腾讯开源了自托管的编码智能体工作区 LoopForge，团队在聊天里向 Main Bot 描述需求，它便开启 Docker 沙箱、检出仓库、把任务分派给项目角色并提交 PR。此前让编码智能体直接改代码，结果取决于那一次运行，可能跳过计划、漏掉测试或自行审阅代码。LoopForge 把被验证有效的做法保存为 SOP，即由智能体、脚本和人工关卡组成的标准流程，让后续需求按同样的阶段和检查交付，并保留审批、节点状态与工具轨迹。
Google 的 Gemini 4 Carbon 已通过 AI Gateway 提供，模型名称为 google/gemini-4-carbon，面向复杂软件工程、持续性的智能体工作和网络安全防御，上下文窗口为 100 万 token，可处理大型代码库与长输入。Google 报告该模型在多阶段工程任务上改进了编码、全栈 Web 开发和科学推理，网络安全能力覆盖发现漏洞、验证风险与开发补丁，并称多步计划执行更可靠、无依据断言更少、需求含糊时协作更好。通过 AI Gateway 调用按供应商定价、不加价，也不收推理平台费，2026 年 11 月 30 日前享受五折。
BioXArena-Pro 把生物医学建模评测换成 64 道来自已发表研究的研究级任务，多数任务整组留出物种、队列或细胞系等生物单元，并经过多轮审计以堵住标签泄漏。22 种智能体配置中最高分为 55.1（满分 100），没有任何任务被做到饱和；在与原研究接近的 9 道题上，最强智能体与复现的已发表方法打平（54.9 对 54.7），而在重建划分的 48 道题上方法落后 8.2 分。
AI 智能体已能提出原子层面的生物学假设，但分子动力学模拟的信任取决于过程记录，而现有智能体把这份记录交给语言模型自己写。MDClaw 把校验工具与有向无环图（DAG，记录各计算阶段依赖关系的图）结合，在阶段执行前检查、执行后留痕；在对照已沉积模拟的 MDDataBench 上，四个开放权重模型配 MDClaw 在 31 个测试体系中有 81–100% 全部三轮通过。去掉 DAG 的消融显示，11 次输出全部通过的运行其实跳过了能量最小化或平衡，或模拟了另一个结构。
Asymptote Labs 开源了 Beacon，一个跨智能体框架的记忆层。此前在 Claude Code、Codex、Cursor 等编码智能体之间切换时，用户需要重新说明任务、工作流和常见错误模式，而免费替代方案并不好找。Beacon 接入 20 多个智能体框架，把提示、工具调用和命令执行等会话遥测统一成一种格式，再经人工审批提炼为可复用模式，并通过技能或 MCP 提供给后续智能体。
编码智能体每轮只往历史末尾追加内容，不压缩时前缀缓存复用率可达98%至99%，但文本级上下文压缩一旦改写早先的token，后面的KV就要全部重算。ObsDrop把压缩从提示词移到KV缓存：逻辑token前缀保持不变，只释放过期工具观测占用的KV并从注意力中排除，已在SGLang与Sparse-vLLM中实现。在16个并发智能体下，相对不压缩，FlashInfer后端吞吐提升2.45至2.85倍，Triton后端峰值5.37倍，任务质量接近不压缩。
前沿模型的空间理解能力让编程智能体无需任务示范或再训练，就能端到端零样本控制真实机械臂，风险也随之从数字世界跨到物理世界。ArmedAgent 把这类风险按来源分为良性指令致险、恶意使用和间接提示注入三类，覆盖5个场景36项任务，在仿真中评测并在真实机械臂上验证。在 Codex 框架下测试 GPT-6-Astra、GPT-6-Sol 和 GPT-6.1-Terra，总体攻击成功率为72.22%至94.29%，所有模型在所有类别上的拒绝率均为0%。
gstack 是一套以 MIT 许可证免费开源的斜杠命令集合，把 Claude Code 等编码智能体组织成一支虚拟工程团队：CEO 角色重新审视产品，工程经理锁定架构，设计师拦截 AI 生成的粗糙产出，评审者查找能通过测试却在生产环境出问题的缺陷，QA 负责人打开真实浏览器复现问题，安全官执行 OWASP 与 STRIDE 审计，发布工程师负责提交 PR。它面向创始人、首次使用 Claude Code 的人以及技术负责人，目标是让每个改动都带着测试、评审和证据，从而不必逐行重读也能合并。安装约需 30 秒，默认跟随稳定通道更新。
Embodied First Exam 把通用编码智能体接到47台仿真机器人上，允许它们自己选择直接控制、写程序控制或训练策略，并在贴近真机的标准设置里只给传感器观测、默认不许重置。八种智能体中，GPT-6 Astra 在 Codex 里于456项核心任务的标准测试上解出34%，同一批391项任务在可读全部仿真状态、可无限重置的特权设置下则达到77%。考试还按阶段标注失败位置，用来比较不同设置、不同智能体在哪里出错。
Mellum2.1是Mellum2的下一版，架构未变，仍是12B混合专家模型、2.5B激活参数、Apache 2.0许可，改动集中在预训练之后的训练。此前Mellum2速度够快，但无法在仓库层面完成工作；这一版经过在真实环境中、跨数千个环境、数百万次沙箱运行的强化学习，能够探索代码库、编辑文件并检查自己的改动。在统一评测设置下，它与Mellum2以及同类开源模型Qwen3.5-9B、Gemma 4 E4B比较，提升最大的是智能体编程，同时在编程、竞赛编程、数学、工具调用和通用知识上都有增益。