แท็ก
13 บทความ
3 ก.ย. 2026 Armature เผยผลทดลอง 16,893 เซสชัน ให้ Claude Code, Codex และ Cursor เลือกและติดตั้งบริการภายนอกจริงใน 75 รีโป พบว่าเอเจนต์ทั้งสามเลือกตรงกันแค่ 42% ภาษาของรีโปเปลี่ยนคำตอบได้ทั้งหมด และผู้เขียนเปิดเผยเองว่าขายบริการทำให้สินค้าถูกเอเจนต์เลือก
FrontierHarness Eval รัน 9 harness (12 คอนฟิก) บนโมเดลเดียวกันคือ Kimi K3 กับโจทย์ 30 ข้อ แล้วพบว่าอัตราผ่านห่างกันแค่ 17 จุด แต่ค่าใช้จ่ายต่องานที่ผ่านห่างกัน 17 เท่า — ข้อมูลดิบที่เผยแพร่คู่กันบอกอีกสามอย่างที่หน้าเว็บไม่ได้เขียน
เปเปอร์ FACET (arXiv 19 ส.ค. 2026) เสนอวิธีสร้างโจทย์สำหรับเทรน terminal agent โดยผูกคำสั่ง สภาพแวดล้อม เฉลย และตัว verifier ไว้กับ state ของคอนเทนเนอร์เดียวกัน ได้โจทย์ที่ผ่านการตรวจจริง 6,078 ข้อ และเมื่อ fine-tune Qwen3.5-27B ด้วย trajectory เพียง 1.2K คะแนน Terminal-Bench 2.1 ขึ้นจาก 40.82 เป็น 47.57 ห่างจากโมเดล 397B แค่ 1.49 แต้ม
20 ส.ค. 2026 ทีมจาก Shanghai Innovation Institute และมหาวิทยาลัยฟู่ตั้นปล่อย SWE-bench Science — 119 งานจาก 98 รีโปจริง ครอบคลุม 20 สาขาวิทยาศาสตร์ ผลคือเอเจนต์ที่เก่งที่สุด (Claude Code + Opus 5 โหมด max) ได้ Pass@1 แค่ 47.90% ทั้งที่ผ่านเทสต์สาธารณะ 96.64% และการป้อนความรู้วิทยาศาสตร์เพิ่มกลับทำให้ GPT-5.6-sol แย่ลง
20 ส.ค. 2026 จดหมายถึงนักลงทุนที่ Newcomer ได้มาเผยว่า NVIDIA ทำดีลไลเซนส์แบบไม่ผูกขาดมูลค่า 6 พันล้านดอลลาร์เพื่อเอา Model Factory ระบบสร้างโมเดลของ Poolside ไปใช้ พร้อมยื่นข้อเสนอจ้างพนักงาน 109 คนที่ทำโมเดล Laguna และลงทุนเพิ่มอีก 1 พันล้านที่มูลค่าก่อนเงินเข้า 1.2 หมื่นล้าน
Google ปล่อย Gemini 3.7 Flash เมื่อ 13 ส.ค. 2026 ห่างจาก 3.6 Flash เพียงสามสัปดาห์ — DeepSWE v1.1 ขยับจาก 49.0% เป็น 65.3% และ FrontierCode จาก 34.4% เป็น 43.6% ที่ราคาแนะนำ $0.75/$3.75 ต่อล้านโทเค็น แต่ราคานี้จะขึ้นเป็นเท่าตัววันที่ 1 ม.ค. 2027
xAI ปล่อย Grok 4.6 เมื่อ 12 ส.ค. 2026 ทำคะแนน Artificial Analysis Intelligence Index ที่ 61 เท่ากับ GPT-5.6 Sol ตามหลัง Claude Opus 5 เพียง 2 คะแนน แต่ราคาอยู่ที่ $2/$6 ต่อล้านโทเค็น พร้อมคอนเท็กซ์ 500K — โดยมีเงื่อนไขราคาที่กระโดดเป็นสองเท่าเมื่อพรอมป์ต์เกิน 200K โทเค็น
11 สิงหาคม 2026 Microsoft ปล่อย MAI-Code-1.1-Flash เข้า GitHub Copilot — MoE 138B พารามิเตอร์ active 5B context 256K เพิ่มอินพุตภาพ และลดราคาลิสต์ลง 73% แต่ตัวเลขใน model card บอกว่า SWE-Bench Verified ขยับจาก 71.6 เป็น 72.6 เท่านั้น ที่กระโดดจริงคือ Terminal Bench 2.1
รายงานภาคสนามจาก OpenAI ร่วมกับนักวิจัย 20 คนจาก UNC, AI2, Harvard, NVIDIA, Seqera และอื่น ๆ เล่า 8 เคสจริงที่ใช้ Codex และ Claude Code ปรับปรุงซอฟต์แวร์ชีวสารสนเทศ — เร็วขึ้น 60 เท่า เขียน STAR ใหม่ทั้งตัวเป็น Rust ที่ความตรง 99.8% แต่ข้อสรุปหลักคือคอขวดย้ายจากการเขียนโค้ดไปอยู่ที่การตรวจสอบ
Alibaba เปิด Qwen3.8-Max ให้นักพัฒนาทั่วโลกใช้ผ่าน API วันที่ 3 ส.ค. 2026 พร้อมเปิดเบตา QwenWork — โมเดล MoE 2.4 ล้านล้านพารามิเตอร์ คอนเท็กซ์ 1M รับภาพและวิดีโอ ราคา $2/$6 ต่อล้านโทเค็น และประกาศว่าจะปล่อยน้ำหนักเปิดของทั้ง Max และ Qwen3.8-27B ในสัปดาห์หน้า ซึ่งจะเป็นครั้งแรกที่ Qwen ชั้น Max เปิดน้ำหนัก
Supabase ปล่อย Evals เบนช์มาร์กโอเพนซอร์สที่รัน coding agent จริงกับงาน 38 สถานการณ์ — สร้างสคีมา ดีบัก Edge Function ที่พัง แก้ RLS ที่รั่ว — แล้วให้คะแนนด้วย deterministic check ผสม LLM-as-a-judge ผลที่น่าสนใจไม่ใช่ใครชนะ แต่คือ Agent Skills ดัน Sonnet 5 จาก 78% เป็น 100% ในขั้น build
Cognition เปิดตัว SWE-1.7 โมเดลวิศวกรรมซอฟต์แวร์ที่แรงที่สุดของบริษัท สร้างโดยเอาโมเดลเปิด Kimi K2.7 Code มาโพสต์เทรนด้วย RL ภายในฮาร์เนสจริงของ Devin ทำคะแนน FrontierCode 1.1 ที่ 42.3%, Terminal-Bench 2.1 ที่ 81.5% และ SWE-Bench Multilingual ที่ 77.8% ให้บริการผ่าน Cerebras ที่ความเร็ว 1,000 โทเคนต่อวินาที
OpenAI เผยผลตรวจสอบเบนช์มาร์ก SWE-Bench Pro ของ Scale AI พบว่าราว 30% ของโจทย์ในชุดสาธารณะ 731 ข้อมีข้อบกพร่องเชิงออกแบบ — เทสต์เข้มเกินไป, โจทย์ระบุไม่ครบ, เทสต์ครอบคลุมไม่พอ, และคำสั่งขัดแย้งกันเอง — จนบริษัทถอนคำแนะนำเดิมที่เคยบอกให้วงการใช้เบนช์มาร์กนี้เป็นตัวหลักวัดความสามารถด้านโค้ด