标签
Fable 5.5 被曝仅用代码一次性生成完整动画，Chetaslua 称同一提示词下普通 Opus 5.5 和 Fable 5.1 效果明显更差，并提供了验证方法，但该消息尚未得到官方证实。
Lab2Sim 引入了一个包含 218 个科学实验视频的基准数据集，配有基于证据的规格说明，并提出 EduVideo2Code，将实验流程编码为状态机以引导可验证代码生成，从而构建交互式虚拟实验，将实验装置保真度提升 24.15 分。
有说法称 Opus 5.5 已能纯用代码复刻 OpenAI 新宣传片，未用视频生成模型，仅靠 Three.js、GLSL 和一位 SDF 女主角实现。
提出了异步流映射语言模型（aFMLM），通过token级时间调度将预测顺序编码进单步生成的隐藏计算中，在Sudoku和GSM8K代码生成任务上刷新了一步生成的最先进性能。
DeepSeek 开源了采用 MIT 许可证的研究原型 dsh-superagent-prototype，该原型采用面向编程任务的 Router-Worker 超级智能体架构，旨在尽可能减少对人类注意力的占用。团队自行报告的测试结果显示，与单会话基线相比，该原型能更快完成耗时较长的任务，但团队强调，这只是研究代码，尚未达到生产环境可用的标准。
逆向工程领域迎来纯 Rust 开源项目 craft-anything，它在系统行为层面（系统调用、内存状态机、网络协议封包）全景观测封闭软件，重构业务架构交互图并生成模块化规范与骨架代码，把人工抓包分析从数天压缩到数分钟。该项目目前处于 early alpha 阶段，采用 MIT/Apache-2.0 双许可。
Craft Anything 是一个用纯 Rust 编写的开源工具，能够通过真实的检查工具研究任意网站、应用或游戏的运作方式，然后让编码 AI 代理为用户构建自己的版本，并将结果与原版对比校验。它提供 284 个 CLI 与 MCP 工具，方便任意代理驱动，目前处于早期 alpha 阶段。
一篇博客文章，介绍作者如何对一个自回归语言模型进行后训练，使其能够自动补全并混搭来自 Dwitter.net 的 140 字符 JavaScript“Dweet”作品，灵感源自 HellMood 的《Memories》等经典演示场景中的极限代码体积特效。
一项评估研究考察了 LLM 智能体流水线在生成 Solidity 智能合约时，自然语言意图在哪些环节发生丢失。研究发现，生成前的信息征询远比生成后的步骤重要，并提出了一种以信息征询为先的流水线，在 500 份留出测试合约上达到了 72.9% 的保真度。
MiniMax AI 的 M3.1 Flash 模型在"Space Bunny"演示中被揭晓，用户利用它在 MiniMax Code 中仅凭一个提示词、在 17 分钟内构建出一款可玩的太空街机游戏。该模型自主编写了测试套件，在桌面端和模拟 iPhone 上通过了全部 29 项检查，整个构建过程的 token 成本约为 15 美分。
一篇深入探讨 GCC 如何对 switch 语句进行降级处理的博客文章，展示了它如何将 switch 转换为跳转表（包括偏移量处理以及每个标签约 8 个条目的稀疏度阈值），并在更稀疏的情况下回退为由比较构成的决策树。
RoboArchitect 利用编码模型迭代修改围绕冻结策略的控制代码，实现机器人智能体运行框架设计的自动化，无需更新任何模型权重，即可将未见场景中的成功率从 9.7% 提升至 43.3%，将未见任务中的成功率从 12.7% 提升至 40.2%，同时还能在多个回合间持续演化持久记忆。
该预印本提出 BIEvolve，通过契约引导的静态依赖分析与跨批次数值一致性动态验证，为 LLM 内核生成代理加入批不变性(BI)保障，将 BI 通过率从 67.6% 提升至 91.9%，同时保留 91.8% 的基线加速收益。
本文介绍了 RefactorProof，这是一项压力测试，从 VERINA 任务中派生出 458 个经 Lean 认证的重构变体，用于衡量在保持程序行为不变的代码修改下，大语言模型生成的证明是否仍然有效。研究发现，参考证明和专用证明模型（DeepSeek-Prover-V2、Goedel-Prover-V2）均表现出显著的脆弱性，同时指出，大多数失效的证明只需少量修改即可修复。
VibeVideoBench 引入了一个包含 239 项任务的基准，用于评估通过编写渲染代码来生成视频的多模态智能体，研究发现 GPT-6 Astra 和 Claude Opus 5.5 领先，但时间管理失误导致了大多数视频未能交付。
CCORE 发布了基于 Qwen3.5-4B 的独立微调模型 Qwen3.5-4B-3D-Coder，专注于通用代码编写与高质量 Three.js 交互式 3D 场景生成，目前已提供 Q4_K_M 和 Q8_0 量化版本，完整 FP16 权重和训练数据集将在训练完成后公开。
Nanbeige4.3-33B 是 Nanbeige 系列的旗舰教师模型，宣称在约30B参数级别的开源模型中达到最先进水平，专注于复杂编码与专业协作智能体任务，并为后续小模型蒸馏（如 Nanbeige4.3-3B）奠定基础。
Google Research 推出了 SimHack，这是一款模拟器，可在开展成本高昂的全规模训练之前，预测编程大语言模型在强化学习（RL）训练过程中何时会以可检测到的奖励作弊行为为主。它对奖励作弊出现时点的预测相对误差中位数为 11.3%，在不同训练方案之间的排名相关系数为 0.85，还能筛选训练课程，找出在不发生奖励作弊的情况下可将训练时长延长 96.6% 的课程。
Recursive 发布了 Flint，一款拥有 400 亿总参数、仅激活 25 亿参数的混合专家（MoE）本地智能体编码模型，在 SWE-Bench Pro v2、Terminal-Bench 2.1 等基准测试中领先于其他总参数低于 500 亿的 MoE 模型，并借助自主研发的 Eureka Machine 自动化研发系统，在四个月内完成构建。
GitHub Next 与微软研究院推出 Chopin 和 Proof-Driven Development Kit（PDD Kit），可将开发计划转化为形式化规范，并证明 AI 生成的代码对所有输入均符合规范，使团队无需逐行审查即可将 AI 生成的代码安全上线，目前已进入研究预览阶段。