SWE-Bench

AI递归自我改进正加速到来，Anthropic内部数据显示工程师代码产出提升8倍，模型可靠任务时长每4个月翻倍，预计2027年可处理周级任务。

Google Labs 提出用“洞察策略”评估 AI 编码智能体的主动性，而非仅按任务完成度打分，实验显示探索预算增加可显著提升准确率。

Jules 是一种衡量 AI 编码代理洞察力的新方法，通过分析真实修复的错误来评估其对更高目标的理解。

Fireworks AI 已上线 GLM 5.2 模型，支持 1M-token 上下文，专注于代码生成，并在多个基准测试中表现优异。

Z AI 发布 GLM-5.2，支持 1M token 上下文窗口，性能超越 GPT-5.5 和 Opus 4.8。

Cohere 发布开源编程模型 North Mini Code，采用 MoE 架构，专为 Agent 编程优化，性能接近大模型。

FrontierCode 是一种新的代码评估基准，通过多维度评价模型生成代码的质量，显著减少误判并提升评估标准。

LLMs生成的代码虽功能通过率高（如Gemini 3.1 Pro达84.17%），但存在严重可维护性与安全缺陷，Sonar用4,444个Java任务评估发现其每百万行代码含614个bug，且代码冗长、复杂度高。

AI系统即将实现自我构建，预计到2028年可能实现无人参与的AI研发。