AI 编码

Meta发布Muse Wonder系列模型，主打智能体任务

Meta发布首个前沿模型系列Muse Wonder，包含Muse Wonder和Muse Wonder Full两个型号，重点面向个人与专业智能体任务，引入主动记忆和主动专注能力。在DeepSWE 1.1、SWE-Marathon等长流程编程测试中，Muse Wonder Full得分超过Claude Fable 5.1、GPT-6 Astra和Claude

另有 2 家信源报道

Google DeepMind 发布 Gemini 4 Argon，主打复杂任务与专业工作流

Google DeepMind 发布 Gemini 4 Argon，面向开发者、企业和订阅用户通过 API、AI Studio、Gemini 平台及 Google Antigravity 等渠道全球上线。该模型在编码、金融、法律、网络安全和科学等复杂多步任务中表现领先，在 Vals Index 上排名第一。Google 内部已用其完成 Chrome 大规模重

Epic 对迪士尼新游戏转向「AI 加速开发」

Epic Games 计划在一款尚未公布的迪士尼射击游戏中使用 AI 生成代码和美术，该项目已从原定 3 月发售窗口延期。开发团队被要求采用「AI 优先」方针，更多使用 Anthropic 的 Claude 等工具，一名总监在内部消息中称「不再手写代码」，所有美术也将「通过完整 AI 工作流生成」。Epic 发言人表示公司正在「拥抱 AI 加速开发」，该游戏

AgentSWE：编码智能体能否构建你真正想要的智能体？

该论文提出 AgentSWE，一个面向智能体软件工程（agent software engineering）的基准测试，覆盖智能体开发生命周期的三个阶段：从自然语言需求创建完整智能体、编辑生产级智能体代码库、以及面向可量化目标的优化。其 25 个任务被设计为“委托”而非“考试”，构建者只能针对少量示例迭代，而验收则在覆盖完整需求的留出用例上以硬性通过/失败门

Gemini 4 Argon 正式全面可用

Google 宣布 Gemini 4 Argon（gemini-4-argon）正式全面可用（GA）。该模型被描述为面向复杂编程、智能体、数学和科学任务的最强模型。API 变更、定价和迁移指南参见 What's new in Gemini 4 Argon。

Meta 新前沿模型 Muse Wonder Full 跻身 AI 第一梯队

Meta 发布前沿模型 Muse Wonder 与 Muse Wonder Full，在 Artificial Analysis 智能指数上分别得分 52 和 56，较前代 Muse Spark 1.3 的 48 分显著提升，主要增益来自智能体编码与自主问题求解。两款模型支持百万 token 上下文及文本、图像、视频、音频输入，但每任务成本约为前代的三倍，事

另有 1 家信源报道

Python 3.15 发布：惰性导入与采样分析器，告别 3.10

Simon Willison 介绍了 Python 3.15 的发布，重点包括 PEP 810 显式惰性导入、推导式解包语法以及标准库新增采样分析器 Tachyon。由于 3.15 发布，Python 3.10 正式停止支持，作者得以在开源项目中开始使用 Python 3.11 的 tomllib、TaskGroup、datetime.UTC 及 SQLit

Spotify 借助 AI 将月度代码变更量翻倍以上

Spotify 扩大 AI 辅助开发的使用，月度合并代码变更量同比翻倍以上，从约 8,100 增至 17,000。为应对变更量激增，Spotify 调整了监控、测试、发布防护、回滚能力和容量规划等质量与可靠性控制。公司还引入基于 Claude Agent SDK 的后台编码代理 Honk 与 Fleetshift 编排系统，并报告一次 Java 迁移仅用三天

Karpathy：外界只看到 AI 能力的预览，内部前沿系统远超公众认知

OpenAI 联合创始人、现 Anthropic 研究员 Andrej Karpathy 提出，公众对 AI 能力的认知存在巨大鸿沟：约 75% 的全球人口几乎未接触过大语言模型，仅约 2000 万数学与编程专业人士在工作中使用前沿模型，而全球仅约 5000 人能接触内部前沿系统。他指出这些内部系统已能完成需顶级专家数年才能完成的任务，如大规模 agent

华为Memento 3通关25款游戏，操作比人类少56%

华为诺亚方舟实验室联合UCL等团队提出Memento 3智能体系统，基于Claude Opus 5底模，在不更新模型权重、不做游戏微调的情况下，通关ARC-AGI-3公开集全部25款游戏、183个关卡，取得满分100的RHAE成绩，总操作次数7518次，比人类的17135次少约56%。其核心方法是Code as Model，让AI维护可迭代的规则手册和可执行

AI生成数据库规格说明的防泄漏评估基准

EPAM Systems 的研究者提出 LRFB 框架与基准，用于在防泄漏条件下评估 AI 生成的 Oracle PL/SQL 数据库规格说明。基准包含 494 个带标签的源-规格对、19 项质量指标和七个维度，并通过 canary 与标签置换测试验证基准有效性。在 247 条留出记录上，GPT-4o、DeepSeek V4 Pro 和 Claude Son

OPT-Kraken：LLM优化建模幻觉的事后修复框架

研究者提出 OPT-Kraken，一个无需训练的 LLM 优化建模幻觉修复框架，针对自然语言运筹学问题生成的数学模型与求解器代码之间的不一致进行事后修复。该框架提取问题需求与实例数据，通过问题-模型保真度、模型-代码一致性和数据接地检查定位错误，并按影响范围选择修复粒度，用契约约束允许的编辑。在已有优化建模基准上，它对多种自动建模框架和微调模型均带来正向收益

SWE-Duel：面向编码智能体的自扩展竞技场

论文提出 SWE-Duel，一个自扩展的编码智能体竞技场：两个智能体在镜像的红蓝回合中互相评测，红方在真实仓库中实现新功能并注入隐蔽 bug，蓝方在不知情下审查并修复 PR，任务与判定标准均在评测时生成，避免训练数据泄漏。作者在 5 种语言的 15 个仓库上对 11 个模型-框架组合进行了 1500 回合的锦标赛，GPT-5.5 搭配 Codex CLI 以

ProgramGym：面向长周期程序复现智能体的可扩展训练环境

该论文提出 ProgramGym 框架，包含 Program-Env 和 Program-Agent 两部分，用于为长周期程序复现智能体构建可扩展、可验证的训练环境。Program-Env 通过反馈驱动循环从代码仓库构建环境并修复运行时沙箱与黑盒测试质量，共获得覆盖 C、C++、Go、Rust 的 1,648 个训练环境；Program-Agent 结合分析

Python 3.15.0 加入 actions/python-versions

Simon Willison 在其博客中记录，actions/python-versions 仓库已加入 Python 3.15.0，此前他曾让 ChatGPT 每小时检查一次该仓库直到稳定版 3.15 被添加。现在开发者可以在 GitHub Actions 测试矩阵中加入 "3.15" 来针对新 Python 版本运行测试。

谷歌内部测试Gemini 4新版本Carbon，编程体验接近Opus 5.5

据Business Insider报道，谷歌正在内部测试Gemini 4新版本，代号Carbon，已接入内部编程平台Jetski。部分员工认为其编程体验接近Anthropic的Claude Opus 5.5，但强调需更多测试才能准确判断。谷歌此前于10月1日发布Gemini 4 Argon，面向软件工程、企业知识工作与网络安全防御，尚未对公众推出。谷歌内部还

Google Gemini 4 "Carbon" 据称编程性能追平 Anthropic Opus 5.5

据 Business Insider 看到的内部文件、截图和聊天记录，Google 正在测试名为 Argon、Barium 和 Carbon 的多个 Gemini 4 变体，其中 Carbon 已在内部编程平台 Jetski 上部署，据称在编程任务上优于 Argon，并被一名员工拿来与 Anthropic 最强的编程模型 Opus 5.5 相比。Google

另有 1 家信源报道

阶跃 Step 5 Preview 登顶 OpenRouter，10月15日开源

阶跃星辰最新旗舰基座模型 Step 5 Preview 登上 OpenRouter Trending 榜第一、日榜全球第二，成为近期开发者社区关注度最高的模型之一。该模型采用稀疏 MoE 架构，总参数 6000 亿、每 Token 激活约 270 亿，官方称将于 10 月 15 日正式开源。AI 研究员 Elvis Saravia 试用后认为其能力可与 GL

Google 发布 Android Bench 2.0，新增长周期任务与智能体评估

Google 发布 Android Bench 2.0，为其 Android 开发任务评测框架引入长周期任务（LHT）、基于智能体的评估和连续评分机制。新版本从二元通过/失败改为按功能、视觉保真度和回归情况计算完成率，并对偏离评估指令施加扣分。Google 表示 AI 更擅长编写新代码而非重构既有代码，跨平台应用移植到 Android 仍是开放挑战，最佳模型

用语音在做饭时给博客开发新功能

Simon Willison 使用 ChatGPT 桌面版 Codex 标签页的语音对话模式，在做饭时通过语音指令为其博客开发了一个 Newsletters 页面功能，包括新 Django 模型、迁移、视图、模板和多个导入脚本。该功能在约半小时语音交互后基本完成，随后他通过打字方式审查代码并修复了导入机制，最终部署上线。他认为语音模式适合多任务场景，但细节工