Agent Baseline 发布软件工厂安全参考架构首版草案

哪一种"氛围评测"更糟？

Dex Horthy 完成了 SlopCodeBench 对 GLM 5.3、Sol 5.6 和 Astra 的完整基准测试，首次跑完全部场景而非此前的小子集。Astra 得分比 gpt-5.5 高几分，但差距不如预期；Sol 得分低于 gpt-5.5 令他意外。他猜测新模型在更高思考模式下更容易失控，自己日常多用 Sol 的 medium 或 low effort。

如果你下周要去阿姆斯特丹参加 AGNTCon，咱们见个面吧--我会聊聊软件工厂、slop 代码基准测试，以及为什么智能体开发的未来将由可组合的构建模块组成。 想要折扣码就联系我，如果你在搭建软件工厂，直接给我发私信--16 号周三晚上我们有个小型晚宴--感谢 @Dpbrinkm 的组织。

MIT研究人员团队在Nature发表论文，提出一个机器学习后处理层，通过从历史数据中学习现有预报模型的错误并修正其输出，将两周到六周范围的预报准确率翻倍。该模型在ECMWF的季节间预报竞赛中获第一名，首次在该时间范围内稳定超过气候学平均值，并显著改善洪水、寒潮等极端天气事件的预测；模型开源、低成本、可附加于任意预报模型，肯尼亚气象部门已接洽用于改进季风季预报。

Johann Rehberger 披露 Visual Studio Copilot 与 SQL Server Management Studio 中的远程代码执行漏洞 CVE-2026-103572，根因是利用文件名末尾多加一个点绕过路径校验，写入 .mcp. 或 settings.VisualStudio. 等受保护配置文件，实现任意命令执行。

AWS 团队发布论文《Priming: Hybrid state space models from pre-trained Transformers》，提出 priming 方法，复用预训练 Transformer 权重构建混合架构，将预训练成本降低逾 99%，全流程消耗不足源模型 0.5% 的 token 预算。

Science 新研究显示，Google DeepMind 的 AlphaProof Nexus 独立解决了 353 个开放 Erdős 问题中的 9 个，其中 2 个悬置 56 年。

Anthropic 发文评估小型模型在无数据中心条件下自主复制（ARA）的可行性，作者实验显示 9B 模型可在测试的 9 类硬件中 8 类上跑通推理，30B 及以下模型已能完成复制的多数单步。

Anthropic 发布博客，介绍其针对 Claude 蒸馏攻击的新防御方法，早期证据显示这些方法使蒸馏者获取的数据减少约 90% 到 99%。