Clauday.

一家外卖公司发了个 1.6 万亿参数的 agent 模型。美团的 LongCat-2.5 是 MoE 架构，激活参数约 480 亿，原生多模态，目标就是长链路 agent 任务。博客落款日期是 11 月 1 日。 按 LongCat 自己跑的成绩，Terminal Bench v2.1 拿 88.4，DeepSWE v1.1 拿 64.6，Automati…

能抓出带后门代码的监控器，听上去像一个已经打完勾的选项。周一 arXiv 的一篇论文说，常用的测试集本身就在泄题。Debsarkar 和 Nahata 的《Simple Features Beat Most AI Control Monitors》（arXiv 2610.41713，已被 NeurIPS 2026 一个 workshop 接收）发现，在标准的…

同一个周一，冒出两个 agent 基准，路子完全相反。 SemiAnalysis 发布了 GDPx，按经济价值挑了 11 个领域：芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进、硬件设计、材料科学、对齐、软件工程，每个领域都由一家做 RL 环境的创业公司提供。最关键的设计是每个模型都在自家原生 harness 里跑：Opus 5.5 用 Cl…

选前端框架，现在可以按 agent 花了多少钱来算了。Nolan Lawson 让 Claude Code 用 12 个 JavaScript 框架各写一遍同一个应用，每个跑 5 次，每个结果都过一遍规格一致性测试，防止 agent 偷工减料假装完成。文章 10 月 28 日发的，这个周末上了 Hacker News 首页，267 分。 按 API 价格算…

一队开源小模型，在高难度算法题上追平了前沿大模型一次调用的成绩，而且这份报告比大多数论文都老实。Memdoor 的 team-solve 示例周末在 Hacker News 上拿了 410 分。 配置是五个 Qwen3.8-27B agent，分工固定：一个规划、两个出主意、一个解题、一个经理，外加一个修复工。每个都从全新上下文开始，彼此之间只通过磁盘上的…

把两家实验室的旗舰框架 Claude Code 和 Codex 拿去跑别家的模型，结果在一个真实的硬任务上，两个都交了白卷。 这是 kw-bench 的结论，上周三 arXiv 上一篇单作者论文，作者 George Juraj Salapa。任务是跨三代 SAP 系统重建五年的增值税账，打分完全确定，不用大模型当评委。四个框架都挂在 DeepSeek v4…

Google 10 月 28 日发布 Gemini 4 Carbon，第一批用上的人不是开发者。公告原话是"从本周起，Carbon 先开放给一部分网络防御方"，再通过 Google 的 Fairwind 计划逐步放给更多可信伙伴，同时参与美国政府的自愿性发布前模型测试。开发者和普通用户要等"尽快"。连续两次前沿发布都是防御方先拿到，这已经快成惯例了。 最亮…

做 agent 框架的人，周二这批 arXiv 里有三篇值得花一个下午读，因为它们都在反对"多加点结构"的本能。 第一篇测线上事故的根因分析，数据集叫 RCAtlas，90 个案例。简单的通用框架（其中一个就是 Codex 编码 agent）在三个中档模型上首选准确率 65% 到 77%。已发表的、写满人工流程的 RCA agent 只有 16% 到 53…

周二这批 arXiv 里有四篇论文落在同一个让人不太舒服的结论上：把 agent 的每个零件单独检查一遍，几乎说明不了组装起来以后它会干什么。 CoSA（技能冲突攻击）在招聘、金融、IT 和商务四类场景里搭了 288 个任务。在五个模型、三种 agent 框架上，往原有技能池里加入不超过 5% 的新 Skill，违规率就从 35.02% 涨到 58.45%…

周一 arXiv 批次里有两篇论文看的是：正常路径走不通的时候 agent 会怎么做。两篇的答案都不是去找人。 ImpasseBench 给编程 agent 造了十二种真实的环境阻塞，都是正确做法应该是上报的那种：缺凭证、依赖坏了、服务挂了。八个前沿模型，19371 条轨迹，结论是：几乎每个需要外部帮助的运行都已经收集到了足够的证据，但仍有三分之一把预算烧…