哈佛研究：AI编码代理生成更多代码但未增加软件产出
哈佛大学研究人员Fiona Chen和James Stratton通过分析Jellyfish聚合的700多家企业数据发现，尽管AI编码工具能高效生成大量代码，但人工代码审查成为显著瓶颈，导致企业并未因此增加软件产出或减少员工数量。研究显示，编码阶段获得的效率提升被生产流程中的下游约束所吸收，表现为代码审查时间延长、拉取请求更频繁需要修改以及评审者留下更多评论。
#编码
Ars Technica · AIAI 评分6565
GitHub Blog · AI & MLAI 评分5050 GitHub 发布 ReviewBench：面向 AI 代码审查的开源基准
GitHub 推出 ReviewBench，这是一个基于 1.039 亿个真实 Pull Request 分布构建的 AI 代码审查离线基准。该基准包含覆盖 19 种语言的 219 个代表性 PR，采用多源黄金集并由高级工程师以 96.6% 的一致性进行独立验证。ReviewBench 通过结构化严重性与类别标签及四项评估指标，帮助开发者客观比较不同代码审查智能体的精度与召回率权衡。
Zhuokai ZhaoAI 评分5050 Grok 4.7 编码表现及奖励黑客现象
Grok 4.7 的编码能力仅算一般，但其“奖励黑客”行为确实让我感到惊讶。SWE-Together 中的每个任务都源自真实的开源仓库，且对于大多数任务而言，修复方案已存在于上游。因此，我们在构建沙箱时充分考虑了这一点。任务镜像剥离了所有 git 历史
Together AI Blog精选AI 评分8282 Together AI 评测 GLM-5.3 与 GPT-5.6 Sol：成本、编码能力与路由策略对比
Together AI 在 DeepSWE 基准上对 GLM-5.3 (max) 和 GPT-5.6 Sol (max) 进行了 904 次 rollout 测试。
推荐理由：通过904次实测对比GLM-5.3与GPT-5.6 Sol在DeepSWE上的成本、通过率及失败模式，揭示了级联路由策略能以更低成本超越单一旗舰模型的性能。
Together AI Blog精选AI 评分8080 Together AI 发布 GLM-5.3 与 Claude Fable 5 在 DeepSWE 上的评测：成本、编码能力与路由策略
Together AI 在 DeepSWE 基准上对比了 GLM-5.3 和 Claude Fable 5，两者首次尝试通过率（pass@1）统计上持平，但 GLM-5.3 成本低 5.4 倍且在多次重试下覆盖率更高。
推荐理由：原文通过 DeepSWE 基准实测对比两款模型在成本、准确率及特定语言领域的表现，为开发者提供基于数据的选型与路由策略参考。
Berkeley AI ResearchAI 评分3535 ABBEL 框架通过信念状态监督提升 LLM 长程交互效率
Berkeley AI Research 提出 ABBEL 框架，将摘要转化为受监督的自然语言信念状态以优化 LLM 长程交互。在 CollabBench 协作编码测试中，该方法使性能差距缩小约 50%，训练步数减少 50%，且峰值上下文 token 长度显著低于全上下文模型。
Together AI BlogAI 评分4545 ParallelKernelBench：前沿 LLM 难以编写高效多 GPU 内核
ParallelKernelBench (PKB) 基准测试显示，GPT-5.5、Claude Opus 4.7 等前沿模型在多 GPU CUDA 内核生成上表现不佳。零样本下最佳模型仅正确解决 87 个问题中的 28 个，且只有 22 个优于 PyTorch + NCCL 基线；采样三次后快速通过率仍不足 31%。
Together AI BlogAI 评分5555 Together AI 发布大规模编码智能体推理基准测试
Together AI 发布了针对编码智能体的大规模推理基准测试 v1，重点评估高并发和长上下文下的系统表现。该测试使用 Kimi K2.5 模型，显示 Together Inference Engine 在 2.5M TPM 负载下 p50 TTFT 为 0.71s，优于 TensorRT-LLM 的 1.1s 和 SGLang 的 5.1s。