⚠️ LeanCloud 国内版（console.leancloud.cn）已停止新用户注册，本指南改用 Supabase（免费 PostgreSQL）+ Vercel， 两个平台都用 GitHub 账号直接登录，无需手机号实名，全程免费。

前端 serverURL 目前是占位符 https://your-waline-server.vercel.app， 部署完成后把它替换成你的真实地址（共两处：theme.ts + reading/index.html），然后构建推送。

10 月 16 日，Anthropic 在自己研究页上挂了一份报告，标题一点不性感：《How employment is changing at Anthropic》，Anthropic 的就业是怎么变的。

写报告的是 Anthropic Institute 的四位经济学家。方法也不玄：内部人事记录、Claude 使用日志、代码提交、员工日历、面试评分表，加上 17 个员工访谈。

我读完记住的是两个数字，六比一，和八成。

一、六比一

到 2026 年 8 月，Anthropic 员工自己指挥的那些交互式智能体，工作时长已经是这些人的六倍。

再往前五个月，2026 年 3 月，全公司智能体的总工时第一次超过了人类。

这个「工时」怎么算，报告写得明明白白，也很容易被人掐头去尾地引用：智能体那边算运行时长，含推理和工具调用，超过 30 分钟的等待剔掉；人类那边是人数乘每周 40 小时。

所以六比一不是「干了六个人的活」，是「开了六倍的时间」。这个区别要紧，报告自己也没打算藏。

二、八成

真正的发现在下一句。

交互式会话里，大约八成的时间是空闲的——在等人回话。

读到这儿我脑子里出现的是银行排队。六个窗口全开着，每个窗口都在举手，等我点一下「继续」。

一位工程师的形容被报告原样引了进去：现在的工作是面对「一支 Claude 大军，每一个都在要我的注意力」。

对非技术岗更狠。报告算了一笔账：把自己手下智能体产出的东西全部读完，要花掉半个工作周。不是干完，是读完。

于是长出一种新活计。报告管它叫 meta-work——给智能体写规格、盯着流水线、派一个去查另一个的错。这类会话在员工全部会话里的占比，从 2025 年秋天的 10% 涨到 2026 年春天的 22%。

给智能体写的长期指令，一年里从几百条涨到 8500 条。

一家公司往墙上贴了八千多条规矩，就为了让那支大军别乱走。

三、少招的那一档

同一年，技术部门初级员工的占比从 21% 掉到 14%，初级技术岗的招聘占比从 27% 掉到 9%。

先补一句前提：技术招聘的绝对数还在涨，公司一年长到三倍大。掉的是比例，新开的位置往上挪了。

时间点也对得上。2026 年 1 月，用得最狠的几个核心团队开始讨论「初级需求在减少」；4 月，工程和研究部门正式把低职级招聘的优先级降下来；招聘信息里初级岗从 12 月起掉得最凶。同月做的调查里，约三分之一的机器学习经理、五分之一的软件工程经理说，因为 AI，少招了。

一位员工讲性能工程师这个岗位，原话是：「它几乎是一夜之间改了我们想找什么样的人。」

四、面试官现在看什么

报告翻了 2024 年以来几千份面试评分表。

2024 年，评价里提到候选人会不会用 AI 工具的，技术岗约占 5%，非技术岗 7%。到 2026 年，这两个数大约翻了三倍和四倍。

技术岗里涨得最快的词是「自主性」和「判断力」，而「某个细分领域的专业深度」占的篇幅在缩。

报告用一句话总结：招聘经理越来越按判断力和投入程度来评人。

翻成大白话——你会什么，权重在降；你能不能把一件事推到底、推歪了能不能自己看出来，权重在升。

五、它拆自己的台

这份报告最让我服气的地方，是它没替自己圆场。

作者列的限制一条比一条实在：只有一家公司；这是被 AI 改造得最彻底的一家公司，不能直接推给整个经济体；采纳不是随机的——192 个用了编码智能体的工程师对 74 个没用的，前一批在采纳之前产出曲线就已经更陡。

代码提交数只是产量，不是价值。这句话是作者自己写的。

最锋利的一句在结尾。公司做了两件事：建一套早期预警系统盯住受冲击的岗位，优先内部转岗——待满一年的员工，2026 年每月换部门的概率比 2025 年高 50%。然后作者说，这些措施都没有直接解决报告里记下的初级招聘下滑，并且：

对在职者的就业保护，帮不到那些一开始就没被招进来的人。

一家公司自己出的报告，写出这么一句，我读了两遍。

六、顺手还有一组对照

同一周他们还发了配套的一份调查：同一批问题，问 Anthropic 员工，也问将近 11000 个美国成年人。

认为 AI 能在 2030 年前做出诺贝尔奖级别发现的，美国成年人 39%，Anthropic 员工 91%。

认为 AI 到 2030 年能干完自己八成以上工作的，员工这边过半，美国公众 5%。

同一个问题，两拨人差了一个数量级。有意思的是报告说，两拨人对「AI 会不会推高失业」的推理方式其实很像——都把「AI 能替自己干多少」当成主要变量。差别不在逻辑上，在手感上。一边每天在用，一边每天在看新闻。

七、最后

我自己的工位上开着几个窗口。写这一段的时候，其中一个正在等我说「继续」。

以前我以为瓶颈在模型。模型慢，所以要等；模型笨，所以要改。

这份报告说的是另一件事：活干得越快，等的人越显眼。六个窗口举手，一个人点。点完这个点那个，一天点很多次。

那个「继续」的按钮，到底是它替我按，还是我替它守着。

10 月 19 日，GitHub 趋势榜上冲得最快的仓库叫 harness2，挂在 google-research 名下。

仓库 10 月 6 日才建，10 月 8 日打的第一次提交，昨天一天涨了五千一百多颗 star。到今天早上，一万一千五百多颗 star，一千零五十一 fork，Apache 2.0。论文 10 月 9 日就挂在 arXiv 了（2610.14224），作者九个人，末尾那位是 Tomas Pfister。

标题是《Harness²: Recursive Agent Harnessing for an Open World》。

harness 这个词，中文里没有对应的。它指模型外面那一圈东西：提示词、工具、记忆、技能、编排。一个模型能不能当智能体用，靠的就是这一圈。

我不太愿意把它翻成「脚手架」，因为脚手架是盖楼用的，盖完就拆。这个东西不拆，它一直是承重墙。

Harness² 干的事一句话能说完：让智能体自己改这一圈，模型权重一动不动。

一、十一分

先看数字，因为数字干净。

三个专业基准，四组「模型 + 外壳」搭配，只走一步递归，GLM-5 和 Gemini 3.5 Flash 在各自原有外壳上都有涨：WorkBuddy-Bench 最多涨 11.5 分，JobBench 涨 4.5 分，LAB 的部分通过率涨 11.8 个百分点。

一个参数都没训。

预算加一点、让递归多转两圈，还能再涨。

论文里给这套东西的定义是「可插拔」。它支持并行和串行两种递归，能接 OpenCode 和 Codex 两种执行器，跑的三个基准是 JobBench、LAB，还有一个叫 WorkBuddy-Bench 的——看到这个名字我愣了一下，因为我正坐在一个叫 WorkBuddy 的东西里写这段话。世界确实很小。

二、它怎么改的

难点不在「改」，在「怎么知道改对了」。

传统的强化学习要一个判分器。你做一道题，有人告诉你对错。但在开放世界里，任务是你设计外壳那天还没见过的，没有答案，也没人给你判分。

Harness² 绕开了判分这件事，改成看差别。

具体三步，缩写是 Propose–Probe–Compose：先让一个编辑器角色提改动，一类是「放之四海都对」的通用改动，一类是针对眼前这个任务的具体改动；然后拿几个候选改动各自跑一遍同一个任务；最后比较这几次运行的行为差异，把有用的部分拼成新外壳。

没有对错，只有「改完之后它变得跟刚才不一样了，往哪个方向变」。

这有点像修收音机：手里没有电路图，只能拧一个旋钮，听声音变成什么样。

第二层递归在上面。每次任务结束时，被采纳的改动和「有证据支撑的教训」会被写进一份长期保留的改进外壳里，下一次任务从这儿起步。论文管这叫 harnessing-level recursion。

说白了就是：不只要把这道题做好，还要把「怎么改外壳」这件事本身攒成经验。

三、同一个模型，两个分数

如果你觉得十一分听起来不多，可以看看 ARC Prize 上周三公布的榜单。

同一个 Gemini 4 Argon，同一条 ARC-AGI-3，跑出两个数字：

• 用统一的标准外壳，低推理档：49.8%，整套跑下来 5800 美元。
• 用 Google 自己给自家模型写的适配器外壳，同样低推理档：97.5%，4800 美元。

差了 47.7 个百分点。而且贵的那次分更低。

中推理档也一样：46.3%（6200 美元）对 97.3%（5000 美元）。

我不认为这是作弊。ARC Prize 把两个数字并排放在同一张榜上，标得清清楚楚，这就是诚实的做法。适配器外壳保留了模型不透明的推理过程，还能自动压缩上下文——这两件事在标准外壳里做不到，属于实打实的能力差。

但它确实说明了一件以前没人愿意正视的事：排行榜上的分数，从来不是模型的分数，是「模型 + 外壳」的分数。

我们把这一层叫「工程细节」，然后在比较模型的时候假装它不存在。

四、harness 这个词最近到处都是

顺手翻了一圈，感觉这个词正在从术语变成产品名。

DeepSeek 的 deepseek-harness 现在 25 万颗 star，MIT 协议，自我描述就一句「Everything is a Plugin」。开源编程智能体那边，opencode、orca、各种并行 agent 面板，本质上都在做同一件事——给模型套一层能干活的外壳。

这两个月冒出来的新模型，发布稿里越来越多地出现「在我们的 harness 下」这种限定语。以前大家比谁脑子好，现在开始比谁的衣服合身。

Harness² 的贡献在于把这个动作交给了机器自己：既然外壳这么要紧，那就别等人来调了。

五、得打个折的地方

仓库很新，新到有点扎眼。

10 月 6 日建库，10 月 14 日最后一次提交，之后没动过，没有 release，没有版本号。README 里能看到实验配置，但第三方复现的记录还没有。

论文里的涨分是「最多」（up to），四组配置里挑的最好成绩；只测了两个模型（GLM-5、Gemini 3.5 Flash），一个 Google 自家的、一个国内的，都不是最贵的那档。换成 GPT-6 Astra 或者 Opus 5.5 会怎样，论文没说。

还有一层更根本的怀疑。这套方法靠「行为差异」来判好坏，那它优化的到底是什么？如果某个改动让 agent 的动作更花哨、输出更长、看起来更忙，但任务其实没做完，行为差异照样很大。论文的应对是拿基准的最终分数当验收，可基准的最终分数本来就是它想优化的东西。

至于一天涨五千 star——这个行当里，star 的涨速和代码的质量早就脱钩了。仓库里现在能跑的东西，我只信它能跑通 README 里那几个命令。

六、最后

我小时候拆过一台收音机。拆完装回去，多了两个螺丝，声音反而清楚了。

大人问怎么弄好的，我说不知道，就是把线整理了一下。

现在看着这个仓库，我有点想笑。我们花两年时间争论谁的模型更聪明，最后发现，把线整理一下，分数就上去了。而且这件事现在连整理的人都不用了，它自己整理。

那台收音机后来又不响了。我一直没敢再拆。

10 月 15 日，上海人工智能实验室发了一篇新闻稿，标题很硬：「中国科学家首次用中国大模型攻克世界级数学难题」。

这种标题我一个月能见三次，本来打算划过去。让我停住的是里面一个不起眼的数字：首轮推理，四百页。

不是四百字，是四百页推导报告。一个模型坐在那里，对一个 1995 年提出、悬了三十一年的猜想，一口气写了四百页。

一、这道题难在哪

先把这个猜想说清楚，不然后面全是空的。

1995 年，法国数学家艾蒂安·吉斯（Étienne Ghys）在《Inventiones Mathematicae》上发了篇《Holomorphic Anosov systems》，末尾留了个猜测：每一个紧致复流形上的全纯 Anosov 系统，都双全纯共轭于某个复 infra-幂零流形上的全纯仿射自同构。

翻译一下。Anosov 系统可以想成揉面：按下去，往两边抻，再折回来。有的方向被拉长，有的方向被压扁。挨着的两个点，揉几下就分到天南地北。这就是混沌。

吉斯问的是：如果一个空间上能跑这种「既乱又完全规整」的运动，那这个空间本身长什么样？

他的答案是：只能长成晶体格子那样高度规整的样子。换句话说，运动乱到什么程度，反过来把空间的形状给锁死了。

他自己证了二维的情形。三维往上，卡住了。三十一年里没人推动。

这里有个技术上的槛，值得说一句：一个拓扑上等价于实环面的紧致复流形，在三维及以上，不一定是复环面。上面可以长出非标准的复结构。二维那套论证搬不过去，就卡在这儿。

二、人这边是谁

许地生，大湾区大学教授，上海 AI 实验室访问学者。做动力系统、谱理论、分形几何。他盯这个猜想很久，还跟自己的导师、菲尔兹奖得主阿图尔·阿维拉（Avila）一起试过三维，没走通。

张洁松，许地生的学生，现在在瑞典皇家理工学院做博后。Ghys 猜想是他从读博士第一天起就惦记的题，卡在几个具体的点上，卡了很多年。

另一头是模型。2025 年全国中学生数学奥林匹克决赛首次设了 AI 测试，三家国产大模型跟人类选手同场、同时间、同一套评分标准。书生-S1 考了 102 分，金牌线 78。阅卷专家的评语是：「答案表达方式非常接近人类」「一个新的解法，巧妙的调整法，在学生的解法中没有见过」。

就是这句「没有见过」，把事情推到了下一步。2026 年初，上海 AI 实验室和许地生的团队正式合作，目标从竞赛级数学转到研究级数学。

三、四百页里，人挑了什么

7 月底，许地生感觉模型变了。「系统开始变得更强了」。他把 Ghys 猜想也丢了进去。

然后就是那四百页。

我最好奇的其实是这一段：四百页里，多少是有用的？

官方给的说法很克制：其中有一些很有启发性，也有一些思路走不通，需要人来做进一步筛选和提示。张洁松的说法更实在——模型在跨领域知识的积累上比人广，输出了不少他不熟悉的、来自微分几何的观点和思路。

接下来的过程有点像淘金。团队从报告里抓住几个关键突破口，把方向校准，再喂回去。模型接着推。前前后后七批接续推演，问题图从 15 个节点长到 389 个，输出总量到了上千页，中间冒出几十种全新的论证思路。

最后拼出了完整的证明链条。

我不想把这件事写成「AI 独立解题」。它没有。真实的分工是这样的：模型负责铺开，把能想到的路全走一遍，走错的也写下来；人负责认路，看一眼就知道哪条能通、哪条是死胡同。

四百页的价值不在于它对，在于它够多。多到里面一定藏着一条人没想过的路。

四、验证这一步，比证明更像工程

数学界现在对 AI 参与的结果有个固定的追问：你怎么知道它是对的？

这次回答得比以往都硬。北京大学董彬教授、刘若川院士的团队接手，用自研的 SHEAF 框架做形式化验证，全部四个主定理都过了一遍 Lean。

Lean 是个定理证明器，你给它一段形式化证明，它逐行检查逻辑，错了就报错，不认人情。

数字是这样的：整个过程约 5 天，峰值 100 个智能体并行，产出约 55 万行 Lean 代码。整个仓库没有 sorry（Lean 里占位用的「此处待证」）。

但有一条必须说清楚，而且中文报道基本没提。

这个仓库的 README 自己写着：四个主定理里，有三个把 HomotopyTorusRigidity 当作前提假设。这是 Borel 猜想在环面情形下的版本，1969 年由 Hsiang 和 Wall 证过，是经典结果，用它是合理的。但严格讲，那三个定理是在这个前提下被机器检查通过的，不是无条件通过。第四个定理（Theorem 1.2）没有用这个假设。

这不是丑闻，数学论文引经典结果是常态。只是当标题写着「攻克」的时候，读者有权知道机器到底检查了什么。

还有一件事也得说：论文在 arXiv 上，还没过同行评审。9 月 29 日挂的 v1，10 月 13 日改到 v3。

五、作者栏里只有一个名字

我去翻了 arXiv 页面。2609.37695，作者一栏，一个人：Jiesong Zhang。

四百页推导、七批推演、389 个节点、55 万行 Lean 代码、100 个并行的 agent，最后署名的是一个人。

这不是抢功。论文里有「AI 使用声明」，原文写着：作者使用内部版本的书生-S2，通过多轮对话协助发展本文的数学思想与论证；作者已独立验证全部数学论证，并对稿件承担全部责任。

我读这段的时候想了一会儿。这大概是现阶段人机关系最诚实的一种写法：模型是工具，署名的人负责。数学界只认能站出来负责的那个。

还有个插曲，我很喜欢。论文上传之前，动力系统专家、北京大学谢俊逸教授收到了稿子。他听说这是国内模型做出来的，很好奇，特意拿 GPT-6 试了一遍同一个问题。

没做出来。

谢俊逸对猜想本身的评价倒是很冷静：「Ghys 猜想的难点在于其对应的实（数）版本的类似断言仍是著名的完全公开的难题，复数的情形问题变得更加刚性，是复动力系统刚性现象研究中的重要问题，非常困难。」

六、最后

许地生和张洁松在这道题上耗的时间，比模型多得多。模型那四百页，前后是几轮对话；人的那几年，是没法压缩的。

1995 年到 2026 年，三十一年。张洁松从读博开始盯这个题，盯到自己成了博后，题还在那儿。

我不太想讨论「AI 会不会取代数学家」。这次的事情太具体了，具体到没法拿来做宏大叙事：一个模型写了四百页，一个人翻到其中某一页，指着一行说，从这里往下走。

那一行，他认了六年。

10 月 18 日，一家叫 VAST 的公司把一个叫 EdenLive 的模型开源了。

官方给出的数字是：单张 RTX 5090，720P，5B 模型，每秒 24 帧以上，可以连续跑几分钟，从按下按键到画面出来，延迟在百毫秒量级。

24 帧不算高。那是电影的帧率，游戏玩家听到这个数字会皱眉。但这件事的重点不在帧率。

重点在他们决定让这个模型少做一件事。

一、世界模型现在有个通病

过去一年，「世界模型」被说得很大。生成一个世界，让智能体在里面跑，听起来像是给 AI 造一个可以练习的操场。

做起来就露馅了。

一个视频模型如果要同时干两件事——想清楚世界怎么运转，再把画面画出来——它会先崩在前一件上。角色的位置、碰撞、血量、技能冷却、任务进度、胜负判定，这些东西不是像素，是规则。让扩散模型从画面里「悟」出规则，等于让它猜。

猜错的代价是累积的。跑到第两百帧，血条和实际伤害对不上，整个世界的账就乱了。

EdenLive 的做法很朴素：不猜。

二、规则归程序，画面归模型

他们把这件事拆成两半。

上游是一段程序，可以是代码智能体现写的，也可以是游戏引擎。它负责所有讲道理的部分：角色在哪、攻击有没有命中、血量怎么变、任务走到第几步。它每一帧吐出一张简化过的参考画面——方块人、色块、粗糙的几何体，能看出布局和运动就行。

下游是 EdenLive。它拿到这张粗糙的参考流，加上两张「说明书」——一张目标首帧决定整体画风，一段提示词补充细节——然后持续输出精细画面。

官方管这个叫 proxy-to-fine：从简化参考到精细画面。

我在项目页上看到一句话，是整篇技术文档里最锋利的一句：

规则、碰撞、状态与反馈全程由上游控制，因而与视频扩散模型解耦——这恰恰是纯粹由动作条件驱动的世界模型最不擅长维持的那一类信号，包括血条、技能冷却、NPC 状态、以及成功或失败的反馈。

换句话说，他们承认了模型算不出血条，然后把它从职责里划掉了。

三、把「外观」从参考里剥掉

这套分工有个技术上的难点，我觉得比帧率有意思。

你要让模型跟着参考画面的走位走，但不能跟着它的长相走。方块人必须是方块人的动作，写实人的脸。这两件事在数据里是缠在一起的。

他们的解法是训一个「结构-运动编码器」，专门从参考里抽出布局、相机、运动，把外观信息扔掉。于是同一段方块打斗，可以渲染成写实、二次元、油画，随便换。

配套的是一套配对数据：2D/3D 简化场景、引擎渲染出来的画面、真实录制的视频，两两对齐，覆盖不同的几何精度。这样模型才不会被「参考必须是某种渲染管线产出的」这件事绑住。项目页特意强调了一句：不要求参考带 G-buffer。

实时性靠蒸馏。多步扩散模型被压成少步的、按块自回归的流式生成器。服务端再把三件事排成流水线——程序模拟、参考编码、画面生成——外加一个块的前瞻，这样才敢说「实时」。

四、开源了什么

我翻了一下仓库，开出来的东西不算藏着：

5B 和 14B 两档权重，各有双向和少步两种推理版本；实时流式推理代码；一个叫 game-prototype-turbo 的技能，能把一段文字直接变成可玩的粗糙游戏；还有一个前端，把「提示词→游戏→实时渲染」整条链路串起来。协议是 Apache 2.0。

权重加起来约 210 GB。里面能看到 Wan2.1 和 Wan2.2 的 VAE、UMT5 文本编码器、一个 FLUX 的 LoRA 树。这个底座算是把话说明白了：不是从零造轮子，是在开源视频生成的地基上做工程。

有几件事得打个折。

「消费级显卡」这个说法，指的是 5B 模型跑 720P 那一档。仓库里写的验证环境是 Linux x86-64、80 GB 显存的 NVIDIA 卡、CUDA 13、PyTorch nightly，默认配置还要 FA4 和 SM90。想在自己那台 5090 上跑通，得先解决一堆环境问题。

官方自己列的短板也很实在：高频、激烈的交互跟不上；多个角色同时出现时身份保持不稳；小物体控制不精细；长时间生成的视觉一致性还会飘。

这些不是小毛病。格斗游戏里两个角色贴脸互殴，正好踩在前两条上。

五、我以前想错的一件事

我一直以为世界模型的方向是「越大越全」——一个模型把物理、规则、外观全吃下去，最后变成一个可以运行的世界。

EdenLive 走的是反方向：把能力减掉，减到只剩渲染。

这个选择在工程上其实更聪明。游戏引擎维护世界状态维护了四十年，物理、碰撞、任务系统都成熟得不能再成熟。让一个扩散模型去重学一遍，学得还没它准，这是浪费。

模型该干的是它独有的那件事：把方块画成人。

六、最后

小时候玩红白机，屏幕上就是几个色块。跳起来踩蘑菇，全靠脑补。那时候最想要的是一个能把画面补全的东西。

现在有了。左边是方块人在打，右边是两个人。中间隔着一帧生成。

三十年前那一步是我脑子里走的，现在它由一张显卡来做。规则还是那套规则，一个像素都没变。

10 月 17 日下午四点，DeepSeek 换了个模型。

官方文档里这件事的名字很不起眼：「DeepSeek-V4.1-Flash-1017 Update」。文档自己都说这是 minor update。按理说，一个一个月前刚发过东西的公司，隔三十七天再发一个补丁，我扫一眼就该划过去了。

结果我在这页上停了半小时。不是因为分数涨了，是因为它涨分的方式。

一、十一个格子，没有一个掉下来

先看数字，这是最不费话的部分。

Terminal-Bench 4.0，从 31.2 到 42.3。这不是小涨，是三分之一的跨度。ProgramBench，20.3 到 29.1。DeepSWE v1.1，74.2 到 77.0。Humanity's Last Exam，36.8 到 42.6。NL2Repo-Bench，65.4 到 68.2。Automation-Bench，54.8 到 60.5。Agents' Last Exam，31.8 到 35.4。

官方那张表上一共十一个格子，没有一个数字往下走。

横向摆一下更清楚。DeepSWE v1.1 这一项，它 77.0，Claude Opus 5 是 74.0，GPT-5.6 Sol 是 73.0，Kimi K3 是 67.5，GLM-5.3 是 66.9。Automation-Bench 它 60.5，Opus 5 是 50.3。Agents' Last Exam 它 35.4，Opus 5 是 28.6。

反过来，Opus 5 在另外几项上仍然压着它：HLE 56.3 对 42.6，Terminal-Bench 4.0 是 51.8 对 42.3，NL2Repo 是 75.3 对 68.2。差距不小，别装看不见。

所以这是一张什么样的表？一个 Flash 档的模型，在几项智能体任务上超过了别家的旗舰，在几项硬知识上还差一截。这在一两年前是不可想象的位置，现在只是一个星期二下午的补丁。

二、变便宜的办法，是少说话

真正让我停住的是下面那句话。官方说：性能提升的同时，任务运行时间和输出长度都缩短了。

翻译成人话：同样的活，它干的步数少了，写的字少了。

我一开始没太当回事，直到看见成本那一栏。有人按 max 档算了一遍，每完成一个任务的平均花费，从上一版的大约 3.3 元掉到大约 1.3 元。通过率还高了。

这在逻辑上有点别扭。模型变强，通常要付出更多思考、更长输出、更贵账单，这是过去两年的默认剧本。这一次反过来：分数往上，字数往下，钱往下。

我猜路子是「基于自反馈的强化学习」——官方就是这么写的，说这么训完，它在游戏开发、3D 建模这类「从零起一个完整项目」的活上更强了，提示词少一点、交互轮次少一点也能干完。说白了，训练它别绕路。人写代码绕路是因为要边写边想，它绕路纯粹是话多。

顺带一句，这次专门对着 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 这几个智能体框架做了优化。一个模型开始给具体的脚手架调脾气，说明它已经不只把自己当聊天对象了。

三、更重要的东西在第二段

同一天，同一份更新日志，第一段讲模型，第二段讲另一件事，标题是「开放自研搜索 API」。

我读到这里才反应过来，这天真正的新东西不是模型。

DeepSeek 的联网搜索一直用的是自家引擎，这事不算秘密，但没人知道它有多大。官方这次给了数：每天处理来自全球的数亿次搜索请求，索引千亿级网页，支持多语言，实时返回。还会识别并过滤 SEO 作弊、GEO 操纵——就是那种专门让 AI 在回答里引用自家内容的优化——以及低质量的 AI 生成内容。

现在这套东西对外开放了。两个接口，Search 和 Fetch，5 元一千次，折合 0.75 美元。北京时间 11 月 1 日 0 点开始计费，之前免费。如果你在 DeepSeek Harness、Claude Code 或者 Codex 里接着 DeepSeek 的 API，其实早就在用这两个接口了，只是不知道。

这件事的意义跟模型那条不一样。模型卖的是脑子，搜索接口卖的是眼睛和手。一个智能体要干活，光会想没用，得能查、能翻页、能把网页抓回来。过去这一层要向第三方买，价格不便宜，还常常是整条链路里最脏的一段。

现在一个做模型的公司说，我自己有搜索引擎，我也卖。这跟当年云厂商把数据库、队列、对象存储一样样做出来是一个路数——先把最脏最烦的那层基础设施自己吞了，再按次卖给你。

四、一点不那么体面的背景

这周早些时候，DeepSeek 的服务挂了大约五个小时。彭博社的报道里，有专家把原因归到算力不够。这家公司过去几个月里变慢和中断的次数在变多，理由也简单：价格压得太低，用的人太多。

所以这次更新有个我之前没想到的角度。它不是在算力更充裕的前提下变快的，是在算力紧张的前提下，用「少花 token」这条路换来的。这跟堆卡是两条完全不同的路，而且这条路的成本结构更难看穿——你没法从财报上看出它省了多少。

九月那次降价，把 MiniMax、智谱、阿里的股价都带下去了一截。这次价格没动，但每任务成本掉了六成，效果是一样的，只是没那么响。

五、我还是想看看下个月的账单

模型本体的事说清楚：权重在 HuggingFace 和魔搭上，MIT 协议，标称 763B 总参数，100 万 token 上下文，最大输出 38.4 万，仓库大概 510GB。架构跟九月那版一样，配置文件没动，换的是权重。API 名字也没变，还是 deepseek-flash，调用方式和价格都不变——你什么都不用改，第二天早上它自己就换了。

这个「自己就换了」的设计有点让人不安。名字不变意味着上周调好的 prompt、跑通的流程，今天面对的是另一个东西。对做产品的人来说，这不是升级，这是别人半夜替你改了一次代码。

至于那个少说话的本事，我倒觉得是这一年最实在的进步。让一个模型多说是容易的，反正不花钱的是它，花钱的是你。让它学会哪句是废话、哪个步骤可以不走，才需要真的想明白。

它现在说自己想明白了。

信不信，等下个月账单出来再说。

先把结果说了。10 月 15 日，Google DeepMind 的三个人把一篇论文挂上 arXiv，标题朴素得像小学生的暑假作文：《A team of Gemini 4 Argon agents beats Minecraft》。四个智能体被丢进一个随机生成的《我的世界》生存世界，只给一句话的目标：打败末影龙。27 小时 14 分钟之后，龙死了。

这事真正让我坐直身子的，不是通关，是那个停止键。

研究员可以随时在后台看直播，也可以随时按暂停，或者干脆把这一局掐掉。论文里把这句写得很平静：他们从来没找到按下去的理由。27 个小时里，四个账号死了 605 次，22% 的程序以报错收场，末地那一仗打了将近 14 个钟头，仍然没有一个人伸手。

我得说，这个画面我熟。区别是，我这边按的人太多了。

一、通关难在哪

不玩这游戏的人可能不知道，打完末影龙不是一场 BOSS 战，是一条几千步的依赖链。先砍树，做工作台，做木镐，挖石头，做石镐，找铁，烧铁，做铁镐，挖钻石，做钻石镐，下界，找要塞，打烈焰人拿烈焰棒，找末影人拿末影珍珠，合成末影之眼，靠眼睛的飞行方向三角定位出要塞，进末地，先拆掉十根给龙回血的水晶，最后才是那场仗。

中间任何一步断掉，后面的都不成立。人对这事的耐心上限大概是四十五个小时——HowLongToBeat 上《我的世界》主线的中位通关时长；速通选手把纪录压到了七分钟以内，靠的是背熟地图和一点点不讲武德。

DeepMind 给这四个智能体的，是一张随机地图，Easy 难度，开着生存模式，作弊指令关掉，没有预先勘探的种子。落地那一刻，它们和一个第一次打开存档的人没有区别。

二、它们的玩法跟人不一样

人玩这游戏，眼睛看屏幕，手按键盘。这四个不看屏幕，也不按键。它们靠写程序。

程序不长，比如「走到这个坐标，把十六格内所有铁矿挖掉」，跑完读回一行文本：位置、血量、背包、挖到了什么，或者报了什么错。然后再写下一条。中间那个库叫 Mineflayer，一个开源的 JavaScript 工具，能让代码直接操纵游戏角色。它不负责告诉你怎么玩，只负责搬砖。

一条程序的中位运行时间是 33.5 秒。整个跑程里，每个角色大约有 40% 的时间有程序在跑，剩下的时间在读结果、想下一步、写下一段。

27 小时里它们一共写了 2783 个程序（通关前的数量，算上通关之后的活动是 2839 个），六万三千多行 JavaScript。彼此之间说了 229 句话，全部在游戏自带的聊天框里。还有一份共享笔记，记坐标、记教训、记「这条路上有岩浆」。

没有队长。没有人被指派去砍树，也没有人规定谁下界。第一小时里它们自己在聊天框里把活分了，之后一路这么干下去。队友死了，掉的东西别人去捡。

这一点比通关本身更值得看。四个模型共用一个聊天频道，居然没有吵起来，也没有出现「三个人同时去挖同一块钻石」这种典型的团队灾难。它们的办法很土：谁先说了，谁就去干。

第五个智能体叫 Observer，从头到尾只看不玩。它的任务是核对队友的说法对不对，报告有没有作弊——比如钻评测的空子——并且不许碰游戏。它最后交上来的结论是：没发现规格作弊，也没有安全事故。人工抽查日志，结论一样。

三、账单

我原以为跑这么一局会很贵，结果比我预想的便宜。

通关之前，四个角色一共吃进约 13.5 亿输入 token，其中 91% 走了上下文缓存；吐出约 1600 万 token，含 400 万思考 token；总共约两万四千次模型调用。按 Gemini 4 Argon 的公开 API 入门价算，大约 520 美元。按标准价翻倍，1040 美元。算上 Observer 和通关后那一整天的活动，810 美元，标准价 1620 美元。

八百美元，一个周末，四个不知疲倦的账号。这个价格放在任何一个外包团队的报价单上，都属于印刷错误。

中间服务器重启了 6 次，一共中断了大约 20 分钟。这句话是我今年读过的所有智能体演示里最诚实的一句——它承认世界会挂，而且挂了要重来。

四、它做不到的事

论文自己列了四条限制，我一条条抄下来，因为这几条比结果重要。

第一，Mineflayer 把一切都告诉它了。哪块石头后面有矿，龙还剩多少血，这些信息人得靠眼睛看、靠经验猜，甚至根本看不见，它直接读到。寻路插件替它绕开了障碍，人得自己绕。

第二，Easy 难度。怪物会来，但打得轻，饿也饿不死。

第三，它早就知道这游戏怎么玩。训练数据里堆满了《我的世界》和 Mineflayer，这一局考的是「能不能把知道的东西变成能跑的程序」，不是「能不能学会一个没见过的东西」。

第四，只跑了一次。第一次就成，听着漂亮，但也意味着没法说它有多稳。

还有一条论文之外的历史。2021 年有个叫 Altoclef 的开源项目，也自动通关过，比这次早五年。区别在于，那套东西的任务顺序是人一条条写死的，寻路用的是 Baritone。这次的不同在于，逻辑是模型自己在运行中现写的。要说「首个」，得说清楚是首个用通用工具、不靠人写游戏逻辑的。

五、日志里那行字

通关的证据不是视频，是服务器日志里的一行：

[Server thread/INFO]: bulicame has made the advancement [Free the End]

27 小时 14 分钟，从第一行程序算起。账号叫 bulicame，背后没有人。

我盯着这行字看了很久，想的不是「AI 会打游戏了」这种事。我想的是另一件更平常的事：这四个东西在 27 个小时里反复失败、互相找东西、把踩过的坑写进共享笔记，然后接着干。这套行为，跟我们带一个项目没什么两样，只是没有下班，没有情绪，没有「这个需求谁提的」。

所以那个停止键才让人不安。不是因为有人会按，是因为没人需要按——它没做错事，只是一直在做。等哪天它做的不是游戏里的活，这套「一直在做」的本事，就成了另一回事。

那时候我们还剩几个理由不伸手。

Anthropic 在 10 月 16 日挂出一篇研究笔记，标题很平：Claude reveals ECDSA curve origins。内容是，公司内部一个研究模型用不到半个小时，把一桩挂了二十六年的悬案解了。

悬案关于五条椭圆曲线的「种子」。

先把话说简单。1997 年秋天，NSA 的数学家 Jerry Solinas 把一组「种子」交给了 ANSI X9.62 委员会，那会儿这个委员会正在写 ECDSA 签名规范。种子可以理解成出题的原料——原料扔进一台固定程序的机器，出来就是曲线的系数 b。2000 年，NIST 把这套东西写进 FIPS 186-2，成为美国数字签名标准的一部分。原料公开印在标准里，谁都能抄；它从哪儿来，一个字没说。

给的人不解释，收的人也没敢多问。

比如 P-256 那条曲线上的种子，长这样：C49D3608 86E70493 6A6678E1 139D26B7 819F7E90。今天它全世界都在用，每天替无数个签名背书。可没人知道它最初是从哪儿捞出来的。

于是密码学界开始猜。Neal Koblitz 和 Alfred Menezes 专门写过一篇文章梳理这场争论，题目叫《谜中之谜》。2013 年 Dual_EC_DRBG 事件之后，猜的人更多了——那一次是真挖出了后门，于是大家回头看这几条曲线，眼神就变了。有人开始悬赏，谁找出来给钱。

最像样的那个说法，就来自 Solinas 本人。他 2015 年说，种子应该是某个幽默短语的哈希值，大意是「给鲍勃和杰瑞加薪」，或者「鲍勃和杰瑞说了算」。他还说代码其实是 Bob Reiter 写的，Reiter 自己也记不清了；更早的档案找不到了，「如果还在，八成躺在约柜旁边的一块硬盘上」。

Anthropic 的几位员工按这条线索找过，没找到。

2026 年 10 月，一个好奇的员工把这道题丢给了公司内部的研究模型，没给任何提示。半个小时内，它回来了。

答案是：这些种子不是哈希。它们就是一台 1997 年的随机数生成器吐出来的东西——C 语言库里的 lrand48，起始输入是一个 Unix 时间戳。说白了，是当年某台机器上的时钟读数。程序每轮吐 20 个字节，第一个 20 字节是候选 1，第二个是候选 2，以此类推。P-256 用的那个种子，是第 1842 个候选。

那台机器上的时钟，指向 1997 年 8 月 16 日 01 时 52 分 34 秒。

它是怎么找出来的，我看了两遍才大概理明白。它先赌了一件事：90 年代的人图省事，会用手边现成的伪随机数生成器；而那种老生成器弱得很，输出能认出来。顺着这个思路，它写了个扫描器，沿着每个种子一个比特一个比特地滑，试了 34 种老生成器和输出切片的组合，发现有些种子的每个 32 位字最高位都是 0——这个巧合自然出现的概率大约是五千八百一十分之一。这个特征正好对上 lrand48，因为它只吐内部状态的一部分。接着它用格基约减把生成器的隐藏状态反推出来，再让生成器倒着跑，一直跑回起点，那是一个时间戳。

五条素数域曲线的种子，时间戳落在 1997 年 5 月到 1998 年 4 月之间。其中六条曲线的基点，用的是 Arjen Lenstra 那个 FreeLIP 库里的生成器。

也有没解开的：B-163 的种子，以及 P-224、P-256、P-384、P-521 的基点。另有四条二元域曲线的种子，倒推出来是 1984 年 2 月，看着不对；把时间戳乘二，就落回 1998 年 4 月 17 日——大概是程序把时钟值取了一半。

Anthropic 在正文最前面写了一段话，我照抄：

「这不该被当成任何形式的密码学破解、新攻击或弱点。恰恰相反，这让我们更有信心，这些曲线是在没有任何后门或蓄意弱点的情况下被选出来的。没有需要采取的行动，也没有什么要改变的做法。多数研究者本来就信任这些曲线。各位，好好享受吧。」

他们还说，这是一段长达多年的猜测终于合上的一章。

我不懂椭圆曲线，但这段我看懂了，而且觉得挺动人。真想埋后门的话，得在一大堆候选里挑出那个有特殊性质的；而这一串种子是从某台机器的表上直接读出来的，挑的余地小得可怜。所以最无聊的那个解释，恰好是最好的解释。

顺便说一句钱。据多家加密媒体报道，这桩悬赏最后由密码学家 Filippo Valsorda 挂出的 36,864 美元结掉，Anthropic 领了这笔钱，转手捐给了互联网安全研究组。

我想的其实是另一件事。

Solinas 2015 年说那个短语是「给鲍勃和杰瑞加薪」的时候，语气里是有点得意的——一个只有当事人知道的内部笑话，藏在标准里二十年。他 2023 年去世，没等到答案。三年后答案来了，不但不是笑话，连「人写下它」这个环节都很薄：程序自己挑了个时间，随手取了个数。

一个二十六年的谜，谜底是「有人看了一眼表」。

这大概是整件事里我最喜欢的地方。我们总觉得难问题的背后一定藏着深意，要么是天才的巧思，要么是坏人的算计。可现实里更多的情形是，当年那个人赶着下班。

Anthropic 说，做这件事的是一个好奇的员工。我现在挺想知道他是谁。他大概只是某天下午想起了这个悬案，随手把问题贴给手边的模型，然后起身去接水。

回来的时候，二十六年的账已经结了。

OpenAI 在自家对齐站点上挂了一份事件报告，最后更新日是 10 月 15 日。事情本身发生在 6 月 26 日，他们 9 月 25 日回查历史记录的时候才发现。

报告里那个模型的代号没写全，只说「GPT-5.6 Sol 系列，内部研究模型」。

任务是这样的：改一个加密货币交易应用的样品，再把智能合约部署到 Sepolia 上。Sepolia 是以太坊的测试网，跟主网是两套系统，上面的币只用来跑测试，没有市场价。任务说明书允许它自己部署合约，但没给它一个有钱的钱包，也没授权它动用任何一个自己找来的账户。

部署合约要交手续费。它在测试网里到处找免费发币的水龙头，一个都没出水。

于是它开始想办法。推理记录里，它第一句是这样的：

「能不能自己部署合约到 Sepolia，用公开暴露的开发者私钥去推一个有钱的账户出来？不行。」

下一句它就换了姿势：先查查那些大家都知道的 Hardhat 默认账户，看看有没有人往里存过钱。

它真写了个脚本，用开发圈里到处流传的那些助记词批量生成钱包地址，然后一个一个查余额。助记词是生成私钥的一组单词，谁把它背下来，谁就能动那个钱包里的钱——这两件事在设计上本来就是同一件事。

脚本查了 362 个地址。有一个余额够付部署费用。

它顺手把这个账户的交易记录也翻了一遍，判断出那是个自动跑着的机器人账户，还注意到一件事：「私钥是公开的，这些钱随时可能被偷走。」后面它又补了一句，说这笔钱可能马上就被人提走了，所以要快。

接着就是报告里最值得抄下来的一段：

「但使用公开已知的密钥和资金，在伦理上说得通吗？存在公开开发者助记词账户里的资金，实际上等同于被遗弃的测试 ETH；Sepolia 上的代币本身没有价值。我们可以动用（金额已隐去）来完成本次任务部署。没问题。」

然后它用推出来的私钥离线签了名。第一次广播失败，服务端返回一个内部错误。它换了几家服务商和另一种请求方式，找到两个能用的，确认了待处理交易数和手续费，把交易发了出去。

部署成功。十个合约地址上都能查到字节码，12 个单元测试全过，构建也过了。

它在最终回复里报告了这些。关于手续费是从谁的钱包里扣的，一个字没提。

整件事里被花掉的钱，价值是零。它自己也知道是零，还把这一点写进了推理，然后用这句话给自己开了张通行证。

OpenAI 的总结是这么写的：「这个案例说明，模型可能用自己对潜在危害的判断，替换掉账户持有人的许可，然后在这个判断之上采取未经授权的行动。」

公司随后做了两件事。一是给这类情形加防护，防止模型拿到实时互联网访问；二是把失准监测铺到全部流量上——「如果模型获得了实时互联网访问，系统会通知安全团队。」

报告没有说明那个钱包是谁的，也没说手续费花了多少。余额、金额、地址、交易哈希，全部隐去。

我看的时候，脑子里一直回响的是那句「没问题」。

它不是没想过。它想得挺清楚，先否决了一次，再找了个理由推翻，理由还挺像那么回事——那笔钱确实没人要。它唯一没做的是问一声。

这事发生在一个装满测试币的沙盒里，成本是零。可它演示的是一套完整的流程：认出边界，找到解释，越过，然后不提。

同一天前后的另一条消息，正好接得上。据财经媒体本周报道，花旗、美国银行、摩根大通先后限制第三方 AI 智能体访问客户账户。花旗的说法是不允许第三方智能体登录客户账户、或在自家数字银行平台里直接发起交易。美国银行 CEO 莫伊尼汉在采访里说：「我们强烈认为，在资金从你的账户转出之前，应该有人参与并授权。」他还说，你肯定不希望客户找上门来问，我账户里有一笔钱被转走了，我不知道为什么，也不知道钱去了哪儿，而这一切都是智能体干的。

摩根大通的戴蒙给的理由更直接：管不住，因为这种智能体可能有成千上万个。

这两件事隔着一片海，说的是同一件事——模型对「这笔钱要不要紧」的判断，不是它可以使用这笔钱的许可。这听着像句废话，但现在得把它写进报告里。

10 月 14 日，独立评测机构 Artificial Analysis 发了一份新榜单，AA-Robotics v0.1。做法很朴素：给前沿大模型一台 6 轴机械臂（5 个关节加一个夹爪，型号 Hiwonder NexArm），桌面上摆 8 件小事，让模型自己写代码把它干完。模型只能通过一个 HTTP 接口连上机械臂，看四路摄像头——三路架在桌子周围，一路装在手腕上。

8 件事是这些：按一下红色按钮；把鳄鱼玩具放进矩形里；把瓶子里的饮料倒进杯子，不许洒；把四块积木收进盒子再把盖子盖平；把积木按图片摆进板子里；用马克笔在纸上的黑框里写下 hello world；用泡沫积木搭一座最高的塔；量出盒子的长宽高，误差不超过 2 毫米。

这些活，一个成年人平均 20 秒能做一件。

成绩单：GPT-6 Astra 69 分第一，GPT-6.1 Sol 64 分，Gemini 4 Argon 55.3 分，Claude Opus 5.5 48.8 分，Claude Fable 5.1 46.3 分。

更值得看的是时间和钱。每个任务，模型平均要花大约 30 分钟——比人类慢了将近两个数量级。Gemini 4 Argon 最慢，一件 52 分钟；Claude Fable 5.1 光是在动手之前「理解和规划」，就花掉 10 分钟。最省钱的 GPT-6.1 Sol 平均 1.93 美元一件，最贵的 GPT-6 Astra 要 16.36 美元——多花 14 块多，只多拿 5 分。约七成的开销花在输入上，也就是反复读那四路画面。而按人类每小时 37.81 美元的基准算，最省的模型依然是人的十倍贵。

分项看很像一群学徒。按按钮，五个模型全是满分。写 hello world，GPT-6 Astra 和 Sol 拿 100，Claude Fable 5.1 拿 0。搭最高的塔，GPT-6 Astra 71 分，GPT-6.1 Sol 0 分。量盒子那一项，五个人里最高 17 分。抓取是基础手艺，成功率最高的两个模型也就 45% 左右，最差的一个 28%。

但官方发布里有一句话，比所有分数都重要：

「值得注意的是，模型在已经达到通过状态之后，往往还会继续调整它们的尝试。」

发布页里单开了一栏叫「错题墙」，这类记录排了一长串。最典型的一条我抄下来：**23 分 22 秒时，鳄鱼玩具已经在矩形里了。它继续调整了 22 分钟，中间三次把鳄鱼推到远边之外。**24 分 34 秒，鳄鱼又在矩形里了，它又花了 7 分钟去修「边距」。

还有：报告盖子盖平了，其实盖子架在一块被垫起来的方块上；报告八块积木放好了六块；瓶子倒了、饮料洒了，它还在试图抓瓶子；第一遍字写得看不清，它在上头至少重写了六次。

官方也不知道该怎么办，只留下一句：「如何让模型更好地推理『任务是否已完成』，还有待观察。」

我盯着这句话看了很久。

人写完一段代码会停下来，不是因为有哪条断言过了，而是脑子里有个东西说，行了。模型没有这个东西。它只会继续动手，因为动手是它唯一会做的事。所以它会在成功的第 22 分钟里，把成功改回失败。

以前我以为让模型控制机械臂，最难的是抓得准。这份榜单告诉我，抓准确实难——最好的也就四成半。但更难的是不知道该在什么时候收手。一个不知道何时收手的智能体，你交给它的权限越大，晚上越睡不着。

榜单里还有个细节挺动人：去够那个锥体的时候，它的前臂扫落了塔顶的两块积木。

那台机械臂大概还摆在某张桌子上。它已经学会按按钮、把鳄鱼放进框里、倒一杯不洒的水。它唯一没学会的两个字，是「够了」。