外部沙箱让编程智能体留在沙箱之外,将其执行的代码放入独立环境。三种实现提供统一的本地 API,可对接 Pi、Claude Code 和 Codex,并支持网络白名单与凭证替换,便于探索更安全的代码执行方式。
Black Forest Labs 的 Andreas Blattmann 与 Dustin Podell 探讨如何结合图像、运动和声音训练视觉智能,并分享视频时序一致性、自回归与扩散模型的算力取舍,以及 FLUX Kontext 从小规模实验走向图像编辑的过程。
Perplexity CEO表示,公司年化营收已突破10亿美元,超过年初水平的4倍。近期产品更新包括持续任务功能、支持变化通知的Monitor API,以及计划开放研究成果的新实验室。
Cloudflare 正将 AI 布局从模型托管延伸至模型开发,推出面向决策的 Clef 与面向信息抽取的 Clairic。其思路是让小型、低延迟模型承担部分任务,而非把所有请求交给大语言模型;后续研发将侧重后训练。
Datasette Lite 通过 Service Worker、Web Worker 与 Pyodide,将完整的 Datasette Python 应用搬进浏览器。用户可用 URL 指定数据库、插件及软件版本,用于功能演示、缺陷复现和 SQLite 版本对比,无需为演示单独部署应用服务器。
Datasette 1.0a43 为输出渲染器加入流式支持,内置 CSV、TSV 导出同步采用新机制;修复私有已保存查询信息泄露问题,并改进行页面 JSON、复制组件和跨页面视图过渡。
Datasette 地理空间插件 datasette-maplibre 发布 0.1a0,结合 MapLibre GL 与 OpenFreeMap,支持点位和 GeoJSON 图形混合展示、聚类与按字段着色,并可在 Datasette Lite 中运行浏览器演示。
ArtCraft 尝试用 AI 与 Rust 开发常用软件的开源替代品,并让用户自行改造工作流。其 PhotoCraft 尚未达到 Photoshop 的完整功能与专业就绪水平,团队也面临持续集成、权限和规模化协作等挑战。
在 AI Engineer Code Summit 上,Glean、UiPath 和 Workday 展示了 Jev 在工作流决策、文档排序和交互预测中的应用。这类输出结构化结果的“系统一模型”,尝试以更低延迟融入软件逻辑,但现场演示不等于通用性能与可靠性保证。
Anthropic在IPO路演视频中介绍了Claude的多芯片部署策略,并称AI显著缩短了AMD平台适配时间。视频还讨论了算力效率提升与递归自我改进,但相关性能表述属于公司自述,未来能力仍是预期。
OpenAI 工程师在一场 Codex 工作坊中,介绍了云端任务交接、用语音管理多个代理,以及个人代理 dots 的使用方式。本地与云端的上下文衔接、个人代理的交互习惯,仍是需要改善的环节。
房间里有设备间歇鸣叫,却怎么也找不到?Beep Locator 将手机、平板和电脑变成监听节点,结合音频检测、片段对齐和位置估计,在一次家庭实验中把目标缩小到约40厘米范围,并找到了需要更换电池的旧一氧化碳探测器。
Muse Ember 面向工具调用、代码子任务与长文档解析,短提示价格与 GPT-6 Luna、Claude Haiku 5.5 持平。比较这类模型时,除了每百万 Token 单价,还需关注长上下文加价、推理档位与单任务实际成本。
llm-gemini 发布 0.36 版本,Gemini 4 Carbon 扩大开放范围。本文梳理其首发价格、后续调价安排,以及在 Antigravity 中生成 Three.js 动画和多智能体协作构建游戏的演示。
Naive-N0.5-Flash 主打高速代码生成,宣称最高可达每秒2,100个 token。小样本测试显示,它的响应时间中位数更短,但复杂任务可能生成极长推理,抵消吞吐优势;测试未评估答案准确率,编程能力也需与速度分开判断。
让 AI 推荐产品,只是第一步。Resend 的实践涉及机器可读的定价页、MCP 工具设计和邮件投递安全,展示了答案引擎优化与智能体体验之间的区别:前者关乎被选中,后者关乎能否顺利完成任务。
一次 SQLite parse_number() 扩展实验比较了 C 与两种 Rust 实现:C 扩展体积仅 14 KB,Rust 初版更快;采用 Clinger 快速路径后,C 实现在三类测试中反超。结果仅代表此次实验,不能直接推广为语言性能结论。
AI 生成的 PR 描述往往完整却冗长。一个简单的改进是:开头放经过人工筛选的简短说明,再用 GitHub 支持的 details 和 summary 标签折叠详细内容,让读者先看重点、按需展开。
当编程智能体能用一条提示完成往年的作业,软件工程课该如何调整?斯坦福 CS146S 引入开源维护者,让学生理解陌生仓库、提出修改,并向可能合并代码的人解释补丁。Monaco 的团队实践则展示了智能体工作空间、代码审查与值班工具的不同建设选择。
当旧作业可能被 AI 一次提示完成,斯坦福 CS146S 将部分练习转向真实开源贡献。授课者 Mihail Eric 也分享了 Monaco 的工程实践:为智能体搭建运行与测试环境,并让输出适配不同使用者。

