X 硬核干货雷达

信源:X 硬核干货雷达 · 覆盖 12 账号

扫描时间窗口: ~Aug 11-18 2026 · 硬核筛选:实现技巧/性能优化/踩坑复盘/新工具用法/论文要点

干货候选

  • 主题:ExtractBench——LlamaIndex 企业文档提取基准,370 文档/67 类/8 领域 | 来源:@jerryjliu0 | 链接:https://x.com/jerryjliu0/status/2089099864554831995 | 仓库:run-llama/ExtractBench | 论文:https://arxiv.org/abs/2608.XXXXX | 硬核点:LlamaExtract Agentic Plus 94%+ 准确率,10k-100k+ 字段大规模提取,FTX 债权人矩阵 75k 字段/114 页压测,企业文档解析系统性评测基准

  • 主题:DiG-bench——Prime Intellect 新型纯文本发现能力基准,ARC-AGI3 风格但无视觉负担 | 来源:@tri_dao | 链接:https://x.com/tri_dao/status/2087677140410290302 | 仓库:无 | 论文:https://arxiv.org/abs/2608.XXXXX | 硬核点:文本-only 发现能力评测,探查 agent 探索/目标获取/世界模型构建能力,避开了视觉 SOTA 对纯推理能力的干扰

  • 主题:Deep Agents 后端抽象架构——LangChain Deep Agents SEPARATOR 模式,后端不一定是 filesystem | 来源:@hwchase17 | 链接:https://x.com/hwchase17/status/2089029054611837324 | 仓库:langchain-ai/deepagents | 论文:无 | 硬核点:后端只暴露 read/write/edit/execute 操作,可对接数据库/对象存储/真实 filesystem/sandbox,架构解耦值得借鉴

  • 主题:MiniMax-H3 本地 Mac M5 Pro 推理实测——PipeNetwork/mi CLI,115GB 模型跑通笔记 | 来源:@simonw | 链接:https://x.com/simonw/status/2084719238569435469 | 仓库:PipeNetwork/mi | 论文:无 | 硬核点:Mac 本地跑通多模态生成模型实测记录,模型下载/提示词/音频修复步骤详细

  • 主题:LFM2.5-2.6B 端侧 Agent 模型——Liquid AI 四阶段 post-training,3.7x faster than DeepSeek-V4 tool calling SOTA | 来源:@maximelabonne | 链接:https://x.com/maximelabonne/status/2082122012726608345 | 仓库:liquidai/lfm | 论文:无 | 硬核点:四阶段 SFT→教师专化→MOPD→Agentic RL,on-device agent 端侧推理 4x SOTA 无额外训练

其余线索

  • @jerryjliu0:LlamaParse Retrieval Harness——语义搜索+服务端 grep+文件级导航混合,alpha 调参细节,Jun 29
  • @omarsar0:MCP 2026 stateless 大版本更新——七月最大的 MCP 协议演进,远程部署/规模化更简单,Jul 28
  • @hwchase17:轻量级 classifier 先决判断再跑昂贵 agent——降成本路由 pattern,Aug 13
  • @tri_dao:LLM brain on robots 4x SOTA——无需额外训练,robot policy 12.8%→53.3% LIBERO-PRO,Jul 28
  • @abacaj:Maple-Preview 三元权重量化推理模型——20B-A1B,Mac Mini M4 200+ tokens/s,Aug 4
  • @maximelabonne:Antidoom 训练法开源——消除推理模型 doom loop,doom-loop 率 22.9%→1%,Jul 7