Cognition 推出 FrontierCode 代码质量评测基准
Cognition 推出 FrontierCode，用于评测模型是否能达到高质量生产代码库的标准，核心关注 PR 是否会被维护者合并。该基准由 20+ 开源维护者构建任务，每个任务投入超过 40 hours，包含 150 个任务，并声称相比 SWE-Bench Pro 假阳性率低 81%。
推荐理由：原文把代码评测从功能正确扩展到可合并质量，可用于比较模型在生产代码场景中的短板。
Anthropic / Claude
全部主题Anthropic 的全部动态：Claude 系列模型、Claude Code、安全研究路线与公司进展的持续追踪。
71条精选相关主题OpenAI / ChatGPTGoogle / Gemini安全对齐
最新精选
第 61–71 条 · 共 71 条Cognition Blog精选AI 评分6969
Tessl精选AI 评分7474 Tessl 评测 Opus 4.7 与 4.8，4.8 准确率接近但轮次和成本更低
Tessl 用同一套技能评测比较 Opus 4.7 与 Opus 4.8，约850个场景各跑两次，二者总体分数接近，分别为 91.9 和 92.1。Opus 4.8 在平均任务中用 15.0 轮完成，而 Opus 4.7 为 19.2 轮，轮次减少 21%，在输出 tokens 更多的情况下成本约低 5%，完整性标记也从 10.2% 降到 7.9%。
推荐理由：文章用约850个场景的成对评测展示，模型总分相近时仍可能在轮次、成本和领域表现上分化。
Tessl精选AI 评分6666 Tessl 评测显示 Claude Opus 4.8 在 skill evals 中以 95% 登顶 LLM 排行榜
Tessl 将 Claude Opus 4.8 加入持续进行的模型基准测试，它在带 skill context 的评测中得分 95%，超过 Opus 4.7 1.6 分，超过 Cursor Composer 2.5 Fast 2.3 分。
推荐理由：原文同时给出准确率、baseline、评审一致性和耗时，便于比较高准确率与低吞吐之间的取舍。
Tessl精选AI 评分6464 Tessl 将 eval harness 默认 solver model 从 Claude Sonnet 4.6 切换为 GLM 5.1
Tessl 将其平台 eval harness 的默认 solver model 从 Claude Sonnet 4.6 改为 GLM 5.1，用于所有在平台上运行 evals 的默认配置。
推荐理由：文章把默认模型切换和自测数据放在一起，提供了区分模型评估与技能评估的成本取舍思路。
Claude Blog精选AI 评分7171 Claude Managed Agents 新增 self-hosted sandboxes 和 MCP tunnels
Anthropic 在 Claude Managed Agents 中推出 self-hosted sandboxes 和 MCP tunnels，让智能体可在企业控制的沙盒中运行工具，并连接私有网络内的 MCP servers。
推荐理由：材料说明了执行环境和私有服务连接的边界，适合评估企业智能体落地的安全架构。
Claude Blog精选AI 评分7878 Claude Managed Agents 推出 dreaming 研究预览，开放 outcomes 与多智能体编排
Claude Managed Agents 以研究预览推出 dreaming，并向开发者开放 outcomes、多智能体编排和 webhooks。dreaming 会定期回顾 agent sessions 和 memory stores，提取模式并整理记忆；outcomes 让开发者用 rubric 定义成功标准，由单独 grader 评估并推动智能体重试。
推荐理由：原文列出 dreaming、outcomes 与多智能体编排的机制和测试数据，便于评估托管智能体的适用场景。
Claude Blog精选AI 评分7878 Claude Managed Agents 内置记忆功能开放 public beta
Claude Managed Agents 的内置记忆功能已在 Claude Platform 开放 public beta，让 agents 可从每次会话中学习。
推荐理由：文章具体说明了文件化记忆、权限和审计设计，可用于评估企业智能体的跨会话学习方案。
Claude Blog精选AI 评分7676 Claude 新增面向日常生活的 connectors
Claude 扩展 connectors，新增连接 AllTrails、Instacart、Audible、Tripadvisor、Intuit TurboTax 等日常应用。
推荐理由：原文列出新增生活类应用和权限控制方式，可帮助判断 Claude 连接器从办公扩展到日常场景的影响。
Cognition Blog精选AI 评分6969 Cognition 发布搭载 Claude Sonnet 4.5 的 Devin Agent Preview
Cognition 宣布 Devin Agent Preview 接入 Claude Sonnet 4.5，并称该模型从今天起可在 Devin 中使用。Cognition 表示，在 Devin 上 Claude Sonnet 4.5 将规划性能提高 18%、端到端评测分数提高 12%，是自 Claude Sonnet 3.6 发布以来该团队看到的最大提升。
推荐理由：原文披露了 Sonnet 4.5 接入 Devin 后的评测变化，可用于观察编码模型对智能体工作流的影响。
Cognition Blog精选AI 评分7474 Cognition 为 Claude Sonnet 4.5 重建 Devin，Agent Preview 已上线
Cognition 为 Claude Sonnet 4.5 重建了 Devin，新版本速度提升 2x，在 Junior Developer Evals 上提升 12%，现已在 Agent Preview 可用，旧版 Devin 仍可选择。
推荐理由：文章披露了 Devin 适配 Sonnet 4.5 的工程取舍，可参考其上下文管理和并行工具调用经验。
SemiAnalysis精选AI 评分7676 SemiAnalysis：AWS 与 Anthropic 的多 GW Trainium 扩张推动 Amazon AI 复苏
SemiAnalysis 认为，AWS 可能通过 Anthropic 合作和多 GW Trainium 数据中心扩张迎来 AI 复苏。文章称 Anthropic 年化收入在 2025 年内增长 5 倍至 $5B，AWS 有 3 个园区处于建设最后阶段，合计超过 1.3GW IT capacity，专门服务 Anthropic 训练需求。
推荐理由：文章把云收入、数据中心建设和芯片 TCO 放在一起，提供了理解 AWS 押注 Anthropic 的背景。