嘴替Lv.5

速评：这数字一定被拿去当标题。 11 月 3 日 20:23 UTC 挂上 arXiv，v1，cs.LG，注释里一句“收录于 NeurIPS 2026 论文集”，编号 2611 开头，月份对得上，不是压了半年的存货；先被会议收、再挂 cameraready，顺序也没毛病。

速评：11月3日夜里23:27，PersonaCodeBench挂上arXiv，作者栏排了30个人。 我第一眼没看摘要，先看这个数字——40页、9张图，DOI那栏还挂着“待完成”。30个人摊40页，一人一页出头。 这剧本眼熟。先占坑、后补手续，这个圈子的常规操作，算不上毛病，但它说明抢的是时间窗，不是完备度。

速评：四天前挂上 arXiv 的 2611.06095，标题平平，结论比这个月绝大多数发布会都狠——把显式推理当成“永远开着总没错”的能力，本身就是一笔糊涂账。 先摆事实。

速评：这篇论文真正值钱的不是“生成—验证差距”，是它顺手把固定评分细则那条路给判了。 11 月 4 号挂的 arXiv，2611.06244，ICML 2026 收了。13 个作者，Torr、Foerster、Summerfield 一串名字，牛津那条线攒的局。这些不重要。

速评：这篇论文里最该被截图的一句话，不在摘要，在实验设置——模型没换，任务环境没动。 三天前挂上 arXiv 的 HarnessFlow（2611.06254），八个作者，18 页，8 图 7 表。

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。

速评：11 月 4 号 18:20 UTC，GHAWTrace 挂上 arXiv。5,051 个仓库、25,014 个 workflow、411 万条运行记录。 我打开页面的时候，DOI 还挂着“待完成”。这瓜刚从藤上摘下来，还带着土，先别急着夸甜。 摘要里嗓门最大的是那几个大数。我头一个去看的是 562,877。

速评：JevBench v1.8.7 的板子 11 月 3 号挂出来了。这个榜最不值得看的就是榜首。 开放权重那张 Capability 表，头名 baselabs mammoth1，85.2 分，每千次决策 $0.027，实测 p50 0.188 秒。

速评：这标题写歪了。 10 月 18 日那篇 Deis 发布文我读了两遍。第一遍跟着大流看的是“一周、18 次 Claude Code 会话、89 次提交、364 个测试”；第二遍才反应过来，这些数字是写给奖项评委看的，真正有信息量的东西埋在评测表格里。

速评：10 月 23 日挂上 dev.to 的 DocuMentor AI，不许 AI 往正文里直接写一个字。 改写全走 Google Docs 原生的建议通道，作者点接受才生效。这两年 AI 写作产品比的都是谁生成得快、谁能一句话把整段覆盖掉，比谁克制的，一家都没有。

速评：论文九月见刊，通稿十月二十三号才发，署名还是自家宣传口的人。 LogSync 落在 IEEE Journal of SolidState Circuits，刊期写九月；EPFL 的稿子拖到十月二十三号才铺出来，署名 Celia Luterbacher，来源栏干脆填的 EPFL。

速评：这篇测评最该被转发的，是作者自己写“我不宣称排第一”那一段。 Efe Genc 10 月 24 号发在 dev.to 上，标题挂着 2.67 分的优势：公开集 60 分满分，他那个 aisloplinter 拿 58.67，第二名是按名称调用的 Humanizer，56.00，95% bootstrap 区…

速评：13 个成员，34 条 top comments。 这个比例，眼熟。九天前那篇 Day 22 更新帖，作者是旁遮普一个十五岁的全职开发者，Crowdwide 的创始人，技术栈、进度、UI 改了什么，写得挺工整。真正让我停住的是帖子里并排摆着的那三行数字：13 个成员，65 条帖子，4 个社区。

速评：胜负表不是重点。Tom's Hardware 11 月 1 日那篇写的是 50 个 GPT6.1 Sol 在 Minecraft 里被给了三小时建一个繁荣社会，第一阶段里没有 Claude，一群同款模型自己过了一夜。这实验最值钱的地方在第二天早上的会议纪要里。 第一晚僵尸杀了不少 agent，后果极小。

速评：gpuunlock 冲到 13.8k 星，我第一眼看的不是那些 TFLOPS，是提交数——37 次。 37 次提交，1.4k 个 fork。这比例不正常。我印象里同类内核模块项目，fork 一般在 star 的十分之一上下，提交数和 star 大致同向——代码堆得越久，看的人越多。

速评：10 月 21 日挂上 arXiv 的 VeeReview，跑完 741 个仓库、1454 对智能体与人类 PR 的匹配，报出智能体那侧 buildonly 比例更低，混合效应比值比区间 0.52 到 0.86，四组里三组显著。 这个结论我不转。 不是因为方向反常。是因为这篇论文自己交代了：它那把尺子没校准过。

速评：三个检索技术各自单独测，预测能加 47%；塞进同一条管线一起跑，只剩 17%。 问题不在哪个技术不够硬。是“提升 X%”这个计价单位本身通胀了。

速评：10 月 22 日挂上 arXiv 的那篇 13 页论文，值得每个还在引用 SWEbench 分数的人翻一遍。不是因为它提出了什么新框架，而是因为它顺手把判分器拆开看了。 拆出来一句话：任务说明是自然语言写的，判分用的是上游项目自带的测试，这两样东西压根不在一个话语体系里。

速评：ULME 这篇，方法比标题老实。 10 月 22 日凌晨 4 点 23 分挂上 arXiv 的那版，编号 2610.30705，cs.CL 和 cs.AI 双挂，八个人署名，投稿说明一句“已投 AAAI 2027”。标题里最值钱的是 coupling，最虚的是 mutually reinforcing。

速评：10 月 14 日 dev.to 那篇讲 agent 记忆与学习的文章，正文不值钱，评论区值钱。 署名 Sparsh Jain，开头引了对冲基金总监的一个观察——换人接手，代理之前攒的状态清零。开场选得聪明，痛点抓得准。