阿里發佈全新Qoder ，面向所有人的智能體工作臺來了
8月27日，阿里發佈全新Qoder，這是一款以Coding為核心能力，面向所有人的智能體工作臺。全新Qoder採用更加簡潔、以任務為中心的用戶界面。用戶不必從代碼開始，只需用自然語言描述目標，Qoder即可調用Coding和工具能力，完成開發、原型製作、數據處理等任務。全新Qoder延續了Qoder過去一年在Agent Harness上的積累，內置包括Qwen3.8-Max在內的多款前沿模型，並提供Auto智能調度能力，可根據任務特點，在效果、速度和成本之間匹配合適的模型。
Qoder支持40多個連接器、70多個插件和2萬多個技能，可將代碼倉庫、項目管理、雲服務及內部工具等工作系統接入AI工作流，讓智能體基於真實的項目背景和工作環境完成任務。面向不同的任務場景和用戶，Qoder還提供編程和通用兩種模式，編程模式更適合開發者和代碼相關任務，通用模式則面向更廣泛的用戶和場景，用戶無需直接處理代碼，也能借助Coding和工具能力完成任務。
在此基礎上，Qoder還為長程任務和複雜任務設計了 Plan（計劃）、Goal（目標）和側邊任務等功能：Plan在執行前梳理需求、方案和步驟；Goal圍繞明確目標持續執行，並在過程中驗證結果；側邊任務用於處理主任務中的細節或衍生問題，不打斷當前主線。在交互方式上，全新Qoder引入桌面寵物和實時語音能力。用戶可以通過語音發起和跟進任務，並隨時查看、調整或接管執行過程。此外，Qoder還提供速記板、錄音紀要和實時語音討論等功能，進一步豐富信息記錄與溝通方式。
例如，用戶可以通過實時語音提出“先分析這個模塊的重構方案”，Qoder會結合項目上下文生成計劃；用戶確認方向並補充“加入緩存”等要求後，再繼續執行和驗證。整個過程中，用戶可以邊說邊調整，不必每次重新整理完整指令。目前，Qoder產品家族包括全新Qoder、Qoder IDE、Qoder CLI、Qoder JetBrains 插件、Qoder 移動端、數字員工產品QoderWake和Qoder Cloud Agents。自2025年8月面向全球發佈以來，Qoder已服務全球超過600萬用戶和超過10萬家企業客戶。
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。