# 三大模型加密思维链被旁路转录 - 来源：ginobefun (@hongming731) - 发布时间：2026-08-16 08:38 - AIHOT 分数：43 - AIHOT 链接：https://aihot.virxact.com/items/cmsv3s81d085frosawoexxbdx - 原文链接：https://x.com/hongming731/status/2088787323773448291 ## AI 摘要 MATS 研究员领衔的 116 页论文证实，Anthropic、OpenAI、Google 的 API 存在密码学旁路漏洞：攻击者将加密推理包注入同厂轻量模型并越狱后，可逐字转录旗舰模型的隐藏思维链。按 Haiku 4.5 价格估算，解码 1 万条思维链约 720 美元。除 Anthropic 的 Fable 5 外，Claude、GPT-5.6、Gemini 全系均受影响。 ## 正文 https://x.com/i/article/2088785861869776896 BestBlogs 早报 · 08-16|三大模型加密思维链被旁路转录,DeepSeek Harness 世界观与 Flue 2 的智能体 Hook 在线阅读本期早报 BestBlogs.dev 是 AI 驱动的私人阅读助手。这是面向所有人的每日早报内容,如果你希望它基于你的兴趣和阅读习惯整理,可以体验「我的早报」。 导语 按 Haiku 4.5 的 API 价格、每条思维链 1.2 万输入加 1.2 万输出 token 估算,解码 1 万条顶级模型隐藏思维链的成本约 720 美元。 这是一篇 116 页论文给出的测算,也是今天第一条精讲的入口:MATS 研究员 Alexander Panfilov 领衔、马克斯·普朗克智能系统研究所与 Snyk 参与的研究证实,Anthropic、OpenAI、Google 三家的 API 普遍存在密码学旁路漏洞--加密推理包注入同厂轻量模型并越狱后,小模型会把旗舰模型的隐藏思维链逐字转录出来。 第二条精讲回到 DeepSeek Harness。08-14 的早报拆过它 Everything is a Plugin 的架构,本期只讲增量:腾讯科技把这套系统放进递归自我改进的研究脉络,读出一套关于组合泛化的世界观,以及它可能为 Agent RL 奖励归因铺路的推断。 第三条属于想动手的读者:Astro 创始人 Fred Schott 发布 Flue 2 首个稳定版,把 React 式 Hook 引入智能体开发。 三条内容分属安全实证、理论解读与工程实践三个问题域,彼此独立,本期不做合流叙事。速览里另有一处对蒸馏一词的消歧,建议与头条对照着读。 ★ 精讲一:全球三大顶尖模型的防蒸馏机制全面告破 来源:InfoQ 中文 · BestBlogs 评分:91 隐藏思维链(Reasoning Tokens)一直被闭源厂商视为最有价值的护城河之一:推理过程加密封装,用户只拿到最终结果。论文《Stealing Reasoning Traces from Proprietary LLM APIs》(arXiv:2608.09867,116 页)的结论是,这道加密挡不住人--攻击者无需破解加密算法,路径分四步:先从顶级模型(如 Opus 4.8)的 API 交互中捕获加密思维链数据包 Blob;把它作为上下文注入同厂轻量模型(如 Haiku 4.5);对轻量模型施加越狱提示;小模型不再自行推理,而是像解码器一样把旗舰模型的原始推理逐字转录出来。 最容易受质疑的地方也在这里:Haiku 输出的真是 Opus 的思考,还是它根据上下文现编的?研究团队拿不到厂商服务器内部的纯文本,无法逐字符证明一致,论文因此把小模型称作 fuzzy decoder(模糊解码器),而不是密码学意义上的解密器。他们找到的验证尺子是 API 账单:横轴为账单计费的隐藏推理 token 数、纵轴为提取出的明文 token 数,Claude、GPT、Gemini 的大多数样本紧贴 y=x 分布。这是很强的间接证据,但仍然不是密码学证明。 漏洞的根源在工程取舍。加密推理块具有过强的可移植性--同一厂商生态内跨模型、跨会话、跨用户都可重放;厂商为节省存储成本采用无状态架构,加密密钥常设为全局通用。研究显示,除 Anthropic 的 Fable 5 之外,Claude 系列、GPT-5.6 系列、Gemini 全系都允许低端模型读取高端模型的加密思维链。利用成本也低:按 Haiku 4.5 价格、每条 1.2 万输入加 1.2 万输出 token 估算,解码 1 万条完整思维链约 720 美元,具备规模化效应。 论文的另一半更敏感:记忆度分析。让各模型复现 Opus 4.8 隐藏推理的后续 16 个 token,所有模型都做不到背诵,但 Kimi-K3 命中原文的理论查询成本比 DeepSeek-V4-Flash 和 Inkling 低 4 到 6 个数量级;仅注入 Opus 推理开头 1% 作为前缀,Kimi-K3 的可见回答风格就明显向 Claude 偏转。研究者用互换前缀的对照实验排除了通用的上下文学习解释:把前缀换成 Inkling 的推理,Kimi-K3 毫无漂移。敏感度也高得反常--仅需 1 到 16 个单词的前缀,Kimi-K3 就向 GPT-5.6 Sol 发生明显风格漂移(风格可分性 AUC 从 0.96 跌至 0.89),GLM-5.2 对 Opus 也有极强定向漂移,DeepSeek-V3.1 等模型则保持风格稳定。作者反复强调,这些只构成行为兼容性上的数据指纹,不足以直接证明蒸馏。 背景与边界同样值得记下。今年 5 月,密码学家 Matthew Green 已向厂商报告过加密推理重放风险,当时得到的官方回复是「未观察到旁路攻击或重放机制带来任何实质性的安全威胁」;论文还从约 7000 份公开 trace 中恢复出 62 个高权限生产密钥、33 个明文密码与 367 项个人身份信息,这是漏洞之外的隐私后果。社交平台阅读量超 210 万是平台口径,三家厂商的回应与独立复现目前缺位。看这类研究,先分清概率异常与实锤两档证据--论文自己划的线,就在 fuzzy decoder 这个措辞上。 ★ 精讲二:DeepSeek 的 Harness,有一套新世界观|Hao 好聊趋势 来源:腾讯科技 · BestBlogs 评分:91 08-14 的早报拆解过 DeepSeek Harness(下文简称 DSH)Everything is a Plugin 的架构:Session、System Prompt、Tools、Agent、Agent Loop、Scope、LLM 七个核心包全部插件化,Cordis 运行时只保留六种基础操作。本期不复述架构,只讲腾讯科技这篇解读的增量--它把 DSH 放进递归式 Harness 自我改进(RHI)的研究脉络,再借 MIT CSAIL 的论文读出一套关于组合泛化的世界观,并推断这套设计可能是在为 Agent RL 的奖励归因铺路。 为什么改进 Harness 而不是改进权重?千亿参数的神经网络是连续、高维、强耦合的参数空间,模型知道自己长期规划不好,也没有一个语义坐标指出该改哪一层哪个参数,通常要绕道数据、奖励、课程或 RL 环境再让梯度下降完成更新。Harness 层则是可操作的:近几个月 Meta-Harness、AHE、Self-Harness、RHI、HarnessBank、Harness-R1 等论文密集出现。但落地后的 RHI 全无统一路径,卡在三个没澄清的问题上--进化什么、怎么进化、何为真递归。 第一个困境是到底进化什么。3 月斯坦福的 Meta-Harness 把 Harness 的可执行代码直接交给一个 Coding Agent,让它像程序员查仓库一样读源码、历代候选成绩与执行轨迹再决定下一版怎么改,修改边界相当模糊。4 月复旦的 AHE 点破了要害:Prompt、工具、中间件、技能、长期记忆性质完全不同,却混在同一个异质动作空间里,它把每个可编辑组件单独文件化,称为组件可观测性。8 月的 HarnessCompass 进一步发现跨组件干扰--修改互相覆盖或抵消--于是先做组件级优化再整合,在 SWE-bench Verified 上用 GPT-5.4 只演化 5 轮,把 Pass@1 从 54% 提到 66%,留出任务泛化也更好。 第二个困境是怎么进化。7 月 Sakana AI 在量化金融、机器人、药学三个领域的 30 个任务上,用几轮 Harness 更新让低推理预算的 Agent 超过高预算模型,推理成本最多降约 60%--这是正面的证据。反面来自 AI2:把 Harness 演化与并行采样、连续修订放在相同反馈与预算下比较,现有方法并未稳定胜过简单的测试时扩展;换到完全留出的 Terminal-Bench 2.1 任务上,Opus 4.6 仅提升 1.2 个百分点、GPT-5.4 为 0、平均 0.6 个百分点。 UC Berkeley 的另一篇论文把 OpenEvolve、TTT-Discover 一类系统的部件重组为 30 套 Harness,在 12 组模型与问题组合上跑了超过 310 万次 LLM Rollout,结论是没有一套固定 Harness 能在所有组合上稳定最好--Harness 的选择更像依赖具体模型和问题的超参数。第三个困境何为真递归,要到 8 月的 Harness-R1 才崭露头角:它从 Agent 失败轨迹学习编辑可执行运行时,训练 9B 优化器把 Qwen3.5-9B 的成功率从 44.3% 提到 53.6%。各论文结果都在各自基准上取得,互不可比。 MIT CSAIL 那篇出圈的文章给了把三个问题放进同一个框架的世界观:Harness 是组合泛化器--碰到没见过的新题,系统不必重新学习一种完整的新能力,而应尽量把已经会的东西重新组合起来。在这个框架下,进化什么变成表示问题:把开放的程序空间表示成一组稳定、离散、有语义的修改单位;怎么进化变成组合问题:不再追求唯一最优的完整 Harness,而是沉淀可复用原语并学习组合策略。DSH 恰好在这个方向上给出了工程实现。 这篇解读最有意思的推断在奖励归因。DSH 的理论侧--北京大学与 DeepSeek-AI Harness 负责人崔添翼的时空可组合性论文--给了两套机制:可回退效应(revertible effects)让每次修改都向运行时返回一个逆操作,卸载组件时按相反顺序恢复;反应式共效应(reactive coeffects)把组件间的依赖提升为运行时可见的拓扑图。两者叠加,加 A、撤 A、换 B 这类反事实干预就变成影响范围可追踪的局部操作--奖励有机会落到这种结构下的这一次干预,而非整版 Harness。腾讯科技的判断是,这可能才是 GRPO 提出者为 Agent RL 藏下的底牌。 边界要说清:DSH 官方页面只确认 developer preview 与插件化设计,上述世界观与 GRPO 归因属于访谈与编辑层的引申解读,官方未对趋势表态;API 与插件契约在稳定版前仍会变动。评价任何 harness,与其数插件数量,不如问三件事:它把什么变成了稳定原语、依赖关系是否显式可见、一次改动能否被单独归因与撤销。 ★ 精讲三:面向智能体的 React:Astro 创始人将 Hook 引入他的元挂载器 Flue 来源:Latent.Space · BestBlogs 评分:90 Astro 创始人 Fred Schott(其公司今年 1 月被 Cloudflare 收购)发布了 Flue 2 的首个稳定版,核心是把 React 式的 Agent Hook 作为地基。他最初的想法是给智能体做一套 Astro 或 Next.js,后来意识到问题出在更底层:也许还没人做出面向智能体的 React。在 Flue 里,一个智能体就是一个 JavaScript 函数,在每次模型调用前重新渲染--这句话值得存下来,它把 React 的重渲染心智模型原样搬进了智能体开发。 Flue 2 内置 16 个 Hook(useSkill()、useTool()、useSubagent() 等),用 TypeScript 编写,也支持自定义。Hook 打开的能力,是让智能体的配置随对话或工作流进程动态调整:一个客服智能体可以先验证用户身份,再挂载账户管理工具。Schott 的理由很直接:真实的客服、分诊类智能体无法在事前配置完整,静态配置撑不住真实场景,智能体必须实时适应用户诉求。 设计取舍来自真实用户。Flue 1 曾把 Web 框架的文件路由搬过来,把五个智能体放进五个文件当五条路由;但更大的客户反馈是,他们整家公司就是一个智能体,不关心路由。文件路由于是被判定为反模式,可组合性取代路由成为核心--用 Schott 的话说,Flue 2 的 API 取自 React 多于 Astro 或 Next.js。底座选了开源极简 harness Pi,他类比 Pi 之于 Flue,如同 Vite 之于 Astro。 与 Vercel eve 的对照是本期最实在的分叉:两者同样内置 harness,eve 的优化向 Vercel 平台特性倾斜,Flue 坚持对各类宿主开放,而 Vercel 自己也演示过 Flue 智能体部署在其平台上。访谈里另一句原话同样关键:「There is no agent without a harness」--智能体离不开挂载器。这与速览里 Cloudflare 给智能体补遥测层、08-14 拆过的 DSH 插件化,都发生在同一层:挂载器正在长出多种形态,Flue 是其中偏前端接入的一种。 边界:面向智能体的 React 这个定位说法出自 Schott 与 Latent.Space,无一手来源直接使用该表述;@flue/react 的 useFlueAgent 签名在 main 分支与 npm 2.0.3 README 间已出现差异,API 尚未稳定;星标数随时间快速变化,不宜当采用规模证据;managed agents 产品明确不在路线图。已会用 React Hook 的开发者不必立刻换框架,但配置随对话进程动态调整这种组织方式,值得抄走。 速览 速览七条按研究、工程、产品、行业四组推进,各自独立成篇。 大模型后训练配方演进与多教师在线策略蒸馏|对话 AI2 研究员 Finbarr Timbers 来源:跨国串门儿计划 · BestBlogs 评分:87 AI2 研究员 Finbarr Timbers 在离职前与主持人 Nathan Lambert 复盘后训练配方的演进:从 InstructGPT 的三步法到多教师在线策略蒸馏。核心观察有两个--DPO 正从主流配方中淡出;配方复杂度的实际瓶颈不再是单点算法,而是组织的整合能力。 支撑观察的证据链:InstructGPT 时代的人工示范、偏好数据与独立奖励模型在四年间基本被迭代掉;其中从 R1 发布到 O3 落地的项目周期约 9 个月,复杂度已逼近团队组织能力的极限;DeepSeek V3.2 引入专家创建迷你配方,V4 增加多教师在线策略蒸馏损失;英伟达的研究发现训练流程差异大的教师无法简单合并,需要跨教师对齐或分阶段蒸馏压低 KL 散度。 这里要做一个消歧:这期访谈里的蒸馏是正当的工业训练技术--先训练领域专家教师,再蒸馏回通用模型;与今天头条的旁路提取思维链是两件事,恰好同日入选,对照着读正好看清边界。访谈属个人观察与回忆口径,具体月份与数字未逐一对照论文;主持人 Nathan Lambert 同时点评过头条论文,两处观点可以串联,但不能互相当作证据。 HeyGen 联手 Google Cloud:Avatar IV 视频模型移植 TPU 实测 来源:Google Developers Blog · BestBlogs 评分:91 HeyGen 与 Google Cloud 把 180 亿参数的 Avatar IV 扩散模型移植到 8 芯 Trillium (v6e) TPU 上。经三项内核与编译器优化,相对首个可用 TPU 版本提速 1.86 倍,流式性能与 8×H100 生产设置相当,每分钟生成视频最多省 25% 成本。 三堵墙各有解法与数字:把 all-to-all 通信流水线化,使其在计算流上的占用降约 5 倍;稀疏注意力的块大小从 128 对齐放宽到 16,让部分块问题随构造方式消失,超分阶段提速超 10%;用 Cauchy-Schwarz 上界预计算替代在线 softmax 的串行依赖,98-99% 的注意力头适用。所有改动都要过双层质量门--逐帧哈希一致,或落在独立测得的 bf16 相似带内;一个更快的候选因为掉出相似带被弃用。 这篇的价值不在数字而在纪律:每个优化都绑定输出质量门,速度不以画质为代价,这套做法比 1.86 倍本身更可迁移。数字为 HeyGen 与 Google Cloud 自述,1.86 倍的比较基准是自家首个 TPU 版本而非 GPU 生产版;成本口径为每分钟生成视频,不含训练与部署侧。 Cloudflare 新增 Agent 追踪,存在截断限制与不一致的 Payload 默认设置 来源:InfoQ · BestBlogs 评分:87 Cloudflare 推出 Agent 追踪,这是 Cloudflare Agents 的首个组件。它在 Workers 已有的基础设施追踪之上增加 agent 级 span--invoke_agent、chat、execute_tool、tool_approval,模型与 token 用量作为元数据挂在 span 上;beta 期免费,2026 年 10 月 1 日起纳入 Workers Observability 计费。 它要解决的问题很具体:智能体返回 HTTP 200 仍然可能失败--选错工具、把过期上下文交给子代理、在重试循环里烧 token,基础设施遥测看不到这些行为。最值得注意的细节是默认值不一致:Think 与 wrapAISDK() 默认不存消息与工具 payload,Flue 却默认存储消息、系统指令、工具定义、参数与结果,需要显式关闭;计费按 span 计,包括仪表盘不显示的 SDK 内部 span,付费档每月 2000 万事件、超出部分每百万 0.60 美元;trace 非无损记录,长内容会截断,回放不显示图片。 两个判断:它印证了 agent 运行时需要自己的遥测层;默认值与截断限制直接关系隐私与账单,选 harness 前值得先查一遍。会话回放是调试工具而非审计证据,这一点官方自己说得很清楚。这条报道恰好记录了 Flue 默认存储 payload 的行为,可与第三条精讲互相注脚。 为智能体而非人类构建文档:OpenWiki 的设计思路 来源:LangChain · BestBlogs 评分:89 LangChain 开源 OpenWiki(MIT 协议):一个 CLI,用来生成并维护专为智能体消费设计的代码库文档。它采用 Google Open Knowledge Format 的 front matter,基于 Git 历史与 GitHub Actions 定时任务自动更新,让文档随仓库演进保持新鲜。 三个产品论点:为 agent 而非人类读者写;CLI 引导上手;文档自动保鲜。面向 agent 的文档与面向人的不同--要自包含、标题精确、按上下文窗口而非人类叙事组织篇幅。早期 DeepSWE 实验显示工具调用更少、token 更省、结果持平或更好;团队后因用户反馈,补上了给人看的架构图。 它把 agent 记忆这个偏研究的话题,拉到代码库文档这个可验证的切口上。与 Stack Overflow 一条放在一起看正好构成对照:公共问答退潮的同时,文档层正在按机器可读的标准重组。效果数据来自 LangChain 自述的早期实验,规模与基准有限;通用记忆是不是下一个前沿,是演讲者的判断而非行业共识。 用 ChatGPT Work 交付可提交董事会的报告材料 来源:OpenAI · BestBlogs 评分:86 OpenAI 用一段完整演示展示 ChatGPT Work 的交叉核验工作流:通过插件把 Google Drive 里的季度材料与 NetSuite 记录对账,系统返回 no-go 判定与两处关键问题--6 月实际数已在 NetSuite 更新,收入备忘录却仍在用旧预测--然后引导团队逐处修正、重跑检查。 同一套方法随后用在 20 页高管备忘录与 34 页董事会材料上:数分钟内重跑给出可否发送的判断;对密集文档用红色高亮定位需要更新的位置;在数百页的更大材料集中,既校验数字,也浮出相互冲突的表述主题。 这是 AI 办公从生成内容转向核验既有材料的具体样例,价值锚点在发现不一致而非替人写作,正好补上快讯里办公成为 Agent 主战场一条在操作层面的画面。边界同样清楚:这是厂商为自有产品做的 scripted 演示,不构成真实审计场景的结论;交叉核验的可信度取决于插件接入的数据源是否完整,演示未覆盖失败模式。 Stack Overflow 的衰退与知识生产的结构性迁移 来源:机器之心 · BestBlogs 评分:90 数字先摆出来:Stack Overflow 月提问量从 2014 年 3 月的峰值 20.7 万,跌到 2026 年 7 月的 1304(官方 Stack Exchange Data Explorer 口径);2026 年前七个月合计约 1.2 万个,按 2016 年的日均提问速度算,只相当于那一年大约两天的量。压缩还在加速:2024 年 12 月尚有 17935 个提问,2025 年 12 月只剩 3312 个(同比降 81.5%),2026 年 6 月的 1072 个是除私测启动月外全站最低的完整月份。 衰退比 ChatGPT 早了八年。拐点在 2014 年:站方系统性收紧审核、更积极地关闭重复和不合规范的提问;2022 年一项 968 条新帖样本的研究显示,49% 遭遇关闭、无人回复或无理由负分中的至少一种。奥克兰大学的 Kenny Ching 追踪 24304 名贡献者 17 个月,发现高声望用户流失加速并追平低声望用户,机制被命名为信号压缩。2025 年官方调查覆盖约 4.9 万开发者:84% 在用或计划用 AI,高度信任 AI 输出的仅 3%。 这组数据把 AI 时代知识去向的讨论从感慨变成有出处的结构变化:公共可检索问答退潮,知识向官方文档与私人对话迁移,损失的是任何人可查阅、也可纠正的公共记录;Pieter Levels 的追问--没有新内容,下一代模型拿什么训练--把问题接到了 AI 自己身上。作者也列出了反向可能:知识在迁移而非消失。 别再吹高端 Agent 了,国内绝大多数企业,连豆包都还没入门 来源:非凡产研 · BestBlogs 评分:90 __XPOSTER_u5qir_IMAGE_5__ 一场四位从业者的圆桌给出 2026 年中国 AI 落地的水位线:一位做物流的老板连豆包都没用过,装上之后玩了一晚上企业运势算命;而圈内已经在讨论 agent 调 agent。两层之间隔着的不是模型差距,是需求明确性与落地能力。 有一组可以核对的账。做 AIGC 视觉的创业者 2023 年第一个客户带来当月 45 万元的 API 账单,经开源模型自部署加服务费降到每月不到 20 万元,在线模板沉淀了 250 多个;输出稳定性靠三层--结构化行业 prompt 库、生成后 double check、底层用有向无环图约束。做 FDE(驻场工程师)的嘉宾提出按结果付费:原来不能走、现在能走了再收钱,现场只有一个人举手接受。 这条的价值在需求侧刻度:多数企业卡在说不清哪里该用 AI,落地生意的关键词是 ROI、兜底与上门问诊,而非模型选型--与 Flue、DSH 那类供给侧工具正好是同一问题的两端。圆桌属个案叙事而非统计调查,账单数字来自讲者自述,按结果付费的接受度来自现场举手,样本极小,不能外推为行业比例。 补充阅读 刚刚,Qwen3.8-27B 开源了! 来源:千问大模型 · BestBlogs 评分:87 千问开源 Qwen3.8-27B:原生多模态稠密模型,262K 原生上下文、YaRN 外推至 1M tokens,新增 reasoning_effort 按任务难度控制思考深度,Apache 2.0 协议免费商用。官方称其编程与办公场景较 Qwen3.6-27B 大幅提升、部分表现超越 Qwen3.7-Plus--提升声明为官方口径,第三方评测尚未跟上。 与运行时无关的 AI 工作流:一种兼顾生产环境稳定性和快速评估迭代的模式 来源:InfoQ 中文 · BestBlogs 评分:90 一种把编排逻辑与运行时解耦的工作流模式:定义统一的 Steps 接口,生产环境接 Temporal 这类持久化运行时保稳定,评估环境用进程内轻量循环换迭代速度,两边共用同一套编排代码。模式源自 Brex 的 AI 工作流平台--TypeScript 编写、五名工程师维护。 巨头争抢 AI 办公,不再只拼模型 来源:晚点LatePost · BestBlogs 评分:90 晚点LatePost 的分析指出办公正成为 Agent 主战场:腾讯 WorkBuddy、阿里千问办公、字节豆包与飞书,海外的微软、谷歌、Anthropic、OpenAI,都在把 Agent 塞进文档、会议、邮件与任务执行。模型能力趋近之后,安全、开放与企业工作上下文积累成为新的竞争壁垒。 刚刚,GLM-5.3 发布:Coding 更接近 Fable 5!潜伏 40 年的 bug 都被揪出来了 来源:量子位 · BestBlogs 评分:88 GLM-5.3 的安全与编程评测昨天(08-15 早报)已经精讲,这里只补一句实测增量:量子位的实测覆盖从 3D 建模到可交付游戏的完整工程链路,CyberGym 白盒代码审查 84.5%,按该口径维持最强开源安全模型的位置。 浙大团队开源 AI 科研智能体 Polaris:让 AI 与你一起做研究 来源:机器之心 · BestBlogs 评分:89 浙江大学团队开源端到端科研智能体 Polaris:文献调研、想法生成、想法评审、实验、论文写作、论文评审六个阶段串成流水线,上一阶段成果自然流入下一阶段,人只在关键节点做决定。平台每天按订阅方向抓取 arXiv 新论文,AI 先通读、写一句话结论与中文导读,再交给研究者筛选。 Agent 超强记忆,新王诞生! 来源:GitHubDaily · BestBlogs 评分:88 近 30 所高校与机构联合发起的 Agent Memory Leaderboard 发布首期榜单:强制统一答案生成与评估模型、把参评系统权限锁定在写入与检索两端,成绩绑定 commit 与镜像版本。工业组 MemoraX 以 58.02 分居首,开源组 InvMem 等框架竞争胶着,Agent 记忆评测开始有了统一考场。 10 天暴涨 1.5 万 Star,Firecrawl 新工具开源。 来源:GitHubDaily · BestBlogs 评分:87 Firecrawl 开源文档转换工具 anydoc:支持 8 大类 14 种格式一键转 Markdown,纯 Rust 实现不依赖 ML 模型,单文件最快 4.4 毫秒,格式识别靠文件字节特征而非扩展名。官方用 100 份真实文档与 libreoffice、markitdown、pandoc、docling 对比,它是唯一全格式支持且质量与速度均第一,开源 10 天约 1.5 万 star。 Pi 上下文压缩方案简评 来源:宝玉(@dotey) · BestBlogs 评分:87 宝玉点评 Pi 的上下文压缩:实现是让 LLM 总结上下文并保留 system prompt 与工具调用,属于有损压缩;他对是否存在历史会话检索机制表示未知,但认为这仍是当前最简单有效的压缩手段。 Seedance 2.0 fast、MiniMax H3、Wan 3.0,高性价比模型测试来喽! 来源:阿真Irene · BestBlogs 评分:89 三款 0.6 元/秒档视频模型的多场景横评,附可直接复用的详细提示词。综合结论:Seedance 2.0 fast 在动作、运镜、人物与节奏上较均衡、更适合批量生产,MiniMax H3 与 Wan 3.0 在特定场景各有胜负,选型前建议按自己的场景跑一遍案例。 研究人员创建小学生级别 AI 以研究模型如何学习 来源:DEV Community: machinelearning · BestBlogs 评分:86 研究人员构建 LittleLeaner:一个 50 亿参数语言模型,只在约 880 亿 token、对齐小学各年级课程的文本上训练,知识边界被刻意限制。它是一个可控沙盒,用来精确观察大模型如何获取和组织知识。 延伸探索 精讲二、三讲完世界观与框架设计,今天的补充阅读里恰好有一簇中文实测,回答世界观讲完了、实际用起来如何:卡尔的AI沃茨实测 DeepSeek Harness 后认为 PTC 模式与 Cordis 插件才是隐藏大招;赛博禅心用 GLM 5.3 给 Harness 开发了三个补足性插件;Datawhale 用生产级抠图 Web 应用对比 GLM-5.3 + Harness 与 GPT-5.6-Sol,发现核心功能打平、前端细节与服务端安全前者更完整;腾讯技术工程给出了平台级测评。Agent 落地侧还有 WorkBuddy 的 Skill 实践与刚上线的远程控制、库库AI 的办公独立端、科大讯飞覆盖七大场景的企业服务矩阵。 其余方向可以分三组自取。模型与生态:Grok 4.6 运行了自己 48 小时构建的游戏 The Gauntlet,马斯克对比 Fable 5 并预告 Grok 4.7,Meta 开源可在 17-20 GB 显存运行的 30B 端侧智能体模型 Muse Glimmer,HuggingFace 年度报告显示开源主导权正与中国实验室和 Qwen 生态交汇,GLM-5.3、Gemini 3.7 Flash、Qwen3.8 等近几期已覆盖话题在 HN 每日摘要里仍有讨论串联。研究与工程:两万字 Diffusion 与 Flow Matching 长文、Milvus 3.0 自定义词典、三种 LLM 生成 GraphQL mocks 的竞争方案、机器人学习的数据闭环、抗疟疾药物评判器的评估工程。商业与宏观:Ray Dalio 谈 AI 周期与债务大周期,SK 会长崔泰源讲 720 亿美元的存储扩产。 今日阅读路径 时间有限时的三篇优先级:先读头条防蒸馏论文的报道,信息增量最大,且每个关键数字都带口径,读完能自己判断证据等级;再读 Flue 2,如果你在写智能体,16 个 Hook 的组织方式当天就能借鉴;第三篇选 Stack Overflow 衰退,它是本期影响面最宽的结构性变化,与 OpenWiki 对照读效果更好。DeepSeek Harness 那篇适合留到整块时间--它要你先接受一套新词汇,再换一套问题。 建议按这条顺序读完后回到评论区留个言:你所在团队用的 harness,默认值和 payload 存储策略查过吗?下次看到 1.86 倍加速或百万倍概率这类数字,你会先问哪个口径?欢迎聊聊你的判断。 👉 近期早报 • BestBlogs 早报 · 2026-08-15 • BestBlogs 早报 · 2026-08-14 • BestBlogs 早报 · 2026-08-13 • BestBlogs.dev 第 108 期:智能的执行层 • BestBlogs.dev 第 107 期:个人 AGI • BestBlogs.dev 第 106 期:1% 法则 BestBlogs 是 AI 驱动的私人阅读助手,帮助你发现真正适合你的高质量内容,关注你感兴趣的来源和主题,每天生成一份更适合自己的「我的早报」,欢迎体验和关注我们。