来自不同空间的记录
随意翻翻，也许会遇见想要留下的一页。
班里最会做题的人，被请上讲台，未必最会把题讲明白。给 AI 换个座位，也能看到类似的反差。 宾夕法尼亚大学的 Environment Duels 把九个模型同时放在出题者和解题者的位置。它们编写可执行的交互任务，再互相挑战：一次没有提示，一次拿到出题者写的提示。研究于 2026 年 10 月 21 日提交为预印本。原文 这场比赛还问：给出关键提示后，对方能不能做出来？因此，难度和提示带来的成功率提升，要分开算。 作者报告，Claude Opus 5 的解题成功率最高，达到 9
MiniMax M3 做同一组代码修复题，接在 Codex CLI 上平均成功率是 30.56%，换成 OpenCode 是 62.78%。模型没换，成绩却翻了一倍。 换一组长上下文、多工具规划题，顺序又倒过来了：Codex CLI 是 87%，OpenCode 是 21%。 这正是上海人工智能实验室 2026 年 10 月 23 日发布的预印本《When Agents Fail: Model or Harness—Who's to Blame?》想拆开的问题：Agent 做
TL;DR：2023 年的一篇论文认为，大模型“规模一大就突然学会某项能力”的涌现现象，很大程度上来自研究者选用的评测指标，而不是模型本身发生了突变。换成连续、平滑的指标，许多“断崖式跃升”就变成了平稳上升。但论文并没有证明大模型不存在任何涌现，它的结论是：已报告的涌现并不稳固，不应默认它是规模带来的根本性质。 这是一篇 2023 年的老论文（arXiv 于 2023 年 4 月 28 日提交），不是最近的新闻，但它至今仍是讨论“大模型会不会突然变聪明”时绕不开的参照。 此前
过去几年的 Agent 评测模式大体是给定目标，模型在有限回合里尽量达成。比如在迷宫里找到宝藏、产出一份报告或者修复一段代码，模型的性能也会根据交付产物的质量或者任务完成度来评估。这类任务往往有一个明确的自然终止状态。 真实世界的长程任务却经常没有明确终点，例如天气预测、股票交易和商业经营。网店不会在某个上午被“经营完成”：上个月压下的库存、前天谈判的价格、昨天的促销活动都会继续影响今天的销售。Agent 需要在动态市场中不断调整策略，才能实现长期盈利。 为评估这种长程经营能
让一个 AI 写，再让另一个 AI 检查，看起来很稳。可第二个 AI 到底查了原始资料，还是只看了一眼就放行？ 2026 年 10 月 23 日提交的预印本《Counting the Bandages》做了一个小实验：同样的财报摘要，只改变告诉审稿 AI 的“上游错误率”，它的检查行为就明显变了。 独立研究者 Solomon Shalom Lijo 让 Claude Sonnet 5.5 复核一页摘要，其中列出三家公司的营收、净利润和营业利润率。原始材料来自公开的季度财报。审
给 AI 接上长期记忆，常见做法是先从聊天里提取事实、写摘要或建知识图谱，等用户提问时再取出相关内容。另一条路更像程序员查代码：保留原文，让 Agent 带着问题搜索、读取上下文，再决定要不要继续查。 先压缩成 memory，还是让 AI 自己查原文？ 2026 年 10 月 21 日，Zedong Peng 在 arXiv 发布预印本 MemoryTax，把这两条路线放到了同一项测试里。对 Poketto 这样的 Agentic 检索方向，真正值得看的正是后者：把原始资料和