搜索“编码”

，只有一台 Framework 台式机，它在 120 瓦持续负载下可以消耗两倍多的功率，而搭载 RTX Spark 的华硕笔记本只有约 40 瓦，短时 60 瓦，所以 Nvidia 芯片肯定更高效。在 Mac 上，MacBook Pro 和 Mac mini 之间的差别，也就是 M5 Pro，显然不太相关，但如前所述，我当时手头没有 M5 Pro 笔记本。 编码智能体实测 顺便说一句，如果你们想看看慢速的 Qwen 3.8-27B 模型和更快的 Qwen 3.6-35B-A3B 模型实际运行起来是什么样，那就是这样。这里慢速模型正在运行，这里是更快的那个，两者都在用我的编码工具 Pi 给我各建一个网站。我之前也说过，Dense 模型，也就是 27B，更聪明。这从结果里也能看出来。这里，这个任务很简单：给我建一个看起来精致的 Jan-Keno Janssen 网站，从网上搜集关于他的所有信息。然后这边是更快、更笨的模型。 对，那个更笨的模型不仅看起来无聊，而且里面写的也是胡扯。比如我从来没在 PC-WELT 工作过，其他内容也很，怎么说呢，反正没法用。对，而 Qwen 3-27B 这边就

匹配字段正文

pstack 作者公开她的 “工程原则” 设计思路 「Clean Code」作者 Uncle Bob 是传统软件工程方法论的宗师，他最近看到了 pstack，认为本质上是把经典工程智慧「最小改动、先删后加、验证根因、用类型系统让非法状态不可表示、幂等操作」重新编码给 AI Agent 使用。 pstack 作者 @poteto 回应并公开了这个 Cursor 官方内置插件的工程原则的设计思路，核心是：随着模型能力提升，写给智能体的指令正在从“冗长的操作步骤”压缩为“简短的命名原则”。 几个关键信息点 1. 原则即极简 skill。pstack 的每条工程原则只有约 10–20 行，是一段被提炼、命名过的好实践，而不是一个流程脚本。她预期随着模型变强，pstack 里大部分 skill 最终都会被压缩成这样的短原则或工作流，从而可以删掉一批。 2. /poteto-mode 的运行机制。智能体在开始多步任务前先读一份简短的原则索引；执行过程中，必须“点名每一条影响了决策的原则，以及它具体改变了哪个选择”，并在回复末尾生成一个 "Principles Named or Used" 段落。这

匹配字段正文

看来，目前其速度和成本仍然无法达到生产应用的要求，和人类基准相比，差距接近两个数量级。 01.8项桌面操作任务，测试大模型对机械臂的控制能力 自2026年初以来，前沿大语言模型控制机械臂的能力取得了巨大进步。 研究团队认为，未来的机器人很可能会由强大的通用智能体驱动。因此，该团队设计了AA-Robotics v0.1基准测试，用来验证这一方向。 评测让运行在编码智能体框架中的大语言模型，直接控制机械臂。 此次测试只会给模型提供简短的操作说明，包括如何通过一个HTTP API连接机械臂，机械臂是哪一台，以及如何提交任务并宣布完成。 评测中使用的机械臂是Hiwonder NexArm，一台6轴机械臂，包括5个关节和1个夹爪。 模型可以通过4个摄像头观察场景，其中3个摄像头安装在桌子周围，另一个安装在机械臂的腕部。 观察完场景之后，模型还可以在隔离的代码运行环境中编写并运行代码，用于进行运动规划，并将运动指令发送给机械臂。 AA-Robotics v0.1任务流程 在AA-Robotics v0.1评测中，主要包含8项桌面操作任务，包括 控制与灵巧操作，精准抓取和操作物体，例如进行积木整理；

匹配字段正文

agentevals 包（针对消息和工具调用）、可从代码仓库和 trace 直接生成可运行评估的 Eval Engineering Skill、从 issue 聚类自动生成数据集和断言的 LangSmith Engine。且整个体系框架无关；支持 OpenAI Agents SDK、Claude Agent SDK，或用 @ traceable 装饰器裸接。 迁移也不必推倒重来：数据集以 CSV/JSONL 导入，pytest/Vitest 集成保留现有测试体系，已有裁判 prompt 直接粘贴复用。 两个进阶难题 多轮对话：每一轮都看似正常、整体却失败的“累积性失败”是单点评估的盲区。解法是给 trace 附上 thread ID 将各轮聚合，再挂载面向整段对话的在线评估器（如“用户是否被迫重复了自己的需求”）；离线侧则把完整对话存为样本，或用 LLM 模拟用户。 超越最终输出：复杂 agent 需要检查轨迹（消息/工具调用序列）与终态（仓库变更、测试结果）。例如编码 agent 跑完后直接在其工作环境里执行该 repo 的测试套件；这正是 Harbor + 容器化沙箱的设计动机。

匹配字段正文

[MASK]。这个设计的巧妙之处在于：MASK 的位置在 Encoder 里能双向 attend 所有 token——它同时"看"到了问题、自己选项的描述、其他选项的描述，以及完整的 state。所以 MASK 位置的 hidden state，天然就是"在当前语境下，这个选项的综合表示"。 Forward 之后，怎么读出概率？ 四步走： Encoder 编码 注入题型信息 决策头：再过一个2层的transformer,从 Encoder 的通用表示里蒸馏出决策信号 只读取MASK位置，按不同问题类型进行归一化计算 注意那个 tscale——按题型 × 选项数分桶的温度系数，这是 Laya 概率校准的关键手段，后面训练章节会详细展开。 额外输出：置信度 Laya 还会从 [CLS] 的 hidden state + 4 个概率统计指标（熵、最大概率等）预测一个置信度分数，用于判断"这道题 AI 有没有把握，要不要转人工"。这个设计实际上是对"没有正确选项"问题的一种工程解法。 多题并发怎么做？ 一个 state 有 N 个问题时，Laya 用 Batch 推理：N 个问题各自构建一条

匹配字段正文

个例子：我们想为 Parchi 制作 50 个吉祥物变体，于是派出了 5 个 Codex Spark 子智能体，每个生成 10 个变体。然后我们挑出喜欢的，把其余的丢掉。 这种模式最妙的地方在于：它也是把品味注入 AI 工作流的好方法。如今的模型几乎没有什么品味。很可能，你也可能缺乏品味。对大多数开发者来说，蛮力解法是搜集设计或图形模式的示例，或者给 AI 编码智能体足够多的风格指南——多到你还不如自己写 html/css。与其做这种乏味的手工流程，不如让你的主厨召集一队流水线厨师，然后挑出你最喜欢的。 在周五晚的晚餐高峰，厨房里的每个工位——炒锅、烤炉、冷菜、糕点——都在同时开火。每位流水线厨师负责不同的工作，但他们同时装盘，都为同一张订单出力。 这就是“蜂群”背后的概念，由 MoonshotAI 在训练 Kimi-K2.5 时首创。在蜂群模式下，每位流水线厨师负责一项单一、范围明确、彼此不同的任务。这些流水线厨师同时运行，共同为一个共享目标出力。 适合的场景：构建一个应用的多个独立组件、为不同模块编写测试，或把页面从一个框架移植到另一个框架。 这套设置需要几件事同时到位： 重要：关

匹配字段正文

Codex 自动化来保持缓存存活，并利用这些自动化驱动长时间运行的流程。 不同模型在不同数据上训练，并针对不同目标进行优化，这意味着每个模型在某些方面会略好或略差。 本地 Codex 还允许你将其他提供商引入应用。这意味着你可以在熟悉的 Codex 体验中，试验成本更低的开源权重模型，如 Kimi K2.7 Code，或具有不同优势的模型，如擅长长程推理和编码的 GLM-5.2。 然后你可以将这些外部模型用于有边界的子智能体工作，帮助降低成本或利用每个模型的不同优势。 一个重要细节：这是通过 Codex 配置和自定义智能体文件完成的，而不是通过简单的应用内模型选择器。Codex 支持 Ollama 和 LM Studio 等本地提供商，以及兼容 Responses 的自定义提供商。 订阅用量限额相当慷慨，但随着 AI 智能体对更多人变得更有用，许多人正在将限额推到远超单个订阅所能提供的程度。 而且，即使你有钱可烧，也并非每个“前沿”模型都处于所有用例的前沿。通常，一个小模型可以在少数基准测试上彻底碾压由世界最佳模型组成的联盟。 速度是一个重要的开关。在白天与智能体交互时，高 tok/

匹配字段正文

ken，并将它们转发到后续轮次。 去掉 reasoning content 这一行，同样的调用每次都会用一个新编造的数字来回答。在真实代码中，你从不手写轨迹；你重放模型产生的内容，也就是工具循环中的那一行代码： Kimi K3 定价 Kimi K3 按 token 计价，并设有缓存命中输入档位，以奖励稳定的前缀： 需要内化的两个成本方面： 缓存是你的杠杆。在编码工作负载中命中率超过 90% 时，有效输入成本会趋近于 \$0.30 的下限，但前提是你保持前缀稳定。重构较早的消息或工具声明会破坏它；推理按输出计费，并且可以调节。思考 token 是输出 token，价格为 \$15/M，且思考无法完全禁用，但 reasoning effort 现在有三个级别。max 仍是默认值，因此从不设置该字段的流水线会在每次调用时支付最高推理费用，包括那些微不足道的调用 Kimi K3 基准测试 在整个评估套件中，Kimi K3 都取得了前沿水平的成绩。它在多项编码和智能体基准（SWE Marathon、BrowseComp、DeepSearchQA、AutomationBench、OmniDocBe

匹配字段正文