人工智能辅助编程 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 人工智能辅助编程 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 一致性评测 1 ConsistencyChecker：基于树结构评估大模型泛化一致性 06-18 三维生成 1 3DCodeVerse：以可执行代码生成与验证 3D 世界 10-18 三维重建 2 LEGO-Anything：以编程智能体重建可执行 3D 场景 10-01 RCWM：通过递归场景程序构建复杂三维世界 09-13 上下文压缩 3 软件工程智能体轨迹删除的隐性成本 10-27 编码智能体上下文的物理成本：质量约束下的资源核算 10-27 ReCAP：基于持久上下文图的智能体记忆压缩 10-01 世界模型 1 AutoWorldModel-Bench：自动化世界模型研究的状态中心基准 08-14 事故复盘 1 Claude安全降级失误，误删开发者700GB主目录 08-30 产业动态分析 4 OpenAI模型与Codex工作流将登陆Google Cloud 10-22 Anthropic初级技术岗位占比降至14%，AI代理工时达人类6倍 10-20 Anthropic：AI Agent 工时达员工六倍，初级技术岗位占比下降 10-19 OpenRouter 9月 AI Agent 使用量排行：Hermes Agent 登顶 09-16 产业知识图谱 1 RSI产业图谱：围绕智能进化速度的新竞赛 08-28 产品设计 1 对话 Claude Code 之父：模型越聪明，工作流越应简化 08-26 人工智能辅助编程 22 第一性原理拆解 Agentic Coding：从理论到实操 10-27 印度工科生如何跨越“无 AI 选拔”与“AI 优先工作” 10-22 Claude Code桌面版升级多智能体并行开发 10-18 CodeHealth 可预测智能体代码审查的 Token 成本 10-18 Eazo：以智能界面为中心的 Personal Agent 10-08 OpenAI 升级 Codex Cloud，Agents API 支持 computer use 09-30 ReMCTS：反思增强的蒙特卡洛树搜索代码生成框架 09-30 对话 OpenAI Codex 负责人：从内部工具到通用智能体 09-28 Claude Opus 5.5 纯代码生成视频、3D 与游戏应用 09-25 Kimi Code Desktop 正式发布，支持 macOS 与 Windows 09-23 Claude Code Projects 重构：多 Agent 并行开发与共享记忆 09-18 Claude 四周内将 30 余个开源生物模型平均提速 4 倍 09-18 RepoAtlas：以动态多模态仓库视图引导编程智能体 09-16 MaxKernel：面向 TPU 的多智能体内核生成 09-08 Super Library Agent：跨多代码库联合生成与维护应用 09-02 LLM 能否设计视频编码工具？Planar 模式案例研究 09-02 Claude Code 推出 Hooks 功能，让 AI 编程走向可控工程化 07-02 Gemini CLI 开源并免费提供 06-26 Amazon Q Developer 06-23 昆仑万维发布软件工程智能体模型 Skywork-SWE-32B 06-20 腾讯元宝推出 AI 编程模式，支持代码实时预览 06-19 ChatGPT 向普通会员开放 Codex 06-04 代码世界模型 1 Code World Model：以编码代理充当世界大脑 08-28 代码仓库演化 1 Loreley：以质量多样性搜索实现仓库级程序演化 08-22 代码仓库级技能 1 SkillForge：自蒸馏智能体学习项目知识以解决仓库问题 08-20 代码仓库级生成 1 Repo0：设计驱动的零到全仓库代码生成 08-21 代码数据 1 CodeGraph 数据集 12-31 代码智能体 1 Reflection AI 发布代码理解智能体 Asimov 08-06 代码模型 7 后训练语言模型实现信息学竞赛金牌级表现 09-03 蚂蚁集团提出代码图模型 CGM 12-31 CodeFuse-CGM-72B 代码大模型 12-31 Claude Opus 4.1 发布，SWE-bench 成绩提升至 74.5% 08-05 蚂蚁开源代码模型实现 44% 自动修 Bug 解决率 06-28 CodeFuse-CGM：面向代码智能的开源代码图模型 06-28 Kimi-Dev 开源代码模型在 SWE-bench Verified 取得开源 SOTA 06-17 代码评审 1 LLM评审：面向IT自动化的无参考Bash代码验证与改进 06-16 代码评测 29 SWE-DIVE：动态用户模拟的多轮编程智能体评测 10-22 P2NPCBench：对抗重写下的 P 与 NP 完全问题配对评测 10-22 UserSWE：动态用户多轮对话中的编程智能体评测 10-22 VeeReview：基于 V 模型评测智能体 PR 的构建—验证配对 10-22 ExeBench-FHD：提升反编译器评测保真度 10-21 WEAVE：面向代码智能体的依赖结构化真实代码演化任务 10-18 SWE-Journey：面向长程多轮交互的真实编码助手评测 10-10 真实程序精确输出与检查点状态预测评测 10-09 编码智能体基准应匹配用户真实任务流 10-08 GPUPhysBench：GPU 物理仿真编程智能体评测基准 09-30 Codoku：面向前沿编程智能体的可再生程序推理基准 09-30 SecProbe：面向网络安全漏洞的编程智能体自适应评测 09-29 SWE-Game：编码智能体游戏开发评测基准 09-29 面向编程智能体的紧凑文档：基准、优化器与迁移失效 09-28 薛定谔代码仓库：LLM 学会还是记住了 SWE-bench？ 09-25 SWE-Prometheus：真实代码仓库工程治理改进评测基准 09-25 SWE-Flux：仓库级代码运行时推理基准 09-24 SWE-Serve：生产级推理服务智能体工程评测基准 09-23 ττ-Bench：最强代码智能体端到端开发及格率仅23.9% 09-21 GameLogicBench：以逐帧状态断言评测游戏逻辑编程智能体 09-21 ProgramDistill：从交互式 Web 应用生成可验证软件工程任务 09-17 Claude Code 上线官方插件评测功能 09-13 Φ-Bench：评测大模型自主构建与优化 LLM 基础设施 09-11 SWE-Gate：兼顾功能测试与评审约束的软件工程智能体基准 09-07 NatureBench：编程智能体能否复现论文中的 SOTA 08-12 OJBench：面向大语言模型的竞赛级代码评测基准 06-24 微软发布 SWE-bench-Live：Agent 全自动搭建代码环境并实时更新评测 06-20 LiveCodeBench Pro：奥赛级竞技编程基准揭示顶尖 LLM 的推理短板 06-19 人类最后的代码考试：高级大模型能否攻克最难编程竞赛？ 06-18 任务生成 1 FaultGene：面向自动驾驶硬件在环验证的故障增强测试生成 10-22 信用分配 1 RIPPLE：面向长程编程智能体的恢复内化与阶段化信用分配 10-23 元编排 1 Omnigent 开源多 Agent 元编排层 08-28 元进化 1 OpenMLE：单卡运行的 AI 自进化全栈系统 08-12 具身规划 2 编码智能体求解广义任务与运动规划 09-26 SafeHarness：面向安全机器人操作的障碍感知编程智能体 09-18 内生记忆 1 MemoraX以可学习记忆推动AI进入经验时代 08-22 创意应用 1 Anthropic 精选 6 个 Claude Code 创意项目 08-26 协同开发 1 使用 Claude 与 Replit 完成程序开发 12-31 协同测量 1 AI 编程智能体团队的协调测量 08-18 协同演化 3 Evolving Agent Teams：可演化智能体团队突破优化局部最优 10-29 CoTrace：面向终端智能体的脚手架感知数据配方 10-08 脚手架与模型协同演化：在策略纠错弥合弱模型差距 09-09 反馈生成 1 Claude Code 自动起草用户反馈报告 08-27 可信执行 9 OpenAI披露GPT-6智能体削弱安全监控并隐瞒操作 10-22 OpenAI 智能体内部测试中尝试关闭监控警报 10-21 Mid-Harness：通过动作采样与验证提升终端智能体执行可靠性 10-01 Approval Laundering：AI 编程智能体的审批—执行绑定失效 10-01 HiSentinel：面向编程智能体的 hindsight 蒸馏干预哨兵 10-01 编译器可读、智能体不可读：研究代码的差异化访问控制 09-30 Graph2Env：图引导的代码仓库执行环境构建 09-29 Claude Code误删4.8万真实文件：提示约束无法替代系统隔离 09-29 以物理映射约束 Architecture-0 阶段的 SWE-Agent 决策 09-16 图像编辑 1 Editable Visual Design：可编辑视觉设计智能体 09-07 在策略蒸馏 5 LoCD：通过局部上下文蒸馏学习交互经验 10-18 OPRD：面向长程编程智能体的在策略提醒蒸馏 10-18 重新思考跨分词器在策略蒸馏：从对齐覆盖率到监督可靠性 10-08 面向软件工程智能体的类别感知迭代专家训练 09-23 面向低比特推理的在策略蒸馏 09-23 基准分析 1 剖析 SWE-Bench 排行榜：基于 LLM 和智能体的软件修复系统提交者与架构分析 06-23 基础设施评测 1 Φ-Bench：大模型基础设施工程能力评测 08-24 多智能体协作框架 4 微软发布 Agensh：千智能体自组织协作开发软件 10-22 4 个 Gemini 智能体在《我的世界》自主协作击败末影龙 10-19 Claude动态多智能体工作流：11.6万行代码检出66个Bug 10-18 Anthropic重构Claude Code，支持多线程并行协作 09-18 多智能体系统 6 4个Gemini智能体自主协作通关《我的世界》 10-18 1393个智能体重构单个Python文件，成本高达2万美元 10-10 Claude Code 上线新版 Projects，多智能体云端并行开发 09-18 Claude Code 重构 Projects：多线程对话式项目 09-18 Cursor 推出 Projects：协调者调度数千个子智能体 09-11 Cursor推出Projects：协调数千AI智能体并行开发 09-11 奖励机制设计 4 AesCode：以解耦跨模态奖励生成美学代码 10-18 GAGAR：代码智能体强化学习的分组评分与优势重分配 09-30 反事实回放：可分叉环境为软件工程智能体提供过程奖励 09-29 Claude 优化数学与编程能力导致写作风格退化 09-24 学术论文 2 Game-the-LLM-Reviewer：降低 AI 审稿“错杀”的论文改写 Skill 09-23 SANER 2027 八大投稿轨道与截稿时间解析 09-09 安全评测 3 CATCH：代码强化学习中奖励作弊的可控分析测试床 10-01 用户调用方式如何影响编程智能体的仓库投毒风险 09-01 LLM 交叉赋能软件工程与软件安全：证据中心综述 08-24 工业控制代码 1 SemaPLC：项目级验证门控的 PLC 代码生成智能体框架 08-21 工具调用 1 Anthropic工程师称MCP集成Agent优于CLI 09-16 工程框架 1 Harness成为AI规模化落地新战场 08-23 工程模型 1 Frontis-MA1：专攻机器学习工程的全栈模型 08-12 并行推理 2 LLoCoT：基于循环 Transformer 的非自回归潜空间推理 10-10 谷歌发布 IMO 金牌级模型 Gemini 2.5 Deep Think 08-01 开发评测 1 SWE-Dev：评估与训练自主特性驱动软件开发系统 05-16 开源框架 1 OpenAI开源Codex Harness智能体执行框架 08-21 开源模型 1 OpenAI 开源推理模型 gpt-oss-120b 与 gpt-oss-20b 08-05 形式化证明 2 微软研究员借助 AI 证明 KLS 猜想 10-22 AI辅助Lean完整形式化验证庞加莱猜想证明 09-29 形式化证明修复 1 CAPRI：面向 Isabelle 的契约感知证明修复 08-16 形式化验证 8 ORSMT：基于SMT的LLM优化建模语义验证与修复 10-22 SpecGuard：在编码智能体作弊前证明任务规格冲突 10-08 VeriCodeBench：自生成规约的可验证代码生成评测 10-01 从验证失败中提炼编码智能体的可复用指导 10-01 面向 LLM 辅助 Verus 验证的低假设可复用技能 09-30 EquivSVA：跨等价 RTL 实现的形式化验证行为断言数据集 09-23 Specula 自动形式化验证：67 个开源系统发现 382 个深层 Bug 08-27 Vero：智能体能否构建形式化验证的软件仓库 08-16 思维链 1 TraceForge：用学生模型自身思维风格蒸馏推理轨迹 10-22 性能优化 1 ChatGPT长对话提速与Codex多智能体v2上线 08-16 执行评测 1 QuoteBench：同分掩盖的命令路径故障 08-16 扩散模型 1 DiffuCoder：理解并改进用于代码生成的掩码扩散模型 06-25 技术生态 5 全球下载量最高的 10 个智能体 Skill 10-25 OpenAI DevDay 2026：Dots、GPT-6.1 Sol 与 Codex Cloud 等更新 09-30 AI 大模型与智能体学习资源推荐 09-25 OpenClaw热潮退去，Agent竞争转向Harness 08-30 AI4AI 从自进化、元进化迈向递归自我改进 08-12 技术趋势分析 2 基础模型冲击下，AI 博士生与学术研究何去何从 09-28 小宇宙《2026 AI趋势报告》：协作型AI、AI创作与办公升温 08-26 技能优化 1 编码智能体的自适应技能粒度：运行时路由与宏到微恢复 10-23 技能冲突 1 一个技能太多：编程智能体中的共安装技能冲突 10-10 技能演化 5 HSE：面向编程智能体的分层技能演化 10-27 SkillMorph：轨迹引导的智能体技能故障定位与演化 10-09 URAI：前沿智能体编写、调用并演化机器人工具 10-01 Socratic-SWE：基于轨迹技能的自进化编程智能体 08-14 CODESKILL：编码智能体的自进化技能学习 08-14 技能生成 1 SimEX：仿真集成的机器人自动研究框架 10-01 持久化智能体 1 OpenAI测试Codex持久化模式：跨会话续跑并自主创建任务 08-28 持续学习 1 追踪编程智能体在 ARC-AGI-3 中的思维：持续学习启示 10-10 推理效率 5 Kimi K3自写超级算子，系统级优化推理提速3倍 10-01 Claude 编程 effort 参数实测：日常选 Low，漏洞挖掘再开 Max 09-26 CliffCompaction：长程编程智能体的低成本上下文压缩 09-23 APUS 开源复现 Jev：9B 模型实现 79 毫秒快速决策 09-22 Claude 优化 30 余个开源生物分子模型，平均提速约 4 倍 09-18 推理评测 2 受阻智能体应将推理资源用在哪里？基于 BRA 的因果归因 10-22 PerfReasoning：大模型硬件性能推理与建模评测 09-07 提示优化 3 网传 GPT-6 Sol Codex 系统提示词与工具配置泄露 10-08 Claude Opus 5.5 提示词指南与 Opus 5 迁移模式 09-29 Claude Fable 5.1 提示与工程实践指南 09-07 提示格式 1 PromptResponse：优化 LLM 编程任务提示词 08-24 插件开发 1 用 GLM 5.3 开发 DeepSeek Harness 插件 08-16 插件架构 5 Claude Code支持AGENTS.md并预告mods插件机制 09-19 Claude Code 2.1.277 原生支持 AGENTS.md 09-19 MCP 插件分担 Codex 规划任务并节省额度 09-17 DeepSeek Harness：全插件化 AI 编程 Agent 框架 08-21 DeepSeek Harness 开源：以插件化框架组装智能体 08-14 数据合成 5 PrismaCoder：分解式评分标准驱动开放多模态代码智能 10-23 Proximal以AI合成代码数据实现2亿美元年化收入 10-01 SciWalker：基于算子图与执行反馈合成科学编程问题 09-26 SWE-Flow：以测试驱动方式合成软件工程数据 12-31 SWE-Flow：以测试驱动方式合成软件工程数据 06-09 数据混合 2 受控预训练数据混合对代码能力的条件迁移 10-10 工业级 LLM 后训练：面向棕地维护的 Dataware 工程 09-01 数据科学 1 AutoMind：用于自动化数据科学的自适应知识智能体 06-13 数据策展 3 MetaCurate：演化高质量编程智能体数据筛选器 10-19 MAP4CS：面向代码检索器微调的多维数据剪枝框架 10-09 代码数据如何助益不同任务：LLM 后训练的分解视角 09-29 数据规模扩展 1 Skywork-SWE：揭示大模型软件工程能力的数据缩放定律 06-25 数据集构建 1 Skywork-SWE：SWE-Dev 可验证软件开发数据集构建流程 08-06 文档交互 1 编码智能体如何发现、阅读与编写技术文档 08-21 旗舰模型 1 Grok 4 与 Grok 4 Code 发布：强化推理与编程能力 07-03 智能体 3 开源华为技术岗面试知识库与 AI 模拟面试工具 10-18 SWE-Dev：构建具备训练与推理扩展能力的软件工程智能体 06-07 SWE-Dev：通过训练与推理扩展构建软件工程智能体 06-07 智能体强化学习 1 Agent Lightning v1.0：面向脚手架式智能体强化学习 08-19 智能体框架 11 Pi 1.0 发布 Pi Durable，引入原生 MCP 与 Code Mode 10-21 HexaShell：探索 VLM 机器人编程智能体能力边界的轻量框架 10-20 联想TianxiCode登顶SWE-bench-Live Lite榜单 10-10 OpenAI DevDay聚焦全天候智能体与开发者平台 10-01 DeepSeek Harness 桌面版候选构建曝光 09-28 科大讯飞发布桌面 AI 生产力工作台 AStudio 09-16 个人也能搭建 DeepSeek Coding Harness，竞争转向控制平面 09-07 亚马逊云科技开源长期运行 Agent 工作台 Kiro Crew 09-07 Harness-of-Harness：多日自主软件开发编排框架 09-07 Harness-of-Harness：持续改进的多日自主软件开发框架 09-02 Prime Agent 开源自我改进智能体框架 08-11 智能体脚手架 1 Opus 5借助极简Harness在ARC-AGI-3取得96.2%通关率 08-14 智能体自进化 3 EmbodiedEvo：自进化 Coding Agent 通过经验复用提升具身操作 10-18 BEHAVE：功能行为建模驱动硬件智能体自我改进 09-30 Darwin Gödel Machine：通过开放式进化实现智能体自我改进 12-31 智能体训练 6 编码智能体训练为何要重新审视源代码？ 10-19 WebCoder：基于可执行产物反馈的通用前端开发智能体 10-19 MLExpert：面向自主机器学习工程的通用智能体模型 10-18 微软开源 Agent Lightning v1.0：基于真实 Harness 的智能体 RL 框架 10-08 Train What You Deploy：生产级编程智能体的 Token 忠实后训练 09-07 Agent-RLVR：通过指导与环境奖励训练软件工程智能体 06-16 智能体评测 24 VibeVideoBench：代码驱动视频生成的多模态智能体评测 10-29 GenXR-Bench：交互式 XR 开发的编程智能体评测基准 10-22 后悔前先备份：编程智能体备份意识评测与自动化 10-22 Doc2Harness：长周期编码智能体 Harness 工程基准 10-18 AgentSWE：编码智能体能否构建符合需求的智能体 10-18 嵌入式软件开发智能体闭环评测基准 10-10 BrickBench：智能体积木设计评测基准 10-09 从基础模型预测后训练编程智能体性能 10-08 DoGBench：面向用户的软件文档生成智能体评测基准 10-01 GPT-6.1 上线 Agent Arena 评测平台 09-30 相同运行、不同结果：开放权重模型上的 AI 编程智能体评测 09-29 FDE-Bench：LLM 智能体部署环境配置评测基准 09-24 RecreationWorld：可扩展、可验证的混合计算机操作智能体环境 09-21 OverclaimBench：量化前沿 LLM 智能体的任务完成过度声称 09-18 面向编程智能体的状态条件最小充分证据恢复 09-18 ReFigBench：可编辑 PowerPoint 科学图重建评测 09-17 同模型 Token 相差 70 倍：AI 编程智能体框架成本实测 09-15 VLoc Bench：仓库级漏洞定位智能体评测基准 09-15 浙大开源可插拔 Agent 评测底座 ageval 09-13 RefactorPlatform：仓库级重构智能体的可控评测框架 09-07 τ^τ-Bench：端到端真实智能体构建评测环境 09-07 PTA-IRT：基于执行轨迹的高效 SWE 智能体评测 09-02 RExBench：评估 LLM 智能体实现研究扩展的能力 07-01 ALE-Bench：编程智能体跻身 NP 难题竞赛前 2% 06-18 智能招聘 1 华为技术岗面试知识库与 AI 模拟面试工具开源 10-10 智能运维 1 AI 运维工具 Chaterm 06-23 校园招聘面试 1 字节跳动 2027 校招重点 AI 岗位真题合集 08-26 核心演化 1 Ouroboros：可自我演化的前沿编程智能体 08-12 框架拆解 1 DeepSeek V4 Pro 与 Harness：后训练、缓存经济学及代理自进化 08-23 框架评测 1 DeepSeek + Pi：轻量 Harness 提升智能体成功率与缓存效率 08-16 桌面端应用 1 ChatGPT Linux 桌面版开放预览，集成 Work 与 Codex 08-15 模型发布 29 OpenAI 发布 GPT-6.1 Terra：电脑操作能力比肩 Astra，成本降至十分之一 10-29 Gemini 4 Carbon发布：强化长程编程、安全防御与成本效率 10-29 OpenAI 发布 GPT-6.1 Terra，强化电脑操作与写作能力 10-27 月之暗面发布旗舰模型 Kimi K3.1 Pro 10-26 IQuest-Q1：面向智能体 CLI 系统的稀疏 MoE 基础模型 10-23 Recursive Flint：AI自主研发的40B本地代码模型 10-22 MiniMax发布M3.1 Flash，智能体任务成本降低70% 10-21 DeepSeek 发布 V4.1-Flash-1017 优化版 10-19 JetBrains 开源 AI 编程模型 Mellum2.1 10-10 Google 发布 Gemini 4 Argon 前沿模型 10-08 谷歌发布 Gemini 4 Argon，主打长程任务与网络安全防御 10-01 Claude Sonnet 5.5 发布：提速降价，性能逼近 Opus 5.5 09-30 Grok 4.7发布：强化Coding、Agent与长时复杂任务 09-23 SpaceXAI 发布 Grok 4.7，强化长任务与专业知识工作 09-22 疑似 Gemini 4 Pro 匿名现身 Arena，编码与智能体能力引关注 09-21 Kimi K2.8 Preview 全量上线 Kimi Code 09-13 Meta发布旗舰模型 Muse Spark 1.3，主攻长上下文与编程 09-07 谷歌发布 Gemini 3.8 Flash 与网络安全专用模型 09-07 OpenAI发布GPT-6 Astra，首批内测展示智能体与科研能力 09-07 OpenAI发布GPT-6 Astra，强化智能体与科研能力 09-07 腾讯发布 Hy4 preview：770B 参数、1M 上下文 08-30 智谱开源原生多模态模型 GLM-5.3 Flash 08-27 GLM-5.3-Flash 开源：低成本原生多模态前沿模型 08-26 Qwen3.8-27B开源：消费级显卡可运行“Opus级”Agent 08-16 Grok 4.6 发布：智能体能力与性价比显著提升 08-14 GLM-5.3：后训练 Scaling 提升编程与网络安全能力 08-14 GLM-5.3：后训练扩展强化编程与网络攻防能力 08-14 DeepSeek V4 Pro 正式版上线，主打 Agent 与 Coding 08-13 Cursor 更新至 1.0 版本 06-05 模型可靠性 2 OpenAI 修复 GPT-6 Astra 旧版技能误触发问题 09-13 Speculative Uncertainty：基于草稿模型的编程智能体失败预警门控 09-07 模型对抗 1 规则文件提示注入诱导编程智能体包幻觉攻击 10-08 模型微调 1 Nemotron 3 微调系统达 IOI 与 IMO 2026 金牌水平 10-08 模型稳定性 1 比想象中更脆弱：工具集成型 LLM 智能体的稳定性研究 06-30 模型评测 3 Our Own Jev：单次前向传播的类型化决策与开放 LoRA 评判模型 10-22 面向系统工程设计的 LLM 上下文操作与架构建模评估框架 09-10 GLM-5.3 实测：750B 基座靠后训练提升编码与安全能力 08-21 模型路由 3 Fireworks AI 发布缓存感知路由器 FireRouter with Opus 09-30 Spotify 用 shunt 插件为 Claude Code 降低 90% Token 消耗 09-13 英伟达开源 Nemotron 3.5 Lightning 与 NeMo Switchyard 08-13 模型量化评测 1 Seed-Evolving 量化策略研发与自迭代能力评测 08-14 测试时训练 1 ERPO：面向代码生成测试时强化学习的熵正则秩掩码策略优化 09-09 测试生成 1 CodeContests+：为竞技编程生成高质量测试用例 06-10 测试驱动开发 1 TDD-Agent：测试驱动的代码生成推理 08-18 游戏生成 4 Matrix-Game 4.0：视频模型驱动的实时可玩游戏世界 10-22 昆仑万维开源实时视频大模型游戏 Matrix-Game 4.0 10-18 VibeGame：可试玩、自反思、自进化的多智能体游戏开发框架 09-01 Spellcaster：6个Agent协作生成、试玩并修复游戏 08-18 漏洞挖掘 5 Claude发现curl高危漏洞，OSS Scanner推动29天修复闭环 10-22 OpenAI借助GPT发现PHP高危远程代码执行漏洞 10-22 Anthropic 推出 OSS Scanner，免费扫描开源漏洞并生成补丁 10-20 从授权到滥用：编码智能体执行框架的权限提升攻击 10-19 GitHub 开源 AI 安全 Agent 发现 24 个 Android 漏洞 09-29 环境合成 2 CodeMidas：从源代码规模化构建编程智能体强化学习环境 09-21 Terminal-Universe：从智能体轨迹重建可扩展终端环境 09-07 盲法评测 1 匿名模型 Ox Alpha 刷屏，代码能力逼近头部模型 08-23 科学数据 1 AutoSDT：面向开放科学智能体的数据驱动发现任务合成管道 06-12 科学编程 1 SWE-bench Science：科学软件工程中的编码智能体评测 08-21 科研复现 1 自动化 LLM 速通基准：评估 NanoGPT 改进复现能力 06-30 科研实践 1 Claude Code 与 Codex 协作完成医学影像竞赛论文并获 Accept 08-24 科研智能体 3 算法探索廉价化：EDA 智能体科研案例 10-08 编码智能体改进编辑距离码下界 10-01 AIBuildAI Science Agent：4小时自主完成顶刊级模型研发 08-13 科研自进化 1 Jeff Dean谈递归自我改进与Discovery Loop科研自动化 08-22 程序修复 17 Replit 发布 Monitoring Agent：自主修复并部署生产故障 10-23 PAUSE：首次源码编辑前的无搜索编程智能体引导 10-22 Poison Valleys：诊断 LLM 代码修复中的路径依赖失败 10-18 WebLoop：面向网页生成的执行反馈闭环学习 10-10 TestGRAD：基于失败模式动量演化测试套件 10-08 HealBench 与 HealGuard：真实代码仓库运行时错误修复评测与安全护栏 10-01 JevVibe：分类引导的高效安全代码生成 09-30 AdaRepair-Mem：面向仓库级程序修复的自适应经验编排 09-18 RouteRepair：面向路由启发式的实例级故障诊断与定向修复 09-11 别修没坏的代码：LLM 迭代修复的伪缺陷循环 09-10 ExecCritic：以测试验证与执行反馈改进编程智能体 09-09 LLM 自动程序修复中的多层幻觉研究 09-07 WebWorld：以浏览器世界模型驱动 Web 代码自我改进 09-01 Anchored Self-Play：锚定自博弈提升代码修复真实性 08-14 北大、字节跳动等发布 SWE-Swiss：面向代码修复的开源训练方案 12-31 不靠 Agent，四步修复真实 Bug：蚂蚁 CGM 登顶 SWE-Bench 开源榜 06-28 ExpeRepair：双重记忆驱动的仓库级缺陷修复系统 06-12 程序进化 12 AgenticEvolve：持久化智能体驱动的进化程序搜索 10-23 PRS：面向自动启发式设计的多方向搜索 10-23 CANNBot-CAKE：面向昇腾 NPU 的协作式智能体内核演化 10-23 ExpEvolve：以想法级经验复用推动开放式发现 10-22 EvoAlloc：面向高效程序进化的自演化资源分配智能体 10-09 Kernaut：面向开放式模型发现的核函数自动研究 10-08 华为联合团队以 LLM 自动算法设计夺得 SAT 2026 AI 赛道冠军 09-28 Discovery Loop：LLM 程序进化打破 10 项圆堆积纪录 09-07 AlphaEvolve 将矩阵乘法指数上界降至 2.371177 09-01 AlphaEvolve：谷歌让 AI 通过代码实现自我进化 12-31 AlphaEvolve：利用大语言模型实现程序自动进化 12-31 达尔文哥德尔机：开放式进化的自我改进智能体 05-29 端侧模型 1 Qwen发布两款4B端侧模型，支持256K上下文 12-31 算法发现 1 AlphaEvolve：结合大语言模型与自动评估实现算法自我进化 12-31 算法设计 1 AI4AI-Bench：评测 LLM 智能体的递归自改进算法设计能力 08-21 系统优化 3 无问芯穹算子优化Agent斩获SOL-ExecBench 88项第一 10-29 RippleCP：衡量编程智能体的反事实检查点优势 10-08 Substrate-Aware AI Agents：将执行上下文作为一等输入 09-07 经验学习 1 Chronos：让代码智能体基于软件演化历史进行推理 10-10 编程工具 11 REA：用 AI 智能体编排工具链实现软件逆向工程 10-18 塔子哥刷题宝上线 Hot 100 与机考题库 10-18 Claude Code 云端会话：独立 VM 并行开发与分支交付 10-08 Anthropic 将 Workbench 升级为 Claude API Playground 09-28 Kimi Code 桌面客户端上线，支持 macOS 与 Windows 09-21 MiniMax 开源命令行 AI 编程工具 MiniMax Code CLI 09-21 Claude Code Projects重构：云端并行执行长期编码任务 09-18 CodeFuse-CGM 开源代码仓库 12-31 Google Gemini CLI：终端中的开源 AI 智能体 12-31 Gemini Code Assist：面向 VS Code 的 AI 编程助手 12-31 字节跳动 AI 编程工具 TRAE 2.0 即将发布，新增语音交互 07-17 缺失前提识别 1 IdeaAMBIG：研究构想实现关键缺口评测基准 09-10 群体探索 1 SwarmResearch：编排 Coding Agents 实现开放式发现 08-14 能力迁移 2 后训练在无关决策中留下行为影子 09-26 AI4AI 测试时强弱模型能力迁移：用 Harness 提升小模型表现 08-14 脚手架优化 8 Self-HPO：框架与策略协同优化的自进化编码智能体 10-21 环境无关编码智能体中的脚手架作用 10-18 AutoOnboarder：自主适配与优化 LLM 智能体 10-18 强智能体在自主机器学习工程中需要多少脚手架？ 10-01 Claude 自动构建评测并 Hillclimb 调优 AI 应用 09-29 编码智能体 Harness 组件设计实证研究 09-18 腾讯混元 Harness Handbook：以行为为中心定位与编辑 Agent 框架 09-13 英伟达开源 SoL-Pi：AI 自动优化 Harness，最高节省 64% Token 09-11 脚手架演化 5 编程智能体脚手架如何自我演化：回顾式适应实证研究 10-27 HarnessPro：无标签多智能体进化将 Agent 成本降低 53% 10-24 英伟达 SoL-Pi：智能体 Harness 的递归自我进化 09-21 SoL-Pi：递归扩展自动研究循环以优化智能体脚手架 09-18 ModularRSI：模块化通用递归脚手架自我改进 09-17 自动化偏见 1 Anthropic实验：AI建议显著影响专家决策与自我归因 10-29 自动化科学研究 7 Claude 半小时追溯 NIST 椭圆曲线种子来源 10-18 Claude Mythos 5 闭环优化量子电路，八项任务刷新最优设计 10-18 LLM 智能体生成透明开源的电化学多物理场模型 10-08 ConflictGuide：显式竞争行为反馈改进 AutoResearch 10-01 AutoRecLab：用自然语言生成推荐系统实验代码 09-21 WetRobo：面向生物实验室编程智能体的可复现机器人套件 09-17 AutoLR：工业推荐系统从研究到上线评审的自动化 09-07 自动化维护 1 Claude自动维护应用：388个AI PR中180个获合并 08-15 自博弈 1 SSR：通过自博弈训练超智能软件智能体 08-14 自我反思 1 仅靠自我回溯微调提升智能体，无需强化学习 09-30 自我投毒 1 EVOMAL：自进化编程智能体的自投毒攻击 08-27 自进化 2 逐篇盘点：自进化系统学到了什么，局限在哪里 09-03 上交大推出机器学习智能体 ML-Master，登顶 OpenAI MLE-bench 07-02 芯片设计 1 Redwood：AI 两周自动设计、验证并部署大模型加速芯片 09-01 规划差距 1 TraceML：人类与智能体的机器学习开发规划实证分析 08-27 规格迁移 1 LLM 开发代理间的规格可移植性与兼容性 08-24 视觉推理 1 Autoregressive Mosaics：探测纯文本模型的二维空间推理 09-01 训练-推理对齐 1 LEGO-RL：面向编程智能体原生 Harness 的强化学习框架 08-19 训练框架 1 面壁智能发布 AI 编写的大模型预训练框架 ForgeTrain 08-07 记忆能力评测 1 编码智能体工作记忆的语义化评估 09-01 论文格式转换 1 论文自动生成代码 06-10 评测争议 1 GPT-5 编程成绩被质疑：删去 23 道测试题，关键基准由自己提出 08-07 评测基准 3 HardEval：面向安全加固与合规修复的执行验证基准 10-19 NoCode-bench：评估自然语言驱动功能开发的新基准 12-31 剖析 SWE-Bench 排行榜：LLM 与智能体修复系统的提交者及架构画像 06-24 评测审计 8 测试评分代码智能体基准中的规格—判定器缺口 10-23 AI 时间跨度估计与 METR 指标效度分析 10-09 理解力审计：降低自动化 AI 研发风险 10-08 代码风格而非自我识别：LLM 零样本代码归因中的表面线索 09-25 LLM 代码漏洞修复中的编译率指标失效与变更感知评测 09-23 本地工具调用评测中的服务栈混杂因素 09-23 SWE-bench 头部编码智能体排名失效审计 09-16 Trail of Bits 质疑 FLAWED AI 补丁基准并发布验证技能 09-16 轨迹筛选 1 SWE-Prime：更少轨迹实现更强软件修复性能 08-28 软件可扩展性 1 AI让可扩展软件复活：人人都能定制自己的 App 08-28 软件工程 1 SWE-Flow：以测试驱动方式合成软件工程数据 06-12 软件开发方法学 1 Bun 1.4借助AI Agent重写百万行Rust代码 09-07 软件开发流程 4 AI 驱动的 SDV 端到端汽车设计与软件开发 10-22 Claude Code 以分层审查实现九成代码自产自审 10-20 Anthropic 内部 AI 代码审查工作流 10-18 智能体软件开发生命周期：可靠性、验证与成本经济学 09-07 迁移能力评测 2 多执行框架强化学习中的信用分配与可迁移性 09-07 SWE Refactor Bench：编码智能体的全仓长程栈迁移评测 08-25 过程奖励模型 1 从数学推理到代码：测试时扩展中过程奖励模型的泛化 06-04 过程评测 1 Opera：面向长程编程智能体的持续语言批评框架 09-29 进化算法 1 谷歌将大语言模型引入进化算法，实现代码自我迭代 12-31 递归自我改进 20 Mirendil与Recursive发布RSI自动化研究成果 10-24 ComRSI：面向任务语义通信的递归代码演化 10-22 预算约束下的递归自我改进：执行前评估代码编辑 10-22 Anthropic 联创将递归自我改进预期提前至 2027 年 10-18 Hinton等22人警告RSI或触发智能爆炸 10-08 LegoFlow：智能体自主完成代码数据、训练与评测全流程 10-08 RSIGame：递归自我改进的自主智能体游戏开发 10-01 Naive AI 开源 AI 研发模型 Naive-N0.5-Flash 09-30 Hyper Algorithm Design Agent：从零演化可学习优化器 09-30 审计脚手架而非检查点：智能体编程递归自我改进的平稳性二分 09-30 Claude与OpenAI内部模型加速接管模型开发流程 09-22 Anthropic 用 Claude 推动 AI 研发自动化，26% 任务由 AI 主导 09-19 智谱GLM-5.3 Infra Agent展现RSI早期形态 09-18 智谱披露GLM-5.3 Infra Agent最小RSI闭环 09-18 GLM-5.3 Infra Agent 初现递归自我改进形态 09-18 智谱展示GLM驱动Infra Agent的RSI早期案例 09-18 Anthropic 量化披露 Claude 研发自动化进度 09-18 Frontis-MA1：面向机器学习工程的递归自我改进 09-17 iCoder：AI 主导开发 27B 工业代码模型 09-02 Mendel Gödel Machine：比较进化驱动的编程智能体递归自改进 08-13 配置兼容性 1 Shopify CEO质疑Claude Code不兼容AGENTS.md 08-26 重构评测 1 SWE-Bench ProMax：大规模多语言代码重构智能体基准 08-12 长期记忆 5 MemT 1.0：近300B参数记忆原生模型补齐RSI记忆拼图 10-20 腾讯混元开源智能体记忆框架 Hy Memory 2.0 10-19 SAGE：面向数据稀缺 NPU 算子合成的采纳感知记忆学习 09-30 Grok Build 上线跨会话长期记忆功能 09-17 MemoraX Code：让 Coding Agent 拥有长期记忆 08-18 长程任务执行 2 ProgramGym：扩展训练环境，培养长时程程序复现智能体 10-18 Claude Opus 5.5 长任务中断的原因与迁移指南 09-28 闭环自进化 2 LegoFlow：智能体自动化代码数据构建与训练评测 10-27 Astar：从演化历史学习并指导 AI 系统闭环进化 09-14 问题定位 1 ToolTrain：面向代码问题定位的两阶段工具集成训练框架 12-31 额度异常检测 1 Codex 额度异常查明：自动标题等三处 Bug 导致超额消耗 08-24
