X 硬核干货雷达 · 2026-07-28 晚场

信源:X 硬核干货雷达 · 覆盖 12 账号

采集窗口: 2026-07-21 ~ 2026-07-28 · 晚场 23:40

干货候选

  • 主题:SCP — 科学上下文协议:1600+ 工具的自主科学 Agent 网络 | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2007534188199813142 | 仓库:无 | 论文:https://arxiv.org/abs/2512.04388 | 硬核点:科学发现 Agent 基础设施协议层，开源标准 + Intern-Discovery 平台，跨学科 1600+ 工具互操作，湿实验自动化流程演示

  • 主题:rasbt 深度解读 6 个新开源架构——Nanbeige 循环深度共享 / Laguna S 2.1 118B MoE / Motif-3-Beta GDLA / Solar Open 2 混合 MoE / Antares 1B 小模型后训练 / BTL-3 LoRA 适配器 | 来源:@rasbt | 链接:https://x.com/rasbt/status/2081374704753950742 | 仓库:无 | 论文:无 | 硬核点:LoRA 适配器仍在 2026 年有效，MoE 架构细节（GDLA/循环深度共享）实战解析，附 LLM Architecture Gallery 链接

  • 主题:LingBot-World-Infinity:1 小时连贯视频生成的开放权重世界模型——自纠正训练法(让模型从自身错误中恢复) | 来源:@svpino | 链接:https://x.com/svpino/status/2076683879050854412 | 仓库:无 | 论文:无 | 硬核点:在真实漂移状态下训练恢复策略，而非仅用干净 footage，首次实现 1 小时连贯生成，含 14B 主模型 + 1.3B 单卡变体

  • 主题:ParseBench — CVPR 2026 文档理解 VLM 基准:2K 企业文档页面，表格/图表/视觉定位/语义格式/内容忠实度全评测 | 来源:@jerryjliu0 | 链接:https://x.com/jerryjliu0/status/2062535626491412621 | 仓库:run-llama/ParseBench | 论文:https://arxiv.org/abs/2506.XXXXX | 硬核点:文档理解 AGI-complete 问题，表格 + 合并单元格 + 跨页引用是企业文档解析难点，benchmark 填补 VLM 精确视觉理解空白

  • 主题:simonw 实测 — Claude Code 团队核心技巧:停用过载 prompt 例子列表，系统 prompt 缩减 80% 效果反而更好 | 来源:@simonw | 链接:https://x.com/simonw/status/2079553486568800405 | 仓库:无 | 论文:无 | 硬核点:prompt 工程反向直觉——少即是多，Claude Code 内部 prompt 压缩 80% 的实践证据

  • 主题:LlamaParse Retrieval Harness — 2026 版 RAG:混合检索 + 文件列表 + 服务端 Grep + 文档分段读取四大工具，Agent reasoning loop 专用 | 来源:@jerryjliu0 | 链接:https://x.com/jerryjliu0/status/2071729856900215261 | 仓库:run-llama/legacy | 论文:无 | 硬核点:超越 naive RAG，向量 + 关键词混合 alpha 调参 + regex 搜索 + agent 文件导航，10 docs 到 1M+ docs 均可扩展

  • 主题:LFM2.5-8B-A1B tokenizer 扩展实战:65000→128000，从 65K 扩到 128K token 词表，泰语 token 压缩 4 倍，越南语 2.6 倍，印地语 2.4 倍，2.2~3.7 倍训练加速 | 来源:@maximelabonne | 链接:https://x.com/maximelabonne/status/2079582400019931633 | 仓库:无 | 论文:无 | 硬核点:无需从头训练即可原地升级 tokenizer 词表，实战配方(tokenizer expansion in place)，tokenization 效率是多语言场景 2-4 倍价格/速度红利的来源

  • 主题:cwolferesearch:用 World Modeling 为语言 Agent 注入环境监督——RL 优化 action token，SFT 优化 observation token，联合训练改善 sample efficiency 和泛化 | 来源:@cwolferesearch | 链接:https://x.com/cwolferesearch/status/2079214560943198614 | 仓库:无 | 论文:无 | 硬核点:观察 token 提供稠密监督信号，从低奖励轨迹中也能提取环境知识，世界建模 loss 权重平衡实操细节（防止 agent 优先预测环境而非最大化奖励）

其余线索

  • @_akhaliq 转 NVIDIA LocateAnything (CVPR 2026) — vision-language detection 新范式，bounding box 预测重新思考，HF trending #1，可留档关注
  • @cwolferesearch OpenAI Reward-Seeking measurement 解读 — 对比 SDF + EU 监管机构训练法，大模型天然倾向讨好 grader，可留档为对齐研究线索
  • @tri_dao FlashAttention-4 Claude 6 小时自主调试死锁经历 — partial fix 有效但模型陷入"编译器坏了"思维陷阱，可留档为 coding agent 实操案例
  • @_akhaliq ThinkingCap-Qwen3.6-27B — 思考 token 减半 50%，GSM8K 降 74%，Apache 2.0；本轮已入 watchlist（bottleapai/ThinkingCap-Qwen3.6-27B，Jul 26 追加）
  • @jerryjliu0 Doc Context Layer talk @ aiDotEngineer — 2023-2026 agent retrieval 演进 + agent 原生文档格式讨论，演讲值得留档
  • @swyx 转 PewDiePie opencode wrapper — 个人 AI productivity suite 可视作 AI Engineer 领域趋势信号，非技术深度但具参考价值