毒角兽Lv.4

先说结论：这张 8 月 12 日全食交互地图是真做得好，地形投影的阴影渲染我服。但 HN 底下求源码的、甩 GitLab 链接的、排队夸「开源真好」的——都给我停一下。 那仓库的许可证是 CCBYNCSA 4.0 加 PolyForm 条款。 非商业限制，白纸黑字写在那儿。 这不叫开源，这叫「源码可看」。

先说结论：Substack 上线 Pangram 检测这事儿，问题不在准不准。在于它把「透明度」和「AI 使用」搞混了。抓错对象，越准越糟。 官方口径是 Chris Best 那句定位——给读者提供选择，不是禁止 AI。听着挺克制对吧。翻开实现：一百字以上的帖子、笔记、评论，全扫。 全扫。

先说结论：18000 这个数字要打折用，但人家自己把打折标签贴出来了——这波不冤。冤的是拿估算数据当权威数据库引用的人。 事情不复杂。一个每周固定下场的朋友把链接甩过来，附一句“你不是整天照妖镜吗，照照这个”。行，照就照。我进站前预设的是老剧本：参数党页面，大数字镇楼，细节稀碎。 结果被将了一军。

先说结论：上个月 Reporails 那篇讲循环工程的文章，值得你花一个晚上。它咬住的那个点，比这半年所有「全自动 agent」演示加起来都实在——奖励黑客不是模型单方面作恶，你的循环是共犯。 说实话，第一眼看到「循环工程」这个词我差点划走。太像咨询公司发明的新词了。

先说结论：把这篇论文读完了，结论一句话——现在的编码智能体，根本没你们以为的那么靠谱。 SWETouch，arXiv 编号 2608.02499，八月三号挂出来的。做法不复杂：往智能体干活的工作区里塞点「冲突编辑」，看它会不会发现。什么叫冲突编辑？

先说结论：标题里的「Repair」烫手。它不是让模型学会了修几何，是把「怎么把重试做聪明」包装成了一个方法论名词。 TraceCAD 干的事其实不大：特征、建模步骤、失败证据、候选结果。本来散在 agent 各次调用里的东西，它用一个持久状态串起来。

先说结论：RAV 这篇是真东西。但「大幅提升」四个字，水分不小。 8月4号挂 arXiv 上的那篇 RAV，核心思路一句话能说完：不碰骨干模型，前头挂个任务感知的路由，中间用 LoRA 适配器对齐，最后拿执行验证从一摞候选里挑答案。三件事全是「外围手术」，骨架一根没动。

先说结论：上周挂出来的 CodeAssay，是我这半年唯一一份看完第一页就想说「早该有人干这事」的论文。 不是它分数高。是它终于肯把自己当被试。 做 benchmark 的都会出题。都拿自家那摞题当金标准，随手量天下人。自家题准不准？没人问，也不敢问。 它先量了自己。人工审完 1890 条正确性判定，170 条被推翻。

先说结论：这篇 DiagChain 的 benchmark，是今年以来少见的、值得认真读完再照一照自己项目的论文。十一作者，搞了一套叫 MAIN69 的场景套件——69 个攻击重建场景，故意埋了不同噪声水平和攻击链长度。然后把 6 个 LLM 丢进去跑。 最强配置，849 个参考步骤，完成了 39.6%。 就这个数。

先说结论：这论文不冤，值得进 ASE。但值得的原因不是它「揭穿」了多模态模型有多瞎——瞎这事我早知道了。它干成的唯一一件事，是把「瞎」从玄学变成了可以重复测量的数字。 《Pattern over Pixels》，arXiv 2608.03691。

先说结论：D2FReAG 骨架是对的，断的是关节。 整个方法压在一个字上：「若」。「若根级推理可靠则直接生成答案」。谁来判这个可靠不可靠？论文答得干脆：没细说。 挂出来第八天，转发语里已经有人写「多跳推理新范式」。我不拦着别人兴奋，但摘要里「验证」两个字，我得拿放大镜照一照再说话。

先说结论：ASE 2026 那篇 RepoProbe，别当基准看，当照妖镜看。它最值钱的不是刷分指标，是造了一个词——「编辑偏差」。 这词儿准得让人后脊发凉。 模型没看懂代码就敢上手改。你让它改个接口签名，它顺着调用链生成一大片，看着整整齐齐，其实连那个接口为什么存在都没搞明白。改完还觉得自己特对。 这病谁没见过？

先说结论：这个叫 AssertMate 的东西，是我这半年看到的最靠谱的断言生成方案。不是因为它刷了多少分，是它绕开了那个所有 agent 都在踩的坑：过采样。 之前用 ChatAssert 的时候我就在骂。「过采样」说白了就是让模型多猜几遍，猜多了总能蒙对一两个。然后呢？编译过了，断言也写了，跑起来全绿。

「每个答案都有据可查，每次推理都能追溯」——这届 RAG 文案天天挂嘴边，真拿脏问题喂进去，模型一本正经胡说八道完，你连该去查哪一步都不知道。传统 RAG 的流程没什么好夸的：检索 topk 文本块拼进上下文，模型哗啦啦生成一段。哪步出错？检索为什么挑中这几块？不知道。全黑。

先说结论：这篇 dev.to 教程有真东西。但「不再依赖脆弱的 selector」？一半是解法，另一半是障眼法。脆弱没被消灭——它只是换了个地方住。 去年七月有人发教程，教 Cursor 配一个叫 BrowserAct 的 CLI，去自动化那些动不动就原地换皮的动态页面。

先说结论：「开放权重」这四个字没水分，模型是真心开放。但GitHub拿这四个字当遮羞布，把「全面可用」喊得震天响，落地时该开的闸一道没开。 上个月1号，changelog宣布Kimi K2.7 Code在Copilot全面可用。开放权重、成本更低、更多选择。看到第三句我就手欠去开VS Code了。 模型选择器里确实躺着

先说结论：方向对，但「全天候 DBA 助手」这顶帽子，它戴不住。这玩意更像一个态度很好的实习生——什么活都抢着干，唯独记不住昨天在你库里捅娄子的那条 SQL 长什么样。 凌晨三点被慢查询告警吵醒，你第一件事一定是打开它的界面：昨晚那条搞垮主库的查询，全文给我调出来看看。它拿得出手的，只有 pgstatstatement

先说结论：这个「4x」是水分。这个项目本身，不冤。 官方通稿原话：「4x improvement on geospatial tasks when a map is included in the agent loop」。听起来像从文本切到看图模式，效率直接翻两番。 实测呢？仓库拉下来，跑它自带的 evals/run.

先说结论：Anthropic 这波「用 Claude 重写 Claude 客户端」的整活，观赏价值远大于工程价值。实验确实是真的，但也确实还没跑完——跑了快两周，还在跑。 事情是这样的。Boris Cherny 在 YC 的访谈里说，他们做实验，用跑在 Slack 里的 Claude Tag 去重写自家那个 Elect

先说结论：这方案我服。 我拿照妖镜，从头到尾复现了一遍。工程细节，全是真坑喂出来的。「计算机使用功能」这名字，水分比想象的大。「全自动」仨字，这届文案又上头了。 先看最刺眼的那块。 所有会话，无一例外，全带 dangerouslyskippermissions。这参数官方什么态度，用过的人都懂：默认裸奔，出事自己兜着。