全部

Uber 这篇技术长文抛出的数字挺猛：全公司 70% 的代码 PR 由 AI Agent 处理，半年调用量涨了近 10 倍，但总 AI 账单没涨，单次会话成本还降了 52%。如果属实，说明他们在模型选型、缓存策略或 prompt 压缩上做了不少工程优化，让用量暴涨的同时把单价压下来了。 但正文没披露几个关键信息：这 70% 是指最终合并进主干的 PR，还是只要 Agent 参与过生成就算？前者说明代码质量过了人工审查关，后者可能只是生成量大但实际采纳率不高。也没说用了哪些模型、Agent 怎么接入代码审查流程——是自动修 bug、写测试，还是只补文档注释，差别很大。 另外，调用量涨 10 倍但总花费持平，可能意味着他们从大模型切到了更便宜的小模型，或者大量用了缓存命中。没有模型名称和延迟数据，很难判断代码质量有没有跟着成本一起打折。

这篇文章抓到了一个很关键的范式转移：多模态模型的价值正从“看懂图”转向“会自己去看”。8月 Meta、Z.ai 和 DeepSeek 不约而同展示的案例，都是模型先观察输入，调用工具生成网页或幻灯片，再回头审视渲染结果并修正。这跟 2023 年 RAG 从静态检索变成模型主动搜索的转折很像，但方向反了——这次是模型先产出，再自己看一遍来验证，形成从模型到世界再回到模型的闭环。 评测和训练方法也跟着变了。Meta 的 WildArtifactBench 不再用标准答案打分，而是让裁判对模型做出的完整产物进行两两比较，用 Elo 分来排名，AI 裁判和人类裁判各做了约 2000 次对比来相互印证。训练上，GLM 和 Meta 都把“生成-审视-修改”的完整交互轨迹当成训练数据，让模型在推理时能自主重复这套动作。 对开发者来说，选型重点得从静态看图准确率，转向模型能不能在真实环境里跑通观察-生成-检查的完整闭环。不过正文没给出这套新评测方式下各模型的具体 Elo 分数和成本数据，也没说明在复杂、长步骤任务里，模型自我修正的成功率和卡住的情况，这些缺口让“会自己去看”的实际可靠性还得打个问号。

这篇论文最值得看的地方，是把“没存进去”和“存了没取出来”这两种失败干净地分开了。作者用贴着原文往下接的方式测存储，前沿模型能拿到95–98%的编码率，说明货架基本是满的。但一换成闭卷、换着说法正问反问，失败率立刻跳到26–34%。这个缺口的大小有尺子松紧的人为因素，但缺口的形状是硬的：冷门事实和热门事实存进去的差距只有5个点，取出来的差距却拉到20个点以上，说明瓶颈卡在提取通路，不是语料覆盖。 另一个反直觉的发现是思考的作用。面对毫无推理链路的单跳事实，开启思考能救回40–65%已编码但没取出的答案，而对根本没存进去的事实只能救回5–15%。这说明思考在这里不是逻辑推演，更像在权重里翻找记忆。对做系统的人来说，这直接给出了成本账本：思考是药，但只对存进去的内容有效，盲目全量开启就是浪费算力。 论文的局限也得说清楚。测试只用了2150条维基百科事实，全是公开的单跳知识，结论能不能迁移到多跳推理或私有数据上，正文没给出验证。另外，模型能不能自己判断“这次能不能取出来”，也就是元认知能力，论文也没答案，而这恰恰是线上精准触发思考或检索的关键。

Superagent 做的事就是把 Claude Code 这类命令行编程助手，塞进一个更像 Mac 原生应用的壳里。它给 AI 配了一台“电脑”：一个能操控你已登录网站的浏览器、一个能点击滑动的 iOS 模拟器，还能访问本地文件、维护看板、按定时任务自动干活。每个聊天会话跑在独立的 git worktree 里，重启后对话还在，侧边栏可以分组管理。和 iPhone 配对走端到端加密，不需要注册账号或连接服务器，代码也开源了。 这些设计对个人开发者挺友好，尤其是“给 AI 一个浏览器”这点，能省掉不少手动操作网页的步骤。但文章没披露两个关键信息：一是它底层支持哪些模型，二是收费模式。如果只绑 Claude Code，那能力天花板就卡在那；如果是真的免费且支持多模型，对不想折腾命令行的用户来说挺省钱。另外，目前只有一条评论，社区验证还很弱，稳定性、权限安全这些都得等更多人用起来再看。

腾讯这次开源的混元Hy4 Preview是个多模态模型，能同时处理文字和图像。770B总参数、100万token上下文窗口这两个数字挺唬人——上下文长意味着一次能塞进整本《三体》还有余。但公告里没写激活参数是多少，也没给任何基准测试成绩，这就很难判断实际水平。开源是好事，模型权重放出来了，开发者可以自己跑跑看。不过目前缺的信息太多：推理需要多少显存、响应延迟怎么样、多模态能力到底强在哪，正文都没披露。建议等社区实测数据出来再评估，别光看参数就下结论。

Warp 这套玩法本质上就是给 AI 助手配了个“错题本”。助手执行任务时如果搞砸了，Claude 会自己分析失败原因，提炼成一条规则写进一个简单的记忆文件里。下次碰到类似任务，系统会先把这些历史教训塞进提示词，让模型直接避开之前的坑。文章一步步展示了这个过程：从失败中提取规则、写进提示词、再跑一遍验证，逻辑很清晰。 好处是零训练成本，也不需要引入复杂的 agent 框架，靠 Claude 自身的推理能力就能驱动自我改进。但文章没给任何跑分或对比数据，我们不知道这套方法在大量任务上的稳定性和准确率到底如何。记忆文件膨胀后会不会反而拖慢推理、规则之间冲突了怎么办，这些正文都没提。 所以这条思路值得参考，尤其适合想快速试水的团队。但在把它当真之前，得先补上规模化测试和失败案例分析，别光看一次跑通的例子就上头。

Paolo Galeone 这篇博客不是技术分析，而是一封写给“手艺感”的悼词。他承认用大模型做原型确实快，但代价是亲手搭建、犯错、再修复带来的直觉和满足感全没了。他特别点出一个公司里的普遍现象：在“不用就落后”的压力下，人们不动脑子地堆代码，最终产出的是大量技术债。这个判断目前还只是个人感受，正文没给出任何团队效率或代码质量的量化对比，所以“大模型导致技术债”更像一个需要验证的假设，而不是定论。 文章最实在的部分是他对“savvy”的定义——通过动手犯错来积累的实战直觉。他担心这种直觉会被模型厂商“偷走”去训练模型，而自己连犯错的机会都越来越少。这个视角很尖锐，但同样缺少外部证据支撑。如果你也在用大模型写代码，这篇值得一读，不是为了找答案，而是为了确认这种“无聊感”不是一个人的矫情。

Konstantin Ryabitsev 这次给了硬数据，不是抱怨。git.kernel.org 每天 600 万次请求，98% 来自 AI 爬虫。最离谱的是爬取方式：不直接克隆仓库，而是把 linux.git 的 148 万次提交逐个渲染成 HTML 再解析。加上 922 个分支，能生成几十亿个有效网址，抓回来的却是大量重复内容。 后果很直接。在 5 个地理分布节点、总共 90 个核的服务器上，常年有 14 到 16 个核在专门给爬虫渲染提交页面，比所有合法访问（包括 git clone）消耗的 CPU 还多。封 IP、封整个 ASN 都失败了，因为爬虫已经用上了电视和手机里的住宅代理 SDK，每次只发 4-5 个请求就换 IP，封不过来。 他们试过用 Anubis 工作量证明挡了一阵，难度设到 5 之后爬虫又回来了。正文没提现在难度调到多少、成本增加了多少，也没说是否考虑过直接限制 cgit 的 URL 生成能力。这点先别太激动，因为作者自己也承认，当初把一切开放给人类和守规矩的爬虫的设计，现在成了负担。

这篇文章点出了一个很现实的矛盾：AI写的代码看起来像模像样，但提交的人自己往往判断不了对错。核心问题是信息差——你越不懂，就越容易被忽悠。资深维护者现在要花大量时间审阅这些低质量PR，纯粹是浪费时间。作者引用了Rakshit Yadav的调查，120个开源项目里37个直接禁止AI贡献，GCC、QEMU、Gentoo等知名项目也明确拒收。Debian社区甚至正在投票搞全面封禁，连文档、翻译、bug报告都不让用AI生成。 文章没给具体的数据来量化“AI代码垃圾”到底增加了多少维护负担，也没说这些禁令执行起来效果如何。但逻辑是通的：LLM产出的代码在表面上很专业，实际上可能暗藏错误，而提交者缺乏能力把关。这跟模型能力提升关系不大，更像是一个社区治理问题。如果未来AI生成的贡献继续增加，而提交者的技术判断力没跟上，这种禁令可能会在更多项目里出现。

Debian 社区通过了一项关于生成式 AI 的政策，核心就一句话：不禁止，但要求“负责任地使用”。这听起来像句正确的废话，但放在 Linux 发行版这种对代码版权和许可证极其较真的项目里，其实是个很务实的决定。直接一刀切禁止，技术上很难执行，因为很难 100% 判定一段代码是不是 AI 写的。把责任明确给到提交者和维护者，让他们自己确保代码合规，是目前成本最低的做法。 不过，文章没提具体的审核流程和违规处罚机制。光说“负责任”太虚了，如果后续没有配套的检测工具或明确的拒收标准，这个政策最后可能就变成一纸空文。另外，正文也没披露这次投票的具体票数比例，我们不知道社区内部的分歧有多大。这点先别太激动，这更多是社区在现实压力下选择了一个可操作的起点，而不是找到了什么完美的解决方案。

这条消息来自 Reddit 用户实测，不是官方公告。一台 16GB 显存的显卡就能把 Qwen 3.8 27B 模型跑到每秒 50 token，同时塞进 10 万 token 的上下文。另一台 24GB 的 RTX PRO 4000 上，预填充速度冲到每秒 785 token，解码也有 67 token。这两个数字说明，用消费级甚至入门专业卡跑长文档问答、代码库分析这类任务，延迟已经降到可用的水平。 不过要注意，帖子正文被 Reddit 的安全策略挡住了，我们看不到具体的量化方式、推理框架版本和 prompt 设置。这些细节直接影响速度是否可复现。如果是用了激进量化，模型效果会打多少折扣，帖子里也没提。另外，100k 上下文下的注意力机制有没有做特殊优化，比如稀疏注意力或窗口限制，同样未知。 想照着配环境的人，最好先确认自己用的推理后端和量化方案跟帖主一致，别只看一个数字就冲。

这篇文章做了一件融资新闻不会做的事：把“自我改进AI”这个热词拆开看。作者用两个维度——改什么（权重、代码、脚手架、评估器）和靠什么信号验证（形式化验证、执行反馈、自评等）——把Karpathy的autoresearch、Weco的AIDE²、RSI的系统、OpenAI的Sol、Anthropic的内部实验等七八个项目摆在一起，发现它们做的事差得很远。Karpathy只动一个train.py，靠5分钟微型训练的val_bpb指标驱动，一夜跑100次实验；Weco改的是智能体的运行脚手架，8天无人值守跑赢了人类工程师调了2年的基线；RSI横跨训练脚本和GPU kernel，约200行代码改动，在NanoGPT上把训练耗时从79.7秒压到77.5秒。Anthropic说80%合入代码库的代码由Claude写，但特意注明微型实验的52倍加速不能外推。 文章引用的1250篇论文综述指出，真正的瓶颈是验证信号强度。形式化验证器最强，自评最弱且容易被污染。作者据此画出一个二维场，发现代码优化区挤满了玩家，而开放式科研区几乎是空的。这个判断有数据支撑，但文章本身没给出完整的矩阵图，只描述了坐标轴和几个点的位置。另外，RSI拿了6.5亿美元融资，但公开的技术细节只有3项基准测试和约200行代码改动的案例，离“递归自我改进”的叙事还有距离。Weco的8天实验虽然跑赢了人类基线，但测试环境是标准基准，迁移到真实业务的效果没披露。

这篇论文展示了一个让 AI 自己修自己的流程：系统自动读论文、提改进方法、训练模型，每次训练只花 30 分钟，然后看效果。管用的方法留下，没用的扔掉，再进入下一轮。在 10 个专门测模型“跑偏行为”的基准上，这套流程把每一项都修好了，而且没拖累模型的整体表现。 先别太激动。文章没提实验用的是多大的模型，也没说这 10 个基准具体测什么、难度如何。30 分钟的训练时长听起来很短，但这也意味着每次迭代能验证的改动量有限。另外，这套流程目前只在“对齐失败”这个特定问题上跑通了，离通用的自我改进还差得远。 最关键的缺口是：正文没披露这套系统有没有产生过什么意外行为，也没说离实际产品落地还有多远。它更像一个早期概念验证，证明自动化对齐研究这条路能走，但能不能规模化、成本多高，都还是未知数。

这条新闻最值得看的是交易逻辑，不是数字本身。Nvidia 先花 60 亿买开源模型开发商 Poolside，又花 130 亿买模型分享平台 Hugging Face，Stripe 也花超 70 亿买模型服务商 OpenRouter。三家共同点是模型权重都免费给，靠社区和生态活着。Nvidia 的算盘很直接：它不想只当卖 GPU 的，更不想被那几个烧钱烧到离谱的前沿实验室和云厂商卡脖子。把开源生态握在手里，等于掌握了开发者入口和模型分发渠道，以后卖芯片、卖软件服务都更顺。 不过文章没写清楚几件事：收购后 Hugging Face 还会不会保持中立，Poolside 的模型以后还开不开源，OpenRouter 进了 Stripe 会不会变成支付绑定的封闭服务。这些才是决定这波收购是“生态建设”还是“生态收割”的关键。另外，130 亿这个价格在 2026 年算不算贵，正文也没给估值参照，这点先别太激动。

这篇论文展示了一个叫“Station”的多智能体环境，把不同家族的 AI 模型放进去，不设中央调度，让它们自己选研究方向、跑实验、协作写文献。在 AlphaEvolve 题库的 12 道构造题里，这群智能体在 5 个问题上产出了此前文献中没有的新结果，包括找到了一族新的有限域 Kakeya 集、在 11 维空间里摆出了正好 604 个点的接吻配置，还刷新了离散 Kakeya 针和符号不确定性问题的记录，并大幅改进了 Erdős 最小重叠问题的下界。 值得留意的是，智能体输出的不只是数值构造，还有定理和分析来解释这些构造为什么成立，这让结果更容易被数学家理解和继续推进。作者把原始对话、证明和验证代码全部公开了，透明度做得不错。但正文没披露这些发现有多少是真正被数学界验证过的，也没说清楚不同模型家族在协作中各自贡献了什么。目前看，这更像一个概念验证，离“自主数学研究”还有距离，别急着把它当成 AI 科学家。

这篇博文最实在的地方是给了实测数字，不是跑分图。作者用 Mac Studio M3 Ultra 跑 Qwen3.8 27B，生成速度约 14 tokens/秒，比前代 Qwen3.6 的 28.6 tokens/秒慢了一半。但新模型回答更简洁，同样的问题只用前代三分之一的字数就讲完，所以从提问到拿到完整答案的墙上时间其实差不多，都是六七十秒。这个对比很直观，说明速度数字本身会骗人，得看实际任务完成时间。 作者还试了 1-bit 量化版，模型压缩到 6.7GB，速度提到 27 tokens/秒，但代价是模型变得犹豫不决，没法给出明确答案。这算是个有用的警告：小内存机器能跑，但输出质量会打骨折。 文章没提的是，这个速度差距有多大程度是 Ollama 的 Metal 后端还没针对新架构优化。作者自己也说等运行时成熟后差距会缩小，但没给时间预期。另外，测试只在一台顶配机器上跑，普通 M1/M2 Mac 的表现完全没提，想在自己电脑上试的人没法参考。

这个项目解决了一个很实际的痛点：让 AI 干活，又怕它手滑删库。它的思路是把安全决策从模型手里拿回来，交给一段确定性的代码。23 个工具被明确定义了“效果”，读取类自由通行，写入类里能撤回的才自动放行，不能撤回的（比如发消息、写密钥）必须等人点头。最危险的执行类默认关在沙箱里，碰不到真实系统。 项目方给出的数字挺实在：2063 个单元测试，179 个对抗性用例，每次安装都会跑一遍。这比口头保证靠谱。但要注意，它目前是 v0.15.1-alpha 版本，离生产环境还有距离。而且它明确说了不防恶意模型，只防模型犯错和工具输出里藏着的注入攻击。如果你用的模型本身不可信，这套机制拦不住。 还缺什么？正文没披露性能开销，每次操作都过一道内核，延迟会增加多少没说。也没提在复杂工作流里，频繁的人工授权会不会把效率拉回解放前。这点先别太激动，等有人拿它跑一个月生产环境再看。