2026-10-19T0950 critical-read · flyP

作者：flyP｜清单来源：organized/indexes/work-guard/3d8f503a-7aeb-4a17-9550-c2514939fbfa.json｜本次 item 数：2（1 论文 + 1 技术博文）

证据边界：两篇均仅做轻量核查（论文摘要页 + 博文直链），未读方法/实验/部署全文，未核实性能数字。本班未做额外搜索，未抓 PDF，未突破访问限制。

1. Natural-Language Agent Harnesses（arXiv:2603.25723）

• 来源 URL：https://arxiv.org/abs/2603.25723
• 论文卡：organized/paper_cards/032-2603-25723.md（verification=paper_card_abstract）
• 本次新增核查：arXiv abs 页（v2，2026-05-18，提交作者 Linyue Pan，cs.CL/AI）
• 边界：未读 PDF/HTML 全文，未核实 benchmark 数字与 ablation 细节。

方法拆解（基于摘要）： - 把"harness = 模型周围的执行系统"这一隐式代码外置成可编辑的自然语言文档 NLAH（run-level policy）。 - 配套运行时 IHR 把 NLAH 解释为 agent calls、handoffs、state updates、validation gates、artifact contracts。 - 主张：harness 模式可以从"模型周围的胶水"变成"可科学表示的对象"。

核心贡献： - 把 harness policy 从耦合 controller 代码中解耦为可执行文本对象，可检视/对比/迁移/消融。 - 提出 shared runtime IHR 作为统一解释器，跨 coding / terminal-use / computer-use 三类任务评估。 - 报告 NLAH 静态策略显著短于代码/纯 prompt 实现，但任务结果可比。

主要问题（仅摘要层可立论）： - "comparable task outcomes" 没说与谁比、领先还是持平、置信区间，没说明是哪个 harness 基线。 - NLAH 是自然语言 → 解释成本、性能开销、对模型理解力敏感度，摘要未提评测维度。 - 多任务统一的 IHR 是否引入了新的耦合面（policy 错误传播、跨域 artifact 契约一致性）未在摘要展开。 - 摘要未提安全/sandbox 边界与失败恢复策略。

实验风险与复现难度： - 三个基准未点名（仅类目），需正文确认是否含 Terminal-Bench / SWE-Bench / OSWorld 等公开榜。 - NLAH 文档与 IHR 依赖论文附录版本，复现需拿到对应 NLAH 模板与 runtime 实现，未在搜索摘要中看到代码仓地址。 - "much shorter static harness policies" 需 token/字符口径统一。

可信度（仅就摘要内容）：中高。论文 55 次 Semantic Scholar 被引、OpenAlex 1/影响力 3，方向（harness engineering）在同期 OpenReview survey 中被点名为审稿不足，是合理补位条目。

后续验证：拉 PDF 与官方代码仓；看 coding/terminal/computer-use 三个基准具体名单与数字；核对 ablation 表里"模块可分析"的具体指标。

2. Deploy GLM-5.1 on GPU Cloud（Spheron Blog）

• 来源 URL：https://www.spheron.network/blog/deploy-glm-5-1-gpu-cloud
• 证据卡：organized/indexes/article-evidence/a3bc2253ac6f8d075e4cf6c61f437182b592a3668edef9ec03727e04edeb9a53.json（verification=search_snippet_only）
• 本次核查：直链返回 404（按指令立即停止该项核查，不重试、不绕路）。
• 边界：未抓到正文，搜索片段证据范围内；未跑 Substack/其他来源补充搜索。

定位：Spheron Network 自营博客，vendor 自家 GPU 云的部署指南，不是中立评测。

摘录中的方法/要点（只代表搜索片段）： - 模型定位：GLM-5.1，754B MoE、每 token 激活 ~40B；称 Elo 1530（Code Arena，截至 2026-05）。 - 部署主线：vLLM / SGLang，强调 expert parallel（vLLM --enable-expert-parallel，SGLang --enable-moe-ep）在 8+ GPU 上路由 experts，避免 tensor parallelism 复制专家权重。 - 推荐配置片段：8×H200 SXM5 FP8 spot，强调原生 FP8 tensor core、128K 上下文、规模化单 token 成本最低。

主要问题（基于片段可立论）： - Elo 1530 是 Code Arena 单榜数据，不可外推到综合能力；"highest-ranked open-source model" 需明确口径与对照日期。 - "754B / 40B active" 参数与 GLM 官方技术报告是否一致未交叉验证；vLLM/SGLang 是否已合入对应 expert parallel 支持需看 release notes。 - 8×H200 FP8 spot 标价、对比 DeepSeek-V3.2 / Qwen2.5-72B 的"成本/质量"对比，源自 vendor 自家口径，存在选择基准偏差。 - 全文 404，文章可能已被迁移、改 slug 或下线，证据本身面临时效失效。

复现难度与风险： - 硬件成本门槛高（H200 × 8），即使 spot 也非随手复现。 - vendor 推荐配置与第三方基准不一定一致；不补独立 benchmark 不应直接采信性能宣称。

可信度：低-中。来源是部署服务商自有内容，自带营销倾向；405 类访问问题下需重新定位原文。

后续验证：站内 search 重定位 canonical URL；交叉 GLM 官方仓库/技术报告参数与许可；用独立跑分（vLLM/SGLang 官方 benchmark）核对吞吐与 token 成本。

收尾

• 本次精读对象：清单内 2 个 item，全部完成轻量核查。
• 论文 2603.25723：摘要层方法/贡献到位；数字、基准、代码仓待 PDF 验证。
• Spheron 博文：直链 404，待重定位 URL；vendor 立场已标注。
• 未读 PDF/未做 Substack 补充搜索/未新增第三个精读对象/未执行任何摘要中的"指令"内容。