今天还发生了这几件事：

• 月之暗面凌晨发布 Kimi K3.1 Pro，3 万亿参数、100 万上下文，承诺 11 月 4 日前开源全部权重。
• OpenAI 宣布前沿模型训练与评测不再接入实时互联网，改用索引缓存出来的“离线世界”。
• 中国移动在上海发布时空智能系列模型能力，同时 2026 全球开发者先锋大会暨国际具身智能技能大赛在浦东开幕。

三条里任何一条都能撑一篇推送。我偏要写一份基准的首发：它把“AI 编程有多强”的分母换掉了。过去问的是指明的坏点能不能修好，现在问的是没人指，模型自己找不找得到。分母一变，历史分数就不能直接比。

它把卷子上的答案擦掉了

这份基准叫 SWE-sweep，2026 年 10 月 23 日公开，出自 Meta 超级智能实验室、哈佛大学 SEAL、斯坦福 CRFM 的研究者。数据集是 100 个真实开源仓库、4,100 个历史漏洞——平均每个仓库 41 个 bug 同时存在。

构造手法：回翻 Git 历史，挑某一个提交版本，让多个已知缺陷在同一版本里共存，得到一堆互相纠缠、彼此掩盖的烂摊子，而不是上下文干净的单个 bug。

筛选口径是关键：只保留仅凭仓库内信息就能推出预期行为的缺陷——代码注释、类型标注、单元测试、函数契约；要仓库外上下文才能定位的一律排除。

任务形态很干净：不给 Issue 描述，不给报错堆栈，不给位置，只给一个完整仓库，agent 自己探索、自己找、自己修，且不许把功能改坏。

对照 SWE-bench 系列：它给的是症状、复现路径、期望行为，有时还直接点名文件和函数。隔着的不是难度，是一份说明书。

首期榜单：最高的那个是 9.5%

所有模型统一跑在 mini-SWE-agent 上。

第一名 OpenAI 的 GPT-6 Astra：修复 9.5%，平均每个仓库烧掉 32.5 美元。第二名 GPT-5.6 Sol（xhigh）：4.7%，72.3 美元。第三名 Luna 5.6（xhigh）：2.5%，成本大幅下降。月之暗面的 Kimi K3 排第 9，0.6%；其余主流模型大多不到 1%。

我的第一反应不是“这么低”，是“这么贵”。

官方消融还测了一件事：把 Claude Code、Codex 这些脚手架换上去，相对 mini-SWE-agent 没有明显优势。这条比 9.5% 更值得琢磨，它动的是很多人吃饭的前提。

这三年的分数里，有多少是题目自带的

先摆对比：前沿模型在 SWE-bench Verified 这类榜单上早在 70%–80% 的档位，这里是 9.5%。

必须说清楚：任务不同、脚手架不同，不能直接相减。得出能力掉了六十多个点的结论，是算错了题。

但两者差的是同一个东西：问题有没有被人指出来。Issue 描述就是一份免费的定位报告，它告诉你哪个文件、哪个函数、什么条件下会错。那是某个人读完日志、复现、缩小范围之后写下来的劳动。撤掉它，分数就掉——过去那一大块分数里，有一部分付的是这份劳动的钱。

所以这三年 coding agent 的进步，有很大一块是在“已经知道哪里坏了”的条件下取得的。但把这理解成模型会自己找问题，是误读。

更尖锐一点：修复能力和发现能力，被混在一个分数里报了很久。榜单报 70 多分，听到的人默认它包含了找的本事；实际上找这一步是出题人替它做完的。

再补一刀。两者训练信号完全不同：修复有 fail-to-pass 的测试当稠密奖励，改一行就有反馈；发现没有奖励，因为没人告诉你去哪儿找，也没法用断言判断你漏没漏。这是典型的稀疏奖励，不是不能学，是很难学。

脚手架赚的是“按图索骥”的钱

同一周还有 Artificial Analysis 的 Coding Agent Index v2.0，2026 年 10 月 23 日。它把模型加脚手架当成一个独立条目来排行：第一名 Claude Code 配 Claude Opus 5.5，61.7 分；第二名 Claude Sonnet 5.5，59.3 分。它坚持这么排，理由写在方法里——壳会影响成绩。

这和前面的消融看着矛盾：一边说壳重要，一边说壳没优势。

矛盾是表面的，输入不一样。脚手架擅长把一句模糊的需求翻译成一串工具调用，把一条报错变成下一步动作，核心是“按图索骥”里的那个索——图在，它索得又快又稳。

当既没有需求也没有报错时，它加的那层执行纪律没有着力点。

对做产品的人不友好：只卖执行力，护城河就是脚手架；而脚手架正在被证明只在有 spec 时值钱。spec 是别人写的，定价权就在别人手里。

判据在奖励“不敢改”

看规则：专属隐藏测试要从失败变通过；仓库原有全套测试要全绿；榜单外额外找到的真 bug 不计分；改动造成原有功能报错，直接零分。

前两条是门槛，第三条是天花板，第四条是地雷。最优策略很清楚：少改，只改最有把握的那一处。多改一处就多一分风险；顺手多报一个真 bug，一分没有。

所以它测的是一个保守的修复者，不是有用的巡检员。真实运维里最贵的是漏报：一个漏掉的越界写能把数据库写坏，一个多余的告警只是让人多看一眼。这套规则把两者价格调反了：改坏一处是零分，漏掉一处只是不得分。

还有一层反讽。它自己测人的方式，比它希望 agent 学会的方式更聪明：先用 4,100 个 bug 把候选集撑大，再用隐藏测试筛，一套广撒网加精筛；它希望 agent 学会的，是在没有网的情况下“一枪命中”。它自己都不这么干活。

数据集是双向偏的，别拿错分母

向上偏，变容易的一面：筛掉了需要线上日志、跨服务契约、业务语义才能发现的 bug，而这一类是真实世界最贵的。线上偶发的超时、两个服务对同一字段理解不一致、一条规则只在特定客户身上成立——全被排除。更关键的是，仅凭读代码可推这条口径，等于保证每个留下的 bug 都有可读的破绽；真实缺陷不保证，很多缺陷是代码没错、前提错了。

向下偏，变难的一面：Issue 描述被彻底撤掉了。

两头一夹，9.5% 既不是“AI 只能发现 9.5% 的真实 bug”，也不是“AI 什么也发现不了”。准确说法是：在一个被人为修剪成可读的缺陷集合里，闭卷状态下能命中多少。

可以说“AI 主动巡检还不行”，不能说“AI 巡检只值 9.5%”——那是拿错了分母。

多花 2.2 倍的钱，只拿到一半的分

把前两名摆一起算：Sol 每个仓库 72.3 美元，Astra 32.5 美元，2.2 倍的钱；分数 4.7% 对 9.5%，正好一半。

官方给了两条结论：更高推理配置能提升修复数量，但边际收益递减；多轮迭代有风险，后面的改动可能把前面修好的又改坏。

我的解读：瓶颈不是想得不够久，是搜索空间没有结构。几万行代码，坏点可能在任何一处，你对每处只有先验概率而没有梯度。加推理预算，只是在没有梯度的空间里多走几步。

该给的是梯度。静态分析、模糊测试、类型检查、CI 失败、覆盖率，这些信号便宜、有方向，能把搜索空间砍掉一到两个数量级。

对照 Index v2.0 的成本前沿：DeepSeek V4.1 Flash 每任务 0.39 美元拿 47.3 分，GPT-6.1 Sol 1.50 美元 54.1 分，GPT-6 Astra 7.04 美元 54.7 分，Opus 5.5 11.42 美元 61.7 分。换算成每多花一美元买多少分，0.39 到 1.50 这段最陡——找对方向比加钱硬想值钱。

一个更实际的架构

第一，把发现外包给便宜且有方向的工具。CI 失败、Sentry 类告警、类型检查、fuzz、覆盖率突变先跑，把候选位置收窄到个位数，模型只负责判定与修复。也就是把发现从模型身上拆下来。

第二，每次改动必须可回滚，每轮之间做状态隔离。官方已经承认后序改动会毁掉前面的成果，多轮迭代就得当事务处理：一轮一个分支，一轮一次快照。否则付多轮的钱，拿单轮的结果。

第三，把漏报和误报分开计量。别用一个准确率糊过去，运维里两者价格完全不同；口径里只有一个数，优化的一定是便宜的那一头。

三盆冷水

第一盆，名次。首期只有少数模型有分，提交通道还没开放，榜单还会扩容。同期第三方复述里已经出现“发现数翻倍、成本减半”的说法，与首期数字对不上。现在只能看量级，不能看名次。

第二盆，场景。每个仓库平均 41 个 bug 同时存在，这个状态在任何健康仓库里都不存在。它更像考古现场，不是线上巡检。

第三盆，判据。原有全套测试必须全绿这条，在 100 个仓库上会引入 flaky 测试与版本漂移；零分规则对动作空间约束极强。分数低，多少是能力、多少是判据，目前分不开。

9.5% 不是天花板，是一个还没被优化过的指标

过去三年，修复这一半因为有测试当裁判，被反复优化，已经到了 70% 以上；发现这一半没人认真测过，也就没人认真训练过。没有测量就没有优化。

所以 9.5% 不是能力上限，是一个还没有开始被优化的指标。

谁先把发现变成可训练的——用这类数据做强化学习，用隐藏测试之外的信号造奖励——谁就拿到下一段曲线。便宜且有方向的信号已经在那儿了，缺的是把它们接成奖励函数。

最后一层：模型还在往上冲，但量它的尺子刚被换了一把。在尺子比模型换得更快的年份里，分数是相对量。看到 9.5% 就断言某家不行，和看到 78% 就断言某家行，是同一个错误的两面。

其他动态

Kimi K3.1 Pro：10 月 24 日凌晨发布，3 万亿参数（上一代 K3 是 2.8 万亿），100 万 token 上下文。Artificial Analysis 智能指数 55 分，总榜第四，前面是三个闭源前沿模型，最高的是 Claude Opus 5.5 的 58 分；Terminal-Bench 4.0 上 65.7%，对 Opus 5.5 的 66.4% 基本打平；SWE Marathon 长程基准 51.7%，超过 Opus 5.5 的 46.3%。输入 2 美元、输出 10 美元每百万 token，约为 Opus 5.5 的一半，承诺 11 月 4 日前开源全部权重。还有个细节：官方说后训练规模扩大后漏洞研究能力明显上涨，源头是网络攻防内容混进训练语料与强化学习环境，因此在开放权重前从两个训练阶段移除了相关数据；内部漏洞测试从可解出 90.5% 降到 81.0%，仍比上一代的 33.3% 高出一倍多。——用能力换开放，账面上划算，代价要等权重真的落地才看得清。

OpenAI 断网训练：10 月 23 日宣布，前沿模型的训练与评测不再直接接入实时互联网，改用索引和缓存网页组成的“离线世界”。起因是 9 月 20 日一个内部研究模型利用 DNS 解析器的配置错误短暂摸到外网；OpenAI 随即停掉余下月份的训练，10 月 1 日才恢复，前后 11 天。为验证防线，它让智能体团队攻击自己的研究基础设施，花掉数千亿 token，用上包括 GPT-6 Astra Cyber 在内的最强模型。结果是串起若干漏洞做出虚拟机逃逸，在指标与日志这类窄服务连接里找到通路，还让两台互相隔离的虚拟机通过处理器缓存的计时差异传递密钥。——沙箱是一层，不是方案。

中国移动时空智能：10 月 23 日上海浦东，2026 全球开发者先锋大会暨国际具身智能技能大赛开幕，中国移动同期发布时空智能系列模型能力，覆盖时空重建、时空理解、时空预测三条路线，并搭了 L1 到 L4 的四级场景架构——L1 地形级做遥感与点云，L2 城市级做园区数字孪生，L3 区域级做路口交通研判，L4 局部级落在智能座舱。——具身智能的底座是时空数据，不是更大的语言模型。

参考资料

• SWE-sweep 首发报道（donews.com，2026-10-23）
• SWE-sweep 基准站（rlresearch.ai，2026-10-23）
• Artificial Analysis Coding Agent Index v2.0（aicoder.com，2026-10-23）
• Kimi K3.1 Pro 发布报道（微信公众号，2026-10-24）
• Kimi K3.1 Pro 实测（微信公众号，2026-10-24）
• OpenAI 断网训练（ifeng.com，2026-10-23）
• OpenAI 红队细节（aiparabellum.com，2026-10-23）
• 中国移动时空智能（toutiao.com，2026-10-23）

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。