OpenAI 如何用 Codex 加速工程研发
OpenAI 详解内部团队如何使用 Codex 理解代码、重构系统并提升性能与研发速度，同时优化工程工作流。文章覆盖了从代码理解到重构、性能改进和工程效率提升等多个具体场景。
#编码
#编码
今日 29 条OpenAI NewsAI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。
Varun Mohan(@_mohansolo)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Linus Torvalds 使用 Antigravity 开发其最新项目部分功能
Linus Torvalds 被发现在其最新项目的部分开发工作中使用了 Antigravity。该消息由 Varun Mohan 在社交平台分享，称看到自己的编程偶像使用 Antigravity 倍感荣幸。
David Heinemeier HanssonAI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 DHH：AI 智能体值得"升职"，但 90% 代码由 AI 写仍是吹嘘
DHH 认为 AI 智能体已从辅助工具升级为可自主产出生产级代码的团队成员，Claude Opus 4.5、Codex 5、Gemini 3、MiniMax M2.1、GLM-4.7 等模型配合终端工具已能自主运行测试、搜索文档。
Aman Sanger(@amanrsanger)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cursor 收购代码审查工具 Graphite：智能体写代码越多，软件工程的瓶颈越是审查
Cursor 宣布 Graphite 加入 Cursor，后者是一款代码审查工具。Aman Sanger 指出，当 AI 智能体帮我们写出多一个数量级的代码时，软件工程的瓶颈就变成了审查环节。目前 Cursor 已发布相关博客文章。
Groq Inc(@GroqInc)AI 评估 · 11/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 11/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Theo 宣布默认模型切换为 Kimi K2
Theo（t3.gg）将默认模型改为 Kimi K2，称其写作表现出色，是自己用过明显更好的聊天模型，甚至担心会拉低付费转化。
Binyuan Hui(@huybery)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Coding agents 正从 vibe coding 转向企业级软件工程
Coding agents 正从 vibe coding 转向真实世界的企业级软件工程，关注点从前端 demo 和孤立 bug 修复移向重构大型代码库、提升复杂系统效率与处理长周期任务。最难的已不是写代码，而是赢得测试工程师信任、回应开发者对长期维护的担忧，一种新的图灵测试正在出现。
Arthur Mensch(@arthurmensch)AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 70/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Mistral AI 发布开源编码模型家族 Devstral 2 与原生 CLI Mistral Vibe
Mistral AI 发布 Devstral 2 编码模型家族，提供两个尺寸版本，均为开源。同时推出原生 CLI 工具 Mistral Vibe，用于端到端自动化。作者称其支持在家进行 SOTA 开源 vibe coding。
Binyuan Hui(@huybery)AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NeurIPS 2025 智能体时代的代码深度学习（DL4C）workshop 即将开场
NeurIPS 2025 的 Deep Learning for Code in the Agentic Era（DL4C）workshop 在 Hall G-H 于 09:00–17:00 举行，距开场还有十小时。
FlowiseAI(@FlowiseAI)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 FlowiseAI 3.0.12 发布：支持 Gemini 3 搭配 Nano Banana Pro 多轮对话
FlowiseAI 3.0.12 发布，支持在 Gemini 3 上搭配 Nano Banana Pro 进行多轮对话。同时新增内置 Gemini Code Interpreter，可让模型生成并运行 Python 代码；Agent 节点现支持返回结构化 JSON 输出。
硬地骇客AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 EP117 豆包月活过亿，阿里再造「千问」是不是晚了？
豆包月活已过亿，硬地骇客这期播客讨论阿里此时再造「千问」入场 C 端是否太晚。节目聚焦通义千问如何借淘宝、高德、飞猪等阿里生态实现「有手有脚」的履约能力，以及内部夸克与千问的左右互搏；同时聊到腾讯的连接器困境和 Kimi、MiniMax 抢滩 AI Coding。
OpenAI NewsAI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 如何在软件开发生命周期中使用 Codex
OpenAI 发布一场网络研讨会，讲解如何将 Codex 应用于软件开发生命周期的各个环节。
METRAI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 评估 GPT-5.1-Codex-Max：50% 时间跨度 75 分钟至 350 分钟
METR 对 OpenAI GPT-5.1-Codex-Max 的评估显示，其 50% 时间跨度为 75 分钟至 350 分钟（点估计 2 小时 42 分），较 GPT-5-Thinking 呈符合趋势的提升，未发现风险关键性的能力、架构或训练激励变化。
Binyuan Hui(@huybery)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qwen Code v0.2.1 发布：17 天迭代 8 个版本，优先修复 bug 而非加新功能
Qwen Code v0.2.1 发布，开发团队在 17 天内连发 8 个版本（v0.1.0 到 v0.2.1），重心放在修复用户反馈的 bug 而非添加新功能。
Aman Sanger(@amanrsanger)AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cursor 完成 23 亿美元 D 轮融资，年化收入超 10 亿美元
Cursor 宣布完成 23 亿美元 D 轮融资，投资方包括 Accel、Andreessen Horowitz、Coatue、Thrive、Nvidia 和 Google。Cursor 还表示年化收入已超过 10 亿美元，其产出的代码量超过世界上任何其他智能体；作者本人称正在全力开发 composer-2。
Binyuan Hui(@huybery)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SWE-fficiency 发布：评估 LM 能否加速真实 GitHub 仓库
SWE-fficiency 旨在评估语言模型能否在真实工作负载上加速真实 GitHub 仓库，包含跨 9 个数据科学、ML 和 HPC 仓库的 498 个优化任务，每个任务都配有真实工作负载。现有智能体难以达到专家级优化水平。
Aman Sanger(@amanrsanger)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cursor 语义搜索提升 AI 智能体准确率：靠索引期算力换取推理期性能
Cursor 的语义搜索能提升智能体在所有前沿模型上的准确率，在大型代码库中尤为明显，仅靠 grep 难以应对。其思路是在索引阶段投入大量算力，复用这部分计算来提升效果，而不增加推理期算力开销，嵌入向量是实现这一目标最简单的机制。Cursor 还训练了专用嵌入模型用于代码检索。
Binyuan Hui(@huybery)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 CodeClash：让大模型通过代码库多轮对战实现高层目标的新评测
John Yang 推出新评测 CodeClash，让大模型在代码库中通过多轮锦标赛相互竞争，以实现最大化收入、削减成本、赢得用户等高层目标。该评测不同于现有针对“修 bug”“写测试”等具体任务的测试方式，转而在目标层面考察模型的编码能力。
Sualeh Asif(@sualehasif996)AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cursor 2.0 大幅优化 LSP 性能
Cursor 2.0 在 LSP 性能上做了大量优化工作，官方称效果出色。同时 Cursor 还上线了多项体验改进。
Aman Sanger(@amanrsanger)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cursor 的 Composer-1 通过 RL 训练大型 MoE 模型，专攻真实编程任务
Cursor 构建的 Composer-1 是一款通过 RL 训练的大型 MoE 模型，主打真实场景编程能力且速度极快。该模型由一支小而精的 RL 团队完成，背后涉及大量科学、基础设施、ML 性能及数据/奖励工作。团队目前正在扩招，以继续塑造编程的未来。
Next.js BlogAI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Next.js 16 发布：Turbopack 成为默认打包工具，新增 Devtools MCP 与 Cache Components
Next.js 16 正式发布，Turbopack 成为所有应用的默认打包工具，官方称生产构建快 2-5 倍、Fast Refresh 快至 10 倍。新版本加入基于 PPR 和 use cache 的 Cache Components、面向 AI 辅助调试的 Next.js Devtools MCP，以及取代 middleware.ts 的 proxy.ts。
Dario Amodei(@DarioAmodei)AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 34/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Anthropic 扩展印度市场：Claude Code 使用量自 6 月以来增长 5 倍
Anthropic 正扩展印度市场，Dario Amodei 与印度总理 @narendramodi 会面讨论了此事，其中 Claude Code 在印度的使用量自 6 月以来增长了 5 倍。双方还谈及印度如何在教育、医疗和农业等关键领域为超过十亿人部署 AI。
Monica_IM(@hey_im_monica)AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Monica AI 上线 Claude 4.5 Sonnet 与 Google Nano Banana
Monica AI 新增 Claude 4.5 Sonnet，主打复杂推理与编码的自主能力，同时上线 Google Nano Banana，定位超轻量、超快速的图像编辑并保持创作一致性。两款模型现已在 monica.im 开放试用。
Berkeley AI Research BlogAI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 word2vec 究竟学到了什么：伯克利证明其等价于对特定矩阵做 PCA
伯克利 AI 研究团队给出 word2vec 的定量学习理论，证明在实际可实现的训练条件下，其学习问题可归约为无权重最小二乘矩阵分解，最终学到的嵌入等价于对矩阵 M* 做 PCA，该矩阵仅由词共现统计和超参数决定。梯度流动力学有闭式解：从小初始化出发，word2vec 按离散步骤逐个学出正交线性子空间，每步提升嵌入矩阵的秩并阶梯式降低损失，各特征即 M* 的顶层特征向量。
METRAI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 研究：算法评分会高估 AI 智能体的软件任务表现
METR 在一项研究更新中对比了算法评分与人工整体评审两种方式：在来自 stdlib-js 和 hypothesis 两个开源仓库的 18 个真实任务上，使用 Claude 3.7 Sonnet 的 Inspect ReAct 智能体按人工编写的测试用例衡量平均成功率为 38%（±19%，95% CI），但人工评审的 15 个 PR 没有一个可以直接合并。
OpenAI News精选AI 评估 · 76/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 76/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 发布 GPT-5 办公场景演示
OpenAI 发布一段 GPT-5 工作场景演示，展示该模型分析用户反馈、制定产品计划并制作原型，以及总结后续步骤。演示面向办公与业务流程，具体能力细节以官方视频内容为准。
为什么值得看
OpenAI 官方展示 GPT-5 在真实工作流中的多步任务处理，可据此判断其在业务流程中的落地位置。
牛油果烤面包AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 牛油果烤面包 #140：主播圆桌聊大模型如何改变生活与工作
牛油果烤面包播客几位主播圆桌闲聊各自用 AI 工具的感受，覆盖文本润色、心理咨询、知识学习、图像生成、育儿辅助、编程辅助、播客与音视频制作、工作流自动化、AI Agent、多层次搜索与内容整合、AI 导游、旅行规划、写段子与小说创作等场景，也谈到 AI 的另一面。
METRAI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 研究：AI 时间跨度如何因任务领域而异？
METR 分析 9 个现有 benchmark 发现，软件与推理类任务（GPQA、MATH、Mock AIME、METR-HRS、LiveCodeBench）的 50% 时间跨度在 50-200+ 分钟，每 2-6 个月翻倍；视觉电脑操作（OSWorld、WebArena）时间跨度短 40-100 倍但增速相近，特斯拉 FSD 自驾驶约每年翻倍 0.6 次。
METRAI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 随机对照实验：AI 让资深开源开发者慢 19%
METR 招募 16 名来自大型开源仓库的资深开发者，对 246 个真实 issue 随机分配是否允许使用 AI，结果允许用 AI 时完成任务耗时反而增加 19%，而开发者预期 AI 提速 24%，实际经历放慢后仍自认为提速 20%。
OpenAI NewsAI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ChatGPT 如何用 canvas 从 PRD 快速做出 HTML/React 原型
OpenAI 展示如何用 ChatGPT 的 canvas 从产品需求文档（PRD）直接生成可运行的 HTML/React 原型。演示覆盖从需求文档到可交互原型的完整流程，帮助用户快速验证产品想法。
OpenAI NewsAI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ChatGPT 如何把生成的代码送入 IDE
ChatGPT 现在可以把生成的代码直接送入 IDE，以加速开发流程。官方展示了这一能力如何衔接生成与本地开发环节。
OpenAI NewsAI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 在 ChatGPT 中用 canvas 写作
ChatGPT 的 canvas 功能可将笔记、转录文本和草稿打磨成完整文稿。OpenAI 展示了这一写作场景的实际用法。
DeepSeek(@deepseek_ai)精选AI 评估 · 78/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 78/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 DeepSeek-V3-0324 发布：推理能力提升，改用 MIT 许可开源
DeepSeek 发布 DeepSeek-V3-0324，在推理性能、前端开发能力和工具调用能力上均有提升。官方建议非复杂推理任务直接使用 V3 并关闭 DeepThink，API 用法保持不变。该版本模型已在 Hugging Face 开源，采用与 DeepSeek-R1 相同的 MIT License。
为什么值得看
官方一次给出推理、前端开发与工具调用三项能力变化，并说明 API 不变、改用 MIT 许可，读者可据此判断接入成本。
Monica_IM(@hey_im_monica)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 DeepSeek R1 上线 Monica AI，Codeforces 得分 96.3%、支持 128K 上下文
DeepSeek R1 已在 Monica AI 上线，官方称其在数学与编程任务上表现出色，Codeforces 得分 96.3%，支持 128K 上下文窗口，并展现出涌现推理能力。该模型被描述为可与 OpenAI 最新模型匹敌，现已通过 Monica AI 开放使用。
OnBoard!AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OnBoard! EP 66 深度解读 Coding Agent 与 OpenAI o3：中美创业者、研究员与投资人的未来判断
OnBoard! 第 66 期邀请 Replit Agent 核心成员、OpenHands 联合创始人、阿里通义实验室科学家与真格基金投资人，围绕 Coding Agent 与 OpenAI o3 展开三个多小时讨论。
OnBoard!AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OnBoard! X 十字路口：哪些华人创办的 AI 产品正在"闷声赚大钱"？
OnBoard! 与播客「十字路口」串台，盘点华人创办、分布在国内、硅谷、新加坡、日本等地的 AI 产品，包括 PictureThis、Speak、UMU、HeyGen、Opus Clip、Monica.im、Devin 等。
Arthur Mensch(@arthurmensch)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 本地 Codestral 实时生成 scikit-learn 与 Keras 医学影像预测代码
本地运行的 Codestral 能实时生成 scikit-learn 和 Keras 代码，用于医学影像预测。该演示借助 Open Interpreter 新版本实现，这一工具让 LLM 在本地运行 Python、JavaScript、Shell 等代码，安装后执行 `interpreter --local` 即可在终端通过类 ChatGPT 界面调用本地 LLM。
Aman Sanger(@amanrsanger)AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Copilot++ 发布：首个也是唯一能对代码给出编辑建议的 copilot
Copilot++ 发布，号称是首个也是唯一能对你的代码给出编辑建议的 copilot。原文未披露模型参数、benchmark 分数或开放方式等细节，仅附有演示视频。 （说明：原文信息极简，除“首个也是唯一能给出代码编辑建议的 copilot”这一核心宣称外无其他可核验事实，故摘要按防幻觉规则保持简短，未补写任何原文未提及的功能、数字或可用性信息。）
Eugene YanAI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Obsidian-Copilot：一款辅助写作与反思的助手
Eugene Yan 构建了 Obsidian-Copilot 原型，可根据章节标题借助检索增强生成（RAG）起草段落，并帮助用户回顾过去一周日记、规划下周。其检索结合 OpenSearch 的 BM25 与语义检索，嵌入模型选用 e5-small-v2（384 维、最大序列长度 512），以 TypeScript 插件形式集成到 Obsidian，代码已开源。