AI 编码

微软发布 Copilot 超级应用，整合聊天、编码与代理

微软正式发布重新设计的 Copilot「超级应用」，将聊天、编码和代理三类 AI 能力整合进单一界面，分为 Home、Code、Autopilot 三个标签页。其中原名为 Scout 的个人 AI 助手被更名为 Autopilot，定位为企业级「数字队友」，拥有独立身份、记忆、计算机和工作区。微软对 Cowork、Code、Autopilot 采用按用量计费

另有 1 家信源报道

Rails 创始人 DHH 宣布不再手写代码

Ruby on Rails 创始人、Basecamp 联合创始人 DHH 在 Rails World 2026 主题演讲中宣布，自己已不再手写代码，自 2026 年 3 月左右起未手写过一行代码。他认为对大多数程序员和公司而言，手工编程已不再具有经济意义，到年底这一判断将适用于几乎所有领域，并称「英语是比 Ruby 更好的编程语言」。DHH 将这一转变视为新

IaC-Guard-V：LLM 生成基础设施代码修复的验证框架

研究者提出 IaC-Guard-V 验证框架，通过语法有效性、目标问题解决、回归安全、补丁最小性四道验证关卡评估 LLM 生成的 IaC 修复。基于 70 个真实 Terraform 与 Kubernetes 错误配置样本、三种修复策略和三个 LLM 系列共 630 次实验，发现单次提示下仅 32-50% 修复通过完整验证，而验证引导的迭代修复可将通过率提升

Simon Willison：编码智能体让软件工程更难

Simon Willison 在其博客中表示，随着与编码智能体（coding agents）协作时间的增加，他越发认为这些工具反而让软件工程变得更难。他指出，虽然借助它们能完成惊人的工作，但要释放其全部潜力需要极高的纪律性和知识储备。

铸造厂与导航者：降低科学研究的成本

Latent Space 客座文章讨论 AI 如何改变科学研究。作者 Adrian Sanborn 以 Endura Therapeutics 为例，提出生物技术公司分化为两类：Foundries 通过新一代测序、多重检测、高通量显微和物理自动化降低实验成本、加速数据生成；Navigators 则把 AI 嵌入公司日常流程，加快决策与迭代。文章认为，代码生成

阶段监督潜在推理实现单次JavaScript反混淆

该论文提出一种阶段感知的潜在推理框架，用于JavaScript反混淆。方法将确定性反混淆工具产生的中间输出转化为监督信号，基于Coconut（连续思维链）范式训练模型，使其在训练时学习多阶段重写过程，但在推理时仅接收混淆代码并一次性生成清理后的程序。在JsDeObsBench上的初步结果显示，基于Coconut的模型将语法有效性提升至50%（直接微调为15%

Spec2COBOLRot：面向真实 COBOL 语料生成的智能体 AI 退化循环

该论文提出 Spec2COBOLRot，一个基于智能体 AI 的流水线，用于生成具有真实感的 COBOL 程序语料。方法结合规范驱动的生成与迭代退化，退化过程由从真实生产代码中提取的模式和复杂度目标引导，其中真实性被定义为结构上对生产代码的保真度。在三个不同业务领域的程序上评估显示，该流水线能可靠生成语法有效的程序并提升结构复杂度，但并非总能保持业务行为，且

用 Amazon Bedrock 开源权重模型驱动 AI 编码代理

AWS Machine Learning Blog 介绍如何将开源权重模型与开源终端 AI 编码代理 OpenCode 结合，通过 Amazon Bedrock 在自有 AWS 账户内运行推理，避免数据外发、供应商锁定和按席位收费。文章给出配置方法、多模型工作流，并以 Moonshot AI Kimi K3、OpenAI GPT-OSS 120B、NVIDI

用实时示例解释 Shadow Roots

Simon Willison 在博客中展示了一个由 Fable 5.1 Medium 生成的交互式 artifact，用于解释 CSS 的 shadow roots 概念。文章本身聚焦前端技术教学，但页面同时列出了近期 AI 相关文章标题，包括 Claude Opus 5.5、GPT-6 Sol、GPT-6 Luna 及新一轮价格战，以及 Jev 提出的 S

Graphify：统一代码库上下文，简化智能体软件工程

Graphify 是一款开源工具，可将代码库、文档和非结构化数据转换为可查询的多模态知识图谱，以优化 AI 编码工作流。该项目于 2026 年 4 月发布，采用每周多次更新的快速迭代节奏，近期改进了 Terraform 块属性保留、跨文件方法解析等解析器能力。它通过 tree-sitter 提取 AST 并结合文档语义线索构建统一图谱，可经 MCP 服务器接

Claude Opus 5.5 发布并成 AINews 默认模型，多家厂商降价 40-50%

Anthropic 发布 Claude Opus 5.5，作为新 Claude 5.5 家族首个模型，宣称在多数任务上达到 Fable 5.1 水平，运行成本比 Opus 5 低 40%，速度约快 30%，并改善写作与指令遵循。OpenAI 约一小时后发布 GPT-6 Sol 和 Luna，定价比 GPT-5.6 低 50%。Opus 5.5 成为 Clau

Claude Opus 5.5 突袭：跑分登顶，API 价格打 8 折

Anthropic 发布旗舰模型 Claude Opus 5.5，在 Terminal-Bench 4.0、FrontierCode v1.1、CursorBench 4.0 等编程与知识工作基准上登顶，输出速度比 Opus 5 快 30% 以上。API 输入输出价格下降 20%，缓存读取价从每百万 Token 0.50 美元降至 0.20 美元，Anthr

另有 2 家信源报道

Shaker 在 Python 项目 flaky 测试检测中的评估

该研究首次针对 Python 项目评估 Shaker 的 flaky test 检测能力。研究者从 Gruber 等人的真实数据集抽取 137 个非顺序依赖的 flaky 测试，在相同执行预算下对比 Shaker 与普通重跑（ReRun）。结果显示 Shaker 未带来统计显著优势（37.2% vs 35.8%），原因在于不到一半的真实 flaky 测试在独

IFM 发布 K2-Horizon-3.7B 开放权重模型

IFM 在 Hugging Face 发布 K2-Horizon-3.7B，这是 K2-Horizon 系列中的小型稠密解码器模型，拥有 3.7B 核心参数和 512K 原生上下文窗口。该模型在 agentic、编码和推理基准上与 Qwen3.5-4B、G9v3-3B、Granite 4.2-3B、Nemotron 3 Nano-4B 等开放权重稠密模型对比

GPT-6 Sol 与 GPT-6 Luna 在 Amazon Bedrock 正式可用

OpenAI 的 GPT-6 Sol 和 GPT-6 Luna 现已在 Amazon Bedrock 上正式可用。GPT-6 Sol 面向编码、调试、数据分析等复杂任务，GPT-6 Sol 在内部事实性评估中的错误约为 GPT-5.6 Sol 的一半；GPT-6 Luna 面向高并发、可重复的轻量任务，两者 API 定价均显著低于 GPT-5.6 前代。两款

另有 1 家信源报道

OpenAI 发布 GPT-6 Sol 和 Luna，成本更低错误更少

OpenAI 发布 GPT-6 系列新成员 Sol 和 Luna，称其在效率与成本上大幅优化，API 价格降至 5.6 系列的一半，并强调事实准确性和代码错误率改善。OpenAI 声称新模型在多项任务上优于 Anthropic 的 Fable 和 Opus，而 Anthropic 在 OpenAI 发布前 90 分钟刚推出 Opus 5.5。新模型已上线 C

Anthropic 发布 Opus 5.5：降价且性能达 Fable 级

Anthropic 于周二发布新模型 Opus 5.5，公司称其在编程和知识工作性能上创下新纪录，并在多项基准上超过更大的 Fable 模型。该模型输出 token 价格从每百万 25 美元降至 20 美元，运行更快、所需算力更低，同时调整了沟通风格，减少术语并前置关键信息。这是 Anthropic CEO Dario Amodei 主张放缓前沿能力推进节奏

poolside 发布 Laguna XS.2：33B MoE 本地智能体编程模型

poolside 发布 Laguna XS.2，一个 33B 总参数、每 token 激活 3B 的混合专家（MoE）模型，面向本地运行的智能体编程与长周期任务。模型采用滑动窗口注意力与全局注意力 3:1 混合布局、FP8 KV 缓存和原生交错推理，支持 262,144 token 上下文，并以 Apache 2.0 许可开源。在 SWE-bench Ver

用户画像如何影响LLM代码生成：偏见实证研究

该研究对LLM代码生成中的用户画像偏见进行了大规模实证分析，测试了Gemini 2.5 Pro和GPT-OSS-120B两个模型，使用覆盖国籍、性别和经验水平的18种人口统计画像，对比中性基线，分析了超过35,000个生成程序。结果显示，人口统计标记在高达65%的回复和70%的推理轨迹中出现，尽管与任务语义无关；在LiveCodeBench上，画像提示使Ge

身份还是提示噪声？LLM 代码生成的校准不变性审计

该研究对七个模型在 HumanEval+ 和 MBPP+ 上的 3073 万次 Python 代码生成进行了校准不变性审计，考察模型分配性别、国家和职业人设是否影响代码输出。经任务内随机化和 FDR 校正后，职业是最一致的结构性轴：CodeBLEU 离散度在 10/14 个模型-基准单元中超过可交换性零假设，但中位超额仅 0.141 分，且通过率离散度均不显