信源:X 硬核干货雷达 · 覆盖 12 账号

干货候选

• 主题:SAS:通过端到端上下文排序优化实现简易注意力稀疏化 | 来源:@_akhaliq | 链接:https://x.com/_akhaliq/status/2099511334987522298 | 仓库:Tencent/Simple-Attention-Sparsification | 论文:https://arxiv.org/abs/2609.13141 | 硬核点:将 Top-K 硬截断梯度阻断问题转化为端到端可微 context ranking 任务，训练 selector 直接用 LM loss 优化，而非蒸馏 layer-wise 密集注意力分布——对长 agent traces 的稀疏注意力改造有直接参考价值
• 主题:Beyond Prompts: 测量与优化 LLM Tool-Agent Harnesses（EMNLP 2026）| 来源:@hwchase17 | 链接:https://arxiv.org/abs/2609.05736 | 仓库:无 | 论文:https://arxiv.org/abs/2609.05736 | 硬核点:将 harness 优化形式化为预算约束选择问题——edits 是工具边界拦截而非重写，为 agent 对齐、性能优化提供可量化框架
• 主题:GPT-6 Astra 文档解析/抽取任务基准评测 ParseBench（短文档 97.2%/中档 90.6%）| 来源:@jerryjliu0 | 链接:https://x.com/jerryjliu0/status/2096258549131165746 | 仓库:无 | 论文:无 | 硬核点:LLM 文档解析工程实测数据，Cohere Parse 均价 $1.50/1k pages 但 5 维度平均仅 50% 准确率，与 GPT-6 Astra 97.2% 形成工程级对比
• 主题:本地 commit 消息重写 Web 应用（LLM + 工具调用实现）| 来源:@simonw | 链接:https://simonwillison.net/2026/Sep/14/commit-rewriter/ | 仓库:无 | 论文:无 | 硬核点:Simon Willison 亲写完整实现细节，commit 消息批量编辑工具的 LLM 工具调用实战演示，含截图和实现思路
• 主题:WHALE — 联合优化 LLM 权重与 Harness 的简单配方（arxiv 2609.00196）| 来源:@cwolferesearch | 链接:https://krafton.ai/blog/whale/ | 仓库:无 | 论文:https://arxiv.org/abs/2609.00196 | 硬核点:Harness 优化样本效率高但会平台化，WHALE 提出权重+harness 联合优化配方，与 harness 优化形成互补

其余线索

• @swyx · AI Engineer World’s Fair 2026 五大趋势 recap（Lilian Weng Harness Engineering for Self-Improvement 论文引用，loop 主导第一天）——行业全景，非实现细节
• @jerryjliu0 · ParseBench 中 Cohere Parse 50% 准确率评测——基准数据偏产品对比，可作工程参考
• @maximelabonne · fine-tuning 2026 实践指南在社区流传——内容为 SFT/DPO/LoRA 组合建议，定位入门，非新技巧
• @svpino · Reflexio agent 自改进平台发布（9/18）——产品发布，无实现细节