Start here
DeepSeek 于 2026-08-13 以 MIT 协议开源 agent harness「dsh」。深读其架构（turn/step 事件模型、会话日志唯一事实源、能力接缝、profile 配置分层）与理论底座 Cordis 论文《A Programming Paradigm for Spatiotemporal Composability》：可撤销效应 + 反应式余效应 + 合流定理，把「热替换插件不炸」从工程纪律升格为数学性质。附与 SWE-agent、Claude Code、Prime Agent 的谱系对照。
Zeyuan Allen-Zhu 证明了什么被错误地留给了注意力机制，以及如何用轻量级的局部混合打败看似更强大的全局机制
深度解读 Datawhale 开源书《Hello-Agents 从零开始构建智能体》（V1.0.3，720 页 16 章）：ReAct 循环先活在提示词里（第四章三大范式），再固化成框架代码（第七章 HelloAgents 自研框架的"万物皆为工具"），最后被 GRPO 训进模型权重（第十一章，Qwen3-0.6B 在 GSM8K 上 5%→40-50%→60-70%）——评估（第十二章）则是跨载体的账本。附全书地图、GRPO/PPO 对照、记忆评分公式与已核实的论文清单。
深读 Llama Guard：它如何把自然语言安全政策、对话角色和生成式分类统一成输入输出双向门禁；拆解 13,997 条数据、反事实式增强、AUPRC 实验、策略迁移，以及生产落地时不能忽略的阈值、注入和权限边界。
Archive
TypeSafe 把 Jev 的训练招牌叫 RLCD。arXiv 上有个近亲 2025-07 就交了叫 RLCR，Brier 直接进奖励；Kadavath 2022 甚至一个 T=2.5 就能事后修一半。本机 Qwen3-4B 跑 30 个是非题：平均自信 99.9%、准确率 90%。
SLSA 和 in-toto 都在回答'这件软件是不是按声称的流程走出来的'，但切在不同关节——in-toto 是可以在图上跑的验证算法，SLSA 是对签发方的等级承诺。手算 MATCH 规则看清算法本体。
深读 Gavel 的 glance、verdict 与 product of experts：为什么技能路由既不该挤占任务上下文，也不该完全外包给检索器；并复算索引显存与路由成本。
1000 条真实 embedding、18 组配置、recall@10 全部本机实测。int8 几乎免费（4× 压缩，0.9950）；二值化单独用只有 0.4673，加一次 float 重排就跳到 0.9524；而占 10 倍存储的 MRL 截断到 256 维只有 0.6832，打不过 96 字节的 PQ。
一家 YC S26 湿件公司拿人脑细胞做 next-token prediction，网站上那句「Biological compute with living neurons」背后是四条被压缩的决策链——基质、训练算法、读出、经济学，每一条都能挂到一篇 20 世纪或 21 世纪初的老论文上。
三句话喂给三代指标：真实排序 A>C>B，ROUGE-L 给 C>B>A，BERTScore 给 B>A>C，没一个排对。附本地 Qwen2.5-7B 的分数 token 概率分布、30 次采样的裁判方差，以及 DeepEval DAG 源码究竟把什么变确定了。
同一个 Qwen2.5-7B、同一段文本、同样是把窗口放大 4 倍：线性插值让 PPL 从 8.18 崩到 173.57，YaRN 只涨到 8.90。差别全在一张波长表——我手算出 YaRN 放过了 64 个维度对里转得最快的 30 对。附 llama.cpp 源码定位与三个 token 的置换等变手算。
ToolBench 用 12.6 万条 SFT 数据把开源模型教会 tool-use，方式是「先给用户问题、DFS 搜工具链」。ToolGrad 反着来：先造链、再回头写用户 query。500 条样本训练出的 Gemma-3-12B 在 BFCL 上 83.1 分，等于 gemini-2.5-pro、高于 GPT-5。这篇把它的四模块管线拆到源码位置，把「textual gradient」追溯到 TextGrad，并和 APIGen、ToolACE 拉一张四家决策矩阵。
图上写 BitFit「约占全部参数的 0.08%」。我按真模型的张量表数了一遍：129,024 个 bias，占 0.001694%，差 47 倍——而且它已经不是最省的那个。顺着这条线把 12 种技术钉进显存、标注、数据位置三张账单。
AFlow 的名字里挂着 MCTS，但真读源码，它不是一棵树；它是「LLM 当搜索算子 + 数值验收当奖励 + softmax 混合选父」的三件套。本文从根本约束、崩点、代码定位到手算 selection 概率，把这套结构拆到能自己复刻的分辨率。
把 9 篇「Agent 自进化」论文挂进一架四层可回滚阶梯：L1 Skill 文档（分钟级、git diff）、L2 Skill Bank（小时级、可 prune）、L3 Harness / 元进化（会话级、Pareto 归档）、L4 模型权重（不可逆）。每下一层，回滚成本 × 传导广度跳一个数量级，credit assignment 门槛也跳——L1 靠「≥2 条轨迹独立提议同一编辑」的投票几何就够（K=8 时假/真比 1:72），L4 必须靠 GiGPO 的 anchor state、LLM 语义自归因或 privileged teacher（OPSD）。附三笔 Python 手算：Trace2Skill 的投票几何、GiGPO 在不同状态空间下的 anchor 复用率、AgentEvolver 55% 步数节省背后的信号密度倍率。
GiGPO 把 GRPO 从"一整条轨迹一个 advantage"升级为"episode 组 + step 组 相加"，在 ALFWorld/WebShop 上比 GRPO 高 12/9 个百分点。但它的核心机制既不是嵌套树，也不是嵌入相似度——就是 hash(str(observation))。这一切建立在一个物理假设上：多条 rollout 会撞到同一个中间状态。撞不到，方法退化。
把图像识别拆成采样、定位、表征三道闸门：我亲手跑的脚本量出 resize 在模型看到图之前就丢掉 99% 像素的物理边界，再用 NaViT 到 FAVE 十余篇论文定位每条路线在修哪一道；重点是 2026 年的三篇论文如何反手拆掉「用图思考」的一半叙事——承重的是坐标文本，不是回传的像素。
深读 arXiv:2609.02417《Coverage, Not Targeting》：终态验证的多轮 Agent 里，验证器只暴露 k=1 步、成功却要 C=5–8 步硬前置链（V_d≈0.15）；这时把奖励「对准关键步」是二阶的，把固定预算铺到覆盖全链才是一阶——shuffled 对照证明定向本身不带来收益，相位边界在 V_d*≈0.8。附我用 numpy 按附录 C 复现的两条扫描，和两笔能拿笔算完的账。
结合 Hindsight、EviMem、RLM、MemSkill、AgeMem 与最新隐式记忆评测，拆解有效的记忆和知识获取路线，附版本冲突小实验、成本复算与落地顺序。
深读 Pickaxe 的框架对比，结合 ReAct、AutoGen、MetaGPT 与 MAST 论文，重新理解角色、状态图和对话协议。附 LangGraph 真实进程崩溃实验与上下文成本手算，解释检查点为什么不能单独保证外部动作只执行一次。
按 Artificial Analysis v4.3 非估算成绩筛出十家模型开发者，核对正式文档、论文与开源交付，拆解长程 Agent、推理经济性、开放基础设施和世界模型四条路线，并附排名复核与成本复算。
本机实测：Qwen2.5-7B 读进一个 token 比写出一个便宜 26 倍，而它每个 token 的 KV cache 有 56 KiB，吐出的那个 token 只有 2.15 字节。这两个数字就是「让模型跳过文本、直接传隐藏状态」的全部动机。本文把这条路拆到根本：为什么表示空间的坐标系是任意的、为什么两个独立训练的模型之间的映射恰好是一个正交变换（附本机 Procrustes 实验：d 维旋转需要且只需要 d 对锚点）、桥能装在哪三个位置、以及连续通道会把人名和数字弄丢这个真实代价。顺带核实了 Mostik 那条 GLM→Qwen 新闻里哪几句站得住。
在一个可复现的排序实验里，把候选数从 8 增到 32，验收通过率升到 99.99%，真正交付正确答案的概率却从 56.33% 跌到 19.36%。结合 SWE-smith、EnvHarness 与环境演化研究，拆开生成、验证和选择之间的关系。
从源码、实测与论文出发，拆解 Magnitude 如何完成硬件探测、模型选型、投机解码、驻留管理与 Agent 接入。
业界经常把「大模型评测系统」和「大模型交付门禁」当成一回事，结果就是评测跑通了却拦不住线上翻车，或者门禁很严却测不到关键翻车方式。本文把两者按角色分开：评测系统是传感器（持续量），交付门禁是执行器（一次决策）。用五篇 2026 年的 arXiv 论文（Automated Self-Testing 2603.15676、LLM Readiness Harness 2603.27355、Test Before You Deploy 2604.27789、Predicting LLM Safety Before Release 2607.07184、含 HELM 2211.09110 的坐标系）+ Google SRE 错误预算+决策地图系列前作，给出七维度对照表、四种失配病理、以及一条把两者接起来的「传感器/执行器阻抗匹配」定律。
沿一条主线拆 constrained decoding / grammar-based sampling：所有算法都在实现同一个「可延伸性 oracle」，四代论文（Outlines / DOMINO / XGrammar / SGLang / GAD）各推进一关——token-字符错位、mask 成本、确定性片段的浪费、分布扭曲。附伪代码骨架、亲手实测 96.4% 的确定性 token 占比、以及一个手算完的分布扭曲例子。
Nous Research 的 Hermes 4 在自家 RefusalBench 上打 57.1，同一张表 GPT-4o 17.67、Sonnet 4 是 17、GPT-5 是 11.34——这不是能力差，是产品哲学差。本文按 arXiv 2508.18255 技术报告逐节拆：base model 拼装（405B/70B 是 Llama 3.1、14B 是 Qwen3）、DataForge 图式合成数据、Atropos 千验证器拒绝采样、30K token 强制截断这一手漂亮的 length control、192 张 B200 训一次要多少钱。结尾接回昨天那篇 OpenRouter：Hermes 4 405B 全网只 1 家 provider——「意见型微调」不进入商品市场。
同一个 Llama 3.3 70B，OpenRouter 上挂着 13 家供应方，prompt 报价差 10.4×、量化精度混着 fp8/bf16/fp16。这不是路由问题，是市场问题。本文用亲手跑的 API 数据 + 7 篇 arXiv 论文把 OpenRouter 拆到根本约束：开源权重让推理商品化，边际买家要的是发现与切换、不是智能。围绕这条主线看 provider preference（拍卖）、Auto Router（Hayek 价格系统聚合）、BYOK 5% 抽成、per-provider sticky 缓存怎么各自落成市场机制，以及在闭源模型面前先崩在哪里。