DeepSeek 4.1 Flash 测试视频动效 harness 用时 12 分钟、成本约 0.20 美元
博主 oran_ge 用 DeepSeek 4.1 Flash 最新版测试生成视频动效 harness cola，用时 12 分钟，总成本约 0.20 美元。效果与 opus 5.5 相比存在差距。让模型自己打分，它给出 7.5 分（opus 原版为 10 分标准）。
#编码
oran_ge (@oran_ge)AI 评分3030 xicilion (@xicilion)AI 评分4646 Vercel 开源底层实验项目 scriptc：直接用 TypeScript 而非编译后 JS 运行
Vercel 在 vercel-labs 开源了底层实验项目 scriptc，不打包转译，而是直接以 TypeScript 代码运行，项目已获 6.2k+ Stars。传统方式下类型标注在编译时因 Type Erasure 被擦除，最后仍需 V8 在运行时推断类型。用 ts 的价值在于需要时可做严格语法检查，同时支持无需编译的快速迭代。
xicilion (@xicilion)AI 评分1818 cargovroom：一个用 TypeScript 写成的 Rust 编译器
作者发布 cargovroom，一个完全用 TypeScript 编写的 Rust 编译器，并调侃业界都在用 Rust 重写 TypeScript 编译器，他却反其道而行之。
Paul Graham (@paulg)AI 评分6464 Greptile 宣布获 5000 万美元 B 轮融资，估值 7.5 亿美元
Paul Graham 转发 Greptile 融资消息：Greptile 完成 5000 万美元 B 轮融资，由 Menlo Ventures 领投，估值 7.5 亿美元。公司每天审查和测试 GitHub 上超过 1% 新开的 PR，Nvidia、Coinbase、Decagon、Vanta 等数千个工程团队使用其服务，团队不足 50 人。
dotey (@dotey)AI 评分5555 宝玉谈用设计系统避免 Claude 等 AI 生成界面千篇一律
宝玉分享经验：Claude 等前沿模型不指定时默认用 shadcn/ui，成品容易雷同令人审美疲劳。他介绍 Claude Design 会引导用户先导入或制作设计系统（Design System），之后做 PPT、网页、视频都沿用同一套系统，保证风格一致；不用 Claude Design 也可借鉴此法，并选用开源设计系统如 Adobe 的设计系统。
dotey (@dotey)AI 评分3636 dotey 分享用 AI 降低设计抽卡成本的方法
dotey 转发分享自己的 AI 辅助设计方法：先让 AI 收集已有的设计风格和设计规范，并用常见形状展示出来形成大概印象。这样通过先做选择来降低设计上“抽卡”式的试错成本。
dotey (@dotey)AI 评分3232 每 10 年喊一次“软件已死”，但优秀软件工程师的需求从未如此高涨
Santiago 回顾三个时间点的"软件已死"论调：1994 年被劝去当医生或律师、2004 年被警告工作会被时薪 $5 的印度工程师抢走、2014 年是 no-code 的冲击。他认为每一次预言都落空，对优秀软件工程师的需求如今依然高涨。
dotey (@dotey)AI 评分3030 Claude Code Desktop 任务卡片新增选择模型选项
dotey 发现 Claude Code Desktop 在任务卡片上新增了点击选择模型的选项。此前任务卡片会默认为每个新任务启动 Fable 模型，成本高而不敢随便开卡，现在可以自行选模型，降低使用门槛。
dotey (@dotey)AI 评分4747 Codex Desktop 背后的故事：Tibo 与 Ambrosino 如何做出去编辑器化的原生桌面应用
Every 的《How Codex Happened》一文详细讲述了 OpenAI Codex App 的研发历程，核心操刀者是 Tibo 和 Andrew Ambrosino。
0xLuffy (@0xluffy_eth)AI 评分7171 Cloudflare 开源安全审计技能 security-audit-skill，AI 可直接审计代码库
Cloudflare 开源了自己找漏洞用的安全审计技能，AI 助手安装后可直接审计自己的代码库。流程分 6 步：先梳理整个代码库，按区域逐个找 bug，每条发现交给未参与查找的新助手复核确认，结构化记录后再独立验证一遍，最后出报告；结果按已确认、待验证、已排除三类清单给出。
0xLuffy (@0xluffy_eth)AI 评分6868 Cloudflare 开源安全审计技能，可用 AI 直接审计代码库
Cloudflare 将自己找漏洞用的安全审计技能开源，AI 助手可直接调用审计自己的代码。流程分 6 步：梳理整个代码库、按区域逐个找 bug、由未参与查找的新助手复核每条发现、结构化记录结果、独立复验、出最终报告。
Tom's HardwareAI 评分4646 AMD 与 Intel 将合作统一 PyTorch 在 CPU 上进行 AI 推理的代码路径
AMD 与 Intel 正把两家针对 PyTorch 的 CPU 优化整合进统一的 oneDNN 库，AMD 此前维护的 ZenDNN 下游版本将并入开源的 oneDNN。
36氪 · AI精选AI 评分7676 PostgreSQL 19 推迟至 11 月 19 日发布，约 8～10 项重要功能因 AI 审查发现的问题被撤回
PostgreSQL 19 正式版从原定 10 月 29 日推迟至 11 月 19 日，并新增 11 月 12 日的 RC2 候选版本，约 8～10 项重要功能被撤回，其中包括 SQL/PGQ 属性图查询。
推荐理由：借 PostgreSQL 19 推迟发布解释 AI 审查如何抬高软件质量门槛，读者可以从中看到修复速度成为新瓶颈的具体机制。
机器之心AI 评分7171 UCSB 与微软发布 ScholarEvolve：让 Agent 自动读论文并进化自身 Harness
UCSB 和微软研究团队提出 ScholarEvolve，将阅读研究文献、实现算法、评估效果的过程自动化，让学术成果直接参与 Agent Harness 演化。
arXiv cs.AI精选AI 评分6060 MIT 等机构论文：在代码空间中搜索多智能体路径规划策略
arXiv 论文（arXiv:2610.25946）提出由人类主导、编码智能体迭代在代码空间中搜索策略的工作流，结合仿真反馈与正确性验证，并给出两个案例研究。
推荐理由：论文展示了用编码智能体在代码空间直接搜索策略的方法，两个案例的量化结果对多智能体路径规划工程实践有参考。
arXiv cs.AIAI 评分5050 FALCON：通过反例锚定反馈实现安全的智能体编程
arXiv 论文提出 FALCON，一个反例锚定的代码安全验证框架，将攻击探索与行为验证分离，并通过被测程序的执行轨迹连接两者。在安全代码生成 benchmark 的测试时修复中，FALCON 带来比其他安全信号更强的留出集功能-安全增益，同时保持或提升功能；作为 RL 奖励时也优于静态分析和学习型奖励，并与代理奖励结合进一步提升留出集表现。
arXiv cs.AIAI 评分4949 当模型编辑过度：关于最小代码编辑忠实度的研究
一项基于 400 个 BigCodeBench 问题构建 AST 级受控损坏评测框架的研究，衡量 LLM 修复代码时的“过度编辑”倾向。
arXiv cs.AIAI 评分4848 对编程智能体而言，代码仓库才是关键
arXiv 一项研究用多层模型比较 GitHub 上 AI 编程智能体与人类的 pull request，发现约五分之二的智能体 PR 处理时长差异来自仓库之间；在 280 个仓库中，智能体 PR 的仓库间方差是人类的 1.76 倍（95% CI 1.41–2.18）。
arXiv cs.AIAI 评分3535 RELIEF：基于交互体验与反馈修订的代码生成模型改进方法
arXiv 论文提出 RELIEF 方法，用编码智能体修订代码生成模型产出的界面，并将改进融入原始生成轨迹作为微调监督数据。研究团队收集了 200 个合成网站、355 段交互记录及 24 名用户的反馈，微调了两个代码生成模型的多个变体。结果显示反馈效果随基础模型能力而变，其中来自人类交互记录的批评在测试模型下带来最大的可用性提升。
arXiv cs.AIAI 评分4646 CEDR：基于连续潜空间扩散的推理方法
arXiv 论文提出 CEDR（Continuous Embedding Diffusion Reasoner），一种面向数学推理与代码生成的连续潜空间扩散训练与推理管线，从 Qwen3-4B 的三个隐藏层学习紧凑答案表示。
arXiv cs.AIAI 评分4141 IndustryForge-27B：面向工业 CAD 的领域增强多模态基础模型
研究者在 Qwen3.5-VL-27B 基础上，用约 52k 多模态样本（CAD 视觉问答、text2cadquery 参数化与装配级 CAD 代码、Inventor/SolidWorks 的 COM 子语料）经统一多任务 SFT 训练出 IndustryForge-27B。
arXiv cs.AIAI 评分4646 IDEAgent：用智能体化质量-多样性搜索生成科研选题
研究者提出 IDEAgent，一个将科研选题建模为质量-多样性（QD）联合搜索的多智能体框架，通过 lineage 追踪选题演化，用多目标反馈驱动质量修复与精炼，并借助轻量级序列记忆和与已完成、历史及被否决选题的显式对比保证多样性。在横跨 8 个 CS 领域的 32 个主题上，IDEAgent 的 Yield 指标较最佳基线提升 3.89x，Yield≥2 的主题数量达基线的 8 倍，并已开源。
arXiv cs.AIAI 评分4343 VRPAgent：用 LLM 自动发现车辆路径问题的启发式算子
研究者提出 VRPAgent 框架，将 LLM 生成的组件嵌入共享元启发式框架，并通过新型遗传搜索优化，为车辆路径问题（VRP）自动发现启发式算子。该方法在容量约束 VRP、带时间窗 VRP 和奖赏收集 VRP 上发现的开创了超越人工方法与近期学习方法的算子，且仅需单个 CPU 核心。作者称这是首批推进 VRP 最先进水平的 LLM 方法之一，论文发表于 TMLR。
arXiv cs.AIAI 评分3535 GenoMAS：面向基因组科学发现的多智能体编程框架
GenoMAS 是一个由多个 LLM 智能体组成的基因组数据分析框架，通过类型化消息传递协议和引导式规划，将任务指南分解为 Action Units 并动态推进、修订或回溯。
arXiv cs.AIAI 评分3535 Adaptive Pullback：在 On-Policy Distillation 中对惩罚跳变处重加权监督
arXiv 论文提出 AP-OPD（Adaptive Pullback OPD），改进 on-policy distillation。作者通过对比同一 response 内相邻 token block 识别出 penalty jump——惩罚骤升且持续存在，同时 teacher 置信度下降，称其为 penalty-confidence tension。
arXiv cs.AIAI 评分3030 从代码生成器到工程伴侣：面向 PLC 编程的工厂感知智能体
arXiv 论文提出一个工厂感知的对话式 copilot，将 PLC（可编程逻辑控制器）编程从一次性代码生成扩展为持续工程陪伴。系统在检索增强大语言模型生成符合厂商规范的 Structured Text 基础上，新增三项能力：工厂特定上下文摄取、面向解释与调试的聊天优先交互，以及从聊天到部署的分级工具访问阶梯。系统面向真实工厂基础设施设计，让工程师对每个产生实际影响的步骤保持控制。
arXiv cs.AIAI 评分3939 LLM 跨语言代码翻译幻觉研究：现象与缓解
一项系统性实证研究分析了 LLM 在跨语言代码翻译中的幻觉现象。研究覆盖 3 个基准数据集、6 组语言对和 7 个 LLM，人工标注 13,919 个幻觉案例，构建了包含语义一致性冲突、事实知识冲突和项目上下文偏差三大类的分类体系。基于该分类提出缓解框架 HaluCodeTran，结合基于 BM25 的相关翻译示例检索与分类感知的反思式优化，为构建更可靠的 LLM 代码迁移工具提供了实测基线。
arXiv cs.AIAI 评分4141 Relay：通过规则复用与智能体修复扩展历史构建还原
研究者在 14,159 个 OSS-Fuzz 案例上分析历史软件构建的环境退化问题，发现 69.7% 的案例无法完成重构与验证，且多数失败源自少数重复出现的症状。
arXiv cs.AIAI 评分3838 COBOL 到 Java 迁移中可复现 entry-replay 测试用例的认证方法
研究者在此前提出的 Locksmith Loop 确定性验证方法基础上，提出通过 entry-replay 测试用例认证生成合成端到端测试、提升分支与段落覆盖率的新方法。
arXiv cs.AIAI 评分3636 当代码模型“知道”漏洞却难以线性说出：关系编码限制代码 LLM 的线性漏洞分类
一项被 EMNLP Findings 接收的研究分析了 8 个 6.7B–15B 参数的代码模型，基于 DELTASECOMMITS、SVEN 和 PRECISE-BUGS 三个 C 语言数据集进行线性探测。
arXiv cs.AIAI 评分3636 ValiAssist：通过示范规模化验证 LLM 生成的编程反馈
研究者提出 ValiAssist，一种“示范即验证”系统，从教师对 AI 生成编程反馈的修改中推断可复用的验证逻辑，并支持教师在其他学生提交上检查和细化该逻辑。在 16 名教师的对比研究中，系统帮助产出的反馈与教学意图的一致率达 91%（对照 57%），修正问题标准的准确率提升一倍以上（77% 对 32%）。
arXiv cs.AIAI 评分3535 RTL 修复基准究竟在测什么？——RTLRepairBench 构建与评测偏差审计
一篇 arXiv 论文构建了 RTL 修复评测体系：含 5,784 对（broken, fixed）训练数据的 RTLRepairDataset、459 个留出用例的 RTLRepairBench（374 个语法变异、85 个行为变异）及支持仿真与形式等价的评测框架。
arXiv cs.AIAI 评分4343 ASCENDEVOLVE：知识引导的 NPU 算子生成方法超越经验式智能体
论文提出 ASCENDEVOLVE，一种将进化式算子搜索每一步都建立在外部知识库（平台文档、工具包头文件、算子仓库）之上的 LLM 智能体方法，用于解决大语言模型在 Ascend NPU 等训练语料稀少的新加速器上生成内核困难的问题。
arXiv cs.AIAI 评分5353 MemDev-Bench：记忆系统对代码 Agent 究竟有多大帮助的基准评测
论文提出 MemDev-Bench，基于真实仓库历史评测记忆系统对代码 Agent 的影响，构建了 555 个基础任务配 4,869 个可执行可验证历史任务的评测集。系统评测发现记忆主要提升细粒度定位与编辑的正确性，但 Agent 不加重新评估地复用记忆会导致本可解决任务失败，且无关历史加剧此问题；直接提供原始历史轨迹则比记忆系统更省步数。
arXiv cs.AIAI 评分4040 REM：编码智能体经验记忆的存取与遗忘框架
arXiv 论文提出 REM（Reusable Experience Memory）框架，在智能体 think-act 循环内管理经验记忆的存储、召回和遗忘三个决策。
arXiv cs.AIAI 评分4444 TEAL：面向数据湖分析编码智能体的无监督工具进化方法
论文提出 TEAL，一种无需标注数据的工具进化方法，可为编码智能体在数据湖分析任务中自动构建和精炼可复用工具库：Explorer 与 Critic 两个智能体分别从数据湖和 Worker 轨迹中提出工具，仅在 Worker 重跑采纳且答案有轨迹证据支持时保留。
arXiv cs.AIAI 评分4545 TEX：基于执行交叉验证的测试时扩展测试智能体框架
TEX 是一种基于执行驱动交叉验证的协作式测试时扩展框架：多个智能体并行生成测试与补丁，通过 K×K 交叉执行形成反馈矩阵进行客观验证。在 SWT-Bench Verified 上 TEX 达到 86.4%，刷新 SOTA 并比单智能体基线提升 +9.0%；即使从其输出中随机选取（84.4%）也超过此前 SOTA（84.0%）。
arXiv cs.AIAI 评分4949 ReuF2F：基于形式化本科研究问题评测编程智能体的 Lean 4 基准
ReuF2F 是一个 Lean 4 基准，从 REU 项目收集 244 个形式化的入门级开放研究问题，用于评估编程智能体在 Lean 中端到端解决开放问题的能力。评测将问题及其逻辑否定放入 Docker 容器中的 Lean 项目，并基于 mini-SWE-agent 构建了统一测试框架 Leanimum-agent。结果显示表现最好的模型也只解决约 40% 的问题，仍有较大提升空间。
arXiv cs.AIAI 评分3939 修复而非仅重采样：Lean 4 中有界的编译器引导证明修复方法
论文提出一种有界的在线步级修复模块，在 Lean 4 自动定理证明中不再丢弃失败的 tactic，而是把编译器错误信息喂给预训练修复模型原位修复。该方法在 LeanDojo 基准 1,990 题子集上相对纯采样基线最多提升 32%，多解出 82 题且在 K∈{1,3,5,8} 各预算下均有效；首次修复尝试即贡献 84–96% 的总增益，并在 Lean Workbook 上近乎翻倍解题率且零回退。
arXiv cs.AIAI 评分3939 基于 LLM 多目标强化学习的 Pareto 最优 RTL 代码生成方法
一项 arXiv 研究提出首个面向 LLM 电路生成的学习方法，不再优化单个电路，而是优化多次生成所得整个电路集在 PPA（功耗、性能、面积）目标空间中的质量与多样性。