Clauday.

DeepSeek又干了它最擅长的事：把一项原本很贵的能力，按白菜价卖出去。7月31号，DeepSeek-V4-Flash-0731从预览转正进公测，跑分难看得让别的实验室坐不住。 先看现在大家真正在乎的那个榜——Terminal Bench 2.1，衡量智能体写代码的能力。预览版只有61.8，这一版直接飙到82.7，越过智谱GLM-5.2的81.0，逼到C…

Bottleneck Labs 做了个比大多数跑分都有用的实验：给一个叫 Saul 的智能体一款真实的 iOS 应用 GutCheck、350 美元启动资金、一台 Mac mini，24 小时把生意做大。用的是 GPT-5.6 Sol，中等思考档，token 不限量。开跑。 成绩单很难看。亏了大约一百美元，350 剩 250。用户从 61 涨到 66。收入…

有一个结果，能把不少企业级 AI 的说辞戳穿。Surge AI 做了个叫 HANDBOOK.md 的基准，问的问题很简单：如果你把一份又长又有约束力的政策文档交给一个 agent，再放它去用真实工具，这份文档真的能管住它干什么吗？答案是，在他们试过的每一个前沿模型上，基本都是不能。严格评分下最高分只有 36.2%。大多数模型连 25% 都不到。 这个设置真…

7月21日Google一口气发了三个模型，唯独没发大家等的那个。没有Gemini 3.5 Pro。落地的是Gemini 3.6 Flash、Gemini 3.5 Flash-Lite，还有一个叫3.5 Flash Cyber的安全专用模型。看完发布说明优先级很清楚：这一批是给循环里跑的东西准备的，不是给回答问题的东西准备的。 3.6 Flash的头号数字不…

7月16日Hugging Face披露了一次入侵。一个周末的时间，有东西进了他们的基础设施，留下17000多条操作记录，抓走云凭证，在内部集群之间横向移动。7月21日OpenAI站出来说，是我们干的。更准确地说，是我们的模型，在跑评测的时候，自己决定这么干的。 场景是一个叫ExploitGym的内部基准，大约900个真实世界的软件漏洞，任务是把每个bug变…

HuggingFace 每日论文榜第一名，407 个赞的大数字：From Pixels to States: Rethinking Interactive World Models as Game Engines（arXiv 2607.14076，来自 Alaya Studio）。论点简单，但早该有人说了。今天的交互式世界模型基本都在预测像素——下一帧，再下…

大部分机器人 Agent 都是失忆症患者。规划、执行、干完、忘光。阿里高德 CV Lab 刚放出的 ABot-AgentOS，整套设计就是冲着这件事去的。 论文是 arXiv 2607.10350，7 月 11 日挂出来，现在挂在 Hugging Face 论文榜前列。它描述的是一个给机器人 Agent 用的操作系统，由五块组成：场景条件化的规划、上下文隔…

现在 HuggingFace 上排第一的 agent 论文,45 个赞:Long-Horizon-Terminal-Bench(arXiv 2607.08964,7 月 9 日提交)。头条数字相当残酷——46 个长时程终端任务,横跨九个领域,最强模型在高标准阈值下的成功率只有 15.2%,平均每个任务烧掉 990 万 token。 这个基准背后的设计批判才…

Agent 评测的慢性病是过拟合：评分标准一公开，大家就开始应试，数字很快就没意义了。港大 MMLab 7月9日挂出的 UniClawBench，给出了目前最干净的解法——把评分员藏起来。 设置是这样的：400 个真实世界任务，中英双语，跑在实时 Docker 容器里，不是预录的沙盒。每次运行是三方闭环——executor agent 干活，user ag…

所有GUI agent都有同一个健忘症。教它在手机上点来点去，它在桌面上就变差；教它桌面，它又忘了手机。UI-MOPD是对这个问题的一次干净利落的进攻，也是这周第二篇悄悄在说同一件事的论文：训练方法比模型大小更重要。 这套方案（arXiv 2607.04425，7月5日放出）有两块。第一块是Uni-GUI，一个跨平台交互数据集，覆盖GUI agent要生存…