#DeepSWE

StepFun 的 Step 5 Preview 免费进 Cline 了，DeepSWE 成绩压过 Kimi K3 和 GLM-5.3，写代码的可以直接试试。

Cline@cline4 个信源在谈原文

Mistral Large 4 在多个专业领域基准测试中表现优异，金融和法律任务得分亮眼。

TestingCatalog@testingcatalog11 个信源在谈原文

谷歌发布Gemini 4 Argon，1M token输出能力，多项基准测试领先，但普通用户暂时用不了

AIGCLINK@aigclink11 个信源在谈原文

谷歌新发布的Gemini 4 Argon在代码工程测试中超越Claude Opus，单次输出达百万tokens，适合处理大型项目。

Cline 集成了 GPT-6.1 Sol，成本只有 GPT-6 Astra 的五分之一，性能相当。

Cline@cline11 个信源在谈原文

OpenAI新出的GPT-6.1 Sol性能接近Astra但价格便宜很多，还推出了新代理Dots和API。

The Rundown AI@therundownai11 个信源在谈原文

GPT-6.1 Sol 在保持性能的同时大幅降低了成本，每百万代币仅需 2 美元输入和 10 美元输出。

Vaibhav Srivastav@reach_vb11 个信源在谈原文

Fireworks AI 测了 18 个模型：把任务路由给最擅长的那个，比单用最强模型更准也更省。

Fireworks AI@FireworksAI_HQ原文

DeepSWE测试发现DeepSeek V4.1-Flash的输入token消耗远高于输出，缓存命中率高，能大幅降低成本。

Fireworks AI@FireworksAI_HQ11 个信源在谈原文

OpenAI 发布了 GPT-6 Astra，它在代码修复任务中表现出色，能完整处理从 bug 分析到修复的全流程。

官方一手@OpenAIDevs@OpenAIDevs11 个信源在谈原文

谷歌六周内第三次发布Flash模型，3.8版本在工程任务和推理能力上大幅提升，成本却更低。

Sundar Pichai@sundarpichai原文

Ox Alpha模型免费限免，DeepSWE跑分领先，多模态输入，与智谱架构相似，值得一试。

DeepSeek 把 V4 API 价格调高了，最高 500%。非高峰时段半价，要省钱就避开高峰，8月17日就改。

官方一手Pandaily@[email protected] (Pandaily)原文

Together Compute 下了个对比，Kimi 和 GPT 在修 bug 上各有绝活，组合用比单干划算得多。

shao__meng@shao__meng3 个信源在谈原文

Poolside 又出了个厉害编码模型，Laguna S 2.1 在本地就能跑，多项基准比大它几十倍的模型还强。

Thomas Wolf@Thom_Wolf9 个信源在谈原文

想要又快又便宜的模型？Gemini 3.6 Flash在DeepSWE上冲到49%，成本砍半，跑agent任务很合适。

@koltregaskes@koltregaskes11 个信源在谈原文

看看Kimi K3和Fable 5在DeepSWE基准上怎么比，开源模型追上闭源了吗？

AI Will@FinanceYF511 个信源在谈原文

OpenAI 的 GPT-5.6 新变体在 DeepSWE 上干过了 Fable 5，还更便宜更快，值得关注。

@koltregaskes@koltregaskes7 个信源在谈原文

xAI 发了新模型 Grok 4.5，编程和 Agent 能力很强，还跟 Cursor 联训，现在免费体验。

Geek@geekbb11 个信源在谈原文

智谱的 GLM-5.2 代码上刚赢了 Kimi 的 K2.7，但更贵输出也更多，离顶级闭源还有距离。

@koltregaskes@koltregaskes原文

基准测试更新直接影响了主流编程智能体的排名，做 AI 编程工具选型或评估模型能力的开发者值得关注——Claude Fable 5 新登顶，Codex 也大幅提升，建议点开看具体得分和对比。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

这个基准测试解决了现有 coding benchmark 数据污染问题，做 AI 编程模型评估的团队可以直接参考排行榜，小米模型的表现值得一试。

Viking@vikingmute原文