定位：做前沿代码模型的研究机构
官网首页的第一句话把方向写得很清楚：正在构建前沿代码模型，用来自动化软件工程与研究。它同时给出了信念层面的理由——认为通往安全通用智能最有希望的路径，是把 AI 研究与代码生成自动化，从而比人类单独做得更可靠。这种「先自动化研发本身」的路线判断，决定了它更像一个研究机构而不是产品公司：官网上没有定价页，也没有公开接口或权重。
深度介绍
Magic.dev详细介绍
四条技术支柱
官方把实现路径拆成四块：超大规模预训练、领域特定的强化学习、超长上下文，以及推理期算力。这四项的组合解释了它的取舍——不是靠堆最大的集群，而是把上下文长度、训练效率与推理时的思考深度一起用上。官方在最新的研究更新里进一步收窄了判断：预训练、代理式强化学习与长上下文这三件事，足以构建出超越人类的编程智能体并自动化 AI 研发。
最新研究：预训练算力效率
官方在 2026 年 9 月发布了预训练效率的研究更新。开头就承认一个现实：前沿预训练被认为是只有大厂才玩得起的游戏，而他们没有十万张卡，所以只有一条路——算法效率。官方称经过持续复利式的改进，其预训练配方现在比领先的开放权重基座模型高出十倍以上的算力效率；在评测中，达到对手同等水平的算力约为一小部分，规模约相当于早期千亿级模型预训练算力的一半。
怎么证明效率：比特每字节与缩放定律
方法上有两点值得记。第一，用「比特每字节」损失作为指标——它可以抹平不同分词器带来的差异，从而使跨模型的比较更公平。第二，在留出数据上拟合缩放定律，据此推算达到某一能力水平需要多少算力，而不是只报一个跑分。官方还说明了评测数据的干净程度：去掉了内嵌的第三方代码，并剔除任何与训练语料在 96 字符归一化窗口上匹配、或相似度超过阈值的文档。
按领域拆解的效率提升
官方在 167 个领域上分别拟合缩放定律，并给出各领域的算力效率倍数。这项分析的价值在于把「哪里提升最多、哪里还有缺口」摊开：他们既看代码与推理，也刻意评测被降权的领域（例如人物事实、本地新闻、体育赛事），用来平衡数据配比的取舍，而不是只刷擅长的榜单。对做数据配方的人来说，这种按领域给出的效率曲线比单一总分更有参考价值。
长上下文：从 500 万到 1 亿 token
这条路线的起点是长上下文。官方在 2023 年发布了上下文长度 500 万 token 的早期模型，主打「看到你的整个代码仓库」；2024 年又把研究推进到 1 亿 token 上下文的量级，并在同一次更新里公布了云厂商合作与新一轮融资。把时间线连起来看，超长上下文不是后来的补丁，而是他们最早押注的方向，预训练与强化学习是后续叠加的两条腿。
对工程细节的坦白
研究更新里有一段少见的老实交代：2024 年底他们训练了一个为超长上下文设计架构的小型稠密模型，随后几次放大规模的尝试以各种方式失败；教训是必须先打好稳定的地基——平滑收敛、低精度训练质量与全精度相当、快速稳定的基础设施、正确的超参数缩放规则，而最重要的是「把 bug 找出来」。这类失败复盘通常不写进对外材料，它反而比结论更能说明这条路线的难度。
团队、算力与资金
官网公开的信息包括：团队规模很小，由工程师与研究者组成，专注一份很短的、直通通用智能的根本问题清单；算力方面有数千张新一代加速卡；融资累计 7.68 亿美元，投资方名单在官网列出。它也公开了安全说明页面与漏洞披露流程，属于研究机构里比较规范的做法。需要提醒的是，这些都属于机构自述与公开信息，页面上看不到可试用的产品，评估时不要把它当成可采购的服务。
产品特点
核心功能与独有价值
用算力效率而不是算力规模竞争
官方承认自己没有十万张卡，所以把全部筹码押在算法效率上，并宣称预训练配方比领先的开放权重基座模型高效十倍以上。对关注训练成本的团队，这套「比特每字节加缩放定律」的论证方式比单纯比跑分更有信息量。
长上下文是最早押注的方向
从 2023 年 500 万 token 上下文的早期模型，到 2024 年推进到 1 亿 token 量级的研究，超长上下文始终是这条路线的起点，而不是后期补丁。想了解长上下文工程的实际边界，这条时间线本身就是可参考的材料。
按 167 个领域给出效率曲线
官方在 167 个领域分别拟合缩放定律并报告算力效率倍数，还刻意评测被降权的领域来衡量数据配比代价。对做数据配方的人，这种按领域拆开的证据比一个总分更能指导决策。
公开失败过程而非只报结论
研究更新里写了他们放大规模时接连失败、以及必须先解决低精度训练质量与超参数缩放才谈得上效率。对外材料里少见这种交代，它让公开的结论更可信，也提示了这条路线的真实难度。
最近动态
重要更新
九月：发布预训练算力效率研究更新
官方发布预训练方向的更新，称其配方比领先的开放权重基座模型高效十倍以上，并以「比特每字节」损失加缩放定律的方式给出论证：达到对手同等水平的算力约为一小部分，继续放大规模后又超过了所有公开可得的开放基座模型。文章同时说明了评测数据如何剔除内嵌第三方代码与高相似度文档，并按 167 个领域给出效率倍数，也回顾了早期放大规模失败的经验。
八月：推进到 1 亿 token 上下文
官方发布超长上下文的研究更新，把上下文规模推进到 1 亿 token 量级，并在同一次更新里公布与云厂商的合作以及新一轮融资。这次更新把「超长上下文」从早期模型的能力展示，提升为一条与算力和数据配套的工程路线，也解释了为什么该机构把长上下文列为自己最早押注的方向。
六月：早期长上下文模型公开
官方发布上下文长度 500 万 token 的早期模型，卖点是能够一次看到整个代码仓库，随后在 2023 年 2 月还公开过一笔 2300 万美元的 A 轮融资与一篇关于自动化时代意义的说明。这些早期材料构成了理解其技术路线起点的背景：先解决「看得足够多」，再叠加预训练效率与强化学习。
产品总结
Magic.dev 是一家研究前沿代码模型的机构。官网第一句话写明方向：构建前沿代码模型，用来自动化软件工程与研究。它也给出了信念层面的理由——认为通往安全通用智能最有希望的路径，是把 AI 研究与代码生成自动化，从而比人类单独做得更可靠。技术路线由四块组成：超大规模预训练、领域特定强化学习、超长上下文与推理期算力；官方在最新研究里进一步收窄判断，认为预训练、代理式强化学习与长上下文三项足以构建超越人类的编程智能体并自动化 AI 研发。 最新的公开进展集中在预训练算力效率。官方 2026 年 9 月的研究更新承认前沿预训练被视为只有大厂才玩得起的游戏，而他们没有十万张卡，所以只能走算法效率这条路；文中称其预训练配方比领先的开放权重基座模型高效十倍以上，达到对手同等水平的算力约为一小部分，规模大致相当于早期千亿级模型预训练算力的一半，继续放大规模后又超过了所有公开可得的开放基座模型。论证方法上用了两点：以「比特每字节」损失抹平分词器差异以便跨模型比较，并在留出数据上拟合缩放定律来推算所需算力；评测数据还剔除了内嵌的第三方代码以及与训练语料在 96 字符归一化窗口上匹配或相似度超阈值的文档。此外他们按 167 个领域分别拟合效率曲线，并刻意评测被降权的领域来衡量数据配比的代价。 长上下文是这条路线的起点而非后期补丁：2023 年发布上下文 500 万 token 的早期模型，主打一次看到整个代码仓库；2024 年把研究推进到 1 亿 token 量级，并同期公布云厂商合作与新一轮融资。研究更新里还有一段少见的坦白：2024 年底他们训练了为超长上下文设计架构的小型模型，随后几次放大规模的尝试接连失败，教训是必须先打好稳定的地基——平滑收敛、低精度训练质量与全精度相当、快速稳定的基础设施、正确的超参数缩放规则，以及把 bug 找出来。 机构层面，官网公开的信息包括：团队规模很小，由工程师与研究者组成，专注一份很短的根本问题清单；算力方面有数千张新一代加速卡；累计融资 7.68 亿美元，投资方名单在官网列出；另有安全说明页面与漏洞披露流程。需要留意的是，这些都属于机构自述与公开信息，官网上没有定价页也没有公开接口或权重下载，评估时应把它当作研究机构而非可采购的服务。
- 产品类型
- 代码模型研究机构
- 支持平台
- 研究机构官网与公开研究更新 / 暂未提供公开接口或权重下载 / 研究论文式博客与技术图表 / 安全说明与漏洞披露通道
- 资费模式
- 无公开付费产品；官网公开研究与融资信息，未提供公开接口或权重下载。
核验信息
参考文章与数据来源
本页事实来自官方渠道：官网首页（构建前沿代码模型与自动化软件工程与研究的定位、四块技术路径、团队规模与算力与融资信息与投资方名单），以及官方研究博客的四篇公开更新（预训练效率更新的十倍以上算力效率结论、比特每字节与缩放定律方法、评测数据的剔除规则、167 个领域的效率曲线、早期放大规模失败的经验；长上下文更新中的一亿 token 量级与云厂商合作与融资；早期长上下文模型的五百万 token 上下文与整仓库理解；早期融资说明），安全说明与漏洞披露页面。页内未列出研究更新中作为对照出现的第三方模型与厂商名称。状态核验于 2026 年 9 月 22 日。
用户体验调查
Magic.dev介绍页面对您是否有帮助？