9 月 24 日，一名 Reddit 网友以 Zealousideal_View_12 为昵称发帖称，其使用 Anthropic 的 Claude Opus 5.5 模型，耗时约 1 小时从零生成出一个实时硬件加速路径追踪器。整个过程没有人工编写图形 API、着色器编译或并行执行相关的专业代码。

该模型编写了 C++ 与 CUDA 代码库，并借助 NVIDIA OptiX 9.1，直接调用现代 GPU 的专用 RT 核心与 Tensor 核心。

提示词写了什么

网友给出的初始提示词要求：构建一个由 NVIDIA CUDA RTX 与 Blackwell 内核加速的完整光追演示，调用他的两块 RTX 5090 显卡，并展示漫反射、金属反射、光泽度与粗糙度、透明度、半透明以及自发光等效果。帖子未说明后续是否存在追加与修改。

双卡协同：横向切分每一帧

渲染器采用双 GPU 分帧多适配器管线：系统横向切分每一帧，将不同的图像行分配给两块显卡，并根据实时负载动态调整任务分配，以维持双卡协同。尽管存在主机与设备之间的内存同步开销，该引擎仍保持 34 FPS，每秒处理 2.67 亿次光线采样。

用上了哪些现代渲染技术

在算法层面，项目采用了 Shader Execution Reordering（SER），在 GPU 上动态重组光线路径，防止复杂反射时出现管线停顿；同时结合 Next-Event Estimation（直接采样光源）与 Multiple Importance Sampling（多重重要性采样），以准确处理光照分布与柔和阴影。

为何不重用开源，而是从零生成

有网友在帖中提问：既然已有多款开源渲染器，为何不直接使用，而要让 Claude 消耗算力「重新发明轮子」？发帖者回应称，硬件专用内核与优化是原因之一；另一个现实考量是幻觉风险——成熟的开源渲染引擎动辄数百万行代码并带有严格的构建依赖，将其全部喂入 AI 上下文窗口既消耗大量 token，又可能让模型破坏构建依赖。从一个干净的工程从头生成，能显著降低幻觉概率，并在约 60 分钟内得到可运行的结果。

这并非孤例。此前 Claude 还曾被用于编写四足机器人的固件（细化到执行器、激光雷达与电源线），以及从零协助设计一块 PCB。一小时写出一个光追引擎，只是其不断变长的「简历」上新添的一行。

Qoder 是阿里推出的 AI 编程智能体产品，此前已支持主流操作系统。此次上线鸿蒙 PC 应用市场，是其向国产操作系统生态的进一步落地。据介绍，Qoder 团队与鸿蒙团队进行了紧密配合，重点解决了几个关键问题：首先是让 Qoder 的完整任务闭环——从理解意图、拆解步骤、调用工具到交付结果——在鸿蒙系统上流畅运行，确保核心体验不打折；其次是充分发挥鸿蒙 PC 的系统级能力，支撑 Qoder 的多 Agent 协同、代码执行和文件操作等核心场景。

自然语言驱动，多 Agent 协同

在鸿蒙 PC 上，开发者可以用自然语言描述需求，由 Qoder 自主完成代码编写、重构、问题排查和功能测试。Qoder 具备深度代码库理解能力（Deep Codebase Awareness），能够基于真实的项目背景和工作环境完成任务；还支持前端开发（Frontend Dev）、后端开发（Backend Dev）、质量保障（QA）等多个 Agent 角色协同工作。

值得关注的是，在通用模式下，用户即使不接触代码，也能借助 Qoder 的编程与工具能力完成日常工作，包括文档处理、演示文稿生成、资料研究和数据分析。一个 Agent 即可覆盖多种高频办公场景，无论是否具备编程基础，都能将想法快速转化为可落地的成果。

生态意义

从行业视角看，随着鸿蒙 PC 生态的逐步完善，开发工具链的适配成为生态建设的关键一环。Qoder 的加入，为鸿蒙电脑上的开发者提供了一套端到端的 AI 辅助编程方案，也为后续更多 AI 工具登陆鸿蒙平台提供了参考样本。

争议从哪里来

据社区讨论，有用户指出 ZCode 会在登录状态下将本地仓库数据上传。官方在回应中将问题归因于 ZCode 的”代码库索引”功能——该功能用于在本地生成仓库索引，以支持会话检查点恢复、历史版本回退及 Repo Wiki（代码仓库知识库）等能力。

官方说明，Repo Wiki 在生成 Wiki 页面（知识库页面）时，可能会触发仓库数据上传；Wiki 页面在云端生成后，相关上传数据会立即销毁、不会保存。由于该功能上线初期处于默认开启状态，部分用户并未主动启用也被纳入上传链路，这正是社区质疑”偷传代码”的直接由来。

官方回应与补偿

智谱 ZCode 于 9 月 18 日通过官方群组发布情况说明，向受影响用户致歉，并将问题定性为功能设计层面的越界，而非恶意收集数据。官方表示相关问题目前已经修复。

针对外界对数据安全与产品信任的关注，官方给出两条透明化路径：一是近期开源 ZCode 代码库，让外部可以直接检视实现细节；二是邀请第三方评估人员对系统运行情况进行审查，并持续公开产品审查进展。

此外，ZCode 宣布为全体用户额外提供一次周额度重置，相关额度自 9 月 18 日起发放，补偿覆盖全部用户而非仅限受影响用户。

评测成绩：76.7% 通过率登顶

根据 FrontierHarness Eval 本轮评测结果，MiniMax Code 取得了 76.7% 的任务通过率，成功任务耗时中位数为 4 分 33 秒，两项指标均优于报告所列公开基线。

官方在评测说明中补充，本轮测试使用 MiniMax Code 0.3.2 版本与 FrontierHarness Eval 默认的 Kimi K3 模型，共评测 30 道任务，其中 23 道通过、4 道未通过、3 道超时未评分，通过率按全部 30 道计算。结果为第三方评测，与公开基线在供应商、checkpoint 方式及部分任务时限口径上存在差异。

在 FrontierHarness Eval 公开榜单中，MiniMax Code 以 76.7% 的通过率领跑，高于 Codex 的 67.8%、DSH Creator 的 66.7% 与 Claude Code 的 63.3%，也明显领先 OpenCode、Hermes 等同类工具。

开源意味着什么

MiniMax 表示，希望通过开源让开发者审视工具调用与权限处理机制，构建可靠的企业级应用，同时也让社区参与发现问题、贡献修复，使安全机制在实际使用和审查中持续完善。

MiniMax Code CLI 目前仍处于高速迭代阶段。开发者可通过官方脚本快速安装：macOS、Linux 与 WSL 执行 `curl -fsSL https://filecdn.minimax.chat/public/install.sh | bash`，Windows 用户使用 PowerShell 执行 `irm https://filecdn.minimax.chat/public/install.ps1 | iex`。源代码已托管于 GitHub，客户端可在 MiniMax 官网下载。

三款工具的产品形态

三者在「长什么样、怎么用」上走了完全不同的路线：

– Cursor：构建在 VS Code 之上的 AI 原生代码编辑器，提供图形界面（GUI），支持多模型切换，上手门槛低，适合习惯在编辑器里写代码的开发者。 – Claude Code：Anthropic 推出的终端（命令行）编程智能体，强调代理式执行，能够自主读写文件、运行命令并迭代修复，适合复杂项目的重构与跨文件改造。 – Codex：OpenAI 的云端自主编程代理，任务在沙盒云端虚拟机中异步运行，适合把「让 AI 长时间自动干活」这类工作流交给它。

价格区间

三款工具的入门价格均在每月 20 美元左右：Cursor Pro 约 20 美元/月，Claude Code 走 Claude 订阅体系（Pro 约 20 美元/月），Codex 随 ChatGPT Plus（20 美元/月）可用或按 API 用量计费。对个人用户而言，起步成本接近，重度使用才需要升级更高档位。

怎么选：看场景而非看参数

– 日常写代码、改小需求：Cursor 最容易上手，补全与建议体验顺滑。 – 跨多文件的大改造、项目重构：Claude Code 的代理能力更强，但命令行操作对新手有门槛。 – 长时间自动化任务、脚本与流水线：Codex 适合让 AI 在云端异步跑完一整段工作。

三款工具并不冲突，不少开发者会两三个搭配使用。

中国开发者的可用路径

这三款国际工具均需要访问对应的海外服务。对于中国开发者，国内市场也有替代方案可选，例如字节跳动的 Trae、阿里的通义灵码等 AI 编程产品，在合规接入与本地化体验上更贴合国内环境。选择时可优先考虑团队实际的访问条件、数据安全要求与协作习惯。

小结

选 AI 编程工具，先想清楚自己「主要在什么界面、做什么类型的任务」。GUI 派选 Cursor，终端代理派选 Claude Code，云端异步派选 Codex；若更看重国内可用与合规，可把国产替代方案纳入首选清单。

阿里开源模型再进化

据 IT之家此前报道，阿里巴巴于今年 8 月开源 Qwen3.8-27B 模型。相比上一代 Qwen3.6-27B，新模型在编程与办公场景下的性能大幅提升，表现甚至超越了参数规模更大的 Qwen3.7-Plus。该模型还新增了 reasoning_effort（推理强度）功能，可根据任务难度自动调节思考深度，在保障效果的同时更节省算力资源。

单卡跑通大模型游戏开发

此次测试的意义在于验证了消费级显卡运行大参数模型的潜力。测试者表示，选择 Qwen3.8-27B 是为挑战本地部署的性能上限。硬件方面，整套方案仅使用一张 RTX 3090 显卡，并借助微星（MSI）Afterburner 工具进行超频，频率提升约 12%。模型则采用 Q4KM 量化版本——这是 GGUF 格式中一种 4-bit 混合量化档位，能在显存受限的设备上显著降低资源占用。

开源生态降低创作门槛

从调用本地推理框架到产出可玩成品，整个过程约 5 小时完成，显示出通义千问系列模型在代码生成与多轮协作上的进步。对普通玩家与独立开发者而言，这类开放权重的模型意味着无需依赖云端算力，也能在自家显卡上完成游戏原型、工具脚本等创意项目，本地大模型的实用边界正被不断拓宽。

2026年Claude主力型号一览

下表整理已公开的核心型号与定位（价格以已公布的4.6代为准，Fable 5.1、Mythos 5.1、Opus 5、Sonnet 5的官方定价以Anthropic最新公告为准）：

百万级上下文：不再需要开Beta

对开发者影响最大的变化之一，是Claude Opus 4.6与Sonnet 4.6的100万token上下文自2026年3月14日起转为正式商用（GA），在标准定价内全额覆盖，不再需要Beta头，也没有超额溢价。每次请求可上传的图片或PDF页数从100个提升到600个。Opus 4.6在长上下文召回基准MRCR v2上得分78.3%，领先同期前沿模型。

Fable 5.1 与 Opus 5 怎么选

如果任务是重度编码、复杂知识工作或长文档分析，Fable 5.1与Mythos 5.1是当前Anthropic的旗舰选择；若希望以更低成本拿到接近前沿的智能，Claude Opus 5是更务实的档位——它在保持”深思熟虑、主动”特性的同时，把价格压到Fable 5的一半。对绝大多数日常场景，默认的Sonnet 4.6（已是claude.ai与Claude Code的默认模型）已经足够。

普通用户最该关注的三个变化

一是Sonnet 4.6成为默认模型，打开新对话即生效，日常回答质量较上代提升；二是Microsoft 365连接器已向所有套餐（含免费版）开放，连接Outlook、OneDrive后可让Claude直接读取邮件与文档；三是自2026年4月起，通过OpenClaw等第三方框架使用订阅额度的路径被收紧，继续使用需切换到API计费或改用Claude Code、Claude Cowork等官方工具。

一句话结论

重编码与知识工作选Fable 5.1与Mythos 5.1，追求性价比选Opus 5，日常默认Sonnet 4.6；而100万token上下文的正式商用，让长文档与代码库处理不再有”超限焦虑”。

本文据Anthropic官方发布说明（2026年9月）及平台文档整理，型号定价以官方最新公告为准。

评分是怎么来的

下表综合自掘金社区《2026 年热门 AI 编程工具横评》、极客日志及腾讯云开发者社区等多份实测，满分为 10 分，由一线开发者在代码补全、上下文理解、Agent 能力、响应速度、生态集成与中文支持等维度打分。

数据截至 2026 年 9 月，价格来自各产品公开定价与 CSDN 实测，评分为社区横评参考值，非官方基准。

国产工具为什么中文更强

中文支持一栏中，通义灵码、文心快码、Trae 均拿到 9.0 以上高分。原因在于这些工具针对中文技术文档、国内主流框架（如 Vue、Spring Cloud、微信小程序）做了专项优化，在中文注释理解、本地报错解读、国产接口调用上更顺手。Claude Code、Cursor 虽在代码生成与架构理解上领先，但中文语境下的“语感”仍逊一筹。

贵的一定好吗

单看综合分，Claude Code 以 9.3 居首，但其月费高达 100–200 美元，且响应速度评分仅 7.5；GitHub Copilot 月费约 10 美元、响应速度 9.5，对日常补全性价比极高。对预算敏感的个人开发者与初创团队，通义灵码、Trae 的免费档已能覆盖大部分场景。换言之，分数差距远小于价格差距，“够用且便宜”往往比“单项最强”更划算。

按角色怎么选

个人开发者快速验证创意，首选 Trae、通义灵码等免费且中文友好的工具；重度重构、复杂多文件任务，Claude Code 与 Cursor 的 Agent 能力更稳；企业团队追求管理成本与生态成熟，GitHub Copilot 仍是安全牌；深度依赖阿里、百度云生态的团队，可优先考虑通义灵码与文心快码的无缝集成。

AI 编程工具会取代程序员吗？

不会。当前工具擅长补全、生成与重构，复杂架构决策、业务理解与调试仍需人来把控。更准确的说法是“用 AI 的程序员取代不用 AI 的程序员”。

免费工具够用吗？

对个人学习与中小项目基本够用。免费档通常在并发、上下文长度与企业安全合规上有上限，规模化生产环境建议升级付费或私有化部署。

国内团队选哪个最稳？

重视中文与本地框架选通义灵码；已在微软生态用付费选 GitHub Copilot；要数据自主管私有化选支持本地部署的开源方案。可先用免费档跑通原型再决定。

本文基于掘金社区《2026 年热门 AI 编程工具横评》、CSDN 开发者实测及各家官方定价页（截至 2026 年 9 月）综合整理，评分为社区横评参考值，实际体验以个人项目为准。

这已经是五天内的第三次调整。

五天三次变卦

9 月 9 日，DeepSeek 首次公告：在 V4.1 Pro 上线之前，会把对 V4 Pro 的请求全部路由到 V4.1 Flash，并按 V4.1 Flash 单价计费。

9 月 10 日，公司发布 V4.1 Flash 模型，同时宣布把 V4 Pro 的下线时间明确到北京时间 2026 年 9 月 14 日 12:00。

9 月 11 日，下线决定取消。按最新口径，deepseek-v4-pro 这个模型名将长期存在，调用它拿到的仍然是 V4 Pro，价格维持原有水平。

接班的新模型，到底差在哪

V4.1 Flash 是 DeepSeek 全新模型结构系列中尺寸最小的一款，总参数 552B，采用 Causal-Encoder-Decoder 非对称结构：输入阶段每 token 只激活 8B 参数，输出阶段激活 16B。它具备原生多模态视觉理解能力，上下文长度 100 万 token，最大输出 384K，并以 MIT 许可在 Hugging Face 开源。

官方说法是，经多方测试，V4.1 Flash 在性能、费用、速度、总用时等各项指标上已全面超越 V4 Pro。

但把模型卡上的 instruct 对比逐项摊开，结论要复杂一些：Codeforces 评分从 3348 升到 3471，提升 123 分；MathArena Apex 从 65.3 微升至 65.6；而 GPQA Diamond 从 92.4 降到 90.9，HLE（无工具）从 42.7 降到 36.8。

换句话说，这是一次用知识类分数换取代码、数学、智能体执行能力和价格的交易，而非全面领先。对重度依赖长链条推理与知识密集型任务的团队，这种取舍并不总是划算——这也是 V4 Pro 被保留下来的直接原因。

便宜这么多，靠的是什么

V4.1 Flash 的成本优势主要来自两处。

一是非对称激活。同尺寸模型中，它的单 token 激活量明显更低。

二是 KV Cache 压缩。与上一代相比，V4.1 Flash 对 HBM 的需求降到四分之一，对 SSD 的需求降到八分之一，全局 KV Cache 压缩到每 token 890 字节。在智能体场景中，缓存命中费用往往占总成本的大头，缓存压得小，账单就跟着降。

现行价格对照

DeepSeek 继续沿用峰谷定价：高峰时段为北京时间周一至周五 9:00 至 12:00、14:00 至 18:00，其余为闲时，闲时价格为高峰时段的一半。计价单位均为每百万 tokens。

deepseek-flash 闲时价格为：输入缓存命中 0.02 元、缓存未命中 1 元、输出 4 元；高峰时段分别为 0.04 元、2 元、8 元。

deepseek-v4-pro 闲时价格为：输入缓存命中 0.15 元、缓存未命中 4.5 元、输出 13.5 元；高峰时段分别为 0.30 元、9.0 元、27.0 元。

两者输出价相差约 3.4 倍，这正是迁移的经济动力所在。

给开发者的三点提醒

第一，模型名不再等于模型本身。此前 deepseek-v4-flash、deepseek-v4-flash-vision-exp 两个旧模型名已经下线，出于兼容暂时路由到 V4.1 Flash。只靠锁定模型名来锁定能力的做法，在这次事件中已经失效。

第二，V4 Pro 得以保留，但 V4.1 Pro 尚未上线，也没有给出时间。推理能力要求高的业务，短期内仍应把 V4 Pro 作为主要选项，并预留回退方案。

第三，如果业务对价格敏感、对时延和吞吐要求高，把负载切到 deepseek-flash 更划算；批量、非实时的任务安排在闲时执行，成本还能再降一半。

不用改一行配置，模型自动升级

升级最省心的一点是 Model ID 保持不变，仍为 kimi-for-coding。这意味着命令行工具、VS Code 扩展以及已经接入 Kimi Code 的第三方应用都不需要修改任何配置——Base URL、API Key、调用方式全部沿用原样，用户什么都不用做，手里的工具就自己变强了。

需要注意的是，官方提示不要把模型显示名”K2.8 Preview”直接填进 Model ID。自行创建 API Key 时，OpenAI 兼容接口的 Base URL 为 https://api.kimi.com/coding/v1，Anthropic 兼容接口为 https://api.kimi.com/coding/。

在客户端里切换模型也有明确路径：Kimi Code 命令行输入 /model 后从列表中选择 kimi-for-coding，若列表未刷新，可先执行 /logout 再 /login；VS Code 版则在输入框的模型下拉菜单中选择。

三档思考强度，与 K3 完全对齐

K2.8 Preview 支持 thinking effort 档位调节，提供 low、high、max 三档，默认使用 max，档位设计与 K3 的思考等级保持一致。简单补全可以降低档位换取速度，复杂重构、跨文件排查则保留默认设置。

另一条容易被忽略的规则是：关闭 thinking 之后，K3 系列与 K2.8 Preview 的请求都会路由到 K2.8 Preview 的无思考版本。也就是说，追求响应速度时可以把简单任务和深度任务拆开处理，两者互不干扰。

百万上下文向所有会员开放

上下文窗口是本次升级的另一个重点。K2.8 Preview 提供最高 1,048,576 token（约 100 万）的上下文窗口，且全部会员档位均可使用，不再受会员等级限制。图片和视频输入同样在支持范围内，调试录屏、界面截图和代码文件可以放在同一条任务里分析。

作为对比，Kimi Code 目前的模型矩阵是：K3（k3，2.8 万亿参数规模，1M 上下文，Moderato 及以上会员可调）、K3-256k（k3-256k，262,144 上下文，仅支持图片输入）、K2.8 Preview（kimi-for-coding，1M 上下文，所有会员可用）、K2.7 Code HighSpeed（kimi，262,144 上下文，面向更看重输出速度的编码任务）。

官方给出的定位也很清晰：日常代码补全、功能开发和常规仓库任务优先使用 K2.8 Preview；需要更强的长程推理和复杂工程能力时再切换到 K3。

百万上下文怎么用才不浪费

上下文变长不等于可以无脑堆料。官方给出的建议是，把任务目标、完成标准和不能改动的目录写在开头，再让模型自行搜索相关文件，比把整个仓库和全部历史对话反复贴进去更省。

具体到不同场景：处理大仓库时，先让模型列出与目标功能有关的入口、调用链和测试文件，确认范围后再开始修改；处理长文档时，先要求模型定位章节、表格和结论，再对命中的部分做摘要、改写或交叉检查；处理多轮任务时，每完成一个阶段就保留决策、改动文件和待办事项的短摘要，后续对话引用这份摘要，减少无关历史占用上下文。

还有一个实操提醒：切换模型或思考档位后，旧会话的上下文缓存可能无法命中，刚切换时消耗会偏高。长任务建议新开会话，再把任务目标、目录结构和关键约束写清楚。

从性价比角度看，K2.8 Preview 保留了原来的接入方式，又把更长上下文和可调思考带进日常工作流，对大多数开发任务来说，它已经是 Kimi Code 里更顺手的默认选项。