AI 编码

OpenAI@OpenAI02:10精选

GPT-5.4 Thinking 和 GPT-5.4 Pro 开始向 ChatGPT 用户推出，同时通过 API 和 Codex 开放。该版本将推理、编程与智能体工作流能力整合为单一前沿模型。

Anthropic与Mozilla合作提升Firefox安全性

Anthropic与Mozilla合作，使用Claude Opus 4.6审计Firefox安全。模型两周内发现22个漏洞，其中14个高危，占2025年Firefox已修复高危漏洞近五分之一。团队扫描近6000个C++文件并提交112份报告，多数已在Firefox 148中修复。Claude还能为漏洞编写利用代码，具备独立执行完整漏洞挖掘链的能力。

GPT-5.4 发布

OpenAI 推出 GPT-5.4，面向专业工作的最强高效前沿模型，支持 100 万 token 长上下文，具备顶尖编程、计算机使用与工具搜索能力。

在 AI Mode 中使用 Canvas 完成任务、实现创意，就在 Search 中

Google Search 的 AI Mode 已向美国所有用户开放 Canvas 功能，新增文档起草和交互式工具构建能力，用户可直接在搜索页面完成创作。

Satya Nadella@satyanadella22:06精选

这周我一直在尝试 Copilot Tasks，在这种协作模式下分配任务（甚至是重复性任务）并让它们端到端自主完成，再使用 Agent 模式来优化和迭代输出，这太棒了。举几个例子……

PromptArmor 披露 GitHub Copilot CLI 可被提示注入诱导下载执行恶意软件

PromptArmor 发现 GitHub Copilot CLI 可通过 README 中的间接提示注入，利用内置只读命令列表中的 env 包裹 curl 和 sh，绕过命令校验与外部 URL 审批，在 macOS 上无人工批准地下载并执行恶意软件。

PlanetScale 借助 Bugbot 保障生产环境可靠性

PlanetScale 引入 Bugbot 作为 AI 代码审查代理，应对 AI 代码生成普及后审查环节成为瓶颈的问题。Bugbot 能发现人类难以察觉的深层逻辑缺陷，如状态同步间隙和异步控制器交互问题，而非仅检查语法错误。目前 80% 的 Bugbot 评论在合并前被工程师处理，每月审查超 2000 个 PR，节省相当于两名全职工程师的审查工作量，显著降低生产环境宕机风险。

Cognition 发布 SWE-1.6 早期预览并分享 RL 训练研究进展

Cognition 发布 SWE-1.6 早期预览，当前 checkpoint 在 SWE-Bench Pro 上比 SWE-1.5 高 11%，达到 51.7%，速度同为 950 tok/s，并向小部分用户开放早期访问。

AI 软件开发的第三个时代

AI 编程进入第三时代：从 Tab 补全到同步 Agent，再到可独立运行数小时的云 Agent。Cursor 内部数据显示，Agent 用户已反超 Tab 用户 2 倍，35% 的 PR 由云 Agent 自主创建。开发者角色从逐行编码转向构建"软件工厂"——定义问题、配置工具并审查产物。Cursor 昨日正式发布 cloud agents，支持并行任务与独立 VM 运行。

Cognition 如何用 Devin 开发 Devin

Cognition 发文介绍其从创立起就用 Devin 构建 Devin，上周合并了 659 个 Devin PR，高于 2025 年最好一周的 154 个。文章覆盖全接口使用（web、Slack、Linear、CLI、API）及 Ask Devin 代码问答、Devin Review 自动代码审查、每日设计系统审计、!

OpenAI Codex 与 Figma 推出无缝代码转设计体验

OpenAI 与 Figma 推出全新 Codex 集成，打通代码与设计的双向链路。开发团队可直接在代码实现与 Figma 画布间无缝切换，加速迭代和交付流程。

LLM Skirmish：AI代理可玩的实时战略游戏基准测试

LLM Skirmish 是一个让大语言模型通过编写代码进行1v1实时战略游戏对战的基准测试。基于Screeps开源API，每场锦标赛包含五轮，LLM可根据对战日志调整策略以测试上下文学习能力。结果显示，Claude Opus 4.5以85%胜率排名第一，GPT 5.2次之。Gemini 3 Pro表现异常：首轮胜率70%，后四轮骤降至15%，疑似因上下文腐烂。成本方面，Claude Opus 4.5每轮$4.12最贵，GPT 5.2性价比高出1.7倍。

OpenAI 发布 gpt-5.3-codex 提示词指南

OpenAI 发布 Codex 模型提示词指南，API 上的 Codex 调优模型为 gpt-5.3-codex，推荐用 medium 推理力度平衡智能与速度，复杂任务可用 high 或 xhigh。

Cognition 发布 Devin 2.2，支持桌面端测试与自动修复

Cognition 发布 Devin 2.2，智能体现在可用 computer use 在自己的 Linux 桌面上端到端测试网页和桌面应用，并在开 PR 前自查代码、自动修复问题，完成后回传屏幕录制供用户审阅。

METR 承认后续 AI 开发者效率实验受选择效应影响，宣布修改实验设计

METR 宣布更改其开发者生产力实验设计，认为 2025 年 8 月启动的新一轮实验数据不能可靠反映 AI 工具对开发效率的影响。

Ramp 如何基于 Modal 构建后台编码智能体 Inspect

Ramp 基于 Modal Sandboxes 构建内部后台编码智能体 Ramp Inspect，目前启动了 Ramp 超过一半的已合并 pull request，其中超过 80% 的 Inspect 代码由其自身编写。

PromptArmor 发布 OpenAI Codex 恶意 config.toml 风险 PSA，OpenAI 判定为按设计工作

PromptArmor 发布安全公告，指出 OpenAI Codex CLI 在用户信任项目后会自动加载并执行 .codex/config.toml 中的任意代码，且信任对话框只提示 prompt injection 风险，未说明会执行项目级配置命令。

METR 用 5305 份 Claude Code transcript 估算 AI 编码时间节省为约 1.5x 至 13x 的软上界

METR 基于 2026 年 1 月 7 名技术人员的 5305 份 Claude Code transcript，用 LLM judge 估算无 AI 完成同样任务所需时间，得出时间节省倍数约 1.5x 至 13x。作者认为该数值因任务替代、任务选择、员工专业化和 judge 验证有限（仅 34 个人工标注）而高估真实提升，只是软上界；并发 agent 数更高的员工时间节省倍数更高。

Seed2.0 正式发布

Seed2.0系列正式发布，推出Pro、Lite、Mini三款通用Agent模型及专用Code模型，针对复杂多模态任务与长链路Agent场景优化。模型在视觉理解、数学推理与长上下文处理方面达SOTA水平，SuperGPQA分数超越GPT-5.2，并在ICPC、IMO、CMO测试中获金牌。支持科学研究级任务，token成本较顶尖模型降低约一个数量级。目前已上线豆包App、TRAE及火山引擎API。

MiniMax 发布 MiniMax M2.5 模型，专为现实世界生产力打造

MiniMax 最新发布的大语言模型 M2.5，通过在数十万个复杂现实环境中进行强化学习训练，在编码、智能体工具调用、搜索和办公工作等多项任务上达到 SOTA。模型推理效率高，完成 SWE-Bench Verified 评估的速度比前代 M2.1 快 37%，与 Claude Opus 4.6 相当。定价方面，以 100 tokens/秒运行时每小时成本仅 1 美元。M2.5 在超过 10 种编程语言和 20 多万个真实环境中训练，具备从系统设计到测试的全流程能力。