用自然语言写代码的时代，
经验值得被认真记录。

今早刷到 arXiv 上那篇 2611.06715，讲 RelBloom 的。本来只是随手点开，想看看这个基准分了哪几个层级，结果别的数字一溜烟滑过去，就一行让我停下来了：Gemini 3.1 Pro 在 Remember、Understand、Apply、Analyze 这四层，平均 99.5%，到了 Eval…

十月二十几号那事。给本地一家母婴连锁做的会员储值小程序，八千五，工期二十天，早验收了，尾款还压着两千没结。 那天晚上十一点多，甲方老板直接微信语音过来，说后台今天账不对，卖了四单储值，系统里出来八条记录，会员余额翻倍了。我当时正躺着刷手机，脑子嗡一下。余额翻倍是什么概念，人家充五百我给人记一千，这钱谁出，我出？

CompressionBench 三天前挂上 arXiv。标题问得很直白：coding agent 能不能自己把一个大模型压小。很多人扫这种论文，第一眼找的是最终分数——3.4%，涨了还是跌了。这篇真正的发现藏在另一个数字里：17 of 79。 先把这个 benchmark 让人干什么说清楚，不然下面没法聊。

2026 年 10 月 24 日，Sebastian Raschka 在 Ahead of AI 上挂了一门课，标题是 Building Reasoning Models from the Ground Up，八讲，纯 Python 加 PyTorch，前后大约十一个小时的对着屏幕敲代码。 这类课我本来是打算划过去的。

今天翻 cs.LG 的列表，看到 11 月 4 号挂上去的一篇，编号 2611.06542，标题是 EvoOPD: Evolving Privileged Information Strategies for BlackBox OnPolicy Distillation。

前阵子有人转来一个活，问接不接。不难，一个爬虫加一个小面板，报价也不算低。我盯着那封邮件看了很久，最后没接。不是没时间，是说不清自己为什么没底。后来想，那份没底大概不在活上，在我对自己这双手的边界知道得太少：多少是熟的，多少是要现学的，多少是看着像熟的、其实是另一回事。掂不清这个，报价就成了赌。 这事搁了几天。

“AI 驱动的信息窃取器”——这词一出来，脑子里自动就有画面：模型自己在敲键盘、自己找漏洞、自己绕杀软。我第一版真这么画的，还挺得意。 画完自己觉得不对劲，但说不上哪不对。

上个月组长在群里发了个文档，说让大家试试 Claude Code，说命令行里就能干活。我当时心想命令行是啥，我平时就只会点 Cursor 里那个 Tab。 装就装了快一下午。我照着文档敲，装完在终端里敲 claude，说找不到这个命令。我以为装失败了，卸载重装，在装一遍，还是找不到。

旧稿： 以下是文档内容，请总结要点： 这句话我大概写过上千遍。今天得把它拎出来说：它是句假话。 没有【文档内容】这回事。有的只是某个 extractor 从 OOXML 里挑出来的那部分字符，按它自己定的顺序排好，塞进 context window。模型从头到尾没看过那份文档一眼，它看的是别人抄给它的一份笔记。

速评：11 月 4 号 17:59 UTC 挂上 arXiv 的 ServerBench，最扎眼的数字不是那个 4.87 倍，是 22/33。 33 次运行，22 次交出了通过验证的系统。这行被作者写在结果那一段，跟「13 次超过最强基线」并排放着，语气是成绩。 我倒觉得这是整篇摘要里最诚实、也最刺人的一行。

前天下午五点半，arXiv 上挂出一篇 2611.06219，标题叫 A Definition of Catastrophic Performance。作者三人：Henrik Marklund、Alex Infanger、Benjamin Van Roy。

读完之后我最不服气的一点：「睡眠」是这篇博客里最不重要的词。 它没在睡觉，它在做 compaction。这套东西跑在固定架构和人为规则里，跟真的生物睡眠机制不沾边——作者自己也写了。那为什么不直接叫 compaction？因为「睡眠」好传播。行吧。 先别急，我不是来骂标题的。

旧稿： 三条风险是从 Shapiro 一篇新论文的摘要里扒下来的，arXiv 2611.06374，讲平台把算法、成员、内容交出去之后摊上哪三类事。论文本身我不评，v1 挂上来才两天，DOI 还标着 pending。我拿它做了个由头，把这三条做进一条 system prompt，改了三版才收住。

先交底：这期只有一个信源，就是论文本身，没有匿名消息源，外部反应也没交叉核实。Xilin Xia 11月4日投到arXiv的那篇（arXiv:2611.06382），61页。三条物理定律约束出的集总式流域模型，在英国602个、美国593个流域的留出年份评估里，和有状态LSTM打到了只能看配对NSE小数位的程度；

昨天有人在群里丢了一篇 arXiv，2611.06506，Trace2Eval，11 月 4 号挂上去的。配文五个字：“看这个，19 个点。” 我点开看了。结论先撂这儿：一半我认同，另一半我等着看它被拿去当月报素材。 现在的 coding agent 榜单，题基本是公开的，带参考补丁，或者藏着测试用例。

Survival LLM 这几天在圈子里传。传的都是“断网也能跑”。 这个卖点是真的。本地跑模型不新鲜，把它做成一个双击能打开的包，是工程活，不是新想法。 我盯着看的是另一件事。 每条回答都列出它依据的文章，点开能看到原文，被引用的那一段高亮。 这个设计值得停下来想想。 应急场景里，助手有两种失败方式。一种答不上来。

Chijin Zhou 和 Quan Zhang 这篇《Rethinking Access Control for AI Agents》挂在 arXiv 上。这是篇综述，没法跑，我能做的是读完把最该带走的那句说清楚，顺手跑一个小验证看看它对不对。 他们第一个重新审视点是“计划选择会影响权限需求”。

先把原稿里那个 curl/8.7.1 Wikipedia contact: 你的邮箱 摆在这儿。 每天有无数条这样的字符串从无数台机器上发出去，没人多看一眼。UserAgent 这一栏在大部分人眼里跟信封上的邮票差不多——挂着好看，不影响投递。直到有人在流量里认出那串邮箱是自己的。

怎么判断一段文字是不是 LLM 写的。 Fowler 上周给的答案是，不用判断。你读到一半开始怀疑的那一刻，事情已经发生了。 他那篇叫《LLM Voice》，不长。我看了两遍，第二遍是回头去翻脚注的。 这期本来排了六条。看完之后我撤了五条。撤掉的原因不是它们不重要，而是这篇说的东西，比那五条加起来更值得多说两句。

昨晚在 arXiv 上乱翻，cs.AI 的列表，点进一个叫 FrontierPhysics 的预印本，提交时间戳是 11 月 4 号傍晚。我物理水平大概停在会考，纯粹因为标题里带 agent 才点进去。 翻了没几页就卡在一个数字上。