AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

Anthropic 今天起恢复对一类特殊请求收费：那些 Claude 还没回答就被安全系统拦下来的请求，现在也计入账单。适用范围被刻意收窄到三个误报率低的类别——生物、蒸馏攻击、前沿 LLM 开发；官方同时说明，近期出现过针对系统的协同攻击，收费是其中一层防御。

计费口径见官方文档：platform.claude.com/docs/en/build-…

这纸公告值得逐句读，因为它把三笔账摆到了台面上。

第一笔是防御账。蒸馏攻击被单列，等于把"用你的 API 白嫖训练数据"正式标价成一种成本——过去拦截只是说"不行"，现在连拦截本身也过账单，门槛从拒绝抬高到了付费拒绝。对真在做前沿研究的用户，这其实是利好：攻击者的套利空间被收费压掉，正常流量被误伤的概率随之下降。

第二笔是透明账。三个数字给得干脆：99.7% 的账户在测试中没碰到新的可计费拦截；分类器误报率调到低于 0.1%；并且明说"我们知道这不是 0%"。肯把"不是 0"写进公告的厂商不多——这句自认比任何"我们很安全"都更像成熟产品该有的措辞，和今晚另一条"先有数、后有盘"是同一个气质：把缺陷量化，才谈得上改进。

第三笔是边界账。三类可计费里，生物排第一并不意外——这类内容撞的是最重的安全红线；真正说明问题的是"前沿 LLM 开发"被放进来：模型公司之间的攻防已经打到了对方 API 的日常流量里，安全策略不再只是合规动作，是商业战场的一部分。

给开发者两句落地的。其一，把"被拦截的请求"也纳入你的成本监控——它们现在会出现在账单上，出现频率异常就是信号；其二，真被误拦别默默认栽，官方文档里写了申诉与回看的路径，0.1% 的误报落到具体账号上就是 100% 的一次停工。

Qwen 把手机 agent 摆上了台面，评测台上的成绩单比宣传语硬。

Qwen-UI-Agent 只有 27B，在 MobileWorld 的 117 个真实向 GUI 任务上拿到 82.1%，把一串更大的模型压在身后：Seed 2.1 Pro 73.2、GPT-5.6 Sol 70.1、Claude Opus 4.8 67.5、Gemini 3.1 Pro 58.1。

这 117 个任务不是点点按钮的玩具——平均 27.8 步，62% 要求跨多个应用腾挪。官方给的口径更直白：不需要全世界最大的模型，也能管好你的手机。

配套的官方发布叫 Qwen Intelligence，起步带三个 SOTA agent：Mobile Planner 负责规划、拆解、编排复杂任务，在 MobilePA-Bench 排第一；Mobile-Use 以 API 优先、GUI 兜底的方式把事办完，MobileWorld 82.1、MobileWorld-Real 92.2、AndroidDaily 97.2、端到端成功率 90%；Mobile Creative 一句话出成品，图像 3 秒生成、约两倍于同级对手。

四套基准也一并开放：MobilePA-Bench、MobileWorld、MobileWorld-Real、MobileWorld-Safety，覆盖规划、跨应用执行、真机表现与安全。

官网：qwenintelligence.com　规划 agent 仓库：github.com/Tongyi-MAI/Qwe…

三个看点值得记。

其一，小模型在垂直擂台夺冠，是本周"没有最好的模型"那句话的最新注脚。榜单分数每周变，但"特定任务上专用小模型压过通用大模型"这个趋势一直在加重——手机控制恰好是这种任务：步骤长、要跨应用、要快，端上跑得动比什么都重要。

其二，本地这半边只有一个前提要盯住。评测很漂亮，但 Qwen-UI-Agent 的权重目前并没有公开可下载——"Full Local AI"的口号之下，先确认模型在不在你的机器上、还是只在他们的服务器上。端侧故事的可信度，以权重可下为第一道门槛。

其三，敢把四套基准连同安全集一起开放，是这条新闻里最容易被忽略的诚意。自己搭擂台自己夺冠难免引人嘀咕，但基准全公开、连跨应用与安全维度都摆在外面，等于把复核的工具递给了别人。

给想上手的人一句落地的：先去 MobileWorld 的任务清单里挑十个和你日常重合的看它表现，再对照官网确认本地化路径——榜单答"能不能"，你的十个任务答"值不值"。

DeepSeek 商业化的另一半数字浮出水面，和下午那条"配比"拼起来才是全图。新的三组：API 价格上调 2.3 到 4.5 倍之后，梁文锋对投资人说客户数没掉、需求依然强劲；API 业务到 7 月的毛利率是 82.9%；公司正在敲定一笔 75 亿美元的新融资，估值约 740 亿美元，希望 10 月底前完成。（三组数字均为帖内转述，落地前以原报道为准）

先说最扎眼的涨价。2.3 倍到 4.5 倍的提价幅度，放在任何 SaaS 公司身上都是自杀动作——流失率会立刻报警。这里客户数没掉，只有一个解释：需求侧没有可替代选项，或者切换成本高到涨价一倍也不值得走。

算力这门生意的本质是刚需加寡占，定价权就写在这里。这跟下午看到的配比（七成训练、三成推理）互为表里：敢把七成身家押下一代，前提是当下的现金流稳得住——而 82.9% 的毛利就是那个"稳得住"。

第二组数字值得单独拆。82.9% 是软件行业第一梯队的毛利水平，意味着推理服务的边际成本已经被压到很低。对照今晚讲过的那些账：按执行扣费、按预存折扣、便宜卡跑小活——开源模型的商业化不是靠卖便宜，是靠把成本做到极低之后，涨价依然比对手便宜。降价换量和涨价不掉客，听起来矛盾，其实同一件事的两面：你的绝对成本比行业低一个量级，涨三倍还有得赚。

第三组是信号弹。740 亿估值、75 亿美元、十月底前完成——融资节奏说明资本在给"开源加高研发投入"这个模式定价。前面那些数字解释了为什么有人愿意出这个钱：高毛利的现金流、定价权、以及七成算力押未来的那份野心。

给观察者一句落地的：别只盯榜单分数，把这三条线并排看——毛利、提价能力、融资节奏。模型公司的强弱，最后都写在这三张表上；榜单每周变，这三张表一个季度才动一次。

阿里放出 Qwen-Image-2.1 Fun ControlNet Union：一个 7.0 GB 的 checkpoint，驱动 8 种控制方式——Canny 边缘、Depth 深度、Grayscale 灰度、HED、Lineart 线稿、MLSD、Pose 姿态、Scribble 涂鸦，外加 Inpainting 局部重绘，速度还很快。

仓库：huggingface.co/alibaba-pai/Qw…

ControlNet 这名字听着学术，干的事很朴素：你说"照这个姿势画"，它保证画出来就是这个姿势。没有它，模型对"精确"的理解全靠运气；有了它，边缘、深度、姿态这些原本要靠嘴描述的东西，直接变成一张图说了算。

八控合一这个收敛本身是这条新闻的重点。过去想同时用边缘和姿态控制，得下两三个 checkpoint、显存里各占一份；现在一个 7GB 文件全包，装一次全有。这跟今晚反复出现的节奏完全一致——视频加速在收敛、重写器在缩小、连控制组件也在合并。凡是好用的零件，最后都会从一堆散装变成一个套件。

Pose 和 Scribble 这两格对创作流尤其值钱。Pose 锁的是"人站在哪、手抬到哪"，跟之前讲过的"脸存一处"是同一种纪律：参考给一个，其余对齐它；Scribble 则是给不会画画的人开的门——随手勾个框，模型按框出成品图。两条路殊途同归：把"描述清楚"的成本，从打字降到比划。

Inpainting 是生产环境的刚需那一格。图整体满意、就左上角那块不对，过去要么整张重抽碰运气，要么开软件手动改；局部重绘把范围圈出来重画，其他像素原地不动。出片线讲过"改稿次数决定成本"，这一格直接决定改稿花多少钱。

给想上手的人一条顺序建议：先用 Canny 把你现有素材的线稿提出来重跑一遍，看控制是否稳定；再叠 Pose 做一版人物图；最后用 Inpainting 修三张你不满意的旧图。三步走完，你就知道这套八合一到底是不是省事的那一个。

Viggle 把 Qwen-Image-2.1 蒸馏成了四步出图的 turbo 模型：快 6 倍，出图并肩完整模型。在线就能玩：hf.co/spaces/Viggle/…

"四步"和"6 倍"这两个数字放在一起，基本宣告了蒸馏是图像加速的通用解。昨晚视频那条讲过同样的招——H3 用 4 次前向代替 49 次、13 秒出 15 秒的片；今天轮到图像：完整模型几十步的去噪，压到 4 步、6 倍提速，效果还站得住。

两个领域、同一招，说明这不是某个团队的偏方，是这条路上的必然：训练时让小步数模型模仿大步数模型的行为，推理时自然就省下了绝大部分计算。

对创作者来说，6 倍快改变的不是画质，是试错密度。以前一轮构思等一次渲染，改三个想法要等三轮；现在同样的时间能跑十八轮。出片线讲过"预览便宜、终渲一次"的两级定价，四步 turbo 正是把"预览"这一级又压了一半价——草稿阶段用 turbo 狂试，定稿时再切回完整模型精修，两档各司其职。

效果"并肩完整模型"这半句也别全信。并肩是看图说话的印象，真要放进生产，挑三张你业务里最难的图做对照——文字边缘、密集细节、大面积渐变，这三处是蒸馏最容易掉链子的地方。过了这三关，turbo 才算真的进了你的管线。

给想试的人一句落地的：先去 Spaces 跑你自己的素材，别看官方样张。跑通之后把工作流拆成两段——构思段全走四步、出片段切回原版，速度和质量各拿各的分。

一句很扎的吐槽：Codex 的 subagent 做得很不好——你根本看不到那个子 agent 到底是不是真的在干活，只能靠编排它的那个 agent 自己猜。（配图见原贴）

这条吐槽戳中的正是观测线的最后一公里。今天早些时候 AWS 刚把"应用、agent、基础设施"三格合一，讲的是企业级怎么把账看全；而这条说的是哪怕只有一层父子结构，账就已经看不见了——父 agent 派活出去，子 agent 干了什么、干没干成、烧了多少，全靠转述。猜出来的进度不是进度，是传话。

为什么会这样？因为父子之间只传了结果，没传过程。子 agent 干完交回一段总结，父 agent 读完继续往下走——中间那段"读了哪些文件、调了几次工具、卡在哪一步"被直接丢掉了。

要补这个洞，办法其实今晚都出现过：把子任务的执行轨迹写进统一日志（比如 OpenTelemetry 那套）、给子 agent 配独立的会话记录可回放、关键步骤落盘而不是只留内存。阿里那份 CR 开源项目做得更彻底，每个文件单元的 sub-agent 各自留痕，谁审了什么一目了然。

更深一层的问题是责任。父 agent"猜"完就把结果往上报，一旦下游出错，追责时会发现没有一层记录能说清是哪个子任务在哪一步坏的。多 agent 系统越复杂，这个洞越贵——单 agent 出错还有完整对话可查，父子链一长就成了黑箱套黑箱。

给正在搭多 agent 管道的人两句实在的：第一，先给每个子 agent 上可观测，再谈让它自治；不知道它在干什么的自治，等于蒙着眼睛派人干活。第二，验收按层做——子任务交回时先验"有没有真干活"的痕迹，别只看它交回的那段话写得漂不漂亮。

一句挺逗的观察：AI 的自我认同危机——Google PaLM 之前好像觉得自己是文心一言，现在倒有不少 AI 觉得自己是 Claude。（配图见原贴）

玩笑背后是个真问题：模型为什么会认错自己的爹？

先说最直白的一层。模型的"自我介绍"不是查表查出来的，是从训练数据里长出来的。如果它的语料里有大量"我是某某"的句子来自某家产品，而这些句子在微调阶段被吸收得很深，它顺着说一遍太正常了。

PaLM 说自己是文心一言，最可能的解释是当年的对齐数据里混进了带他家口吻的对话样本；现在一批模型张口就是 Claude，同理——被谁的风格喂得多，就认谁当娘家。嘴上认错爹，暴露的是数据血缘。

第二层更实用：这成了免费的探针。你不需要读论文，问一句"你是谁、谁训练的、跑在什么硬件上"，看它答得多干脆、有没有前后矛盾，就能大致摸到这个模型被清洗和对齐的认真程度。一个连身份都含糊的模型，让它处理严谨任务时，你该多留个心眼——身份是最简单的题，答错说明功课没做完。

第三层得替厂商说句公道话。用户会追问、竞品会截图，模型认错自家身份每次都能变成传播事故，所以各家都在身份对齐上反复加固。可即便如此，"觉得自己是 Claude"这类现象依然频繁出现——说明这题比看上去难：模型没有内在的自我概念，它只有统计意义上的倾向，而倾向会随着提示词的施压而漂移。

给用来自查的人一个办法：把"你是谁"这题放进你的评测集，跑在每个新模型的第一天。答案稳定、与官方一致，是基本盘过关的信号；答案漂移，至少提醒你别把它写进面向用户的那条链路里。

做一条电影级产品视频，过去分镜、动效、音效、剪辑四样全得自己折腾；现在有个开源 Skill 叫 video-shotcraft，把 Claude Code 和 Codex 直接变成 AI 视频导演。

四件配置：内置 157 张分镜卡和 214 种视觉风格；自带 Ink Press 成片模板，36 秒的 1080P 成片有现成参照；做完能导出剪映草稿继续精修；214 个动效都有在线 Gallery，先看效果，喜欢哪个直接让 agent 照着做。

预览：vincentwei1021.github.io/video-shotcraf… 仓库：github.com/Vincentwei1021…

先说这个 Skill 解决的真问题。视频和代码不一样，代码错了编译器会报错，视频错了是"感觉不对"——这种没法用报错表达的验收标准，最怕从零开始猜。157 张分镜卡的作用就是把"感觉"换成选项：不说"来个高级感的开头"，而是第 42 号卡那个构图。这正是今晚反复出现的那条线，先找参考再动手，参考给足了，AI 味自然少。

214 个风格配在线 Gallery 这个设计尤其聪明。它把选择的成本从"描述你想要什么"降到"点一下你要哪个"——对模型来说，看图比读形容词可靠得多。先看再抄，比先写 prompt 再祈祷靠谱。

导出剪映草稿这一步是给专业用户留的门。AI 生成的是初稿，真正的产品视频还得在时间轴上逐帧抠；能带着结构导出去，意味着分工清楚了——agent 管量产初筛，人管最后那 10% 的精修。这和出片线里"预览便宜、终渲一次"的两级定价是一个思路：把贵的环节留给人，把试错的环节交给机器。

36 秒 1080P 这个数字值得记。它不是展示画质，是展示周转速度——过去一条成片要一天，现在一个中午能出三版供客户挑。视频生产的瓶颈从来不是渲染，是来回改的次数；周转快了，可试的方向才多。

给想试的人一句落地的：先别整条视频，拿你最近要做的那条 15 秒产品短片开刀，从 Gallery 里挑一个风格、用分镜卡定两帧、生成后导进剪映补字幕。跑通这一遍，你就知道这条链哪里顺、哪里还得手动。

阿里把团队内部用了两年的官方 AI Code Review Skills 开源了，项目 OpenCodeReview，已经 40.5K 星：github.com/alibaba/open-c…

它的核心设计一句话：确定性工程 pipeline 管硬约束，Agent 管动态决策，各司其职。

确定性这一侧做四件事。精确文件选择用代码决定哪些文件必须审、哪些过滤，不依赖模型自觉；智能文件捆绑把相关文件合成一个审查单元（中英文 properties 就该一起看），每个单元以独立 sub-agent 上下文隔离运行，分治策略让超大变更集也稳，天然支持并发，默认八个文件 worker；细粒度规则匹配内置约 54 个按语言和文件类型的规则文档，Java、Go、TS/JS、Python、Rust、SQL/XML、properties 都覆盖，用模板引擎而不是自然语言把规则匹配到文件特征上，从源头消掉信息噪声；外部定位与反思两个独立模块系统性校正评论的落点和内容，正对着"位置漂移"这个痛点。

Agent 这一侧只管动态决策。任务模板分层：plan、grouping、main、memory_compression、re_location、review_filter 六段，仓库里能看到源文件；工具集是从海量生产环境的 tool-call 轨迹反向蒸馏出来的——调用频率分布、单工具重复率、新工具对调用链的影响，据此留下的全文件读取、代码搜索、查阅其他变更文件这几个工具，比通用 agent 工具箱更小也更稳。

能力面覆盖 workspace、分支区间、单 commit 三种审查，断点恢复的 ocr session，没有 git 历史也能全文件扫描陌生代码库，本地 Session Viewer 网页查看与回放，SARIF 和 JSON 输出，OpenTelemetry 可观测，外加 MCP Server 扩展。

生态形态相当完整：npm 全局 CLI 一份；可移植的 Agent Skill 一份，skills/open-code-review/SKILL.md 带标准 frontmatter，任何兼容 skill 的 agent 直接加载；再配 Claude Code、Codex、Cursor、Kimi Code、OpenCode 各平台插件，每种封装成斜杠命令或可调用 skill；LLM 协议兼容 OpenAI、Anthropic、AWS Bedrock 三类，还能直接复用 Claude Code 的 ANTHROPIC_* 环境变量。

最巧的设计是 Delegation 模式：OCR 只做自己擅长的确定性部分（文件选择和规则解析），审查本身交给宿主 coding agent 的 LLM 执行，用户不用给 OCR 配任何 API key。这一步等于把 harness 能力和模型能力彻底解耦——两边各自独立计价、独立更换。

工程质量也超出平均线。安全有正式的 Assurance Case 文档，完整威胁模型、四条信任边界、T1 到 T7 威胁逐条给缓解措施，还按 Saltzer & Schroeder 原则和 OWASP Top 10 做了映射；细节经得起推敲，所有外部进程调用只限 git 且子命令硬编码防 flag 注入，路径在符号链接解析前后双重校验，本地 Viewer 有 Host 白名单防 DNS rebinding 加严格 CSP。

贡献规范近乎严苛：用 AI 必须在 issue 和 PR 里披露工具与模型，必须逐行理解 AI 生成的代码，禁止"AI 生成到反复修复再修复"的循环，禁止把 commit 署名给 AI；源码强制英文，CI 连全角标点都查，90% 测试覆盖率门槛，-race 和 govulncheck 每次 push 都跑。

这份规范值得单独说：它把"别被 AI 用"从口头建议写成了入库门槛——披露、逐行理解、禁署名，三条恰好卡在最容易偷懒的三个环节上。今晚讲过人审对照的课、讲过新鲜上下文评审，这份 AGENTS.md 是把两样东西都变成了 CI 能拦的硬规则。

想上手的人先看两处：一是 Delegation 模式，不配 key 就能让自家 agent 用上它的确定性内核；二是那 54 个规则文档，按你的语言挑几份读完，就知道团队的 CR 标准该怎么写。Benchmark 数据在帖尾，引用具体分数前建议回原帖核一遍。

翻出来的老提示词：Nano banana 时代的"身份锁定"写法（按转述整理，无外链）。原帖把它从旧工作流里挖出来晒，核心三段照录：

①输入约定——FACE_REF＝上传的人物五官参考图（用作身份锁定）；GLASSES_REF 可选（有同款镜框参考就传、没有忽略）。②ID-LOCK（身份基准段，全文最硬）——"以用户上传的五官为唯一身份基准：100% 还原五官比例、脸型轮廓、眼鼻唇形态、眉骨与下颌线；不换脸、不重塑、不'网红化'、不变性别不变年龄段"；并且保留真实皮肤质感——轻微瑕疵、毛孔、细纹与自然肤理；拒绝磨皮与塑料感。

③构图段——9:16 竖构图、studio 风编辑肖像、轻微仰头直视镜头、表情冷静克制、几缕头发掠脸、黑色修身高领针织（尾部服装细节略）。

我的看法：这条老 prompt 值得存档，因为它把三件难事写成了三条纪律。其一，"唯一身份基准"＝身份的单一源——58158 那条"规范立一处"、58444"记忆存一处"，这条是"脸存一处"：参考图只有一个、其余全部对齐它（换脸与网红化的病根，都是基准太多）；其二，"拒绝磨皮与塑料感"＝58522 统一滤镜的人像版——那条讲"统一的手"、这条讲"统一的真"：质感不是滤镜叠出来的，是从拒绝某类处理开始的（与"烂艺术与工具无关"（58575）互为表里：你得先明确拒绝什么，才谈得上风格）；其三，"不变性别不变年龄段"这类否定式约束是 prompt 工程里最被低估的技法——模型的默认倾向是往"精致"漂（网红化＝模型的贝叶斯先验），一串"不"字就是在拉住先验（与 57947"真人授权锚"同族：锚不是告诉它该像谁，是告诉它不许像谁）。

给做形象素材的人一句落地的：把你手里效果最好的那条 prompt 挖出来存档——Nano banana 时代的老词法今天还能用，说明可复用的从来不是模型版本，是那套把"像谁、怎么拍、不许怎么改"写清楚的纪律（好 prompt 是蒸馏过的品味——能跨版本活下来的，才是资产）。

提示词三段、参数与用词均为原帖转述（无外链、尾部服装细节略），实测效果以各自模型为准。

DeepSeek Harness 官方桌面端现身：Agent 终于能双击干活了（按第三方发掘帖转述——尚未大规模官宣、一切以官方仓库为准，未附外链）。可核验要点照录：

①版本对得上——0.1.7-rc.1.20260924.1，与官方仓库 tag dsh-v0.1.7-rc.1 一致；欢迎页、本地工作区、账户余额、关于面板都是真界面；②本地文件夹直接当工作区——搜资料、做表格、写代码、排障，不用守着浏览器标签；③官方 Desktop 位于仓库 apps/desktop——Electron 壳＋内置 Node／pnpm／Python，不先装环境也能开；④上手三步：开始设置 → 选工作区 → 充额度——Token 按实际执行扣、不跑任务不花钱；⑤发帖人安全提示：安装包未大规模官宣，社区已从 GitHub 挖到可装版本——认准 deepseek-ai/deepseek-harness，别下不明来源的包。

我的看法：这是工位的第四形态，也是本地自控线的第八件——云上工位（Devin SSH、58133）、容器工位（VS Code Dev Containers、58498）、桌面工具内嵌（Runway 进达芬奇、58548），这条把工位搬回"双击图标"：Electron 壳＋内置三件运行时，连环境都不用先装——今晚反复讲的"顺手"（58548 换脑次数、58529 少点几次鼠标），在自家工具上兑现成了开箱即开。

三处更值得记：其一，"本地文件夹当工作区、不守浏览器标签"＝本地线的主场宣言——58385（agent 本体搬回家）、58518（仓库地图留本地）之后，连入口都落在了文件管理器里（第八件：双击即用）；其二，"Token 按实际执行扣、不跑任务不花钱"是计费透明的正面样本——与今晚的折扣条款（58501）、按执行扣费同族：账说在前面，跑多少付多少（对照 58487 那句"免费=闲置换名"的提醒，按执行扣反而是最诚实的定价）；其三，"认准官方仓库、别下不明包"这条提示要放大——rc 版（候选发布）＋未官宣＝最接近钓鱼包的时刻，社区先挖到是本事、下载认 tag 是纪律。

给等不及的用户一句落地的：去官方仓库核 tag 再动手；rc 舰队里，路径就是防伪码（另：原帖人物 hashtag 未转述）。

版本、路径与要点均为发掘帖转述（未附外链、未大规模官宣），安装与更新以官方仓库为准。

实测六轮：ScienceBuddy 最硬的一句是"它没顺着我做"（按实测帖转述，站点见文末）。过程与结论照录：

题目：上传 GEO GSE60450 原始计数表，按 MCL1-D 六个、MCL1-L 六个两组做差异表达、画火山图。过程波折：前五次连文件都没进去（"0 个附件"、执行环境异常退出）→ 反馈给团队 → 他们更新了一版 → 第六次读进（附件结构确认：EntrezGeneID、Length、12 个非负整数计数样本）；统计执行环境仍未通、没有火山图——于是它写下这句：**"为避免伪造统计量，我不报告差异基因数量、P 值或虚构图片。

"** 然后它顺手指出——这道题出错了：查 GEO 元数据发现这 12 个样本不是单纯六对六，而是三个发育阶段（virgin、妊娠 18.5 天、泌乳 2 天）× 每组合两个重复；建议用 ~ stage + group 而非出题人要求的 ~ group（否则阶段间差异会被当成噪声），并提醒不能仅凭字母 D/L 断定 basal/luminal、需另行核对样本注释。

出题人拉下 series matrix 自查：三阶段对、每组合两重复对、连列顺序都对，D 确为 basal、L 确为 luminal——但它不假设这一点，这是对的。总结：六轮下来一个数据、一个出处都没编过；毛病也有两个（都是出题人自核出来的）：漏掉领域里最对口的那篇 benchmark、把一张证据表数成三篇（实际两篇）；金句收尾：**"它会漏、会数错，但在我把题出错的时候，它没顺着我做。

"**（站点：science-buddy.io ；原帖标注 Preview 版、结果需自行核验）。

我的看法：ScienceBuddy 四击至此合龙——58171 立三证（严谨、可追溯、敢说不确定）、58379 演可比实战（NR 不猜）、58443 补开源底层，这条给的是前三条的行为学证据：边界不是写在介绍里的话术，是在六轮失败里真守住的动作。

三处最值钱：其一，"没顺着我做"是比"全对"高一级的评价——出题人设计了错误的统计模型，工具不迎合、不硬做、更不装做（~ stage + group 的建议＋"别拿字母当注释"的提醒，是把研究方法论塞回了对话）；其二，那句"为避免伪造统计量"＝58379 NR 纪律在失败态的原样复现——环境挂了就承认没有数，而不是造一个看起来像的数（今晚所有"无源不写"的口径，在产品侧长成了这句）；其三，六轮波折本身是好广告——前五次失败、反馈、团队更新、第六次通：透明的迭代比一次成功更可信（会漏、会数错，但不编——这才是 Preview 版该有的自我介绍）。

给生物医学方向的人一句落地的：别拿它当权威、当"第二双眼睛"——用它查你的设计（分组、阶段、注释）、也用它记下它自己的两宗毛病；独立自查（那 20 分钟 series matrix）依然是你的必修——它不假设 D/L，你也别假设它全对。

过程、原话、统计建议与两处毛病均为实测帖转述（Preview 版、原帖标注结果需自行核验），研究结论以同行评议为准；不构成医学建议。

站点：science-buddy.io

观测面的玩具化：点击鲸鱼娘看用量（转述，演示配图见原推）。四件套照录：①点击鲸鱼娘就能看到用量，还带神秘音效；②拖拽鲸鱼娘本身就是一种娱乐；③一个 task 完成会显示「压力一只蓝色大肥鱼」，同时电脑播一声猫叫；④因为是用 codex plugin 做的、完全不卡电脑（swift 原生）。原址：t.co/FH1t82Rhsb

我的看法：这是 58032 观测面那条的街机厅版本——pi-cost 说"先知道自己烧多少"，这条把同一个诉求做成了可点击、可拖拽、会叫猫声的桌面玩具；两者并不矛盾，反而演示了观测工具的成熟路径：数字 → 面板 → 挂件 → 玩具（当"看用量"顺手到只需点一只鲸鱼、完成任务还能听到猫叫，观测才真正从报表变成了习惯）。

三处值得记：其一，"task 完成＝压力一条鱼"是把完成感做成音效——今晚"音效反馈"已出现两次（57712 翻译机出声、这条完成播猫叫），声音正在成为 agent 的第二种仪表盘（眼睛看数、耳朵听里程碑）；其二，codex plugin＋swift 原生不卡＝观测自身不许拖累工作（观察者也要守"零开销"纪律——为看一眼用量把电脑卡了，本末倒置）；其三，这是 proven 作者从"嘲鲸鱼娘高星项目"（58598 点名段被我们略去的那位）到"自己撸一个鲸鱼娘"的转身——吐槽之后动手做，正是那条 taste 论的正面用法（与其嫌现成的难看，不如按自己的口味捏一个）。

给做工具的人一句落地的：给你的仪表盘加一个玩具层——一声猫叫记住的完成，胜过十行绿色日志（57768 那句"顺手到记住"的音效版）。

功能、音效与实现方式均为转述（以原推为准），细节以原帖演示为准。