论文提出RLTL;DR：智能体失败后，策略根据验证器输出自写一条TL;DR反馈，后续尝试以此为条件，并通过反向传播内化“任务→洞见”映射。在工具调用和编程任务上，Pass@1从0–1%提升至14–31%，评估时无洞见仍有12–13%。仅用4k条（任务，洞见）元组做SFT即可接近完整性能。

该报告基于LobsterAI真实用户数据，揭示办公Agent使用趋势：北京用户领先，应用向二三线城市及海外扩展；头部用户消耗大量算力，付费用户黏性高；任务规模增长，近六成使用发生在非工作时间，出现“无人值守”模式；编程任务占比最高，Agent正成为通用AI生产力基础设施。

Anthropic发布Opus 5模型，比Fable 5更便宜且限制更少，专为长时间编程任务设计，成本性能比创新高。它在编码和知识工作基准上表现优异，但需新安全措施，如微虚拟机、短期凭证和智能遥测。模型在生物任务上进步，但保留安全防护，平台需适应其自主运行。

GLM-5.2最近发布，表现优于GPT-5.5和Opus 4.8，尤其在编程任务上。其核心突破在于复杂代码调试能力，能够生成高质量的游戏克隆。智谱引入反黑客模块，提升模型自主思考能力，GLM-5.2成为开源模型的有力竞争者。

Anthropic推出了Fable 5，这是其首个可广泛使用的Mythos级模型，具备防止滥用的保护措施。Fable 5在概念推理、文档处理和图表解读方面表现优异，能够高效完成复杂编程任务。尽管价格较高，但在多个基准测试中超越了竞争对手。模型的安全性是重点，用户需同意数据保留政策，实际应用效果仍待观察。

Meta研究团队推出了新一代超级智能体——达尔文哥德尔机（DGM），结合了哥德尔机与开放算法，实现自我迭代与改进。DGM在编程任务中表现出色，但在非编程领域存在局限。实验表明，DGM通过自我修改代码库显著提升性能，展现出强大的自我改进能力。

我们的教育研究团队开发了一种基于AI的提示工具，为在线学习中的学生提供个性化反馈，帮助他们逐步解决编程任务。研究表明，结合文本和代码提示能显著提高学习效果，尤其对初学者更有效。

Anthropic推出了Claude Opus 4和Claude Sonnet 4两个新AI模型。Claude Opus 4在编码性能上超越Gemini 2.5 Pro和OpenAI o3，得分达到72.5%。该模型能够自主工作七小时，具有200K的上下文窗口，适合编程任务，尤其在复杂项目中表现出色。

每周挑战321中，Mohammad S. Anwar提出两个编程任务：任务1计算去掉最大最小值后的不同平均数，使用Python的Decimal模块处理非整数；任务2比较两个字符串，处理#作为退格符。两者均提供Python和Perl的解决方案。

在每周挑战320中，Mohammad S. Anwar提出了两个编程任务，作者使用Python和Perl解决。第一个任务是计算正负整数的最大数量，第二个任务是计算正整数数组中数字和与元素和的绝对差。作者分享了自己的解决方案和测试过程。

每周挑战318中，Mohammad S. Anwar发布了两个编程任务：任务1要求使用正则表达式找出字符串中连续三个或更多相同字母的位置；任务2检查两个整数数组是否可以通过反转一个连续子数组使其相等，需验证数组长度、元素及总和相同。

字节跳动推出了新推理模型Seed-Thinking-v1.5，参数总量200B，激活20B，性能超越671B的DeepSeek-R1。该模型在多个基准测试中表现优异，特别是在STEM领域和编程任务中展现出强大的推理能力。团队还开发了新的评估基准，未来将向公众开放。

Meta发布的Llama 4引发失望，网友认为其性能低于预期，尤其在编程任务中表现不佳。尽管参数较高，但实测结果显示其能力不及竞争对手，甚至被指控在基准测试中存在“作弊”。Meta的开源优势减弱，Gemini和DeepSeek等模型表现更佳。

Meta 最近推出的 Llama 4 系列 AI 模型在编码能力上受到用户批评，实际表现不如其他模型，尽管官方排名较高，但在编程任务中的效果不佳，存在误导性。

香港大学与华为诺亚方舟实验室推出了扩散推理模型Dream 7B，突破了自回归与扩散模型在生成任务中的界限。该模型在通用能力、数学推理和编程任务上表现优异，展示了扩散建模在自然语言处理中的潜力。研究团队将发布模型权重，并将继续优化扩散语言模型。