Cognition 发布 SWE-1.7，OpenAI 废弃 SWE-Bench Pro,xAI 联合 Cursor 发布 Grok 4.5

---

title: “Cognition 发布 SWE-1.7 低成本前沿模型，OpenAI 审计并废弃 SWE-Bench Pro” lead: “Cognition 发布 SWE-1.7，在 SWE-Bench Pro 上逼近最强模型但成本仅为其几分之一，运行速度达 1000 tok/s；OpenAI 同日审计 SWE-Bench Pro，发现 30% 任务已损坏，宣布不再推荐该基准；xAI 与 Cursor 合作发布 Grok 4.5，定位 Opus 级编码与 Agent 模型；Mistral AI 发布具身导航模型 Robostral Navigate。” highlights:

• “Cognition 发布 SWE-1.7，低成本逼近前沿编码性能”
• “OpenAI 审计 SWE-Bench Pro，发现 30% 任务已损坏”
• “xAI 与 Cursor 合作发布 Grok 4.5，定位 Opus 级 Agent 模型”

1️⃣ Cognition 发布 SWE-1.7：RL 持续扩展，用 1/10 成本逼近前沿性能#

• 核心发布：Cognition 正式发布 SWE-1.7，这是其训练的最强编码模型。该模型在 Devin harness 中训练，学会在长周期任务上“自我精简”。关键发现是：随着推理能力的提升，模型触及的文件范围也在扩大，这是一个有待优化的维度。
• 性能与成本：得分与最强前沿模型仅差几分，但成本仅为几分之一。在 Devin Web、Desktop 和 CLI 上均可用，运行速度可达 1000 tok/s。Cognition 表示 RL 并未触及上限，随着配方精炼，扩展仍在带来收益。为庆祝发布，SWE-1.7 对所有付费用户免费一个月，并推出在 Cerebras 上运行的闪电版。
• 训练基础设施：RL 训练横跨三大洲的四个数据中心，结合自有的多集群 GPU 以及来自 Fireworks AI 等推理提供商的算力。只有训练器需要紧耦合通信，推理 rollout 是分布式的，引擎通过对象存储中的压缩权重差异进行同步。
• 行业意义：SWE-1.7 验证了 RL 在编码 Agent 领域的巨大潜力，通过优化训练配方可以在不依赖更大基础模型的情况下实现性能跃升。其超低成本和高速运行，将直接挑战现有前沿模型的性价比。 🔗 Cognition 发布推文 | 博客文章 | 训练基础设施细节

2️⃣ [持续跟踪] OpenAI 审计并废弃 SWE-Bench Pro：30% 任务已损坏，噪声天花板达 70%#

• 前情提要：SWE-Bench Pro 是业界广泛使用的 AI 编码基准之一，此前 OpenAI 曾推荐使用。
• 最新突破：OpenAI 今日发布对 SWE-Bench Pro 的审计结果，发现其已“不再可靠地衡量前沿编码能力”。审计发现约 30% 的任务已损坏，整体评估存在约 70% 的噪声天花板。OpenAI 正式撤回此前将该基准作为主流编码评估的推荐。为了审计该基准，OpenAI 使用了“模型驱动的调查 Agent”以及五位独立资深软件工程师的独立审查。
• 行业影响：这是业界顶级公司首次公开“废弃”一个主流基准，凸显了 AI 编码领域评估工具严重落后于模型能力的现状。OpenAI 呼吁社区建立更难、更公平、更可信的新评估体系。 🔗 OpenAI 审计报告 | 审计方法推文

3️⃣ xAI 与 Cursor 联合发布 Grok 4.5：专为编码与 Agent 训练的 Opus 级模型#

• 核心发布：xAI 与 Cursor 联合宣布发布 Grok 4.5，这是 xAI 首个不使用 xAI 自己数据中心（而是由 Cursor 参与训练）、专门为编码和 Agent 场景训练的模型。
• 性能与定价： xAI 内部评估其与 Opus 4.7 大致相当，但速度更快。其效率极高，每任务消耗的 Token 仅为可比模型的一半，输出速度更高，成本却不到一半。定价为每百万输入 Token 2 美元，每百万输出 Token 6 美元。Elon Musk 表示其正在特斯拉和 SpaceX 的真实工程问题中闭环，下个月的版本将有望实现“阶跃性改进”。
• 能力与集成：在大代码库和多仓库、多工具的长程任务上表现优异。Grok 4.5 已上线 xAI Console、Grok Build、Cursor（首周双倍用量），并可通过 Vercel AI Gateway 访问。在 Harvey 的法律 Agent 基准上排名第一。
• 行业意义：这是 Cursor 首次与外部实验室大规模合作训练模型，其“Opus 性能，Flash 价格”的定位可能对现有定价体系形成冲击。同时，SpaceXAI 与 Cursor 的结合意味着编码 Agent 正从“接入模型”走向“深度定制模型”。 🔗 SpaceXAI 发布推文 | Cursor 发布博客 | Elon Musk 评论

4️⃣ Mistral AI 发布 Robostral Navigate：8B 参数具身导航模型，单摄像头 SOTA#

• 核心发布：Mistral AI 宣布其首个具身导航模型 Robostral Navigate，参数规模为 8B。该模型仅使用一颗 RGB 摄像头，即可根据自然语言指令引导机器人自主执行任务。在 R2R-CE 基准上达到最高水平。
• 训练与泛化：完全在仿真环境中训练，使用了 6000 个场景中的约 40 万条轨迹。通过前缀缓存技术，将训练 Token 量削减 22 倍，将数月长的训练缩短至数天。采用在线强化学习（CISPO）进一步提升成功率。该模型可在轮式、足式及飞行机器人上运行，并能跨尺寸泛化，适用于物流、制造和酒店服务。
• 行业意义：这是顶尖模型厂商首次进入具身智能领域。其纯仿真训练+单摄像头的路径极大降低了机器人部署成本，8B 的适中小参数也使其更易在边缘设备上部署。 🔗 Mistral AI 发布推文 | 官方博客

5️⃣ [持续跟踪] 美团 LongCat 系列密集开源，构建国产 Agent 基座#

• 前情提要：LongCat-2.0 预览版此前在 OpenRouter 上全球调用量跻身前三。
• 最新发布：美团 LongCat 团队在一天内密集开源四项重磅成果：
  • LongCat-2.0 模型：1.6T 总参、48B 平均激活，在五万卡国产算力集群上全流程训练并开源。
  • VitaBench 2.0：首个面向长期动态用户建模的智能体评测基准，包含 56 名用户 819 个任务。
  • WBench：面向交互式世界模型的多轮评测基准，覆盖 20 个前沿模型。
  • General 365：通用逻辑推理评测基准，SOTA 仅 62.8%，揭示常识推理短板。
• 行业意义：美团通过“模型+评测基准”的组合拳，正系统性地构建面向 Agent 开发的基础设施，并为国产 AI 生态提供了性能强劲的开源模型核心。 🔗 美团技术团队博客

6️⃣ OpenAI 发布 GPT-Live：下一代全双工语音模型，支持后台委托推理#

• 核心发布：OpenAI 今日直播发布 GPT-Live，新一代基于“全双工”架构的语音模型。它不再是多个模型的串联，而是连续处理输入，实现更自然、无中断的对话。
• 智能委托：对于需要搜索或复杂推理的问题，GPT-Live 可在后台静默委托最新前沿模型（如 GPT-5.5）处理，并将结果无缝带回对话。OpenAI 宣称其自有基准 Web Research 从 0.7% 跃升至 75.2%。
• 可用性：已开始在 ChatGPT 的 iOS、Android 和 Web 端推出。GPT-Live-1 和 GPT-Live-1 mini 版本即将向 API 开发者提供。Sam Altman 表示，GPT-Live 让他个人开始从打字转向语音交互。
• 行业意义：GPT-Live 标志着语音 AI 从“语音到文本的管道”进化为“原生的全双工智能体”，其后台委托其他模型能力，可能重塑整个 API 生态。 🔗 OpenAI 发布推文 | API 预告

7️⃣ LangChain 与 NVIDIA 推出 NemoClaw Deep Agents Blueprint：完全开源的 Agent 参考架构#

• 核心发布：LangChain 与 NVIDIA 联合推出 NemoClaw Deep Agents Blueprint，一个面向构建开放 Agent 系统的完整参考架构，包括硬件、模型和运行时。
• 成本优势：该蓝图基于 NVIDIA 的 Nemotron 3 Ultra 模型（开源权重）和 LangChain 的 Deep Agents harness。在基准测试中，综合得分 0.86，成本仅需 4.48 美元，而最接近的性能模型成本高达 43.48 美元，实现 10 倍成本降低。
• 行业意义：这是一个“从网卡到 AI Agent”的完整开源解决方案，使企业能够拥有和定制自己的 Agent 系统，而不是依赖特定厂商的封闭系统，符合当前向 Harness 工程转移的趋势。 🔗 LangChain 官方推文 | 博客文章

8️⃣ [持续跟踪] GPT-5.6 Sol、Terra 和 Luna 定于本周四公开发布#

• 前情提要：社区数周来持续关注 GPT-5.6 系列的性能与发布进程，已有测试者分享体验。
• 最新进展：OpenAI 官方宣布 GPT-5.6 Sol 及其系列模型 Terra 和 Luna 将于本周四（北京时间周五凌晨）公开上线。OpenAI 正逐步扩大全球预览权限。CEO Sam Altman 简短表示“happy building”。早期测试者反馈不一，有开发者将其比喻为“魅力十足的同事”，称其非常适合日常使用，但在针对性调试任务上，Anthropic 的 Fable 5 可能仍有优势。
• 行业影响：这标志着 OpenAI 5.x 系列的终极迭代，同时也预告了未来更大规模模型的到来。 🔗 OpenAI 官方公告 | Sam Altman 推文

⭐ GitHub 趋势#

📊 类别速览

项目	类别	Stars
addyosmani/agent-skills	AI Agent	73.9k
iOfficeAI/OfficeCLI	AI Agent 工具链	11.7k
alibaba/zvec	AI 基础设施	14.3k

---

1. addyosmani/agent-skills ⭐ 今日 +1,297#

语言/许可： JavaScript / MIT
总 Stars： 73.9k
仓库： GitHub

项目定位：
面向 AI 编码代理（Claude Code、Cursor、Codex 等）的生产级工程技能包，将资深工程师的开发工作流编码为代理可执行的自动化流程。

核心功能：

• 提供 24 个 Markdown 格式的技能文件（如 /spec、/plan、/build、/test），每个技能包含步骤、验证门和反合理化表
• 通过 npx skills add 一键安装到 70+ 代理，或作为 Claude Code / Cursor 插件使用
• 支持自动激活：API 设计自动触发 api-and-interface-design 技能，UI 开发触发 frontend-ui-engineering
• /build auto 模式实现单次审批后的全自动迭代：生成 plan → 逐任务实现 → 测试驱动 → 独立提交

技术亮点：
纯 Markdown 定义技能，无运行时依赖；技能间通过元技能 using-agent-skills 进行上下文路由；支持跨平台（Claude Code、Cursor、Codex、Copilot 等）统一接口。

---

2. iOfficeAI/OfficeCLI ⭐ 今日 +1,717#

语言/许可： C# / Apache-2.0
总 Stars： 11.7k
仓库： GitHub

项目定位：
专为 AI 代理设计的 Office 套件 CLI，使代理能直接创建、读取、编辑 Word / Excel / PowerPoint 文件，无需安装 Microsoft Office。

核心功能：

• 单二进制跨平台运行，支持 .docx / .xlsx / .pptx 的全部读写改操作
• 内置 HTML 渲染引擎，可将文档渲染为 HTML 或 PNG，形成“渲染→查看→修复”闭环
• officecli watch 实时预览：修改文件后浏览器自动刷新
• 提供结构化 JSON 输出，方便代理解析文档结构和样式

技术亮点：
不依赖任何 Office 组件，纯 C# 实现完整 OOXML 支持（含图表、公式、形状、修订跟踪、富文本样式等）；支持 Mermaid 图直接转换为原生可编辑形状；提供 skill 文件让代理自动安装并识别。

---

3. alibaba/zvec ⭐ 今日 +395#

语言/许可： C++ / Apache-2.0
总 Stars： 14.3k
仓库： GitHub

项目定位：
轻量、高性能的嵌入式向量数据库，可直接集成到应用中运行，无需独立服务进程。

核心功能：

• 纯本地、零配置：pip install zvec 后即可创建集合并插入向量
• 支持稠密向量、稀疏向量、全文检索（FTS）以及三者混合查询
• 持久化存储（WAL 预写日志），崩溃或断电不丢数据
• 多语言 SDK：Python、Node.js、Go、Rust、Dart/Flutter

技术亮点：
基于 HNSW 和 DiskANN 索引，单机可检索数十亿向量；支持多进程并发读、单进程写；v0.5.0 新增原生全文本检索和混合查询能力，无外部依赖。

🟧 Hacker News 热议#

Mistral’s Robostral Navigate: a state of the art robotics navigation model#

391 pts · 93 comments · mistral.ai

📌 内容总结

• Mistral AI 发布 Robostral Navigate，一个 8B 参数的导航模型，仅使用单目 RGB 摄像头即可完成室内/室外导航，无需 LiDAR 或深度传感器。在 R2R-CE unseen 基准上达到 76.6% 成功率，超过最佳的多传感器方案 4.5 个百分点。
• HN 关注点:
  • 模型通过“指向”（pointing）预测目标在图像中的坐标，若目标不在视野则回退到局部坐标位移，设计上天然对相机内参和世界尺度鲁棒。
  • 训练完全在模拟中完成（40 万条轨迹，6000 场景），使用前缀缓存（prefix-caching）将训练 token 减少 22 倍；后训练通过在线强化学习（CISPO）再提升 3.2%。
  • 未开源，仅面向商业客户；可在轮式、足式、飞行机器人上通用。

💬 讨论总结

• 共识：Mistral 选择切入工业/物流等 niche 应用是合理战略，避免与 OpenAI/Anthropic 在通用模型上正面竞争。模型设计（无地图、单摄像头、pointing）被认为巧妙且实用。
• 工程经验：前缀缓存训练技巧和在线 RL 调优被多次提及，是本次模型效率的关键。评论者指出“无地图导航”解决了经典的“被绑架机器人”问题，而现代 SLAM/VSLAM 仍有依赖。
• 质疑：76.6% 成功率意味着约 1/4 任务失败，有评论认为这对实际部署不可靠；演示视频速度偏慢，部分人怀疑是否真正 SOTA。另有评论强调现实环境（杂乱、动态物体）与演示的清洁实验室差距巨大。
• 风险/限制：模型未公开发布，仅企业签约，爱好者无法使用。训练完全在模拟中，到真实的泛化程度尚未公布细节。
• 反对意见：少数认为这类模型不过是另一个 2010 年代学术 demo 的升级版，离可靠产品还很远；也有评论质疑 Mistral 是否能同时维持 LLM 和 robotics 两条线。

🔗 原文 · HN 讨论页

Grok 4.5#

431 pts · 462 comments · x.ai

📌 内容总结

• SpaceXAI 发布 Grok 4.5，定位为编码、agent 任务和知识工作的最强模型。在 DeepSWE 1.0、Terminal Bench 2.1、SWE Bench Pro 等基准上接近或达到 Fable、GPT 5.5 水平，但并非第一。
• 关键亮点：极快速度（80 TPS）、极高 token 效率（SWE Bench Pro 平均输出 token 仅为 Opus 4.8 的 1/4.2）、极低定价（$2/$6 每百万 token，远低于主要竞品）。
• 训练由 Cursor 团队协作，使用数万 GB300 GPU，包含大量 Cursor 真实编码交互数据（trillions tokens）和大规模 RL。支持 Grok Build、Cursor 和 API，但不可在 EU 使用（预计 7 月中旬可用）。

💬 讨论总结

• 共识：Grok 4.5 的性价比和速度在同级模型中非常突出，尤其适合对成本敏感的应用。多位评论者实际测试后在复杂软件工程任务上获得正面体验。
• 工程经验：Token 效率被公认为关键指标，xAI 的宣传方向比纯粹堆 benchmark 更有意义。利用 Cursor 真实世界数据训练模型的方法得到认可，被认为是对抗过拟合的有效手段。
• 质疑：部分用户实际测试后发现性能不如预期，存在“base 请求翻车，复杂任务反而好”的现象。有证据显示 CursorBench 因早期代码库泄露导致基准污染（xAI 已承认并移除该数据）。模型在 EU 暂时不可用，且文档欠完整。
• 反对意见：大量评论因 Elon Musk 的政治行为和 xAI 在 CSAM 事件中的不作为而拒绝使用该模型。也有评论认为 Grok 从未进入主流，市场接受度低，且基准可能被游戏化。
• 历史/商业背景：同一天多家模型同时发布（GPT Live、Grok 4.5），竞争白热化。评论指出美国实验室暂停 4 周使其他实验室得以追赶，模型商品化速度加快，“前期投入浪费”的讨论出现。

🔗 原文 · HN 讨论页

Show HN: Microsoft releases Flint, a visualization language for AI agents#

165 pts · 71 comments · microsoft.github.io

📌 内容总结

• Microsoft Research 发布 Flint，一种面向 AI agent 的可视化中间语言（DSL）。用户提供精简的 JSON spec（包含数据、字段语义类型、图表类型和编码映射），Flint 编译器自动推导低层参数（刻度、轴、布局、颜色、格式等），输出到 Vega-Lite、ECharts、Chart.js。
• 支持 46 种图表类型，通过 MCP 服务器集成到 agent 工作流。设计目标是降低 agent 生成可靠、美观图表的成本，避免直接写底层库所需的冗长参数。
• 关键设计：基于语义类型（如 YearMonth, Quantity, Category）自动优化渲染细节；弹性布局模型动态调整尺寸和间距；可以无缝切换渲染后端。

💬 讨论总结

• 共识：中间表示 + 确定性编译器的模式正在成为 agent 系统的常见架构，Flint 是这一方向的有益探索。语义类型推理和布局优化被认为是实用创新。
• 工程经验：评论指出，LLM 在直接生成 matplotlib/Vega-Lite 时虽然成功率高，但在生产环境中遇到一次失败可能带来用户体验问题；Flint 通过简化 spec 和编译器补救，降低了 token 消耗和不确定性。弹性布局算法（如基于“弹簧”模型）被具体讨论。
• 质疑：有经验用户反馈 LLM（尤其 Claude/GPT）直接生成 matplotlib 已足够好，Flint 的优势在简单场景下不明显。JSON 规格被认为对人类不友好，更倾向使用 TypeScript 库来获得类型安全。
• 反对意见：少数评论认为这是微软的“AI 随波逐流”产品，存续时间可能短；也有观点认为 Flint 不过是 Vega-Lite 的简化版，价值有限。另有评论提到类似方案（如 ntcharts、Mermaid）已有社区实践。
• 历史背景：Vega 作为高层可视化语言已有多年，Flint 在其基础上进一步抽象，本质是面向 agent 的压缩语法。Graphviz 也被提及作为类比。

🔗 原文 · HN 讨论页

今日洞察#

编码 Agent 的竞争核心正在经历一次关键切换。今天的三件独立事件——Cognition 发布 SWE-1.7、OpenAI 废弃 SWE-Bench Pro、xAI 联合 Cursor 发布 Grok 4.5——指向同一个方向：性价比正取代基准分数，成为新的行业门槛。

SWE-1.7 的直接信号是“RL 扩展仍有收益”，其训练横跨三大洲数据中心、结合自有 GPU 与外部推理提供商的做法并非技术突破，而是工程优化。但更值得注意的是，Cognition 选择的定价策略——“以几分之一成本逼近前沿”——同时推出的 Cerebras 闪电版和免费月，表明他们将成本作为核心竞争壁垒。

OpenAI 对 SWE-Bench Pro 的审计则暴露了更底层的困境：评估体系已无法跟上模型能力。发现 30% 任务损坏、70% 噪声天花板意味着该基准已无法区分模型真实差距，而 OpenAI 使用“模型驱动的调查 Agent”来审计基准本身就是个有趣的循环论证。当基准无法提供有效信号，厂商的 PR 宣称将变得更加难以验证，行业需要一个新共识。

Grok 4.5 的发布则把这场性价比战争推向了定价层面。$2/$6 每百万 token 对标 Opus 级性能，配合 Cursor 真实编码数据的训练路线，xAI 实际上在复制一个“更便宜、更快”的 Agent 模型配方。值得注意的细节是 HN 评论区对“token 效率”的反复讨论——真正有价值的不是 benchmark 分数，而是完成一个任务需要消耗多少 token 和成本。这将是下一个阶段的衡量标准。