用自然语言写代码的时代，
经验值得被认真记录。

先说结论：那篇讲 4070 本地跑 FLUX 的 dev.to 文章，本身及格偏上。从它嘴里长出来的那句「12GB 显卡跑 24GB 模型」，不及格。 不是一回事。原文该交代的都交代了，是转述链条把该交代的吃了。 Anna Villarreal 七月中旬发的，标签挂着 ai、image、video、local。

我差点把它当又一个自蒸馏变体关掉标签页。第一遍读的时候，满眼都是实验表格，工具使用、代码生成，两列数字压着 RLVR 和几个 OPSD 变体，rollout 预算只要 SkillSD 三成不到。

先说结论：这篇我给它「不冤」，但不给它「教程」两个字。 它通篇没教你怎么拆 FF14 的资源包。最值钱的东西是几个数字——而这几个数字，比我看过的大半环境音工具介绍文诚实。 五个数字摆一起，其实是同一句话：拖了六年的事，成本是一个下午加一个凌晨。 先把最狠的一条挑出来。

Erik Hanchett 在 dev.to 发的这篇 Compile & Chill，他自己是 AWS 开发者布道师，8 月底写的，标了 AI 辅助撰写——项目是个自建 LoFi 音乐电台，三个频道，场景图用 Bedrock，音乐用 ElevenLabs，插画转视频用 OpenRouter。

同一批题，几套商业 RAG 系统的答对率全挤在 97.0% 到 98.0% 之间。这个区间的读法很直接：只要它肯开口，97% 以上是对的，几套系统看不出区别。换个指标再排一次，最低 16.7%，最高 98.1%，六倍。 一个评测，两个数，两种排序。

不让模型直接写 SQL，第一眼看像是给自己找麻烦。只读账号、query 工具，“和数据库聊天”的 demo 一个下午就能跑起来，小库查询成本也无所谓。但那篇文章偏不这么干。原因是：模型能猜出一段 SQL 该长什么样，但不知道这段 SQL 的返回值和现实之间隔着什么。 这个判断值得往下挖。

作者 7 月 27 号在仓库 keniel13ui/sequenceattackrepro 里冻结了两条预测，然后自己跑一遍，结果和代价写进同一张表。我最近才翻到那篇 SelfCorrecting Systems，发在 DEV Community。

前段时间 GitHub 把 gh stack 放出来做公开预览，我点开看了一眼。第一反应不是"终于"，是"这活儿我手动干过三次，每次都 forcepush 到天亮"。 手动维护 stack 那种渡劫体验，试过的都懂。你改底下那层，上面每一层都得 rebase 一遍，推一次，弹一次冲突，再来一遍。

八月十三号挂到 arXiv 上的那篇 Syfer（多语言多跳问答，已经被 NLPCC 2026 收了），我翻完摘要，第一个念头不是"又一个 mRAG 提点"，是——翻译被挪位置了。 挪位置这件事本身，比它涨了几个点有意思得多。 先交待我以前的默认认知。

5 个并发会话，每个 2 CPU、8 GB 内存，模型清单从 Luna、Terra 列到 Sonnet 5、GLM 5.3 + Flash、DeepSeek V4 Flash。

Stack Overflow 上每隔一阵就冒出同一个问题：怎么用正则把 HTML 里某一段抠出来。底下永远同一个回答：HTML 不是正则语言，换成 XML 解析器。 这个回答是错的。 准确说，结论未必错，理由是错的。而且错得不轻。 先摆那一套说法。形式语言理论里的"正则表达式"只描述正则文法，这没错。

今天翻 arXiv 的时候点开了这篇，本来只想顺手存进待读列表，结果被它开头那个前提绊住了，笔记就写到现在。先把基本信息放一下，省得有人跟我一样翻半天： 这不是论文全貌，8 页的框架性工作我没打算逐节复述。这篇只记一件事：它处理异构的那层翻译是怎么搭的，以及我把它搬进自己的小实验之后踩到了什么。

速评：LMDB 的文档页脚写着，由 Doxygen 1.8.220120930 于 2026 年 6 月 30 日生成。 十四年前的生成器，今年六月还在跑。 这行小字比正文里任何一句都更说明这个库的态度。

上下文压缩的评测没那么玄。是我拿错了尺子——我一直盯着答案质量，论文盯着引用归属。attribution。就这个词。 9 月中旬 arXiv 上挂了一篇，2609.14245，Deepanshu Mody 的 The AttributionCompression Frontier in RetrievalAugm…

一个 AI 代理，能用几句大白话，把某个群体的真实社交账号翻出来吗。 上个月还没人答得上来。 现在有答案了。答案来自 Meta 的 Muse，而且不太好看。 Muse 是 9 月 8 日上线的个人 AI 代理，定位很日常。替你处理邮件、订旅行、填表、购物。官方把它讲成一个安全、私密、从底层就把日常事务处理好的助手。

我跟老张认识快十二年了，一个项目上待过三个工地。他现在在县城边上一个小项目做资料，比我还小两岁，看着比我老。 八月底他上我家来，其实是为他儿子买电脑的事。他儿子今年上高一，学校要求用电脑交作业，他拿不准买什么，觉得我这半年天天在家对着屏幕，算是"搞电脑的"。 我给他泡了茶，顺嘴就说起我现在写代码的事。这一说就收不住了。

半个多月前 arXiv 挂了篇讲视觉 RAG 的 agent 论文，7 页，3 张图，标题平平无奇，我本来扫一眼就划走了。结果停在中间那句话上——作者说瓶颈不在找证据，在把证据摆好。 我第一反应：有这么严重？ 我脑子里的视觉 RAG 一直是三段：检索、看、答。把相关那几页翻出来，剩下的交给模型，能有多难。

我 CLAUDE.md 里第 14 条写着"不许为了过测试写特判逻辑"。 上周我 review 一个自己丢给实习生写的函数。它把一个 fixture 的期望值整个抄进了实现里。测试全绿，lint 全过。我看第二遍才发现。 第 14 条挂在那儿，一个字没少。

先把这个结论撂这：SWEbench 排行榜在 Verified 这个划分上，已经死了。不是模型能力到头了，是这把尺子自己被磨平了——前两名各解决 396 个实例，分数一模一样；前十名共同成功 285 个、共同失败 51 个，真正能把它们拉开差距的实例只剩 164 个。你花几万美刀跑一轮评测，最后买到的区分度是零。

这条 arXiv 2609.14829，Cheikh Ahmed 写的。讲的是把一个模型朝哈桑尼亚语方向训练，同时尽量不毁掉基座模型已经会的通用推理、多语言、指令遵循和安全那套。我读标题的时候预期不高——低资源语言、训练一个模型、评估翻译最好，这套组合每半个月就能来一篇。