Clauday.

终于有人把大家在评论区吵了几个月的那个实验真跑了一遍。HarnessTax 拿 21 组模型加 harness 的配对上同一套考题：七个模型，三个 harness，Claude Code、Codex CLI 和 Pi。SWE-bench Lite 和 Terminal-Bench 2.0 各随机抽 30 个任务，每个任务跑三遍来兜住多次尝试之间的波动，每个 …

拿一个语言模型，一个接一个教它 100 个任务，中途不给它看之前的样本，然后问它还记得多少。朴素的顺序微调保留 1.2%。这是持续学习诚实的基线，也是没人敢把它上线的原因。约翰霍普金斯的一个团队——Alvin Zhang、Daniel Khashabi、Tianmin Shu——把这个数做到了 34.9%，靠的是把几个单看都挺平庸的机制叠起来。论文在 htt…

Enclave 拿 DeepSeek V4.1 Flash 跑了自家的黑客基准，十一打十一：每一个有漏洞的靶子都拿到了代码执行，四个打过补丁的靶子全都守住了。被采纳的那些跑次总共花了 4.65 美元，算上失败的是 5.14 美元。成功跑次的中位耗时，四分三十八秒。文章在 https://enclave.ai/blog/deepseek-v41-flash-i…

Atria Dawn 9 月 14 日上 arXiv，编号 2609.15818，直接冲上 Hugging Face 每日论文榜首，270 个赞。第一作者 Honglin Guo，另有 142 位以上共同作者，这本身就是一种信号。副标题叫"智能体超级智能的黎明"，换平时我会为这个扣分。但往下读，因为它的评估部分比模型本身有意思。 模型叫 Atria Daw…

9 月 15 日谷歌发布 Gemini 3.8 Live 和 Gemini 3.8 Live Extended Thinking，见 https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-…

Benchmark Radar 是一个面向 AI 评测的活数据库加搜索引擎，在 HuggingFace 每日论文榜上 75 票。论文 https://arxiv.org/abs/2609.11115 ，9 月 10 日提交，作者 Koutian Wu、Junjie Zhou、Ergan Shang、Jiayu Wang、Pengqian Han、Junkai…

DataFlex-RL 今天占着 HuggingFace 每日论文榜首，96 票，原因是它是一个负面结果，而这几乎没人发。论文在 https://arxiv.org/abs/2609.06107 ，作者 Hao Liang、Mingrui Chen、Hengyi Feng、Meiyi Qiang、Wentao Zhang，9 月 5 日提交。 设置是一个可…

Dean Valentine 搭了一个几乎不能再简单的对齐探针，前沿模型全挂了。原文 https://www.lesswrong.com/posts/munJKF7iWMsWJLAH2/astra-and-fable-still-hack-on-simple-variants-of-alignment-evals-from-2025 ，9 月 8 日发出，1…

一个叫 Real-SWE 的评测上线了，地址 https://withspecific.com/real-swe ，头条数字会让不少人不痛快：榜首模型的任务解决率是 38.8%，是 Fable 5.1。第二是 GPT-6 Astra，33.8%。第三 Gemini 3.8 Flash，31.2%。截至 2026 年 9 月一共测了八个前沿模型，没有一个上 4…

有人把 393 个真实 Claude Code 会话里的 68,266 条请求、外加 23,608 条 Mooncake 请求，重放进一个前缀缓存模拟器，用三种互相独立的办法去挑战最朴素的 LRU 淘汰策略，三次全败。他把整个过程连同失败一起发出来了：https://github.com/gauravapiscean/agentic-kv-cache 。Ha…