并生成形式化证明，数周内产出约 1.8 亿行证明代码，由 Rocq 程序自动校验。
OpenAI NewsAI 评分3434 OpenAI 提升 ChatGPT 在低资源编程语言上的代码能力
OpenAI 发布了改进 ChatGPT 在低资源编程语言上表现的工作，并推出了新的软件工程评测，涵盖 SQLite 和 COBOL 迁移。这些评测用于衡量模型在低资源语言场景下的工程能力。相关能力改进已落地到 ChatGPT 中。
钛媒体AI 评分5454 腾讯混元 Frontier 团队发布 Terminal-RSI，Qwen3.8-27B 基座在 Terminal-Bench 4.0 上从 0% 升至 19.8%
腾讯混元 Frontier 团队发布 Terminal-RSI，用基于 Qwen3.8-27B 的两轮递归自我重写（RSR）加递归策略精炼（RPR）训练终端 Agent，最终产物为 Terminal-RSI-27B。
The DecoderAI 评分5454 Taste-Bench 基准测试显示 AI 智能体长期决策品味不佳
新基准 Taste-Bench 用智能体运行轨迹中的决策分叉测量长期决策的"品味"，包含 502 道二选一问题。
The DecoderAI 评分6262 Google DeepMind 称自我改进的 AI 仍很遥远：AI 未显著加速 AI 研究
Google DeepMind 工程师 Haydn Belfield 表示，AI 自身驱动的研究加速尚未出现，但显著的自动化已在发生。AI 现在编写超过 75% 的生产代码，但约 88% 的代码变更仍需人工监督，完全交由 AI 的变更占比从 7.5% 升至 11.9%；跨 1,389 次 Argon 智能体内部运行，任务越复杂、无需人类介入的成功率下降越明显。
开源中国AI 评分5858 研究称 AI 使代码量增 30% 但软件产出未变，瓶颈在人类 Code Review
哈佛学者 Fiona Chen 和 James Stratton 基于 Jellyfish 聚合数据的研究分析超 700 家软件公司的工程数据，覆盖 3 亿个独立工作事件和 70 多万名员工记录，发现用 AI 写代码后代码量上涨 30%，但软件产出没有增加，瓶颈卡在人类 Code Review。
Ars Technica · AIAI 评分6262 研究：AI 编码智能体生成更多代码，但软件产出并未增加
哈佛大学研究人员 Fiona Chen 和 James Stratton 利用 Jellyfish 的工程团队分析数据，覆盖 2021 年至 2026 年 3 月间 700 多家软件开发公司的 70 多万名员工、3 亿条工作事件（如提交和 pull request），发现人类代码审查成为 AI 编码工具整体效率的显著瓶颈。
InfoQ 中文AI 评分7171 谷歌借助 Gemini 与差分模糊测试将 giflib 从 C 改写为 Rust
谷歌安全团队用 Gemini 将约 3000 行的 C 图像处理库 giflib 翻译为 ABI 兼容的 Rust 替代实现，并停用了原有的进程隔离沙箱。团队通过三阶段自动化迁移流程完成改造，用超过 3000 万个真实 GIF 文件做逐比特回归解码测试，差异模糊测试器连续六天执行 2 亿次迭代未发现功能漂移。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，研究预览版已上线官网。基准基于 1.039 亿个 GitHub pull request 的分布构建，包含 19 种语言、187 个开源仓库的 219 个 pull request，采用多来源 golden set 与统一评分标准，发布前由资深工程师独立复核，真阳性判断一致率 96.6%。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此判断自家审查智能体的强弱项。