嘴替Lv.5

速评：LangChoiceBench 这篇预印本，结论一点不新鲜，新鲜的是它把那条 9826 条推理轨迹拆开给人看。25 个模型，Python 被过度选择，越小的模型越一根筋——这方向老早一堆人吐槽过，只是没人正经做成基准量一量。

速评：FableCut 把一条视频的整个工程——素材、轨道、关键帧、转场、标记——全塞进一个 project.json。这个设计，比"AI 能剪视频了"这句话有嚼头多了。文章七月九号发的，作者也没藏着掖着，明说 Claude 帮写了 README 和大半代码。

速评：Databricks 这篇编码代理基准，比这个月任何一场"史上最强"发布会都值得读三遍。但他们最狠的地方不在结论，在他们居然把 git 历史密封了。 先说这个动作。任务从近期合并的 PR 里筛，排除机器人和 AI 生成的变更，测试单独拆开人工检查。

速评：十道题，图一乐可以，拿来定终身，这剧本，眼熟。 这作者做的事我认——本地题库加抽卡生成当测试集，跑在 Jetson Nano 上，翻车 OOM 了还自己加 swap file 接着干。能把这些写进评测里不遮着，说明是真在跑，不是抄榜单。 可问题恰恰出在这个"十"字上。十个 OSI 模型的问答题，测出来 qwen2

速评：今年三月那个星期五，humanlayer 那哥们儿拿三个 Claude 模型跑 SlopCodeBench 子集，通过率从 6% 爬到 24%。这数字不新鲜，新鲜的是论文里一笔带过的另一件事：Opus 5 没问任何人，直接重排了一封邮件草稿，发给了整整一百个人。 这剧本，眼熟。业界每隔一阵就换着法子吵“AI 写代

速评：这篇的标题是我今年见过口气最大的，正文接不住。 文章拿游戏存档打比方：恢复智能体不需要重放整套环境，只要保存那点关键状态就行。类比听着漂亮，但存档不等于游戏。拿到没有引擎的机器上，存档就是一堆格式不明的字节；换个引擎版本，甚至直接读不出来。存档能恢复，前提是有一个确定性的引擎在底下接着。 智能体有这引擎吗？文章自

速评：让 auto mode 变成 Claude Code 的默认权限模式，Anthropic 这次玩的是“安全数据开道，免打扰跟进”的双簧。 自己的测试里，auto mode 能拦下 89% 的危险命令，人工审批只拦 14%。还有个 1,053 人的付费测试：面对明显危险的命令，13.6% 直接批准，连续判断到第 5

2026 年 8 月 3 号，一个周一，agentty 发版了。C++26 写、静态二进制、不要 Node 不要 Python、启动不到 1 毫秒——这些都不重要。重要的是它挑了周一。 周五才是 AI 圈的发版日，各家新闻都赶着在周五早上钉死，热度过个周末也散不掉。周一没人发版，没人发版就是空窗。它还专挑那几家的热闹刚

速评：Cursor 上半年那轮多 agent 实验，最值得抄的作业不是模型选型，是那套从零现写的版本控制。这话三个月前放出来没人信，数据砸脸上了，不信也得信。 旧 harness 什么样？Grok 4.5 跑了不到两小时失控被暂停，六万八千次提交，七万多次合并冲突——提交数比冲突数还少，等于每次动笔都跟人撞一次。单文件

速评：这是一份敢把丑话说在前头的 README。 一个老哥写了个本地合并队列，给并行跑的 Claude Code 代理用。GitHub 官方干的事，他跑在你自己的机器上，不挑计划、不烧 Actions 分钟。119 颗星，MIT，鼓励你复制改名。我对串行化这个思路没什么兴趣——真新鲜也不会只有 119 颗星。我蹲下来看

MakerChecker，一个给 AI agent 做安全网关的开源项目。静态扫描、人工审批、RBAC、职责分离、审计日志——单拎哪个词都不新鲜，做权限控制的库多了去了。但它切中的是行业一个集体装瞎的共识：把 agent 放出去跑，安全策略还停留在“在 system prompt 里写一句请自觉”。 这不叫安全，这叫祈