Anthropic发布了Claude Sonnet 4.5，这是其最新的编码模型，显著提升了代理任务和计算机使用能力。该模型在安全性和训练方法上有显著改进，减少了谄媚和欺骗倾向，安全评分达到98.7%。用户反馈表明编码工作流显著提升，建议所有用户升级。

JetBrains开发了AI编码代理Junie的测试系统，利用TeamCity和SWE-bench基准进行真实任务评估。通过缓存数据集和Docker镜像，确保测试环境稳定，降低失败率，提高效率。该系统提供可靠的性能指标，帮助开发者评估AI代理的质量。

Anthropic推出Claude Opus 4.1，提升了多文件项目的编码可靠性和长时间交互的推理能力，SWE-bench Verified得分达到74.5%。新版本改善了代码重构和推理链跟踪，安全性提升，'无害响应率'达到98.76%。该模型现已向付费用户开放。

Refact.ai Agent在SWE-bench Lite中成功解决了300个任务中的179个，成功率为59.7%。该代理完全自主，无需人工干预，具备规划、执行、测试和自我修正能力。使用的Claude 3.7模型展现了出色的多步骤指令处理能力，深度分析工具提升了解决方案质量，表明AI代理在软件工程任务中的自主处理能力日益增强。

研究人员提出了SWE-bench评估框架，包含2294个来自GitHub的真实软件工程问题，旨在测试语言模型解决问题的能力。通过FAIL_TO_PASS和PASS_TO_PASS单元测试验证解决方案的正确性。OpenAI与开发者合作，改进了测试样本质量，发布了SWE-bench Verified，包含500个经过验证的样本。

Claude 3.7 Sonnet发布，显著提升了AI编码代理的能力。在SWE-bench和TAU-bench基准测试中，SWE-bench的解决率从49%提升至70%，TAU-bench也有明显进步。尽管测试仅限于Python代码，Claude 3.7的表现优于3.5，显示出AI在编码和理解用户意图方面的进步。

初创公司Cosine推出自主AI程序员Genie，其在SWE-bench上得分30%，超过了AI程序员Devin的13.8%。OpenAI发布了改进版本SWE-bench Verified，GPT-4o在该版本上的性能达到33.2%，是原始SWE-bench的两倍多。

伊利诺伊大学香槟分校的研究团队提出了一种无Agent的自动修复软件工程问题的方法，名为OpenAutoCoder-Agentless。该方法在GitHub上获得了很高的关注度，并在解决问题的成本和性能方面超过了现有的开源Agent解决方案。研究者还发现了SWE-bench Lite数据集中问题描述的质量问题，并提出了一个过滤后的严格问题子集SWE-bench Lite-S。作者呼吁技术和研究社区停下来思考Agent的关键设计和评估方法。