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。
用了一段时间DeepSeek-v4-pro
更多动态
如果你也在用龙虾 🦞，这个工具能让它们变得更聪明
Pieces.app 是一个安装在你自己电脑上的 AI 长期记忆引擎，支持 macOS、Windows 和 Linux。 它在后台自动记录你的工作上下文，VS Code / Cursor 里的代码和报错、浏览器里看过的文档和复制的内容、截图（OCR 识别图片中的代码）、会议录音转写，还有 Slack / GitHub / Google Drive 的协作记录。所有数据本地处理，不上云。屏幕录制和录音是可选权限，你自己决定开不开。 我觉得有意思的是它的 MCP Server。Pieces 在本机暴露了一个 HTTP 服务，任何支持 MCP 的 AI Agent （Open Claw / Hermes）都能直接调用你的本地记忆。我的玩法是用 Tailscale 把几台设备组到同一个私有网络里，让另一台机器上跑的 Hermes 通过内网 IP 直接连 Pieces 的 MCP Server，本地记忆变成了跨设备可调用的私有服务，不暴露公网。 你所有的 AI 工具，不管在哪台设备上，从此都能共享同一份“了解你过去”的记忆库。 🔗 pieces.app
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。
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。
