在执行点应用安全设计：受治理的安全需求如何影响 AI 生成代码的安全性
研究将来自 SbD-ToE 知识库的安全需求通过 MCP server 在执行点提供给代码生成器，在 DualGauge 的 59 个 Python 任务上，通过全部安全测试的任务占比从 44.1% 升至 78.0%。
#编码
arXiv cs.SEAI 评分3232 arXiv cs.SEAI 评分3737 CABRA 基准揭示：代码理解才是编程智能体的瓶颈
研究者提出 CABRA 编程能力评估基准，以调用图变换从零构建任务，并按函数遍历、搜索、运行时解析、指令遵循四个维度用任务规模参数调节难度。
arXiv cs.SEAI 评分5151 TestJack：用评估器演化审计编码基准，约34.4%的通过样本违反任务要求
研究者提出 TestJack，一个超越固定单元测试的补丁评估框架：针对每个 trial 生成覆盖提示词要求的测试，只保留真实补丁能通过的测试，并重新检查失败样本，使每个确认的失败都有可复现测试支撑。
arXiv cs.SEAI 评分2222 超越类型检查：面向形式化规范生成的整体评估
研究团队构建了统一数据集与评估框架，用于整体评估 LLM 形式化规范生成（SpecGen），数据集包含 350 个 Lean 任务，其中 189 个来自 VERINA、161 个来自 CLEVER，覆盖形式有效性、参考相似性与等价性、行为充分性。
arXiv cs.SEAI 评分2222 LLM 能否模拟新手程序员的错误概念？13 个模型在代码追踪任务上的评估
研究评估了 13 个 LLM 在代码追踪问题上生成、求解、模拟和诊断新手编程错误概念的能力。前沿模型能可靠完成这些任务，但 ≤14B 的小模型在动态执行上表现吃力，代码微调模型在错误概念模拟时会退回正确执行。错误概念诊断在 True/False 格式下显著比开放式生成任务更容易。
JetBrains AI Blog精选AI 评分6666 JetBrains 发布 Mellum2.1：面向编码智能体的快速开源模型
JetBrains 发布 Mellum2.1，这是其 6 月开源的 12B MoE 模型的新版本，架构不变，仍为 2.5B 激活参数、Apache 2.0 许可。
推荐理由：JetBrains 开源编码智能体模型 Mellum2.1，读者可了解其 RL 后训练路线与自托管部署方式。
Latent Space精选AI 评分8282 Anthropic 发布 Claude Haiku 5.5，定价对标 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，官方称其平均运行成本比 Haiku 4.5 低约 75%。
推荐理由：汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，可据此判断小模型在智能体工作流中的成本取舍。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral Large 4 公开预览，1 万亿参数多模态模型
Mistral 发布 Mistral Large 4 公开预览，这是一个 1 万亿参数、520 亿激活参数的稀疏多模态模型，权重将于本月底开放。
推荐理由：Mistral 官方给出 1 万亿参数多模态模型的开放权重时间表与自建欧洲算力背景，可据此判断开源前沿模型的竞争位置。
Latent SpaceAI 评分7474 Reflection 发布 Beam：501B-A23B 美国开源 MoE 模型
Reflection 发布 Beam，一个面向编码、智能体与科研的纯文本 MoE 模型，总参数 501B、激活 23B，从零训练，完整权重将以 Apache 2.0 于本月放出。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、19 种语言的 219 个 pull request。
Google DeepMind精选AI 评分8484 Google DeepMind 发布 Gemini 4 Argon 前沿模型
Google DeepMind 发布新前沿模型 Gemini 4 Argon，先通过 Fairwind Program 向受信任的网络安全防御方开放，随后逐步扩展至开发者、企业和消费者，起步价每百万输入 token 2 美元、输出 token 10 美元。
推荐理由：官方披露了 Argon 在编码、企业知识与网络安全上的基准表现和分阶段开放路径，可据此判断前沿模型的能力边界与获取门槛。
JetBrains AI BlogAI 评分4242 Ponytail Skill for Claude Code 实测：宣称减少 54% 代码，实测仅 15%
JetBrains 用 80 组配对任务实测 Claude Code 的 Ponytail Skill，宣称减少 54% 代码、22% token、20% 成本、27% 时间，实测仅减少 15% 代码、10.3% 成本和 11% 时间，但这是该系列首个成本节省信号统计显著的工具。