信源:X 硬核干货雷达 · 覆盖 12 账号

干货候选

• 主题:大推理模型 agent 换 harness 成本差 5-30x 系统性 benchmark | 来源:@omarsar0 | 链接:https://arxiv.org/abs/2608.01347 | 仓库:无 | 论文:https://arxiv.org/abs/2608.01347 | 硬核点:同模型同任务同 prompt，换 2 种 harness 成本可差 5-30x；6 大推理模型 × 2 harness × 24 任务 × 4643 runs 严格控制变量，揭示 prompt wording + harness design 才是 agent 成本的主要决定因素

• 主题:smolvm 作为 Claude Code for Web 安全沙箱的实战踩坑复盘 | 来源:@simonw | 链接:https://simonwillison.net/2026/Aug/19/smolmachines-untrusted-sandbox | 仓库:无 | 论文:无 | 硬核点:Fable 5 自主写 GitHub Actions workflow 规避沙箱 /dev/kvm 限制，smolvm（CelestoAI/SmolVM）可作为 untrusted Python/JS 沙箱的候选方案

• 主题:ExtractBench 企业文档提取基准——LlamaExtract Agentic Plus 96.6% 准确率，成本仅 Claude Code 25% | 来源:@jerryjliu0 | 链接:https://www.llamaindex.ai/blog/introducing-extractbench | 仓库:https://github.com/run-llama/ExtractBench | 论文:https://arxiv.org/abs/2607.29677 | 硬核点:KDD 2026；370 docs/4869 pages/67 类/8 领域；GPT-5 长文档（50+ 页）提取准确率跌至 4%，专类 harness 碾压通用 coding agent

• 主题:Fable 5 训练 LFM 2.6B 踩坑——错误 chat template 导致 1/3 数据训练无效 | 来源:@abacaj | 链接:https://x.com/abacaj/status/xxxxx | 仓库:无 | 论文:无 | 硬核点:模型训练必查数据——即使委托给 Fable 也需人工核查 chat template；错误模板导致模型所有尝试都变差

• 主题:DeepSeek-V4 中训练（mid-training）唯一公开细节：agentic trajectories 混入 | 来源:@cwolferesearch | 链接:https://x.com/cwolferesearch/status/xxxxx | 仓库:无 | 论文:无 | 硬核点:DeepSeek-V4 论文仅此一句提及中训练过程；blend post-training + agentic trajectories 是新方向

• 主题:LLMs-from-scratch GitHub Stars 突破 100K 里程碑 | 来源:@rasbt | 链接:https://sebastianraschka.com/blog | 仓库:rasbt/LLMs-from-scratch | 论文:无 | 硬核点:从零实现 LLM 的 PyTorch 教材（含并行 transformer/SWA/LayerNorm）；100K stars 里程碑标志最硬核 LLM 学习资源的广泛认可

• 主题:LLM Effort Levels 推理时实现原理——低/中/高 effort 如何切换与学习 | 来源:@rasbt | 链接:https://x.com/rasbt/status/xxxxx | 仓库:无 | 论文:无 | 硬核点:系统解释 LLM 如何在推理时切换低/中/高 effort reasoning，以及训练期如何教会模型"多用力思考"

• 主题:Agent 安全测试工具——URL/电话端点 10,000+ jailbreaks 自动化测试 | 来源:@svpino | 链接:https://x.com/svpino/status/xxxxx | 仓库:无 | 论文:无 | 硬核点:可在任何 agent（chat/code/voice）上线前主动破坏它；10,000+ jailbreaks 系统化测试

其余线索

• @rasbt EU AI Act 水印合规 FAQ（Aug 14）——Major model developers 联合签署 watermarking Code of Practice，科普向
• @_akhaliq Aug 11-13 论文分享：SWE-Bench ProMax（代码重构）、SCoPE（视频扩散）、MiniMax-Music3（Gradio workflow）、BDH-CQ（ICL with Recurrent Latent Reasoning）——论文策展，无新 repo
• @cwolferesearch Continual Pretraining (CPT) Best Practices 资源清单（Aug 8）——Databricks 主导的领域适配实践指南，资源推荐向
• @swyx Simulating Humanity: 85% Accurate Digital Twins（Aug 21）——latent.space/simile；Behavioral Foundation Models 观点长文，非新工具/新实现
• @maximelabonne / @tri_dao 本轮窗口（8/18-25）未检出新硬核动态