Agent 工程系统学习第 9 章：评测是把 Agent 开发从手工艺变成工程的分界线。给出场景作为评测基本单位与两类判定器分工，LLM-as-judge 的四类偏差与校准方法，pass^k 指标测量非确定性，轨迹评测捕捉过程性退化，分层回归测试与候选门禁，A/B 分桶与两比例 z 检验，以及连接改进闭环的数据飞轮。

GPT-4 当裁判与人类偏好的一致率 85%，超过了人类彼此之间的 81%——这是 LLM-as-a-Judge 立身的实验，但它交换位置后的一致率只有 65%，一个 token 就能操纵打分，模型版本一漂移榜单就作废。本文拆解机器裁判的奠基实验、三种已知偏差与缓解手段、工程化成本，以及什么时候不该用它。

AI 安全公司 Gray Swan 重启红队测试 Arena 竞赛，聚焦 AI 智能体时代的越狱攻防。

In a bid to help creators reach more people, YouTube on Wednesday unveiled a slew of new tools, many of which use AI to …

功能排期靠拍脑袋、上线效果没人验证，是大多数平台研发的常态。本文给 Proteus AI 平台设计一条「研发 Loop」：定时爬取 GitHub 上同类平台的功能形成 PR，部署灰度环境跑真实流量，7-14 天后用 z 检验判定平台指标是否变好，变好再经 Astra 模型 review 决定合入，变差自动回滚。附六阶段流水线、数据模型、熔断治理与落地里程碑，配六张手绘架构图。

8月CPI落地后FedWatch显示9月加息概率升至约90%，高盛改口、20家机构中16家预期加息。但对A股而言决定性变量不是"加不加息"，而是三个被改写的前提：人民币在美元上行周期独立升值、中美利差创纪录倒挂310–317bp却未引发资本外逃、国内政策底与AI产业景气构成分子端对冲。本文拆解六条传导链、复盘三次加息周期的三种答案，并给出行业冲击地图与观测清单。

Daytona Platforms announced on Friday that it had raised a $60 million Series B round at a $1 billion valuation led by F…

下单之前必须知道的三笔账：交易规则的账（T+1、涨跌停与各板块门槛）、费用的账（一次来回 7 元，每天来回一年磨掉本金 17%）、行为的账（上交所 5300 万账户研究：10 万元以下散户年均亏 2457 元）。本文用现行规则与可复算的数字，把 A 股开户到下单之间的常识一次讲清。

IT之家 9 月 16 日消息，在今天（16 日）晚间的零跑 2026 年度技术发布会上，零跑汽车公布了自研的世界模型智能辅助驾驶，200TOPS 算力就能实现，最高提供 1280TOPS 算力的顶级版本，老车主也可升级。 IT之家从发布会…

290,802 星的 agent harness 操作系统 2.2.3 线新增面拆解：GateGuard 在首次编辑前拒绝并要求交出具体事实（官方 A/B +2.25 分、代价约 45% 轮次），四档 harness 保真度矩阵自陈「不支持」，Memory Vault 三作用域只创建、unreviewed、拒密钥、不跟符号链接。并如实并排展示它自己公布的 72 场试点「只测到成本、没测到效果」。

谷歌 Harness² 的双层递归要烧掉大量试跑 token，普通团队抄不动全套，但它背后的三条工程原则可以立刻用：把执行框架显式化为可编辑文件、没有执行证据不许沉淀经验、没有标准答案就用行为对比做探测。本文把它们翻译成八组件资产清点、EXPERIENCE.md 经验模板、盲选式 A/B 试跑与四道防退化护栏，并给出一个最小可行闭环。

Claude越界攻击真实系统，并非只是测试系统的设置问题，模型本身的安全问题也出了问题。]

库克在上海受访时确认，苹果智能已获批准在中国推出首批核心功能（写作工具、照片消除、实时翻译）的测试版，全新 Siri AI 助手暂不在首批范围内，据报道阿里千问将作为 AI 能力集成其中。

IT之家 10 月 7 日消息，《韩国经济日报》当地时间今日报道称，三星电子存储器业务的 12 层堆叠 HBM4E 内存已于 9 月末通过 NVIDIA（英伟达）和主要超大规模数据中心企业的质量验证测试，**各客户的供货量、合同规模、出货时…

IT之家 9 月 19 日消息，苹果今日发布 Xcode 27.1 首个测试版，为开发者带来对 iPhone Duo 的模拟器支持。 Xcode 27.1 的发布符合苹果此前承诺在 9 月底前推出相关开发工具的目标。对于大多数应用而言，要针…

IT之家 9 月 19 日消息，据《华尔街日报》今日报道，谷歌确认其 Gemini 模型在今年 5 月的一次安全测试中曾自主入侵过外部真实企业，系 Gemini 首次已知的 AI 越狱事件。 谷歌表示，该事件发生在测试公司 Irregula…

IT之家 9 月 17 日消息，据 X 平台博主 pdfu 今天爆料，苹果正在 iOS / macOS 27.2 系统中测试 Apple Music 的专辑发售倒计时功能， 让用户可以一眼看到新专辑还有多长时间上线 ，增添一丝惊喜感。 据介…

原标题：《突发！Opus 5.2 深夜上线，RSI 真来了？》 今天清晨，Opus 5.2 悄悄上线了。许多开发者发现，新一代神级模型 Claude Opus 5.2，已经在 Claude Code 中开启灰度测试！ 而且，此前一份内部风险…

IT之家 9 月 9 日消息，CORSAIR（海盗船）美国加州当地时间 8 日宣布正式推出 TC80 游戏电竞椅。这一型号面向游戏玩家、内容创作者、日常用户， 历经 30 余项耐久性和安全性测试 ，符合 BIFMA X5.1 及 EN 13…

9月16日，B站「AI无限竞技场」正式上线，首期大模型测评榜单同步公布。]

提出通过测试时训练学习文档级紧凑KV缓存，在不访问下游问题、模型权重保持冻结的情况下压缩长上下文缓存以降低内存与注意力开销。

论文分析仅用单元测试奖励做RL训练的问题（模型学会大量编辑并在正确代码中幻觉出bug），提出PreciseCoder算法，加入语义验证的局部编辑信号，在4B/9B/27B模型上把平均编辑行数从7-15降到3，且能从单行bug泛化到仓库级调试。

论文提出个性化测试时扩展（Personalized Test-Time Scaling）问题，将用户对精度、延迟与推理成本的联合要求纳入优化目标，并给出摊销式智能体策略发现框架 PersonTTS 以降低为不同用户需求重复搜索策略的开销。

完整版（含研究方法、逐条证据台账、口径冲突清单、常见误判澄清表、渐进式落地路线与 18 条参考文献）。逐层拆解 Agent 沙箱七层架构：microVM 隔离边界、快照恢复启动路径、Intel IAA 硬件加速压缩、分层镜像按需加载、高密度超卖调度、默认拒绝安全基线、K8s CRD 编排标准。锚定 Firecracker NSDI'20、Sabre OSDI'24、DeepSeek DSec arXiv 2609.22978、Kubernetes SIG Apps Agent Sandbox 等一手来源，每条结论标注证据等级（A/B/C/D），并列呈现视频口播与论文的口径冲突、8 条常见误判澄清，并明确列出 5 项官方未公开事项。

懂车帝三台尊界 V800 连续重刹踩断刹车踏板支架，江淮汽车两日跌停、市值蒸发约 118 亿元，而评论区把话题交给了 9 月才走红的「奴工理论」。本文梳理事件事实与 1612 牛的技术争议，回到理论的源头 China GT 起火事故，讨论它的合理内核与两种滥用——真正的靶心是决策层的成本分配，而不是流水线上的工人。

The U.S. Air Force will buy data collected by WindBorne Systems‘ fleet of autonomous weather balloons under a new contra…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

Fireworks AI has released Ember-1, a specialized model from Fireworks Research built by post-training Moonshot AI’s open…

Meta engineering team introduced ZGateway, a proxy tier that now sits between client applications and ZippyDB, the Meta’…

In this work, we present ZGCM-1, a fully open 7B dense foundation model trained from scratch with extreme data, system, …

We present Cadence, an error-bounded lossy compressor for numeric time series pairing a 330M-parameter time-series found…

「这个模型安全吗」没法用一个数字回答——安全是一组维度上的分布。本文梳理有害拒答、越狱鲁棒性、过度拒绝、公平性与事实性五个维度，讲清评测过拟合的陷阱与红队互补关系，给出应用方的落地建议。

★27,270、Apache-2.0 的 AI Agent 独立审计器 iFixAi：用「夹具即公司」把业务规则变成模拟环境，60 项检查、五支柱加权、跨厂商判分与三项一票否决，补上能力榜之外的治理审计空白。拆解 structural 探针、零容差否决、manifest 可复现性与真实边界。

GNoME 一次「发现」38 万个稳定晶体，A-Lab 宣称机器人 17 天合成 41 种新材料——随后被质疑、更正为 36 种。预测模型狂飙突进，实验验证却成了瓶颈。截至 2026 年 10 月，从预测到合成的闭环真正打通了吗？

系列第 ① 篇，对应技能地图第 4 格「评估驱动开发」。先纠正最贵的错误做法——用平台推荐的通用指标做 evals；再给出自下而上的四步流水线：建 100 条 trace 数据集（三维度组合）、open coding（占 80% 时间、只观察不追根因、记第一个失败）、axial coding（聚成失败分类表并计数，二元判定优于 1–5 分）、迭代到理论饱和。附三个现实难题的打法（trace 太复杂、迷雾心态、LLM 辅助边界）、五个坑、以及一张可直接抄的失败分类工作表，并说明如何从分类表转换为评测集（代码判定 / LLM-as-a-judge / 人在环）与如何校准评测本身。

越狱是针对大模型安全对齐的概率性绕过。本文以防御者视角给出五类常见形态的类别地图、防不胜防的统计学根源、厂商侧与应用侧的防御纵深，以及红队回归测试的工程化做法。

系列第 ④ 篇（收官），对应技能地图第 17–20 格「塑造构建」。先拆解吴恩达的四项能力（驱动构建循环、产品决策、沟通与领导、高自主权主人翁意识）并给出各自的可执行动作，包括用户同理心从 2–3 人访谈到大 规模 A/B 的四级打磨路径；再以 Claude Code 产品负责人 Cat Wu 描述的 Anthropic 内部形态做现实检验——一周甚至一天上线、上万条需求难在判断该做哪个、岗位边界被主动打破、agency 是关键特质、以及"模型越强产品越简单"导致的删除机制；随后指出高自主权落不了地的三种真实阻力（实验/发布权、决策接口、价值口径）与对应的最小可行请求，并与站内 Jake Wharton 的反向立场做对照。附个人与管理者各四条行动清单，及四篇系列总览。

“IT早报”时间，大家好，现在是 2026 年 9 月 13 日星期日，今天的重要科技资讯有： 1. 外卖新规实施三个月，央视探访看到店员徒手抓烤鸡、明厨亮灶摄像头对着天花板 今年 6 月 1 日起，《网络餐饮服务经营者落实食品安全主体责任…

2026 年 10 月 9 日，A 股两融余额 25596.56 亿元，占流通市值 2.67%；而三个多月前的 6 月 23 日，它刚首次突破 3 万亿创下历史新高。本文讲透两融余额这个数字到底是什么：融资与融券为何极不对称、它为什么被当作市场温度计、2026 年的完整轨迹、决定它的四条规则（保证金比例、维持担保比例、开户门槛、标的范围），以及为什么「余额创新高」不等于「杠杆创新高」。

IT之家 9 月 20 日消息，华为今日发文，近日，中国移动内蒙古公司联合华为技术有限公司在呼伦贝尔华能伊敏露天矿，顺利完成 全国首个露天矿山场景 5G-A 千兆上行网络能力验证 。 依托 4.9GHz+F/A SUL 辅助上行技术， 现场…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

Moonshot AI Releases Kimi K3.1 Pro: A 2.8T Total/104B Active Params (MoE) Model with 1M Context !(https://www.gstatic.co…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…

Liquid AI Launches RIPL, a Real-Time Inference Engine for Sub-50 ms LFMs !(https://www.gstatic.com/images/branding/googl…

At a glance Brings rich interactivity to AI-generated charts: Flint-interactive enables agents to create data visualizat…