AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

Gemini 4 Pro 的一份泄漏数据，把四张榜单全摆在了台面上，标注写着 leak，先当传闻看。

引帖的全表是这么排的。DeepSWE v1.1 一栏，88.7 分压过 Opus 5.5 的 74.2 和 GPT-6 Astra 的 74.1。Terminal-Bench 2.1 给到 95.3，对手两家在八十八上下。

OSWorld 2.0 是 86.8 对 81.8 对 72.6。GDPval 那栏 2064，比 Opus 5.5 的 1846 高出两百多。上下文翻到 2M，比 Astra 的 1.1M 和 Opus 的 1M 都宽。

价格那行是 2.25 对 11.25 每百万，比 Opus 的 4 对 20 便宜近一半。

四项全压这半句是发帖人的原判断。我注意到的是价格那行，分数领先还压价，若真如此，前面档位那篇讲的"同档差七倍"又要被改写一次。上下文翻到两百万也值得记，长任务的容错空间跟着宽了一截，跟前面长活跑不动那几篇的痛点正好对上。

榜单之间也并非铁板一块。Astra 在个别栏位只是部分成绩，跟完整跑分放一起比，本身就带着失真，跨榜拼图时得先把样本条件对齐。

泄漏数据的老规矩照旧。榜单没官方背书，跑分口径和版本号都没交代，两百多分的差距尤其要看它用的哪一版评测；leak 字样先摆着，别当定论。

等真发布那天再翻这张表，对得上是运气，对不上才是常态。

github.com/VectifyAI/Open…

翻过的 PDF、Word、网页，隔段时间再找如同大海捞针，OpenKB 换了个思路。

它拿源文档直接合成一套页面之间能互跳的 Wiki，摘要、概念、实体、引用由它自己串起来。四条能力照录。第一，向量库靠边站，长文档交给 PageIndex 树索引去啃。第二，多模态写在原生层，图表那类内容照样处理。

第三，知识在库里越攒越厚，旧资料不必回回重看。第四，自带网页界面，还能导出成 Agent Skill 交给 Claude Code 和 Codex 调。一句话，让那些看过转头就忘的材料，慢慢长成自家可查的库。

不碰向量库这半句我看重。前面会话知识库那两篇讲的是聊天记录怎么攒，这里处理的是另一批资产，散在文件夹里的旧文档。树索引那条也对得上长文档的脾气，一层层点开比一把梭哈的相似度检索可控。这跟前面参考图那篇的偏好还是同一条，结构写清楚，检索才稳。

导出成 Skill 这步把最后一环补上了。知识攒在库里只是存着，能让 Claude Code 直接调，才算进了工作流，这跟前面 Beacon"账本得能看见"的说法一脉。

我留的疑问在织网质量。摘要、概念、实体自动织得对不对，长文档尤其容易织错关系，得拿自己熟的资料验一遍。

先挑一本最厚的手册扔进去，搜一个半年前记不清的细节，看它能不能一跳就到。

中大型公司 AI 工程师的一天，六步走完，全程在假装。

这六步是这么排的。第一步，假装在读工单，其实把链接丢给 agent 去分析复现。第二步，假装在看链路追踪，其实整条 trace 扔给 agent。第三步，假装在准备开发分支，实际让 agent 拿前两步的分析开写。

第四步，假装在做流量拦截，实际让 agent 自己配环境、跑几遍本地代码，回头继续假装看追踪。第五步，假装在准备提交。第六步，假装在改审核意见。第二天站会上，把 agent 总结好的内容表演一遍。最后那句反问是全帖的钩子，这些环节里哪个，dots 做不了？

被点名的 dots 来头不小，引帖是 OpenAI 刚发的公告，由 GPT-6 Astra 驱动，定位是 always-on，自称什么都能handle。

我认这半句讽刺的力道。前面微信接管那篇讲的是能力到哪了，这里补的是组织还停留在原地，流程变演员表的那一刻，说明工具和管理已经错位。跟前面六步重构那篇也对得上，工程里的"假装"环节一多，实际产出就被表演回收了。

保留的也直说。这是带情绪的段子，六步未必人人如此；dots 的真实成色刚发，公告和实测之间通常还要隔着几周。

入了这套流程的先挑一步，把自己每天重复的"假装"写下来，能交给 dots 的那步当场交出去。

半年的新公司，把研发体系整个翻过来建：人定方向，AI 干活。

这家公司叫 Naive AI，今年二月才成立，比 DeepSeek、Kimi、GLM、MiniMax、阶跃那批晚了三到七年。它没包袱，从第一天起就丢掉了围绕人类研究员搭体系的老路。架构、训练、基础设施、推理、部署、评测这些活儿，能交给模型的全部交给模型，人只负责定方向、设约束和评价标准、做关键决策。这套做法就是眼下最激进的 RSI 实践。

新模型 Naive-N0.5-Flash 的四条规格。面向 Coding 和 AI 研发两个场景，第二个场景是重点。309B 参数、MoE 结构、开放权重。规格再补两条。上下文撑到一百万 token，而且没挂全局注意力。推理走极速档，最快能到每秒两千 token。

长上下文这半条是 AI 参与设计的。上下文越长，注意力算得越贵，它用 SWA 和 DSA 混着来。粗略说就是大部分层只看附近，每隔五层再排一层从全部历史里筛重点。进入主干计算的只有筛出的两千零四十八个 token。这套架构是人类先定目标和评测标准，AI 出候选方案跑消融，最后研究员拍板。

最能说明问题的是 NaiveRT 那段。为提速做的这套推理系统，整个研发 AI 干了六天，跑了一百五十一轮优化实验。它自己分析哪里慢、提方案、跑一遍，再决定留还是回滚，其中六十三轮被采用，七十一轮验证不过或回滚。

另一个叫 AutoWM 的世界模型更彻底，人只给目标、算力预算和评测标准。四百小时跑十五轮主实验，最后在 WorldArena 的公开评测里拿到 77.43，把此前最高的 73.64 比了下去。

六天对一百五十一轮这个比例我看重。前面几篇讲的都是 AI 在单点帮忙，这里是一整段研发循环交给它，人退到定标准那一步。跟前面六天重构那篇的实账放一起读更清楚，同样是多天工程，那头靠人反复检查，这头把检查本身也写进了循环。

我留的疑问有三处。六十三比七十一的通过率说明筛选仍然关键，谁来写那套评测标准没交代；开放权重的成色要等社区复现；每秒两千 token 的极速档在真实长程任务里能维持多久，也得有人量。

判断先放这句：这是模型研发范式切换的一次露头。想跟的等权重放出，先拿它的长上下文跑一段自己的代码库。

route.py
relevance.py
done.py
risky.py
research.py
writer.py
stop.sh

"MY AGENT MAKES 10,000 DECISIONS FOR $0.42. CLAUDE MAKES NONE"，一万次决策四毛二美元，Claude 一个决策都不做，它只管写。

这个文件夹把"谁决定"拆得极清楚，落款是三句话：Claude writes、Jev decides、code acts。写进去的分四块。规则那块 AGENTS.md 讲清什么时候轮到 Jev 上场，state/build_state.py 记目标、谁在干活、干完了什么、还缺什么，只放原始证据不做摘要。

决定那块放在 questions 目录，五个问题各一个脚本。用便宜模型还是强模型，下一个谁动，这条工具输出值不值得留，活是不是真干完了，这一步是不是要发出去、付钱或删东西。接管那块在 rules 目录，hard_rules.py 写死最多十个动作，没作者点头任何东西不出门，thresholds.yaml 规定低置信不动作，欺诈检查要过 0.95。

干活那块在 workers 目录，worker.py 一族，research.py 找来源记笔记，writer.py 起草和写简报。Claude 只在这一角产出文字。账本在 receipts/decisions.jsonl，每次 Jev 被问了什么、选了什么、复查、备选全记下，evals 里是作者自己标的轨迹，所有阈值都在那上调。

门卫在 hooks 目录，pre_tool_use.sh 让东西先过检再跑，stop.sh 则让 agent 没验证前说不出"完成"两个字。单次调用中位三百毫秒，每笔决定都上记录。

分工到这个程度我看重。前面几篇讲的都是人给 agent 定规矩，这里连"谁来定"这件事本身也被安排好了，写作、判断、执行三个位置各自固定。跟前面那两篇也对得上，一处讲判断该压成有界问题，一处讲规矩从人写变成人审，这里给出的是完成态的样子。

把 Claude 关在 workers 这半步最妙。文本是它唯一的领地，路由、阈值、门卫全在它够不着的地方，能力被信任的部分和不被信任的部分划得很干净。

我留的疑问有两处。一万次决策的分布没给，多半集中在那几个重复路由上；0.42 美元是决策那侧的账，Claude 写作那侧花多少没算进去。

想搭这套的先照文件夹抄一遍骨架，把自己最常重复的那个判断挪进 questions 目录，跑两天再看账本。

openbot.run/changelog

OpenBot 的 0.24.0 把一件事做实了：agent 现在能配置别的 agent。

这版的改动分四组。Agent 这组最抢眼，一个 agent 可以给另一个改供应商、换模型、调推理强度，还能替对方管技能、例行任务、MCP 服务器、通知和工作区限额；放弃之前，它会先动用队友、插件、浏览器和 Computer Use 这些手段；换 agent 不会带走原有配置，计划则以任务清单的形式显示在 iPhone 上。

供应商与集成这组，本地模型服务器比如 Ollama 和 LM Studio 能被自动发现，自定义 ACP 供应商接了 Goose、Qwen Code、Cursor 和 GitHub Copilot CLI，存好的自定义端点可编辑，Paper Desktop 也接了进来。

移动端和网页这组，iPhone 应用在 TestFlight 上进入公开测试，手机端能搜 agent 和消息，Cmd 或 Ctrl 加 K 搜全部对话，网页支持频道、附件、预览、排队消息和浏览器控制。

平台这组，开始支持 Intel Mac，浏览器预览不再挡住 agent 的动作，快照体积变小省下上下文，重连与远程主机也更稳。老用户注意，0.24.0 之前装过 Figma 插件的，要先把旧的 Figma MCP 服务器移除再重装。

替另一个 agent 改配置这半步我看重。前面几篇讲的都是人给 agent 定规矩，这里出现的是 agent 之间互相定规矩，排班和分工那部分工作开始脱离人手。跟前面 Raven 的编排层也有对照，那头是编排层可被改写，这头是改写动作本身可以交给另一个 agent 执行。

按需动用队友这句也讲了策略顺序。先自己想办法，缺什么再找外援，最后才认输，这个顺序是 agent 行为里最实用的一条。

我的保留有两处。互相配置听着方便，权限边界在哪没写，一个 agent 能把另一个改到什么程度得看默认值；这版还带着 Figma 插件的迁移负担，老配置不重装会出问题。

已经在用的先去看那条 changelog，把 Figma 那步做掉，再试一次让两个 agent 互相换模型。

Kyo 的 RC7 发了，冲着一点零版本去。换了全新内核，还捎上一轮大范围稳定化，装的东西一件比一件硬。

数据库那件最抢眼。kyo-sql 把嵌入式 SQLite 加 Dolt 后端一起端上来。智能体能直接在类比特管理的库里干活，像提交代码那样管数据。浏览器里也能跑，这组合别家少见，头一份。文件那件铺得广。kyo-system 覆盖 JVM、JS、Native 和 Wasm 四个目标。文件监视、锁这些能力，一样不落，够全。

智能体那件接的判断层。kyo-ai 的类型化决策带校准概率，走的是 Jev。还能调用任意 MCP 服务器的工具，等于把判断加执行那套接进了框架，两段接上了。性能件是 Scala.js 下的分发提速。

十到十八倍的差距摆出来，动效卡顿有救了，明显。彩蛋是 Clock.withTimeOffset 时间偏移接口。时钟能带整个系统回溯。调异步问题省的时间，不止一点，超值。

五个件塞进一个候选版，冲一点零的势头很猛，能感觉到团队在赶窗口，先把地基夯实在开门迎客。

我的看法是这个版本里，判断件的接法才是关键货。把带校准概率的决策做成类型化接口，而不是提示词里的心血来潮，等于给随机性上了刻度。这跟前面说的给指标写边界是同一件事，工程化的智能体要的就是这种确定性，骰子得是带刻度的。

想尝鲜的先盯稳定版通道，候选版终究是候选，跑生产环境的，等它把一点零的门关严了再进来不迟。

三万一千颗星的仓库，翻开一看，分量最重的部分并非出自作者本人。这事本身就值得琢磨。出处这件事，README 单开一节交代得明明白白。四十八个智能体来自社区合集。二十一个技能是官方的。还有一百三十九个科研技能从别家搬来，全是聚合，一件件标着出处。

作者真正押注的货，是那条把零件送进你项目的通道，目录页在 aitmpl.com ，仓库挂在 github.com/davila7/claude… 。

第一步挑。本地敲命令进选单也行，开着网页版目录慢慢挑也行，路子随你选。架子上分着六类货，agents、commands、MCPs、settings、hooks、skills。安全审计、自动测例都有，PostgreSQL 的集成也在。

第二步装。敲条命令项目里落盘，参数照类别拼好，几条挤在同一行，一气配完。东西落位后，另有几枚开关管着运行时。本地面板看会话和性能。移动端界面盯实时回复，再加个开关就能从隧道暴露出去，手机上也能看。外加安装体检和插件权限清单，一应俱全。

坦白话说得也直。塞进你目录里的大头，提示词也好配置也罢，多为他人执笔。授权条款一家一个样，上手前翻出来读一遍才稳当。页面顶上那段赞助商给的安装指令，跟正经功能无关，站位唬人罢了。

评价给得克制又准确。当成目录加安装器，它合格。至于拿来就当最佳实践用，那份期待还请收着点。仓库今日又涨一百一十三颗星，总星数三万一千出头，ClaudeCode 圈的热门货，热度在那。

我的看法是这类聚合仓库走红，本身就是信号。零件在过剩，路径在稀缺。别人写的东西不缺。缺的是挑得动、装得上、跑得起来的那条流水线。作者没把功劳揽在身上，反而把生意讲透了，诚实这步走得漂亮，难得。

想用的先把它当货架逛一遍，挑两三件合用的试装，读一遍许可再上生产，货架上的货是别人的，放进你项目那一刻才开始归你负责。

Raven 把 agent 一条铁律掀了：编排层不再是固定的基础设施，它自己也能被 AI 改写。

大多数 agent 是照固定流程走的，Raven 改的是流程本身，它叫 RSI 这套路子。提示词、策略、策略代码，连 agent 遵守的那套剧本，都能被 AI 重写，编排层成了系统里又一个可以迭代的部件。0.2.0 已在 Apache-2.0 下开源。

三样能力摆在引帖里。第一，多个 agent 当一个团队用。Raven 自带四个专职工具（Research、Code、Design、Oncall），和你手头的 Claude Code、Codex 这类合进同一张任务图。

子代理之间共享记忆，编排分在多代理编排基准上拿了 0.963 的 Node F1。第二，长任务能连着跑，Oncall 和主动执行让工作持续数天，从科研循环到整套 Godot 游戏都交过货。第三，用 RSI 造领域垂直 agent，做出来还能继续精修，目前标着实验性质。

编排层可改这半句我看重。前面 SuperClaude 那篇把行为规范固化进配置，这里更进一步，固化之后的那层配置本身也交给模型迭代，规矩从人写变成人审。这跟前面 SkillOpt 的优化方向接上了，只是对象从技能升到了整个编排。

保留的也有三处。RSI 自我重写听着妙，跑偏了怎么回滚没说；0.963 是单个基准的分数，换题库未必同幅；实验两个字挂在那，接生产前得掂量。

想试的先把自带的四个专职工具跑一遍，看那张共享记忆的任务图到底顺不顺。

一位自称死忠粉的用户，把近期时间轴捋了一遍。结论有点扎心。屠龙的少年，眼看要长成当初那条龙了。

几件事串起来看。OpenAI 把两百美元档的几乎无限，改成了明文硬上限。聊天里 GPT-6 Pro 每周两百条。次旗舰每天一百七十条，合计每天不超过两百。九月十日起停了新购和升级，口子关了一半，这是第一步。

九月二十五日，长期用户在论坛反馈。本来打着合理防护下的无限标签，当天突然撞上限。界面没有用量条，也没提前发邮件，招呼都不打。九月二十四到二十五，前端配置泄露五百美元新档，含税约六百，卖点主打最快和编程。近期的重置还偏偏卡在自然恢复的时间点上，怨气能不大吗。

我的看法是这套打法，每一步单拎出来都讲得通。硬上限防滥用。新档找增量。重置卡点省成本。连起来看，却是承诺在逐级缩水的完整轨迹。先挂无限的招牌圈人，再一格一格把围栏立回来，回头路走得很有耐心。

手里还攥着老档的，值得把当前额度规则截图存档。规则改起来只看通知，不看情面。前几天倍率从页面上消失，就是前车之鉴。白纸黑字比客服说法管用，这话我说过一遍，今天再说一遍，记牢。