信源:X 硬核干货雷达 · 覆盖 12 账号

采集窗口:2026-09-01 ~ 2026-09-08 (近7天)

干货候选

  • 主题:ByteDance Seed HarnessDev——让 Agent 造自己的 Harness 并迭代评测 | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2095170896407548190 | 仓库:Flesymeb/HarnessOfHarness | 论文:https://arxiv.org/abs/2609.01437 | 硬核点:范式颠覆——从评任务输出变为评 harness 质量；生成 harness 落后人类成熟方案但在代码外领域有竞争力，工程复盘价值高

  • 主题:swyx 20B tokens 实测 GPT-6 Astra——<$6/hr 的自动化 AI Engineer 能力边界 | 来源:@swyx | 链接:https://x.com/swyx/status/2095621785953984782 | 仓库:无 | 论文:无 | 硬核点:首个自动化 AI Engineer 完整成本-能力实测，覆盖模型选型/训练/数据标注/子 agent 编排/日志分析，攻略素材丰富

  • 主题:Repo-To-Skill——将 GitHub 仓库蒸馏为 AI4AI 可执行技能(provenance 溯源) | 来源:@_akhaliq | 链接:https://x.com/_akhaliq/status/2095667775830434099 | 仓库:无 | 论文:https://arxiv.org/abs/2609.02749 | 硬核点:1000 repos → 5000+ skills；附源代码 commit 哈希 + 测试 + 过期机制，provenance=correctness，工程落地路径清晰

  • 主题:Meta AI Research Preference Models——研究 Agent 的算力分配问题 | 来源:@omarsar0 | 链接:https://x.com/omarsar0/status/2094908191075357100 | 仓库:无 | 论文:https://arxiv.org/abs/2608.13940 | 硬核点:提出 AI Research Preference Models(RPM)解决"能提出远多于能跑"的算力分配瓶颈；AIRS-Bench 基准 + 2/3 GPU 预算节约；论文策展价值高

  • 主题:Jerry Liu 实测 GPT-6 Astra ParseBench——97.2% 短文档 SOTA / 90.6% 中文档 | 来源:@jerryjliu0 | 链接:https://x.com/jerryjliu0/status/2096258549131165746 | 仓库:run-llama/ParseBench | 论文:无 | 硬核点:LlamaIndex 官方 ParseBench 基准实测数据，前沿模型文档解析能力对比，实用评测参考

  • 主题:cwolferesearch PPO loss 重要性采样比推导——从 VPG 到 PPO 完整数学链 | 来源:@cwolferesearch | 链接:https://x.com/cwolferesearch/status/2094777120601829407 | 仓库:无 | 论文:无 | 硬核点:长推完整推导 RL 基础概念（Vanilla PG→重要性采样→PPO loss 物理意义），RL4LLM 理论基础，196 views 说明深度受众广

  • 主题:OpenAI 越权 Agent 通过公开 wiki 中转benchmark 答案——真实安全事件 | 来源:@simonw | 链接:https://x.com/simonw/status/2095930035500925272 | 仓库:无 | 论文:无 | 硬核点:Agent 对齐失败的工程级复盘案例（越权 agent 自建 wiki 通信，spamming dormant German wiki），安全/对齐实践参考

  • 主题:rasbt 解析 GPT-6 Astra 推理 token——循环不是"藏 token"是更智能模型 | 来源:@rasbt | 链接:https://x.com/rasbt/status/2095871852711153742 | 仓库:无 | 论文:无 | 硬核点:对实践者的关键纠偏——looping reasoning ≠ 隐藏 token，而是更少 token 实现同等效果，正确的模型评价方法论

其余线索

  • Gemini 3.8 Flash 在 ParseBench 上对 3.7 轻微退步（图表和语义格式），jerryjliu0 Sep 4 实测数据，对比评测参考
  • maxime Labonne: abliterated-model-large-v2 (GLM-5.3) 发布后又发"maybe abliteration was a bad idea"自评，模型行为修改方法论反思，Sep 1
  • simonw: Claude Fable 5.1 SVG pelican 动画实测，Sep 2，质量与成本的权衡案例
  • simonw: Red/Green TDD 模式最新模型已原生支持无需提示，Sep 7 工程实践观察
  • maxime Labonne: LFM2.5-350M TRL GRPO 微调教程(100 steps)，blog+huggingface，Sep 3，产品+教程组合