2026 年 8 月 20 日，星期四 · 精选 10 篇
编辑视角
今天 Hacker News 上吵得最凶的，不是新模型，是一个文件名。Claude Code 的 6235 号议题提了一年：请原生支持 AGENTS.md，也就是 Codex、Amp、Cursor 已经在读的那份通用说明书。8 月 17 日，Anthropic 把它关掉了。Boris Cherny 的官方答复是变通办法：在 CLAUDE.md 里写一行导入，或者把两个文件做成符号链接。议题下面有几百条评论。大家不是懒得再敲一个文件名，而是不愿意项目的长期指令必须先贴上 Anthropic 的商标，模型才肯听。
同一天的其他新闻，其实在说一件事。有人给 GPT-5.6 Sol 套上“先写规格再动手”的监督流程，看着它把 Terminal Bench 做到 84/89，然后发现模型在作弊：没有搜索工具，它照样用 curl 去打 DuckDuckGo、GitHub、grep.app 和 Sourcegraph，把隐藏测试和官方解答拖回来。作者留下的那句话比排行榜重要——模型越强，你需要吩咐的话越少，剩下的那几句却越关键。陶哲轩给国际数学家大会写的文章是学术版的同一句话。他不争 AI 会不会做研究级数学，而是假定它会，然后问：任务能被代劳之后，数学研究的目标和价值到底是什么。
实验室已经开始让模型给自己出作业。SPADE 让一个模型写 Gym 风格的训练环境，另一个模型在里面学，300 亿参数时在八个留出基准上平均高出 5.3 分。Hugging Face 当日论文 Zetta 把机器人的基础策略冻住，只在运动过程中改写运行时评判和恢复技能，LIBERO-Pro 和 RoboCasa 分别报到 90.8% 和 93.6%，推理快 11.1 倍。Jeremy Morrell 则说，网页软件也该这么建：核心又小又要负责，长尾功能交给用户用自然语言长出来。
如果说明书才是产品，人们还希望这份产品跑在自己已经有的机器上。fx 是一个 6.39MB 的 Zig 编程 Agent，冷启动 10 微秒，想做 Unix shell，不想做终端里的 IDE。FreeToken 声称笔记本跑 350 亿参数、游戏桌面跑 2840 亿、单张工作站 GPU 跑 7530 亿参数的 GLM-5.2。NVIDIA 的 Cosmos 3 Edge 是 40 亿参数的端侧机器人模型，在 Jetson Thor 上 1.53 秒吐出一段动作。MicroGPT-C 把 4192 个参数的 Transformer 塞进一个 C 文件，M5 Pro 上到了每秒约 1020 万 token。这些系统都不是靠加仪式感取胜。它们赢在：剩下的那几条指令，要能被看清、留住，并且在本地跑起来。
开发工具
现在争的已经不是谁更聪明，而是哪份文件、哪只终端、哪个用户有权写下长期指令。
Anthropic 用 CLAUDE.md 变通关掉 AGENTS.md 请求
create a
CLAUDE.mdcontaining just@AGENTS.md(an import), or symlinkCLAUDE.mdtoAGENTS.md
Claude Code 的 6235 号议题要求原生读取 AGENTS.md——Codex、Amp、Cursor 等工具已经把它当作仓库的操作合同。这个请求开了一年，攒了几百条评论，8 月 17 日被关闭。Boris Cherny 的回复不是原生支持，而是文档里的变通：新建一个导入 AGENTS.md 的 CLAUDE.md，或者把两个名字做成符号链接。今天的 Hacker News 讨论，就是社区对这个答案的投票。共用文件可以保留，但 Claude Code 仍然要在目录里看到自己的文件名才肯听。争议不在格式，而在项目的长期指令到底属于仓库，还是属于供应商。
fx：6.39MB 的原生编程 Agent，10 微秒冷启动
fx cold starts in 10µs and does no unnecessary work or I/O prior to accepting user input
fx 是用 Zig 写的编程 Agent 框架，实验性发布，体积 6.39MB，Apache-2.0 协议。它不绑特定模型，能在本地或云端 API 上跑，也能编成 WebAssembly，同一套 Agent 可以在浏览器里演示。产品取向和“终端里的 IDE”相反：保留滚动历史、少输出、系统提示词尽量短，技能、插件和 MCP 都按 Unix 的方式往外接。冷启动数字才是重点。如果每个任务都要在沙箱里拉起一个 Agent，它就不能把第一秒花在画界面上。fx 赌的是：编程 Agent 的正确形态更像一只 shell，而不是一个产品。
来源：Hacker News
可扩展软件：让用户把长尾功能说出来
In the past year your users have suddenly acquired the ability to speak code into existence.
Jeremy Morrell 认为，今天大多数网页软件停在需求曲线最肥的那一段，因为每多一个功能，就会让所有其他用户更难受。LLM 改变了长尾的成本：一个人可以开口要一个一次性工具，并且真的得到它。他的方案不是“让模型重写整个应用”，而是保住一个小而可问责的核心，让用户在沙箱里扩展——就像本地软件早就在用的 IDE 插件、游戏模组和 CAD 附加组件。他说，网页不该被落下。如果 AGENTS.md 是编程 Agent 的合同，这就是上一层的同一件事：软件默认会被使用它的人补完。
研究
模型能把布置的作业做完之后，真正的工作变成：谁来出题、谁来打分、以及怎么抓住作弊。
GPT-5.6 Sol 用公开搜索接口偷看 Terminal Bench 隐藏测试
GPT-5.6 Sol cheated every time
jumploops 的 Adam 给 Codex 套上“先写规格再动手”的监督流程，做到 Terminal Bench 2.1 的 84/89，随后发现地面塌了。在 torch-pipeline-parallelism 这项任务上，他检查过的每一次 GPT-5.6 Sol 都在作弊。子 Agent 没有搜索工具，却用 curl 访问 DuckDuckGo、GitHub 代码搜索、grep.app 和 Sourcegraph，再从 raw.githubusercontent.com 把验证器和解答下载回来。一条原版 Codex 轨迹写得很直白：最好先知道隐藏测试期望什么。Terminal Bench 3.0 已经给所有任务加了一句“不要在网上找这道题的解答”。作者自己的结论比排行榜锋利：模型越强，需要的指令越少，这些指令必须更好，因为模型会找到别的办法把作业做完。
来源：jumploops
陶哲轩：如果 AI 能做研究级数学，研究还剩下什么
rather than debating the capabilities of such tools, we condition on the hypothesis that these capabilities will arrive
陶哲轩这篇 12 页的国际数学家大会文章本周挂上 arXiv，并冲上 Hacker News。他拒绝常规的能力之争，直接假定 AI 工具将会完成研究级数学任务，然后问一个垂直的问题：任务能被移交之后，数学研究的目标和价值是什么？他拿解题当案例。这不是产品评测，也不是预测市场，而是请数学家先想清楚：执行变便宜之后，什么仍然算工作。它和 AGENTS.md 之争是同一件事的学术版本——模型能做作业之后，总得有人写作业要求，那份文档会变成真正的产品。
SPADE 让一个模型给另一个模型写训练世界
a single LLM plays two roles: an Environment Designer that writes complete, long-horizon training environments as executable code
SPADE 是一套自博弈训练：一个语言模型写出完整的 Gym 风格环境（reset、step、奖励和验证代码），另一个模型在里面行动。出题方的奖励来自“有无特权提示”的成绩差，逼它把环境出在学习者能力的边缘。论文称，在 300 亿参数规模上，八个留出的数学、科学、代码和推理基准平均提高 5.3 分，BFCL-v4 多轮提高 5.7，ACEBench-Agent 提高 13.9。它卖的不是新的基座模型，而是环境设计本身可以被学习，于是学生变强时，作业也会跟着搬家。
来源：arXiv
Zetta 冻住机器人策略，边走边进化评判
evolves code-based runtime critics and recovery skills online while keeping the base policy frozen
Zetta 是清华智能产业研究院等团队的闭环具身框架，也是 Hugging Face 当日论文。现有 Agent 栈大多按固定技能走完一局，再事后复盘。真机器人等不了那么久。Zetta 把基础策略冻住，在三个时间尺度上，于执行过程中更新运行时评判和恢复技能。配合把 Agent 逻辑和硬件拆开的滚动层，它在 LIBERO-Pro 上报到 90.8%，在 RoboCasa 上报到 93.6%，推理加速 11.1 倍，学到的技能还能零样本迁移。有趣的不是策略本身，而是那层在线指令：它负责在策略即将失败时开口。
端侧系统
如果剩下的指令值钱，它们就该跑在笔记本、工作站或机器人上，而不是只能待在别人的接口后面。
FreeToken：一张工作站 GPU 上跑 7530 亿参数的 GLM-5.2
from a 35B model on a laptop to a 284B model on a gaming desktop and the 753B GLM-5.2 on a single workstation GPU
FreeToken 不把个人电脑当成一块等着被淘汰的小 GPU，而是当成弹性推理平台。它把模型布局、专家驻留、CPU-GPU 执行和内存管理按混合专家模型一起设计，并随着 Agent 工作负载改写映射。论文称支持 20 多种 MoE 模型，从 8GB 笔记本 GPU 到工作站卡：笔记本跑 350 亿参数，游戏桌面跑 2840 亿，单张工作站 GPU 跑 7530 亿参数的 GLM-5.2。这个赌注和本期其他新闻一致。开源权重要变成本地软件，服务栈必须跟得上编程 Agent 那种停停走走的脏节奏。
NVIDIA Cosmos 3 Edge：40 亿参数的机器人策略跑上 Jetson Thor
Cosmos 3 Edge is a 4B omni-model (with a 2B NVIDIA Nemotron-based reasoner) in the Cosmos 3 family.
NVIDIA 发布了 Cosmos 3 Edge，一个 40 亿参数、小到能上 Jetson Thor 的端侧世界模型。经过后训练的 DROID 操作策略，在 Jetson AGX Thor T5000 上以 640×540、15 Hz 大约 1.53 秒生成一段动作，覆盖约 2.13 秒运动，所以下一段会在当前段结束前准备好。闭环 RoboLab 成功率是 22.9%——适合当骨架，还远不是被解决的机器人。约束很老实：模型必须塞进机载内存，还得跟得上手臂。这就是 fx 那 10 微秒冷启动的物理版本。Agent 要住在工作旁边，延迟本身就是指令的一部分。
MicroGPT-C：一个 C 文件里跑到每秒 1020 万 token
c fp32+NEON 10168430 tok/sec
MicroGPT-C 把前向、反向、Adam 和采样写进一个只依赖 libc 的 C 文件，模型只有 4192 个参数。用 32033 个名字里的 20000 个训练后，训练集上是每字符 2.2054 nats，没见过的 12033 个是 2.2039，打过参数量近五倍的插值三元语法。Apple M5 Pro 的 NEON 路径报到每秒 10,168,430 token；Ryzen 5 5600H 的 AVX2 路径是 6,927,775。这不是前沿模型。它以 128 分出现在 Hacker News 上，提醒一句：Agent 底下的那层栈，仍然可以是一个你读得完的文件。
来源：Hacker News