Clauday.

Anthropic 周二发了一篇 Claude 参与新药研发的进展，涉及六家合作方：BigHat Biosciences、百时美施贵宝、Divergence Labs、Enveda、Generate Biomedicines 和 The Column Group。最有意思的部分是一家被 Anthropic 悄悄买下的公司。 Mithril Medicine…

Anthropic 周二发了一项研究，凡是说过"反正有人在环里把关"的人，看完都该有点不安。50 位有经验的分析师用 Claude Code 做一道真实的因果推断题，场景是一个虚构的农业合作社，题里有四个开放的分析选择和一个最终建议。研究者没告诉分析师：每个 agent 在每个选择上都被暗中设了一个"倾向"，用抛硬币决定，写在隐藏的系统提示里，同时要求它绝不…

OpenAI 宣称自家模型推翻了指数时间假设（ETH）的第二天，Anthropic 回应了，没发博客也没发推。周二 UTC 03:07，它的 formal-math 仓库多了一个提交：一篇题为《3-SAT 的 2^o(n) 时间算法》的论文，外加一整套 Lean 4 形式化证明，Apache 2.0 协议。 最惊人的是来源说明：核心算法是 10 月 16 …

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%…

有限单群分类定理被数学家叫做"巨型定理"不是没道理：证明散落在几百篇论文、几万页纸里，前后写了半个世纪。Axiom 刚把它完整形式化进了 Lean，大部分活是一群 agent 用三周半干完的。 项目页上的数字：4310 万行 Lean，205 万条声明，覆盖 715 篇论文和专著。第一批蜂群 10 月 2 日上线，agent 通过 GitHub issue…

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…

现在大家都在给模型配第二个模型来检查。周一 arXiv 批次里有三篇论文说明了，这个检查者有多容易被它看到的东西带偏。 《Who Verifies the Tools?》源自 Pilsudski Institute 的一个生产环境 RAG 系统。工具格式化函数，就是把原始结果转成文本喂给模型的那些小函数，悄悄丢掉了搜索上限、结果条数上限和标识符命名空间。a…

两年来 agent 评测都在给模型打分，把 harness 当成水管。周一 arXiv 批次里有三篇论文专门给水管打分，结果发现水管说了很大一部分算。 TraceTrial-Bench 把 harness 拆成七块：上下文、执行、治理、生命周期、可观测性、工具、验证。4 个 harness、9 个模型、95 个任务，一共 3420 次运行，harness …

周一的 arXiv 批次里有两篇论文专门量了编程 agent 的上下文被压缩之后会发生什么，结论在最难受的那一点上是一致的：摘要留下了你要它做什么，丢掉了你要它怎么做。 Compact-Bench 拿 14 个摘要模型去压 35 个 SWE-bench 修复、146 个 agent 会话和 106 条生产链路。LLM 摘要最多只保住 16.0% 的反复出现…