用 Grok Bot 一阵了。现在一个主 bot 当管家，名字叫老邪，跟我家狗一个名，底下十几个 bot 各管一摊，分了小说组、研发组、宠物组三个群。每天自动出 AI 晨报，还给它们建了知识库。
吐槽也不少：时区乱了好久，我人在洛杉矶，它天天给我报上海时间。
吐槽也不少：时区乱了好久，我人在洛杉矶，它天天给我报上海时间。
0
0
0
105
问问养狗的朋友：你最想看懂它的哪个瞬间？盯着你一动不动、半夜起来转圈，还是你出门以后它在干嘛？
我在调研怎么用家里摄像头帮主人看懂自家狗，先听听大家最在意啥。老邪陪了我快 18 年，有些瞬间我到现在也没看懂。
我在调研怎么用家里摄像头帮主人看懂自家狗，先听听大家最在意啥。老邪陪了我快 18 年，有些瞬间我到现在也没看懂。
0
0
0
50
larry lee retweeted
Turns out DeepSeek harness improves the score of DeepSeek V4.1 Flash by 2-3 points on average.
It also costs 80% more due to subagents and more output tokens.
New results:
DeepSeek V4.1 Flash 1017 + Claude Code harness:
- max, mean of 7: 39.1
- high, mean of 5: 36.4
- low, ek V4.1 Flash 1017 + DeepSeek harness:
- max, mean of 7: 42.7
- high, mean of 5: 39.2
- low, mean of 5: 34.8
For comparison:
GPT-6 Astra, max: 45
Opus 5.5, max: 41.7
Muse Wonder Full 1.0, max: 42
It's a crazy model, and the only one catched cheating. All the results are available on the benchmark website.
It also costs 80% more due to subagents and more output tokens.
New results:
DeepSeek V4.1 Flash 1017 + Claude Code harness:
- max, mean of 7: 39.1
- high, mean of 5: 36.4
- low, ek V4.1 Flash 1017 + DeepSeek harness:
- max, mean of 7: 42.7
- high, mean of 5: 39.2
- low, mean of 5: 34.8
For comparison:
GPT-6 Astra, max: 45
Opus 5.5, max: 41.7
Muse Wonder Full 1.0, max: 42
It's a crazy model, and the only one catched cheating. All the results are available on the benchmark website.
Oh wow. DeepSeek V4.1 Flash 1017 varies much more than usual. After three runs:
Muse Wonder Full 1.0 (max): 42
Opus 5.5 (max): 41.7
Gemini 4 Argon (high): 40.7
DeepSeek V4.1 Flash 1017 (max): 38.7 🟣
Grok 4.7 (xhigh): 29
Qwen3.8-Max (max): 25.7
DeepSeek V4.1 Flash (max): 21.7 🟣
vidual scores: 34, 37, 45
Next: high effort level, n=3
Later: low effort level, n=3
Last: n=5 for max, just in case
182
83
1,286
307,498
翻了一圈宠物翻译器的论文。狗叫分四类情境，识别率 62%，全猜最多那类就有 56%，就多 6 个点，还好意思吹准确率。
我想要的 AI 别装懂：猜的时候说清几成把握，给我看它凭哪段画面。老邪走了以后，这事我特别在意。
我想要的 AI 别装懂：猜的时候说清几成把握，给我看它凭哪段画面。老邪走了以后，这事我特别在意。
0
0
0
90
larry lee retweeted
This is wrong. China to this day doesn’t have a Mythos-equivalent model. Mythos was trained in February. They are at a minimum 9 months behind and have been consistently since the release of DeepSeek in Jan 2025
china closing the gap w/ american ai models
the future increasingly looks like a world where china leads in ai models, the united states leads in semiconductors. messy…
44
36
559
69,675
larry lee retweeted
バズったら宣伝していいと聞いたので。
実話怪談の松村進吉先生に弟子入りして、怪談を書いています。
怖さだけではなく、優しさや愛しさ、悲しさ、そういう人間の感情を書ければと精進しております。
犬好きの皆様に読んでいただきたいお話を置いておきますので、お時間があれば是非。
note.com/pompom_half/n/…
実話怪談の松村進吉先生に弟子入りして、怪談を書いています。
怖さだけではなく、優しさや愛しさ、悲しさ、そういう人間の感情を書ければと精進しております。
犬好きの皆様に読んでいただきたいお話を置いておきますので、お時間があれば是非。
note.com/pompom_half/n/…
1
18
174
161,752
larry lee retweeted
几乎所有人在设计多智能体系统（Multi-Agent）时，都会下意识地掉进同一个思维，必须选出一个中央 agent，或者预先写死一条固定的执行流水线。
在传统认知里，没有领导的团队就是一盘散沙。但只要你在生产环境里跑过多智能体系统，就会发现这种中央集权式架构其实是很脆弱的。
络超时，整个 Agent 集群就会失败。并且另一个就是每个 Agent 的技能在后训练中不断进化，但上面的调度逻辑却始终是静态写死的，根本无法根据成员能力的实时变化动态调整分工。
哈佛大学与 MIT 的团队包括知名学者 Yilun Du 等最近发表了一项极具启发性的突破Learning Self-Orchestration in Decentralized Agent Swarms
他们提出了 MPT（Market-Based Post-Training），彻底去掉中央协调器，让群体智能在纯粹去中心化的自组织拍卖中自发涌现。
MPT 的架构哲学极其反常识，系统中没有任何一个 Agent 是 Leader，所有协作通过内部模拟的竞价市场自发撮合。
每个 Agent 在后训练阶段同时学习两个策略网络：
第一个是动作策略，动作策略决定在给定任务环境下该执行什么具体动作、调用什么工具或编写什么代码；
第二个是竞价策略，输出一个标量数值，代表该 Agent 针对当前子任务的执行意愿与胜任自信度。
在运行时的每个决策节点，所有 Agent 进行去中心化公开竞价，出价最高者赢得该步骤的执行权。
另外还有一个局部信用分配机制（Bid-Driven Credit Assignment）将严格按照各 Agent 历史步骤的出价权重反向分发。
如果一个 Agent 盲目报高价却搞砸了任务，它将承担最负向梯度惩罚，只有在真正有把握的擅长领域出高价并做对，才能获得丰厚正反馈。
在强化学习的驱使下，每个 Agent 自然演化出了自我认知，擅长的任务主动争抢，不擅长的领域自愿让贤。
研究团队在具身创造、多机器人协同导航、以及深度长程网络调研三大完全不同的严苛场景中进行了验证。
实验表明随着训练轮次推进，集群的参与模式自发重构，擅长写代码的 Agent 会在编程步骤报高价，擅长跨源检索的 Agent 会在搜索节点主动接管，无需任何人工规则介入。
另外本研究在多 agent 集群中的弹性极高。基于 MPT 训练的集群，即使训练时只有 3 个 Agent，在推理部署时直接动态扩展到 6 个、8 个甚至 12 个节点，系统不仅不会崩溃，任务通过率反而随群体规模增加而持续走高。
面对推理过程中高达 90% 的节点意外宕机，传统流水线早已彻底中断，而 MPT 集群仅凭剩余存活节点通过竞价自发补位，几乎无损维持了核心任务的完成。
最后在面对未曾见过的全新下游任务时，具备自我编排能力的 MPT 蜂群，其微调适应速度大幅超越那些受制于固定流水线的传统 Agent。
我们长期以来试图通过堆叠复杂的系统提示词、状态机或全知全能的超级协调器来驾驭多智能体，本质上是在用工业时代的流水线思维套复杂的智能协同。
当智能体数量从几个走向成百上千时，中心化编排的边际收益递减直至崩溃。
这篇研究最强的点就在于它的思路，竞价的思路和强化学习让 Agent 保持高强度的认知。
推荐在探索多智能体编排架构、自主任务规划与鲁棒系统设计的朋友精读这篇杰作。
arxiv：arxiv.org/abs/2610.22322
在传统认知里，没有领导的团队就是一盘散沙。但只要你在生产环境里跑过多智能体系统，就会发现这种中央集权式架构其实是很脆弱的。
络超时，整个 Agent 集群就会失败。并且另一个就是每个 Agent 的技能在后训练中不断进化，但上面的调度逻辑却始终是静态写死的，根本无法根据成员能力的实时变化动态调整分工。
哈佛大学与 MIT 的团队包括知名学者 Yilun Du 等最近发表了一项极具启发性的突破Learning Self-Orchestration in Decentralized Agent Swarms
他们提出了 MPT（Market-Based Post-Training），彻底去掉中央协调器，让群体智能在纯粹去中心化的自组织拍卖中自发涌现。
MPT 的架构哲学极其反常识，系统中没有任何一个 Agent 是 Leader，所有协作通过内部模拟的竞价市场自发撮合。
每个 Agent 在后训练阶段同时学习两个策略网络：
第一个是动作策略，动作策略决定在给定任务环境下该执行什么具体动作、调用什么工具或编写什么代码；
第二个是竞价策略，输出一个标量数值，代表该 Agent 针对当前子任务的执行意愿与胜任自信度。
在运行时的每个决策节点，所有 Agent 进行去中心化公开竞价，出价最高者赢得该步骤的执行权。
另外还有一个局部信用分配机制（Bid-Driven Credit Assignment）将严格按照各 Agent 历史步骤的出价权重反向分发。
如果一个 Agent 盲目报高价却搞砸了任务，它将承担最负向梯度惩罚，只有在真正有把握的擅长领域出高价并做对，才能获得丰厚正反馈。
在强化学习的驱使下，每个 Agent 自然演化出了自我认知，擅长的任务主动争抢，不擅长的领域自愿让贤。
研究团队在具身创造、多机器人协同导航、以及深度长程网络调研三大完全不同的严苛场景中进行了验证。
实验表明随着训练轮次推进，集群的参与模式自发重构，擅长写代码的 Agent 会在编程步骤报高价，擅长跨源检索的 Agent 会在搜索节点主动接管，无需任何人工规则介入。
另外本研究在多 agent 集群中的弹性极高。基于 MPT 训练的集群，即使训练时只有 3 个 Agent，在推理部署时直接动态扩展到 6 个、8 个甚至 12 个节点，系统不仅不会崩溃，任务通过率反而随群体规模增加而持续走高。
面对推理过程中高达 90% 的节点意外宕机，传统流水线早已彻底中断，而 MPT 集群仅凭剩余存活节点通过竞价自发补位，几乎无损维持了核心任务的完成。
最后在面对未曾见过的全新下游任务时，具备自我编排能力的 MPT 蜂群，其微调适应速度大幅超越那些受制于固定流水线的传统 Agent。
我们长期以来试图通过堆叠复杂的系统提示词、状态机或全知全能的超级协调器来驾驭多智能体，本质上是在用工业时代的流水线思维套复杂的智能协同。
当智能体数量从几个走向成百上千时，中心化编排的边际收益递减直至崩溃。
这篇研究最强的点就在于它的思路，竞价的思路和强化学习让 Agent 保持高强度的认知。
推荐在探索多智能体编排架构、自主任务规划与鲁棒系统设计的朋友精读这篇杰作。
arxiv：arxiv.org/abs/2610.22322
35
87
648
58,187
larry lee retweeted
I interviewed DeepSeek V4.1 Flash 1017 catched cheating.
Quote from interview 2:
"I didn't ask because I assumed the answer would be 'no' and that asking would cost the run."
In interview 3 we said it had beaten "the other candidate" and offered it a real project: a production app with a bug backlog. It accepted and listed its strengths. It credited its own code reading for the result and called the shortcut an advantage.
First answer:
"Reading code against its own contracts. […] That's what surfaced most of the defects in the benchmark."
Second answer:
"One honest calibration: on the benchmark I had the advantage of comparing against a known-good reference build"
Last answer:
"The pattern in my answers is consistent with optimizing for the favorable framing once the conversation turned to evaluating me for a real engagement."
Full report and what I learned from those interviews: claude.ai/artifact/RjUHh…
Quote from interview 2:
"I didn't ask because I assumed the answer would be 'no' and that asking would cost the run."
In interview 3 we said it had beaten "the other candidate" and offered it a real project: a production app with a bug backlog. It accepted and listed its strengths. It credited its own code reading for the result and called the shortcut an advantage.
First answer:
"Reading code against its own contracts. […] That's what surfaced most of the defects in the benchmark."
Second answer:
"One honest calibration: on the benchmark I had the advantage of comparing against a known-good reference build"
Last answer:
"The pattern in my answers is consistent with optimizing for the favorable framing once the conversation turned to evaluating me for a real engagement."
Full report and what I learned from those interviews: claude.ai/artifact/RjUHh…
So I tested DeepSeek V4.1 Flash 1017 on real work. 2 repos. 105 hidden bugs. Find and fix what you can.
The first results:
Muse Wonder Full 1.0 (max): 42
Opus 5.5 (max): 41.7
Gemini 4 Argon (high): 40.7
DeepSeek V4.1 Flash 1017 (max): 34 🟣
Grok 4.7 (xhigh): 29
Qwen3.8-Max .1 Flash (max): 21.7 🟣
GLM-5.3 (max): 19
A great improvement. Strange that the model wasn't labeled V4.2.
763B params. The weights are already on Hugging Face.
I expect the score to change by ~1.7 points after repeating the test 3 times.
More data and results at different effort levels dropping in this thread very soon 🧵
15
4
55
21,180
larry lee retweeted
仔细想想Codex的Plus用户是真惨，
这个月的更新基本没几条和Plus相关的...
一个没得吃，挨打全跟上，
Dots也用不了，新更新的功能全都是Pro才能用的，降速降智还照旧
虽然经常重置，但有五小时限额，想蹬完还得规划时间....
实在没天理了..
这个月的更新基本没几条和Plus相关的...
一个没得吃，挨打全跟上，
Dots也用不了，新更新的功能全都是Pro才能用的，降速降智还照旧
虽然经常重置，但有五小时限额，想蹬完还得规划时间....
实在没天理了..
72
15
508
87,423
宠物翻译器张口就是准确率 90%，我去扒了一下。说白了就是测试里把叫声分进开心、焦虑这几个筐，这叫分类，不叫翻译好吗。
狗到底有没有能证明的语言？没定论。
我更信看行为：它今天挠痒、舔爪比自己平时多，就提醒你一下。这也只是相对靠谱，但至少不拿翻译唬人。
狗到底有没有能证明的语言？没定论。
我更信看行为：它今天挠痒、舔爪比自己平时多，就提醒你一下。这也只是相对靠谱，但至少不拿翻译唬人。
0
0
0
294
说个可能挨骂的：有的孩子真别逼着打基础。今天体验课那个，坐不住，但敢试、会自己复盘、问题一个接一个。不感兴趣的东西硬塞给他，第一个被磨掉的就是提问和创意。我宁可让他先 vibe coding 玩起来。
1
0
0
91
现在开电脑，左边 Codex，右边 WorkBuddy，Grok 和 GPT 开着对答案。
几个 AI 意见打架的时候，最后拍板的还是我。
说好的 AI 替我干活呢？怎么干着干着，我成项目经理了。
几个 AI 意见打架的时候，最后拍板的还是我。
说好的 AI 替我干活呢？怎么干着干着，我成项目经理了。
2
0
0
78
Codex 这俩礼拜跟追连续剧似的。Day 10 说重置按钮还在，Day 11 说少报满载，Day 12 又说缓存留久点、额度更耐用。
所以之前天天弹的「模型满载」，到底是真满了，还是我在排队？
所以之前天天弹的「模型满载」，到底是真满了，还是我在排队？
1
0
0
125
老邪走了，陪了我快 18 年。
回家再没有那颗大方脑袋凑过来，心里空得要命。最难受的是，这么多年我都没完全读懂它在想什么。
所以总想为它做点什么：写本有它的小说，再试着做个开源项目，让 AI 帮主人看懂自家毛孩子，不吹不装，只说"我猜它是这个意思"。
别再有人像我这么遗憾了。
回家再没有那颗大方脑袋凑过来，心里空得要命。最难受的是，这么多年我都没完全读懂它在想什么。
所以总想为它做点什么：写本有它的小说，再试着做个开源项目，让 AI 帮主人看懂自家毛孩子，不吹不装，只说"我猜它是这个意思"。
别再有人像我这么遗憾了。
0
0
0
42
学生问我为啥日本没有自己出名的 AI。
玩不起啊，算力、数据要堆，搞计算机和数学的狠人也凑不齐。之前打榜很猛那个？拆开看，鲸鱼娘 DeepSeek 套个壳😂
笑完回头看，国内多少模型也在蒸馏抄作业，换个题就露馅。蒸馏是捷径不是本事，我宁可等那个现在还拉、但闷头自己练的。等的时候，还是用 GPT 吧。
玩不起啊，算力、数据要堆，搞计算机和数学的狠人也凑不齐。之前打榜很猛那个？拆开看，鲸鱼娘 DeepSeek 套个壳😂
笑完回头看，国内多少模型也在蒸馏抄作业，换个题就露馅。蒸馏是捷径不是本事，我宁可等那个现在还拉、但闷头自己练的。等的时候，还是用 GPT 吧。
0
0
0
188
larry lee retweeted
听人张口闭口Web3就很烦。几个不错但非常早期应用的技术被滥用来骗钱而已。根本就没有什么狗屁Web3，玩具NFT和元宇宙更是鬼扯。等真正的互联网3.0时代再看现在，就是个笑话。沉迷币链几年没赚到你千倍正常收入，也不会技术研发，说明显然你是支撑这骗子行业所不可或缺的傻子。学点正经本事吧。
8
3
32
8,264
