分享下我自己Claude code的搭配，用起来很舒服
先用docker容器部署cpamc将所有AI聚合统一调用，例如GPT、DeepSeek、百炼（qwen和glm），再用cc-switch配置不同的模型。
vibe coding流程是先plan模式，用GPT做规划；再auto模式，用便宜的模型完成计划；最后在原窗口切回GPT review下diff，可以就提交，不行就返工给便宜模型。
分享下我自己Claude code的搭配，用起来很舒服
更多动态
用了一段时间DeepSeek-v4-pro
，后端它和Mimo-v2.5-pro坐一桌，在gpt的review下，它的返工率不低。 也可能是它对claude code兼容性差。反而上一代glm5，用claude code写后端完成度还可以，听说glm5.1和claude code更是绝配。
Claude Opus 4.8 发布了
这次升级没堆跑分，只对 Agent 工作流进行了改进。 1. 判断力更强：复杂重构时少走弯路，无效编辑变少。 2. 自我评估更诚实：不再瞎自信，做到哪一步、哪里有风险，会如实告诉你。 3. 独立工作更持久：在 Claude Code 里跑长任务，连贯执行能力更强，中途需要你介入确认的次数明显减少。 之前 Opus 4.7 已经是 Coding Agent Index 第一，4.8 出来后，这个差距将会继续拉大。
美团 LongCat-2.5发布了。
1.6T 总参、激活约 48B，原生多模态，主推长程智能体，全程国产算力训练。 图像量化成多级离散 token，Visual Coding 与 3D 受益。 大规模长程 RL，把失败轨迹转成可验证训练任务。 W4A4 推理，prefill 吞吐提升 43%。 官方自测介于 Claude-Opus-4.8 与 Opus-5 之间。
商汤开源 SenseNova Loop-9B-Preview。
它不堆参数，堆"层数"。32 层解码器，中间 4–27 层同权重跑两遍 → 前向 56 层计算，只存 9B。 自测 BIRD-Dev 71.38、AutomationBench 13.72，超 Qwen3.5-27B；Terminal Bench依旧落后。
