大语言模型

OpenAI 放出 700 多篇 AI 数学稿件，两天后撤回三篇；同周 arXiv 论文指出 Navier–Stokes 的 Lean 证明与论文原文不对应。本文把「AI 证明了 X」拆成五层，说清哪些被机器查过，并给出审计清单。

同探索路径 · 开发者工具

Google 于 2026-09-30 发布 Gemini 4 Argon：输出上限从 64K 提到 1M、DeepSWE v1.1 77.9%、先经 Fairwind 计划交给受信网络防守方。本文拆三件事：1M 输出对 agent loop 改变了什么、DeepSWE 一类数字该怎么读、分阶段放行作为遏制机制和 Anthropic / OpenAI 有何不同，最后给 coding agent 团队一份选型与评测清单。

解读 UC Berkeley arXiv:2609.38866（CICM 基准）：偏好改了、新值也在上下文里，模型仍常答同一变量的旧值，作者称之为 stale binding。探针显示新值读得出，是选错而不是忘了；注意力漂移与单层推导解释旧值为何能合力胜出。GPT-5.6 Sol 在 2,048 步日志上 9/40、给快照 40/40——附 AI 记忆与 agent 状态管理清单。

同探索路径 · 开发者工具

解读 arXiv:2609.18366 CHASE：自动 harness 优化会在固定发布协议上钻基准级捷径；用 Challenger 搜可执行协议变换、有效性防火墙与持出确认，在 Syn-Ledger / OfficeQA 上保住发布分、压低增益摧毁。

解读 arXiv:2609.29429 RLCDAlignBench：把 TypeSafe Jev（RLCD）推到 10 类对齐失败×44 基准，通用问句中位 AUROC 0.886，相对 LLM-judge 约便宜 63×；对照站内 rubric 评委文，给出 harness 监控接线清单。

Anthropic Research 客座文（Matt von Hippel）讲 Fable 5.1 在 Claude Science harness 上算出平面 N=4 SYM 九圈六粒子振幅。本文核对可核数字与边界，主张刷新前沿的是显式 harness + 最小人类干预，不是更大模型。

同探索路径 · 开发者工具

解读 Accenture arXiv:2609.28919：企业 coding-agent 账单常归因于「模型贵」，论文把责任挪到 harness 默认；用 Jev 做缓存安全路由，在仿真万席企业收回约 14–21% 模型花费，并给出从观测到主权阶梯的可落地清单。

解读 arXiv:2609.29769：typed classifier Jev 与三位 flash LLM 在九 panel、5003 pairs 上对照——准确率多数分不出显著差异，成本/时延差 29–325× 与 30–220×；相关错误让「廉价一阶段 + LLM 回退」cascade 最多只多出约 1.5pp。

解读 arXiv:2609.23986 Jev-Mem：把记忆的组织/检索/停取拆成 System One 控制面，对照站内 Jev 决策与 Growing Harness「控制沉代码」；核对 LoCoMo 有效性与效率数字，并给出可复用设计清单。

同探索路径 · 开发者工具

对照官方公告与 harness-sdk 仓库，拆解 Strands harness / Harness SDK 如何把上下文管理、会话、工具闸门与循环控制产品化；对照站内 ECC、Growing Harness、Claude Code harness，给出选型与落地清单。

同探索路径 · 开发者工具

解读 arXiv:2609.26760 Growing Harness：用任务反馈把反复出现的控制决策长成可执行代码，对照「只管塞上下文」与站内 harness / Skills / 确定性流水线叙事，讨论何时该增长程序、何时该留给模型。

学习如何使用实用技能和工具构建智能 AI 代理。包含代理技能、工具集成、计算机使用、文件操作和 Claude、OpenAI 实际示例的完整新手友好教程。

详细介绍 Model Context Protocol (MCP)，这个为 AI 应用提供标准化上下文传输的开放协议