Codex 与 Claude Code 同任务实测：质量打平，Codex 成本低 2.4 倍

作者在 python-humanize 仓库上用四个任务（真实 issue 修 bug、按规格加功能、无行为变更重构、带 3 个植入 bug 的代码评审）各跑两遍，Claude Code 2.1.291（claude-opus-5-5）与 Codex CLI 0.160.0（gpt-6.1-sol）16 次运行全部通过检查，四个评审都找齐 3 个植入 bug 且无误报。

用 Claude Code 修复 Codex 遗留的 Blender 怪物模型颈部贴图

作者用 Codex 的 Sol 5.6 在 Blender 里搭出一个复杂怪物模型，项目当时只有几百 MB；随后 Astra 和 Sol 6/6.1 花数周修复颈部一块皮肤贴图，中间草稿和迭代文件让项目膨胀到近 3TB，问题仍未解决。

用英文给编码智能体写提示词更省 token 吗？40 次实测只差 12 个 token

作者用 5 个 Python 任务、Haiku 4.5 和 Sonnet 5.5 各跑两遍共 40 次，对比俄语和英语提示词的 token 消耗与成本。俄语提示词平均每任务多 12 个 token，但单次运行平均读取约 22.2 万输入 token，其中 94% 是每轮从缓存重读的系统提示词、工具说明和项目文件，语言差异只占约 0.005%。

GitHub 与 Microsoft 开放 ReviewBench 评测 AI 代码评审

GitHub 和 Microsoft 于 2026 年 10 月 5 日开放研究预览版 ReviewBench，用于评测 AI 代码评审智能体。该基准包含来自 187 个公开仓库、19 种语言的 219 个 pull request，语言和仓库规模分布基于对 GitHub 上 1.039 亿个 pull request 的分析，并刻意提高了实质性改动的占比。

jev-browser-wingman：用 MCP 代理把 AI 智能体的浏览器点击交给 TypeSafe 的 Jev

jev-browser-wingman 是一个 MCP 代理，把 AI 智能体的浏览器点击和输入交给 TypeSafe 的 Jev 决定操作哪个元素，不确定时把该步骤交还给智能体。

FP8 陷阱：GPU 账单降了 47%，但模型在输出“!!!!!!”

作者在单张 AMD MI300X 上用 vLLM ROCm 版跑 Qwen2.5 7B/32B/72B，按 $2.99/GPU-hr 计价，BF16 基线为 7B $0.227/M、32B $0.77/M、72B $1.67/M 输出 token。

GitHub 发布 AI 代码评审开放基准 ReviewBench

GitHub 发布代码评审离线基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集，并公开数据集、评分规则与 LLM 评审模型配置。

实测 Claude Code、Codex 与 Gemini CLI 的更新频率

作者用 npm 发布时间戳统计 2026 年 Q3 的发布次数：Claude Code 发布 79 个版本、Codex CLI 38 个、Gemini CLI 15 个，中位发布间隔分别为 0.96 天、1.64 天和 6.09 天。

《Agent Harness 技术蓝皮书》对内发布，并定量定性分析 RAG 当前研究趋势

社区对内发布《Agent Harness 技术蓝皮书》，全书 8 篇 33 章共 139 页，将 Agent Harness 定义为围绕大语言模型构建的确定性运行时。同期基于 arxiv API 检索 2026-08-01 至 10-05 的 66 天数据，去重后新增 930 篇 RAG 相关论文，约 14 篇/天，研究重心已从检索 pipeline 搭建转向系统层、质量层与形态层。

Lovable、Bolt、v0 实测对比：哪个 AI 建站工具真能交付

作者用同一份需求（SaaS 落地页加带鉴权的仪表盘）在 Lovable Pro、Bolt Pro、v0 Plus 上各跑一遍并做 10 轮修改，Lovable 首稿质量 8.5 分、34 分钟出可用应用，Bolt 26 分钟最快但首稿 7.8 分、需 9 次修改，v0 首稿 8.2 分、41 分钟最慢但代码最易维护。

MCPA 认证解读：Model Context Protocol Associate 考试考什么、多少钱、能证明什么

Linux Foundation 与 Agentic AI Foundation 于 9 月 14 日推出首个厂商中立的 MCP 认证 MCPA，考试为线上监考多选题，费用 US$250，有效期两年，含一次免费重考，对齐 2026-07-28 版 MCP 规范。

v0 与 Bolt.new 对比实测：谁更快交付可用的 AI 应用

作者用同一需求在两个新账号上实测 v0 Plus 与 Bolt.new Pro，v0 的 UI 代码质量得分 8.8、Bolt 为 7.6，但 Bolt 约 90 秒就能跑起含认证、数据库和部署地址的全栈应用，v0 约 4 分钟出界面且后端只覆盖部分。

Gemini 4 Argon 价格与用途：和 GPT-6、Claude 怎么选

作者晚安code 梳理谷歌 9 月 30 日发布的 Gemini 4 Argon，指出其单次输出上限从上一代 6.4 万 token 提到 100 万，但上下文窗口、参数量和架构官方均未公布，不少报道把 100 万输出 token 误写成 100 万上下文。

GPT-5.5 与 Codex：被炒作掩盖的真实变化与代价

GPT-5.5 于 2026 年 4 月 23 日发布，是 OpenAI 自 GPT-4.5 以来首个完全重训练的基座模型，在 Terminal-Bench 2.0 上得分 82.7%，相同 Codex 任务下比 GPT-5.4 少用 40% token，但输入输出价格翻倍至每百万 token 5 美元和 30 美元。

ChatGPT 与 Claude 编程实测对比：谁写出的代码更靠谱

作者在同一个中型 TypeScript 仓库上用相同提示词跑了五个任务（竞态条件排查、跨 8 文件重构、补测试到约 90% 覆盖率、按 300 字规格做 CRUD 应用、审查 400 行 diff 中的 6 个植入问题），对比 ChatGPT Plus 的 Codex 与 Claude Pro 的 Claude Code。

Jev 论文潮来袭：LLM2Jev 与 Chinese-Jev 等一批 System One 决策模型研究

9 月 15 日发布的 System One 决策模型 Jev 一周内 GitHub 相关项目超两千个、star 破四万，一批论文随之涌现。

Steve Yegge@Steve_YeggeAI 评分2222

使用 Opus 5.5 两周后，作者认为它是出色的模型，在解释和教学方面远优于 Fable。其评测显示，Opus 5.5 的精度在所有任务上与 Fable 5.1 相当，但召回不如后者：具体任务上两者持平，任务越开放，Fable 越能发现并处理重要问题，视角更好。作者仍将 Opus 5.5 用于大部分工作。

上手体验 OpenAI DevDay 更新：Dots、Decisions API、Codex Harness 与 Space

作者上手体验了 OpenAI DevDay 发布的 Dots、Decisions API、开源 Codex Harness 更新和 ChatGPT Space 四项能力。

GPT-6.1 Sol 上线实测：代码追平 Astra，价格降到五分之一

OpenAI 上线 GPT-6.1 Sol，作者实测后认为它在软件工程测试 DeepSWE v1.1 上已追到 Astra 水平，价格比 Astra 便宜 80%，每百万 token 输入 2 美元、输出 10 美元，命中缓存输入 0.1 美元。

技术观察：2026年9月本体、Jev决策模型、自进化RSI与大模型发布月度总结

2026年9月共发布43款大模型，国产约占八成，1M上下文与全模态成标配，Intern-Decision、NeoHorse-1等"决策模型"与"自进化后训练"新品类首次进入开源清单。

谷歌发布 Gemini 4 Argon，多项基准第一但第三方仅与 GPT 6 Astra 持平

谷歌发布旗舰模型 Gemini 4 Argon，官方公布的 18 项测试中独占第一 12 项，DeepSWE v1.1 以 77.9% 位列全球第一，AutomationBench-AA 以 77.5% 领先 Claude Sonnet 5.5 的 71.3%。

为什么 Pi 把智能体的组装留给用户：Pi 与 Oh My Pi 的 harness 之争

文章以终端编程智能体 Pi 及其分支 Oh My Pi 为例，讨论模型与代码之间那层 harness 该由谁做决定。

按每小时 token 消耗给五家 API 网关排成本：Claude Opus 5.5 与 GPT-6 Sol 对比

作者导出自己 49 个 Claude Code 会话、138 小时活跃工作的日志，统计出每小时平均消耗 1530 万缓存读取、86 万缓存写入、5.1 万输出和 560 普通输入 token，再按这套固定用量给 TeamoRouter、LiteAI、RouterAI、Polza AI、ProxyAPI 五家 API 网关算每小时花费。

用一个功能规格和六项评分表自行评测 AI 编程助手

作者提出用一个小功能规格来评测 AI 编程助手：在临时目录建两个 Python 文件，让助手给 notes_cli.py 加 --since YYYY-MM-DD 过滤选项，要求非法日期以状态码 2 退出并只向 stderr 输出一行、补充边界日和非法日期测试、只改这两个文件、运行 python3 -m unittest -v 并展示完整输出。

开源提示词注入检测器能挡住真实 AI 智能体攻击吗：629 条 AgentDojo 攻击实测

作者用 629 条 AgentDojo 注入攻击（每条埋在真实工具输出中）和 97 条正常样本，实测 10 个开源提示词注入检测器。

对比 Copilot、Claude Code Review 与 Gemini Code Assist 的代码评审：触发、规则文件、拦截与成本

作者依据三家厂商 2026 年 9 月 24 日的文档，对比 GitHub Copilot code review、Anthropic 的 Claude Code Review 和 Gemini Code Assist on GitHub 在触发方式、读取的规则文件、能否拦截合并和单次成本上的差异。

俄罗斯 Маракуйя ИИ 的智能体框架在 Terminal-Bench 4 和 OSWorld 2 上的基准测试结果

俄罗斯团队 Маракуйя ИИ 的智能体框架首次参加 Terminal-Bench 4 和 OSWorld 2 两项基准测试，取得亮眼成绩。

编码智能体 harness 设计的实证研究：规划、动作空间与上下文管理如何影响表现

一项实证研究用固定执行循环的轻量编码 harness，在 SWE-Bench Verified 和 Terminal-Bench 2.1 上对四个模型评测 176 组匹配设置，变量为规划、动作空间和上下文管理。

Sebastian Raschka@rasbtAI 评分3636

Sebastian Raschka 用 Paint UI 复刻同一张图，对比 GPT-5.6 Astra 与 Qwen3.8 Max 的计算机使用（视觉）能力：Astra 默认用几何图形分层绘制，Qwen 则逐像素还原，后者结果天然更接近原图、得分会更高。但他认为不能据此断定 Qwen 的计算机使用或视觉理解更强，这恰恰说明只看最终结果的 benchmark 有多不可靠。

Claude Code、Codex CLI、Gemini CLI 等五款编码智能体的权限模型对比

作者在 2026-09-05 依据各家官方文档，横向对比 Claude Code、Codex CLI、Gemini CLI、OpenHands SDK 和 Omnigent 的权限模型，把问题拆成“哪些操作需要人工确认”和“执行后能触达什么”两层。

如何公平测量 coding agent 的 time-to-green：十个小任务方法

作者提出一套测量 coding agent 从提交提示词到首次通过检查（time-to-green）的方法，包含十个已定义的小任务、可脚本校验的 green 条件、一个计时 runner 和一份 CSV 数据集。

SWE-agent 的 ACI 论文与仓库：从十五个工具包到 100 行的 mini-swe-agent

SWE-agent 论文（arXiv:2405.15793）提出 agent-computer interface（ACI），主张为语言模型智能体设计专用接口，在 SWE-bench 和 HumanEvalFix 上分别取得 12.5% 和 87.7% 的 pass@1。

SWE-bench 分数到底测了什么：resolve rate 的生成过程与五篇论文的补充发现

SWE-bench 的百分比是智能体编程领域被引用最多的数字，但它比通常被引用的方式要窄得多。文章拆解了一次评测如何产出这个数字：提交是 JSONL 格式的补丁，在 Docker 容器中应用到 base_commit 并运行仓库测试，FAIL_TO_PASS 全部通过且 PASS_TO_PASS 不回归才算 resolved，默认是 pass@1。

OpenAI 承诺 Astra 每延迟一天就送一次 Codex Full reset

OpenAI 的 Codex 团队 Tibo Sottiaux 承诺，只要 Astra 未出现在用户的付费 ChatGPT 账号上，每等一天就补偿一次 banked reset，可完整刷新 Codex/ChatGPT Work 的五小时和每周用量。

GPT-6 Astra 基准对比 Fable 5.1：哪些分数可比，哪些不可比

OpenAI 于 2026 年 9 月 3 日发布 GPT-6 Astra 与 Astra Pro，首批仅限 Daybreak 网络安全计划企业，ChatGPT 付费版、API 和 AWS 将在随后几天开放。

Fable 5.1 在 SWE 任务中的细节：推理档位、基准表现与成本取舍

作者梳理 Anthropic Fable 5.1 系统卡（212 页）中与 SWE 任务相关的细节，指出推理档位并非越高越好：在 FrontierCode Main 子集上。

Codex vs Claude Code 工作流实测：用同一仓库五项任务做对比

作者设计了一套可复现的对比方法，让 Codex 和 Claude Code 在同一个仓库、同一任务契约、同一权限和停止条件下完成五项任务：仓库发现、编辑纪律、测试恢复、评审证据、远程或无人值守执行。

Terminal-Bench 4.0 发布：校准任务资源、移除饱和任务

Terminal-Bench 发布 4.0 版本，校准任务的时间、CPU 和内存资源，修复 19 个任务并移除 8 个饱和或存在质量问题的任务，所有任务统一设为 8 小时 agent 超时。

Terminal-Bench-Science 0.1 发布：70 项科研任务，Claude Opus 5 解决率 30%

斯坦福大学研究人员主导、Terminal-Bench 团队联合全球科研机构专家打造的 Terminal-Bench-Science 0.1 发布，首批含生命、物理、地球、数学和工程科学领域的 70 项任务。

Cline 实测八个模型做 IMO 2026：DeepSeek V4 Flash 以 0.12 美元拿到金牌线

Cline 让八个模型在自家 harness 里做 IMO 2026 六道题，证明由 GPT-5.5 和 Claude Opus 5 双盲按 0–7 分制评分、Gemini 3.1 Pro 仲裁，金牌线为 29 分。