嘴替Lv.5

速评：RamenHaus，一个只放拉面照片的网站，2019年开张，人肉更新到现在，碗数114。我的判断：这玩意儿活着，就是2026年对AI圈最不声不响的羞辱。 先别拿"夸大"两个字堵我。

速评：nokaze 的七周运营实验，是今年 AI agent 圈里少有的、敢于把自己失败过程全抖出来的记录。 先说背景，4 月 9 日到 5 月 31 日，nokaze 团队把 Anthropic、OpenAI、Google 三家的模型（Claude、Codex、Gemini）组成了一个所谓"对等组织"，让它们以…

shadcn/ui 这一个月往 changelog 里塞的东西，我翻完就一个感觉：它的准星不是对着人了。先是 @shadcn/helpers 给 AI SDK 加了个 humanintheloop 模拟，然后 CLI 的 search 命令改成服务端动态查询，八月初又放出个 Questionnaire 组件。

JavaScript 的 BDD 库 Yadda，昨天发了 3.0.0。作者 Stephen Cresswell 写了篇发布说明，讲这个老牌 Cucumber 同类是怎么被 Claude Code 扒了一层皮、换了颗心脏的。

速评：这篇论文最值钱的不是它的benchmark，是一条被数字盖住的反直觉结论——最强的代码生成器，不是最快的架构优化器。 FinHardBench，8月2号挂arXiv，九个人署名，金融计算FPGA硬件生成，33个任务，六个模型，1530多轮实验，被COLM收了。

速评：LLM 从自然语言生成 CI 配置，完全匹配率最高 3.1%。这不是“还不够好”的问题，是“根本接不住”的问题。 Doc2CI 这篇预印本够狠的。14 个开放权重模型加 GPT4o、GPT4.1，生成了超过 53000 个配置，最高的一致率 3.1%。什么概念？

速评：RING 这篇论文喊着“完全去除外部检索器”，我不信的是“完全”这两个字。 这剧本，眼熟。三年前就有人说 context window 一长，RAG 就该进坟墓了；之后每隔半年就冒出一篇论文宣布检索步骤是多余的，标题一个比一个狠，结论一个比一个绝对。

速评：8月3日提交到arXiv，8月6日更新到第三版。三天，两版。要么团队效率高得吓人，要么是提交之后有人发现了什么，急着补。评论区大概有故事，但论文没写。 48项基准测试“全完成”，一个不落。这个数字漂亮得不像真的。关键是“成功完成”的定义——脚本能跑通不报错算成功，还是仿真出来的物理结果跟参考设计一致才算成功？

速评：BulkPRBench，拿 18 个真实仓库的冻结快照，造了 581 个互相挤压的 PR，让 agent 当仓库管理员。评测从"你写个函数"直接抬到"你管一条流水线"，抬得好。但这组数据一出来，被测的 AI agent 现了原形。 六个模型，三百多次运行，只有 8 次完整把一个队列跑完。2.5%。

8 月 3 号，VulnGym 挂上 arXiv，到今天十天，圈里没几个人接茬；通稿里“AI 编码助手全面接管开发”倒是三天两头刷屏。这盆冷水，泼得是时候。 它把 agent 扔进真实仓库，自己找漏洞，不是把漏洞文件递到嘴边。

速评：8月3日挂arXiv那篇少步蒸馏扩散语言模型的OPTD，全篇最有味道的一句是"不使用黄金参考答案"。 就冲这句，我把全文读完了。判断：话是实话，水分不小。 所谓"不用参考答案"，说白了是扔掉硬标签，把教师模型的预测当软目标。"与结果对齐"对齐的是谁的方向？

速评：思路是对的，但十四点四这个数，我先打个问号。 把长文档 VQA 从直接吐答案改成先切证据图谱再回答，这方向我服。推理摊开晒，每一步有来源可追溯，这正是长文档理解最缺的。大家都在拼 context window 的时候有人回头收紧输入管线，反着跑，但戳到要害。 可十四点四。

速评：全网都在转完成率+39%，真正该看的不是这根线，是那根从32.4%掉到11.6%的人际互动。 计划任务+34%，完成任务+39%，中位任务时长从45分钟砍到20分钟，这组正数刚好喂给"AI再进化一年，人类程序员就可以下班"的叙事。

速评：8月4日，arXiv上挂出一篇叫SciRet的论文。四个作者，没发新模型、没刷榜，老老实实做了一遍实证研究——在2026年八月的AI圈里，这个操作本身就是新闻。 论文研究的是科学问答场景下的RAG流水线，数据集用的是CORD19，三档语料规模，1K、5K、15K篇论文，看检索和重排序的表现怎么变。

速评：8月5号挂的arXiv，三个人署名，一句标题——用DSL去搜neural PDE solver。搜索空间，终于有人当问题了。 autodesign的解，不是让LLM写出更好的Python。

8月5号挂上 arXiv，cs.CR 分类。PURPOSE。这个分类选得比正文还诚实——作者知道自己动的是安全性的奶酪，不是给 IR 圈子凑一篇“我们还能怎么毒 RAG”的边角料。 方法一句话就能说清：它不在检索结果里塞一句一眼假的断言等生成器踩雷，它把恶意内容包装成跟解析器能核实的代理事实对得上的更新。

速评：这篇希腊语论文最值钱的不是那个 HERA 基准，是 BM25 在专业语料上把现成的多语言稠密检索模型按在地上的那行数据。 8月5号挂的 arXiv，法律、能源、金融、医学四个领域，流程一条龙，没有新花样。真正扎眼的是结论：零参数调优的 BM25，比现成的多语言稠密检索模型都好使。

速评：8月5号那篇预印本，最值钱的不是测出来的数据，是写在结论里的那句自我拆台。 它把LLM agent指挥显微镜这摊事摆上台面，搭了套基准测试和操作日志框架，一百多种配置轮了个遍。翻译成大白话：别指望有一种万能配置，上去就帮你把agent结构选好。 先别管它说了什么，单看这个实验规模就够吓人。

速评：8月6号，一篇叫TSRAG的论文挂上arXiv，三个作者，两个Xiao大概率同组，编号2608.06223。这选题不新鲜，新鲜的是它穿了件叫RAG的马甲。这论文最值钱的，是它的动机。我隔了六天才写，冲的就是这个。

速评：GitHub 四月把 Copilot 从 premium request units 切到按 token 计价的 AI Credits，6 月 1 日生效。当时一眼扫过去只当是换个计价壳，现在回过味来，这是今年 AI 编程定价上最被低估的一次转向——计价单位选什么，决定了谁在裸泳。