研究：花哨的 harness 让编码智能体更贵但并未更强
一项研究让 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash 和 HY4-Preview 在 Claude Code、OpenCode、mini-SWE-agent 三种 harness 上跑 SWE-bench Verified，发现换 harness 带来的任务结果变化与同一配置重跑相当，通过率差异多在测量噪声范围内。
#评测/基准
The DecoderAI 评分6767 Simon Willison精选AI 评分8282 Kimi K3.1 Pro 上线 Kimi API，承诺 11 月 4 日前开放完整权重
Kimi K3.1 Pro 今日上线 Kimi API，目前尚未开放权重，Moonshot 承诺 2026 年 11 月 4 日前发布完整模型权重。
推荐理由：Kimi K3.1 Pro 以 API 形式上线，价格与部分前沿模型持平，作者实测了三个推理档位的输出。
The Decoder精选AI 评分8282 月之暗面发布 Kimi K3.1 Pro，AA 智能指数距 Claude Opus 5.5 仅差 3 分
月之暗面发布推理模型 Kimi K3.1 Pro，在 Artificial Analysis 智能指数上得分 55，比 K3 提升 11 分，位列第四，仅落后 Claude Opus 5.5（58 分）3 分。
推荐理由：Kimi K3.1 Pro 在多个基准上逼近 Claude Opus 5.5，并计划开放权重，读者可据此比较开源与闭源模型的差距。
The Verge · AI精选AI 评分7878 微软称其 AI 诊断工具在诊断疾病上优于医生
微软称其 AI 诊断工具 Diagnostic Orchestrator 在诊断疾病上最高可比人类医生准确四倍，相关研究周四发表在 Science。该系统由多个 AI 智能体协作推理症状与病史、决定检查项目并给出诊断，基于 OpenAI 的 GPT-5。
推荐理由：微软在 Science 发表研究，用多智能体系统与医生在病例和急诊数据上对比诊断准确率，并计划开源基准 SDBench。
Microsoft ResearchAI 评分2222 微软研究院播客：AI 评测中的“意外失败”能教会我们什么
微软研究院播客中，partner research manager Jennifer Neville 与首席应用科学家 Chad Atalla 讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她同时分享使用当前 AI 系统的实用建议，并强调结果偏离预期时应仔细检查数据。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR。