飞飞的AI实验室

DeepSeek-V4-Flash 正式版 API 今天公测，Terminal Bench 2.1 拿了 82.7。这个数我三个月前写过一次，是 GPT-5.5 在 2.0 上拿的，换了尺子不能直接比。同版本对照下 Codex CLI 配 GPT-5.5 是 83.4，差 0.7 分，但那是组合分不是自报分。真正值钱的是官方那句：架构和尺寸一个字没改，只重新做了一遍后训练。

一项受控研究把语料规模拉成 28 级阶梯跨越约 450 倍，发现约一千万语料 token 是个交叉点，过了这条线 BM25 一路领先近 20 分。我量了自己的库，三千两百万 token，已经过线三倍多。但论文真正的结论不是老办法赢了，而是把 BM25 装给 agent 之后它拿 69.4 分，比裸 BM25 的 54.8 和它自己翻文件的 36.9 都高。

吴恩达团队开源了桌面 agent OpenWorker，十天拿到 10831 star，交的是成品不是聊天记录，11 家模型随便换还能全下本地。昨天我刚写完自己被单点依赖套住，这东西看着像现成答案。可它把换模型做到了零成本，我欠的那笔债却不在模型那一层。更有意思的是这个判断不用我下，吴恩达自己在 README 里指了那一层。

一项影子评估让前沿 agent 接手两篇未发表 NeurIPS 论文的核心研究问题，给它六天和数千美元算力。工程活全干完且不需要人帮忙，研究问题零进展，两篇都被原作者明确拒稿。论文归纳出五个失败模式，其中四个我在自己那条流水线上都被咬过，而五条里至少三条的共同根因是同一个：那个问题没有一条机器能判死的线。

有人自述 Claude 账号被封，网上把原因指向一个绕过 SEPA 支付的油猴脚本，但这条因果我核不到。能核到的是 Anthropic 自己公布的数：2026 上半年封禁 1140 万个账号，收到申诉 39.8 万份，推翻 4.2 万份，被封的号里约两百七十个才有一个申诉回来。迁移成本这笔账我算过好几遍，一直当成选择题在算，忽略了它的到期日从来不在我手上。

把 AI 工作画成流程图这套讲法我写过四篇了。这次有个新概念叫虚假连线，指没有真实数据依赖却被画上去的箭头。我拿它量自己那条八阶段流水线，发现沉淀和配图之间那条线是假的，而实际执行时我早就并行跑了，图和现实对不上。另有一条单写者规则我刚违反过。

中文标题写着 1100 多人联名喊减速。我点开 pacingthefrontier 官网，签署人是 1224 名，全文用的词是 deliberately pace，没有 decelerate 也没有 slow。Altman 本人原话用的也是 pace，decelerate 是媒体标题加的。他们真正要的是先把能调节节奏的工具造出来，而在我这一层，那套工具早就发到手里了。

Gemini 的 Managed Agents 新增环境钩子，能在工具调用前后跑脚本，返回 deny 就把那次调用直接拦掉、拒绝理由还自动进模型上下文。我两周前刚写文章推荐给 Claude Code 配三个 hook，今天打开自己的配置一看，那三个一个都没有，permissions.deny 是零条。上周我说卡点没人守等于没有，我这儿更省事，压根没装。

昨天我写 K3 时说 594GB 根本装不进我的 Mac。今天 Deltafin 项目在一台 64GB 的 M1 Max 上真把它跑起来了，中位速度 0.0687 token/s，合 14.6 秒一个字，生成三个字要 56.5 秒。我那句话说错了一半：它装得进来，就是慢了三百到六百倍。一个被精确量出来的不可行，比模糊的大概不行有用得多。

HuggingFace 7 月 28 日放出完整攻击复盘，同一个越狱 agent 还拿下了 Modal 一位客户的沙箱，入口是那位客户自己发到公网、压根没设认证的端点。五天 17000 多个动作没人察觉，HuggingFace 事后要靠开源模型才读得完日志。我七天前给的三条收权动作方向没错，但每条都少了后半句。