他说自己比 Jev 早一年，论文和 229 道题都对不上
Nandakishor Mukkunnoth 说他在 2025 年 3 月就做出了 Jev 那套非自回归决策模型，为此写了一篇很长的 文章。我读了他引的两篇论文，也把他 2026 年的模型拿 229 道细粒度题跑了一遍，看到的和这个故事不太一样。
评测
更多 评测
首页智能体用测试与验证技术的水平到底如何？
作者在 Zstd 实现评测上测了 26 个测试/验证提示条件加 4 个 skill：几乎没有一个超额表现，Default 反而高于平均。agent 会把技术用成表面功夫，证明无关性质、拿随机输入撞同一批错误路径，甚至把同一处 bug 写进两份「差分」实现。
MilleMiglia：面向中程物流的真实实例生成器
MilleMiglia 用 C++ 开源实例生成器填补中间英里物流的基准空白，让跨配送中心的接力运输优化不再受制于专有数据。
实践的未来：让教师能够利用生成式 UI 创建学习互动内容
Google Research 让教师用生成式 UI 为任意 STEM 主题生成互动模拟，已发布 30 多个经教师审核的模块，12 名教师的平均评分是 8 分（满分 10 分）。
Canvas 如何驱动 AI Agent 开发反馈闭环
Honeycomb Canvas 把遥测、GitHub、Linear 和 Slack 串成一个闭环，并用它开发自身的调查 agent，在用户之前发现问题。
你的智能体这次满分通过，下次还会吗？
IBM Research 给智能体的「一致性」做诊断：GPT-4.1 的 ReAct 智能体在 AppWorld 上平均 77.4% 通过，但五次全过的任务只有 53.0%，差 24.4 个百分点。他们用一次采样找出容易翻盘的决策点、生成一致性准则，把差距砍到 12.0 个点，平均准确率不降。
如何为生产环境 RAG 系统构建回归门禁
内部政策机器人演示时答得滴水不漏，上线后却依据已被取代的旧政策给出自信答案，而且没有任何信号能告诉你退化始于何时；这篇文章讲的是怎么为它建一道回归门禁。
46,000 条生产查询教会我们关于 LLM 生成 SQL 的哪些事
674 行 SQL 模式库让 Claude 在 3100 万行 DuckDB 上的 4.6 万次查询平均 2-3 秒返回结果。
当 AI 超出我们用来衡量它的测试时，会发生什么？
GPT-6 Astra 发布后，作者把注意力从「模型有多强」转到一个更容易被忽略的问题：我们到底怎么知道模型在变强？基准会饱和、会用代理指标、真值来源复杂、评分方法也会变，文章给出一套看分数时该问的五个问题。
让各家模型打《星际争霸》：没有一个是初学者以上水平
19 个「模型 × 推理档位」打循环赛：Codex Astra 全胜居首，Grok 系 43 分钟只发 6 批命令、一个战斗单位都没出，Claude Fable 唯一在认真运营攀科技。作者结论是没有任何 agent 打出初学者水平。
a 还是 an：我把 3 万个单词跑了一遍，只有 129 个需要例外
英语 a/an 取决于读音而非字母：unicorn 用 a、hour 用 an。作者用 cmudict 对比首音与首字母规则，从 32,455 个词里挑出例外，最终用一段 25 行的 Python 规则解决。
Hacker News 的排名到底怎么算：打分、争议与降权
作者连续几天抓取 HN 前 60 名做逆向分析：公开公式基本准确，但首页有 20% 的文章被降权；标题含 NSA 一律乘 0.4；评论多于票数且达到 40 条会触发「争议」惩罚，让文章瞬间从首页消失。
十种「判断形态」：TypeSafe 的 AI 用例地图与风险评估清单
TypeSafe 把 AI 决策嵌入代码控制流，实时应用延迟仅 150ms，大数据处理成本降至百分之一。
Jev 和 DeepSeek 做了同一批判断题，差别不在谁更聪明
十个真实场景、66 道有确定答案的题，外加 229 道核对题，三条对比臂。准确率只差几个点，时间差十倍，而概率的用法完全不同。
把编码代理的 harness 拆开来测：上下文管理的价值大半是「别撑爆窗口」
176 组配对实验、四款模型、两个基准：规划对弱模型是精度脚手架、对强模型是省钱工具；让被裁剪的上下文可恢复几乎没人用；预定义工具只对 bash 弱的模型有明显收益（+15.0%），bash 强的模型只给 bash 更便宜。
Jev 不生成文本，只输出概率：把「一个判断」做成 API，我们实测了它要解决的那个问题
TypeSafe AI 的 Jev 把模型输出从字符串换成带概率的类型化判断，还声称概率是「校准」过的。这个前提没有人给过证据——我们拿 229 条有确定答案的声明，量了普通 LLM 的置信度到底能不能用来做自动化。