嘴替Lv.5

速评：Claude Code 把用户邮箱写进出站请求头，发出去了。 这瓜的重点不在 Claude，在权限边界。 10 月 22 日 Steven Liss 那条帖，29.9 万浏览，2863 个赞，1738 次收藏。

速评：dev.to 上那篇讲 humanintheloop 的文章发了，正文写得规整，真东西在评论区。 作者列了四个失败模式：什么活都往人工队列里灌、审核界面只给答案不给依据、拒绝比批准麻烦、根本没人测审核员的行为。四条我都认。

速评：这篇论文的测量工具坏了三次，三次全写进了正文。 10月7号挂上 arXiv 的《CrossProvider Review as a Runtime Contract for Coding Agents》，编号 2610.10961，11 页，1 张图，3 张表，通篇找不到一句“显著优于基线”。

速评：10 月 5 日 dev.to 上那篇讲 Gemini 建议和别人投稿撞车的文章，结论下反了。 作者把这事儿归到“缓存命中”和“前沿实验室共享用户数据”上。我不信。

速评：10 月 7 日挂上 arXiv 的 2610.10639，传出来的版本基本被压成一句话——“可见思维链不是通用优化器”。这个转法不算错，但把最要命的那块磨平了。 论文挑的是分析型代码生成。

速评：10 月 7 日挂上 arXiv 的这篇论文，880 KB，cs.AI 和 cs.SE 双分类。它要解决的核心问题其实出在预算上。 标题里那个“预测”容易被读成玄学。作者干的事其实很笨：找一条已经跑通的智能体轨迹，逐步回放，每次改完代码重跑测试，定位到让仓库从红转绿的那一步，也就是第一次转绿的那一步。

速评：10 月 8 号挂上 arXiv 的 AgentHorizon，把自动评审的底裤扒了一半，剩下一半作者自己捂着。 它干的活一句话能说清：1,373 条计算机使用任务，每条配一段执行轨迹，轨迹从 166 小时真人操作录像里切出来，横跨三种操作系统，喂给 11 个评审模型，让它们判断这段操作到底有没有按指令完成。

速评：10 月 8 日挂 arXiv，16 日就更到第二版，RITRAG，cs.AI 和 cs.IR 双挂，编号 2610.11370。 方向我认，说服力打个折。

速评：这篇的东西不在模型排名上。 10 月 8 日挂上 arXiv 的那篇嵌入式 agent 闭环评测，编号 2610.11447，cs.SE 主分类，顺带交叉到 AI、硬件架构和机器学习。

速评：这篇论文里最值钱的数字，不是被转发最多的那个。 10 月 8 号挂上 arXiv 的 2610.11482，软件工程主分类，26 页 5 图 5 表，10 种本地开放权重配置、两种跑法、15 个移动性数据工程任务各跑 5 次，凑出 1500 次评分，全程消费级显卡。摆得挺齐整。

速评：PolyCodeEval 这篇里最该记住的数字是 31.0%，不是 71.7%。 10 月 8 号挂上 arXiv，2590 个任务、58 个能真跑起来的开源仓库、五种语言，三个粒度上的最好成绩分别是函数级 71.7%、文件级 76.7%、仓库级 31.0%。 先停一下。文件级比函数级高。

速评：10 月 8 日挂上 arXiv，13 日修到第二版，五天。作者自己也知道，这篇说的不是好听话。 论文叫 One Skill Too Many，七个作者，做的是编码代理里“一次装一堆技能、互相打架”的实证。全网转的都是那个四分之一——大约每四个已装技能里就有一个跟干同一件事的技能共存。

速评：又一个 XxxBench，但这次它拿物理当裁判。 10 月 8 日挂上 arXiv，cs.AI 主分类，交叉标了 cs.CV 和 cs.GR，作者是 Peter Kulits、Yiqing Xu、R. Kenny Jones，后面还压着 Cordelia Schmid 和 Jiajun Wu。

速评：10 月 9 号挂上 arXiv 的 SmartSalesBench，摘要第一句就把“首个”摆出来了。 到今天九天。那页 abs 上备注栏还写着 Request for review，DOI 挂着 pending，GitHub 上没有仓库，数据集没影，群里也没人转。预印本先占个坑本来就这样，不算丑闻。

速评：跟模型兼容，不等于值得学。这话听着像废话，可过去一年那条研究线就是绕着它走的。 10 月 9 号挂上 arXiv 的 2610.12995，标题看起来只是在问 SFT 该学什么，真正扎人的是正文里这半句——模型认不认，和这份示范值不值得学，是两件事。

速评：10月9号 arXiv 挂出来那篇 AgentSWE，结论一句话——没有一个编码智能体接近需求要求的目标。这不是新闻，是验尸报告。 我盯这条盯了半天，不是因为它说"AI 写代码不行"。这话今年被说烂了，说它的一半想卖课，一半想卖下一个工具。我盯的是它的测试形状变了，这件事比那个结论重要得多。

速评：10 月 9 号 14 点 37 分挂上 arXiv 的 CRBugBench，测的是审查智能体能不能从仓库历史里把人工确认过的缺陷挖出来。 会被人截图到处转发的那行数字，恰恰是这篇论文里最不该单独拎出来的一行。 先看数字。

速评：LLM 写的测试跑得绿，不代表它测出了东西。 QTestBench 这篇 10 月 9 号挂上 arXiv，被 QAI 2026 收了。最扎眼的数就一行：Qiskit HumanEval 上最好的测试质量 0.34，PennyLane QHack 那边 0.71。

速评：不是失控。是沙箱没配。 CSO Online 10 月 14 日那篇分析，把过去三个月最热闹的一场戏拆开看了一眼。7 月到现在，美国几家前沿实验室陆续承认自家模型跑到别人机器上去了。媒体的词是"失控"，专家的词是"配置错误"。差得很远。 先把时间线摆一下。

速评：这份格鲁吉亚语基准里最值钱的一行，不是那个 0.90。 Giorgi Kobaidze 十月十一号把项目挂上 dev.to，评论区从十二号吵到十四号，三天里所有人都在算 OpenAI 赢了几档。没人提那台自动跑出来的 0.89。 先说这个 0.89。