AgentBench 学习笔记：评测 Agent，不能只看它怎么回答
消化 AgentBench 论文：为什么 LLM Agent 需要交互环境评测，AgentBench 如何用 8 类环境测试长期推理、决策和指令遵循，以及它对 Agent eval 的启发。
Archive
专题归档
第 7 / 7 页Codex AI Digest 深读版 · 2026-07-08
Codex 真读真写 · 论文/趋势/技能/工具/行动。这是 Codex 深读版：我先抓取 source pack，再逐篇阅读原文摘录，并用 `publish-to-lei-blog` 的“质量十大思维”做了一轮审稿。今天的主线是：AI 能力正在从“模型会不会”下沉到“harness、sandbox、数据系统、推理栈…
Evoflux 学习笔记：小模型不会稳定用工具时，先别急着微调
消化 Evoflux 论文：为什么紧凑模型在 MCP 风格工具调用里容易失败，Evoflux 如何把工具调用看成可执行工作流的推理时演化修复，以及它对 Agent 系统设计的启发。
HELM 学习笔记：模型评测不是跑榜，而是建立一张能力地图
消化 HELM 论文：为什么 LLM 评测不能只看单一排行榜，HELM 如何用场景、指标和透明产物重构模型评测，以及工程团队应该如何借鉴。
IFEval 学习笔记：别只问模型聪不聪明，先测它是否真的听话
消化 IFEval 论文：为什么指令遵循需要可验证评测，IFEval 如何用 25 类可检查约束构造约 500 条样本，以及它对 prompt 和模型发布门禁的启发。
LLM-as-a-Judge 学习笔记：让模型当裁判，到底靠不靠谱
消化 MT-Bench 与 Chatbot Arena 论文：为什么开放式回答难以自动评测，LLM-as-a-Judge 如何近似人类偏好，以及 position、verbosity、self-enhancement 等偏差该如何处理。
Out 投影到底在输出什么：把多头 attention 结果重新混回 hidden state
补齐 W1-Q4 attention 内部四步的最后一块：用混音台直觉、小数字矩阵乘和 Qwen2.5-7B 的真实 shape，讲清 attn_output.weight 与最终 output.weight 的区别。
PrologMCP 学习笔记：别让大模型硬想，把演绎推理交给符号系统
消化 PrologMCP 论文：为什么 LLM 在深层演绎推理上不稳定，PrologMCP 如何把 Prolog 标准化为 MCP 工具，以及“模型做翻译、求解器做推理”的系统分工。
SWE-bench 学习笔记：代码模型评测，终于从刷题走向真实修 Bug
消化 SWE-bench 论文：为什么传统代码生成评测不足以衡量软件工程能力，SWE-bench 如何用真实 GitHub issue、仓库上下文和测试执行构造可执行评测。
Codex AI Digest 深读版 · 2026-07-07
Codex 真读真写 · 论文/趋势/技能/工具/行动。这是 Codex 深读版。我先读了 9 个渠道的 23 篇原文包，今天最值得你投入注意力的不是又一个模型名，而是三条更硬的信号：验证正在成为 agent 能力的新缩放轴；弱模型上的 RL 成果开始有机会迁移到更强模型；内容站点已经开始把 agent 抓取当成独立…
Masked Softmax 到底在 mask 什么：把 QK 分数变成注意力权重
面向初学者拆解 masked softmax：先补 softmax 的 exp、求和、归一化，再讲 causal mask 如何把未来 token 权重变 0，最后对上 GQA 下的 Q/K/V shape 和 llama.cpp attention graph。
QKV 投影到底在投什么：从 3584 维 hidden 到 28 个 Query 头、4 个 KV 头
面向初学者拆解 Transformer 的 QKV 投影：从 Query/Key/Value 的角色，到矩阵乘、shape 推导、GQA、KV cache 和 llama.cpp 的 build_qkv 源码对应。
RoPE 为什么只是高中三角函数：把 Q/K 向量按位置旋转
面向初学者拆解 RoPE：先补 cos/sin 的横向和纵向直觉，再推导二维旋转公式、128 维 head 拆分、相对位置如何进入 QK 点积，并对上 llama.cpp 的 ggml_rope_ext。
Codex AI Digest 深读版 · 2026-07-06
Codex 真读真写 · 论文/趋势/技能/工具/行动。这是 Codex 深读版：我先抓取 source pack，再逐篇阅读原文摘录后重写判断。今天最值得放进脑子的主线是：agent 不再只是“会调用工具的模型”，而是在逼工程体系补上运行时、权限、验证、成本和产品界面这几块短板。
LoRA 机制学习笔记：为什么它能把函数和技能变成大模型的可插拔补丁
从矩阵乘法、Transformer 线性层、低秩增量和 adapter 加载机制出发，解释 LoRA 如何与大模型内核协作，以及为什么 Program-as-Weights 和 Parametric Skills 都选择把能力内化成 LoRA。
本地跑通一个真实 PEFT LoRA：从环境、代码到 base/adapter/merged 输出对比
完整记录一次生产常见 LoRA 推理链路：Apple Silicon 本地环境、uv 隔离环境、Transformers + PEFT 加载 Qwen2.5-0.5B 基座和 commit message LoRA adapter，比较 base、active adapter、merged model 的输出。
Program-as-Weights 学习笔记：把一次大模型调用编译成可复用的小权重程序
深入拆解 Program-as-Weights 论文：为什么要把模糊函数编译成权重、PAW 的编译器-解释器结构、Text-to-LoRA 实现、FuzzyBench 训练方式、实验结果、工程收益和局限。
Codex AI Digest 深读版 · 2026-07-04
Codex 真读真写 · 论文/趋势/技能/工具/行动。这是 Codex 深读版，不是关键词卡。今天先读 26 篇候选、24 篇正文后，我的主判断是：Agent 的竞争正在从“谁回答得更好”转向“谁能被当作软件运行”。这意味着评测要看预算曲线，安全要在线监控，隐私删除要能定位到参数，工具链要补齐技能、沙箱、可恢复执行…
Codex AI Digest 深读版 · 2026-07-03
Codex 真读真写 · 论文/趋势/技能/工具/行动。基于 aibrief 当日 25 条高信号内容生成。
Codex AI Digest 深读版 · 2026-07-02
Codex 真读真写 · 论文/趋势/技能/工具/行动。这是 Codex 深读版，不是关键词卡。今天先读 24 篇候选、23 篇正文后，我更看重四条主线：Agent 竞争从模型能力转向反馈回路；推理架构开始重写多线程协作方式；企业真正缺的是把 AI 嵌进交付链路的人与流程；安全执行环境、技能包与网关正在成为开发者基础…
Agent Skills 与 MCP 的研究前线：从能力包到执行边界
深读 2026 年 6 月底 arXiv 上 Skill/MCP 相关论文：Skill 如何获取、调用、参数化和治理，MCP 如何从连接协议走向安全执行层。
Codex AI Digest 深读版 · 2026-06-30
Codex 真读真写 · 论文/趋势/技能/工具/行动。基于 aibrief 当日 37 条高信号内容生成。
Codex AI Digest 深读版 · 2026-06-29
Codex 真读真写 · 论文/趋势/技能/工具/行动。基于 aibrief 当日 20 条高信号内容生成。