- 浏览器 Agent 为什么越跑越贵：从缓存命中查起
- GRPO 实践：读懂训练曲线，再排查不稳定
- 从真实失败开始，为 Agent 写一组有效评测（旧文）
- 为代码审查写一个能失败的评测
- 保留失败运行，再修正错误的 ground truth（旧文）
- 把五选一概率和正确率分开测
- 让一次抓包只回答一个问题：hw-harness 方法文档
- 把自己的失败与修正做成 Agent 评测
- 用 llm-echo 看清请求和工具回合究竟传了什么
- 设计 Agent 评测时，先说清自己在测谁
- 给一次修复补齐前后版本证据
- 用一个文件读回测试检查模型的状态记忆
- 从真实轨迹解释系统为何过载后难以恢复
- 从答案验证器开始，学习推理模型的训练与评测
- 用一份多页记录练习“局部没看见”与“全局缺失”的区别
- 用一个小世界模型学习：为何预测准确仍会被策略钻空子
- 沿一条审查意见追踪：发现、复现、修补、回归
- 科研 Agent 跑了许多实验，结果真的算创新吗？
- Agent 做不到时，能不能停下来？
- Agent 成本优化：先看看缓存有没有被自己破坏
- Michael Lynch：编程助手为什么还让人费心
- 多 Agent 写代码，怎样把验证放进流程
- Thomas Hales：通过 Lean 检查之后，还需要相信什么？
- 一个普通用户的评测困惑：会做一次，还是稳定做对？
- 游戏能运行，不代表反编译正确：一份三个月的 Agent 实践
- MASS：从团队轨迹训练模型，收益先出现在研究任务上
- Mac 流式推理：页对齐与同步等待，怎样拖慢首 token
- Karpathy：为什么不同人看到的 LLM 能力差这么多
- “十分钟 AI”研究：撤走辅助后测了什么，没测什么
- 昇腾 310P 上的本地 MoE 调试：先找数值参照，再优化内核
- 检索到“红富士手机”：先加 Reranker，还是先收窄知识库？
- AI 接走基础工作以后，新人从哪里学会判断？
- 代码多了三成，交付为何没有同比增加？
- Vapi：让审查机器人证明问题，也把误报算进成本
- SWE-TaskFlow：同一个补丁，换成交互流程就可能更贵
- Muse Wonder：模型进步，要连同推理强度和执行器一起比较
- Anthropic：小模型能搭起推理，完整自主复制仍有缺口
- Huahai 回应 Rich Hickey：使用 AI 时，人是否还在作判断？
- MetaKernelBench：存下来的经验，也可能让下次优化退步
- HANS_DEV 的客服检索经验：先确认知识库该管什么
- AgentSWE：从演示样例到冻结交付，还隔着一组保留测试
- TerminalHorizon：重建训练环境，把被预先做掉的工作还给 Agent
- BranchOPD：在有信息的分叉处采样，生成费用与总成本分开看
- AlphaNIST：二元奖励学会装配，结果仍限于仿真
- IBM 的开放模型芯片探索：推理费少了，最优设计也不同
- Huntley 用提交钩子约束诊断接口，也要求重测提示词包
- 读对事实，仍选错动作：System One 模型的配对诊断
- DeRef：先不看候选，替工具参数裁判补一份参考
- 两份本地模型应用都通过测试，却都没保住数据含义
- Niko Matsakis：类型系统能拦错，设计意图仍要说清
- 删掉16.8万行注释后的两项试验：单次运行能得出相反故事
- 扫描仪驱动从停滞到可对照：Schaller 的硬件逆向实践
- Cortex：规则要被读到，收益也要经得起重复运行
- PreciseCoder 给必要修改计分，也检查正确代码会不会被改坏
- Nick Cammarata 重审多义神经元：先检验原生机制的解释
- Simon 的 SPARQL 扩展尝试：验证循环也会大量消耗 token
- Mason Mosen：改 prompt 后，先回放同一批旧失败
- ARC Prize 的 Argon 结果：同模型，两种执行层与不完整运行
- 时钟生成了曲线种子，仍有候选跳过的原因未明
- Claude 重设计量子电路：少存历史，也显式使用失败预算
- OmniVerifier-C1 把图像要求拆开计分；规则任务再提供参考终态
- SAE 重建表现接近，学到的特征仍可能对不上
- 审查机器人也要会停：Claude Code 团队把误报和循环轮数纳入评估
- Piotr Sarnacki 重测聊天应用改写：送达率上升，也可能只是排队更久
- DeepSeek 1017 的便宜，要放回同一组任务里看
- Lean 把“再检查一次”做进工具链
- Sphinx 要你解释改动，也暴露了出题者会判错
- 让 Agent 学会接棒：MPT 的启发与被放大的结论
- 回访更正：Anthropic 收窄了“绕过工具限制”的含义
- EmbeddingGemma 转写实验：用共享向量空间读出语音
- KillSwitch：故意为难模型的语言，究竟测到了什么
- Harness²：从任务中的执行差异，改进下一次运行框架
- Meta 把流程固定下来，把领域判断交给专门 Agent
- Laminar flow-1：沿轨迹追查隐性错误，也暴露“没有轨迹”的盲点
- Interlock：把“改了这里，还必须改哪里”写进训练任务
- Ben Congdon：让模型写监控方案，再由固定程序执行
- 不理解每一行 AI 代码，谁来承担发布责任
- StopLoss：小模型决定何时停下，账单必须算入误停
- SlopCodeBench：新功能通过，旧行为却未必保住
- 给 Agent 加记忆之前，先留下全文搜索这条基线
- PHP 修复复盘：发现漏洞之后，还要解决兼容性与决策
- Trail of Bits 把“修好了”拆成可重放的证据
- HarnessAdapt-RL：训练会改模型，也要重调工具
- 同一台 4B 模型的 50 次运行：失败常在编辑接口
- 分布式生物推理：把扰动数据变成可追问的线索
- 语音代理会要求再说一遍，为什么仍记错名字？
- 一次内部监控红队调查：覆盖率的分母从哪里来
- Anthropic 与 Theorem：把模糊测试入口变成可检查的证明
- WorldTUI：208 MB 的终端模拟器，暴露了局部准确率看不到的记忆
- Kimi K3.1 Pro 的外部成绩上升，权重仍要等到 11 月
- AISI 重放越界行为：说得出有害，仍可能继续行动
- Cloudflare 把漏洞扫描拆成持续任务，保留每次检查的证据
- Dan Luu 想做更大的项目，Yossi Kreinin 追问谁能判断做对了
- 数学社区开始整理 AI 证明稿，也在争论这份劳动该由谁承担
- Atlassian 调查：写得更快，可以与更多协作摩擦同时发生
- 发现评测缺陷之后，还要追问它改变了什么
- 一份大模型求职复盘：准备清单怎样碰到真实追问
- Kapa 追踪检索丢失：答案需要的材料，可能已找到却没送进上下文
- Epoch 把日常工作交给六个模型：会做步骤，仍可能误判研究结果
- Cohere 公开 Qwen 异常调用轨迹：行为可查，成因仍未定
- 只看 AI 标红的代码，怎样知道它漏了什么
- FLORA 把机器人视频变成可用标签：做了什么，与做得怎样分开
- 专家也会顺着 Agent 的倾向做判断：一项有意设置偏好的实验
- 让模型评“有没有新意”，先检查它到底在回答哪个问题
- Enveda 审查生产记录：把“找问题”变成可逐项核对的意见
- MiniCPM-OCR 把“读出文字”和“判断读得对不对”拆开
- DAYJOB Tax：文件给齐了，模型仍可能漏掉没有被点明的问题
- AA v5 更换了考题，也让“总分代表什么”重新成为问题
- Simantic：让固件 Agent 在虚拟开发板上运行测试
- tinyworldformer：小模型能运行游戏，也会给玩家留下漏洞
- 15 个 AI 助手的讨论：交接建议之外，读者还想看到产出
- Gemini Carbon 引发试用兴趣，评测细节却要求重新拆开“更强”
- Nathan Lambert：模型忙着回避灰区时，可能漏掉用户真正的问题
- Mollick 推荐组织能力视角：更聪明的个体，还要能一起做事
- Figma 的专用模型，学的是怎样改好已有设计
- MICA：能力相同，MCP 与命令行仍会改变 Agent 的选择
- 微软先造一家公司，再让 Copilot 回答它的问题
- Lambert 修正了“没问题”这个说法，仍支持开放模型
- 推理快了、总分近似不变，就能说质量不变吗？
- 50：经理也可能把正确答案改错
- Mollick：知道何时能介入，也是助手的能力
- Jepsen 检查 ParticleDB：测试通过之前，先确认它会失败
- 把代码审查意见带进沙箱，仍要再检查补丁
- 生成一次小应用，框架成本差在哪里
- Frank Calegari：数学研究还需要选择问题、理解结果
- 直接改 0.016% 权重：先修复小模型的重复推理
- PostgreSQL 的延期：更多真实缺陷，仍要有人接住
- FlashProve：回答来自哪组权重，开始有了可检查的证明
- 权重实验的新证据：笔记本复现了三种小游戏识别，也暴露了外推边界
- Prime Intellect 审查公开评测：涨分可能来自工具和判分器的修正