Cognition SWE-2 拿下 92.8 分,Terminal-Bench 纪录背后的三个疑问
第三方评测站 tokenstead.ai 放出 SWE-2 成绩,刷新 Terminal-Bench 2.1 纪录。92.8 分背后是模型、工具集还是工程闭环?先别急着下结论。
竞赛数学接近满分,真实研究翻车不断。菲尔兹奖得主亲自下场,这场争论戳穿了 AI for Science 的牛皮。
第三方评测站 tokenstead.ai 放出 SWE-2 成绩,刷新 Terminal-Bench 2.1 纪录。92.8 分背后是模型、工具集还是工程闭环?先别急着下结论。
Anthropic 9 月威胁报告讲了几个 Claude 滥用案例和封禁手段。但真正的问题在报告之外——被封账号 18 小时内换号重来,检测链路根本跑不赢滥用速度。
OpenAI 官方下场做 Agent 框架,不是给开发者多一个选择,而是给 LangChain、AutoGen 们敲警钟。29 个 HN 积分背后,藏着 Agent 生态的拐点。
OpenAI 首次在公开模型里直接附带 Lean 4 形式化证明,HN 首页 121 分、119 条评论。看似一小步,但形式化方法从数学圈走进工业 AI 发布,这层意义值得拆开看。
AI 2027 把 2025-2027 写成两条剧本,智能爆炸排在 2027。但核技术、转基因、mRNA 疫苗的历史都显示,技术突破到大规模部署通常隔 10-20 年。这份预测的盲点不在算力曲线,而在它假设了能力突破 6 个月就能产生社会影响。
一个把橙色 Add to Cart 改成蓝色的微调,opusfived.dev 写成博客后被 HN 顶到 514 分 199 条评论。这篇分析拆解 Claude Code 在前端脏活里的实际能力、摩擦成本,以及评论区三派争论背后的真正问题——AI 改生产环境,谁来背锅。
Science 报道的 AI 数学突破在 HN 拿下 193 分、199 条评论,数学社区却分成两派——争议不是 AI 强不强,是「暴力搜索算不算数学」。
OpenAI 官方博客放出案例,用 AI 辅助运行真实的量子计算实验。没有 benchmark,但暴露了 Agent 在科研场景里到底能干什么、不能干什么。
《经济学人》9 月封面称「就业末日」被推迟,AI 相关岗位爆增。这数据靠谱吗?反共识叙事背后藏着什么。
Manifold Security 披露新型攻击向量:不可信的 Git 仓库能通过 README 和配置文件,直接让 Cursor、Claude Code 等 AI 编程代理执行任意代码,无需任何用户确认。
13k Stars 的微软官方 Agent 框架,Python 和 .NET 双栈,内置四种编排模式。本文用最小代码 + 架构图,讲清它怎么把 Agent 从 Demo 推向生产。