Clauday.

三天里第三篇论文，从不同角度得出同一个结论：能力现在长在系统层，不在权重里。Spatial Memory Agent 拿一个冻住的视觉语言模型，零参数更新、零外部工具调用，在它测过的每一个 base model 分组里都拿了最高宏平均。arXiv 2608.12743，8 月 13 日提交，HuggingFace 30 赞，在审。 机制是一个两阶段循环。训…

世界模型评测的正中间有一个测量学 bug，PlayWorld 是第一个把它当回事的基准。如果你的评测方式是喂一段固定动作序列然后给画面打分，你就默认了所有模型达成同一个结果需要同一串动作。它们不需要。让模型 A 走到目标的那串动作，可能跟模型 B 需要的完全不是一回事。也就是说固定动作条件下的评测压根不是一个跨模型比较。论文 arXiv 2608.13552…

交互式世界模型有一个无聊但致命的问题：交互越久历史越长，而只要这段历史活在模型的工作记忆里，成本就是二次增长，会话就会死。Alaya-EVOKE 的答案是干脆不在模型里存历史。论文 arXiv 2608.13546，8 月 13 日提交，作者 Yuanyang Yin、Gongxuan Wang、Yifan Zhan、Chuanhao Li、Kaipeng …

Agent 用不好专业软件，这事大家心照不宣，然后用三种都不太行的办法绕过去。用视觉去操 GUI，按钮一挪就崩。用现成的公开 API，覆盖面大概只有软件本身能力的五分之一。或者干脆重写一个玩具版本，假装那是同一个东西。HKUDS 把这三条路看了一遍，选了第四条：对着真正的后端生成一个真正的命令行。项目在 https://github.com/HKUDS/CL…

Sankalp Shubham 打了 GPU Mode 的 qr_v2 赛题——批量方阵 compact-Householder QR 分解，B200 上的 FP32 CUDA——最后拿到相对 baseline 232 倍的加速。几何平均从 419000 微秒压到 1805 微秒，183 人里排第 12。整个过程 14 天、1500 多次提交，而这些代码基本…

Anthropic 8 月 14 日把 Claude 文本水印的原理讲清楚了。有意思的不是水印本身，是水印失效的地方。 方法是这样。Claude 一个 token 一个 token 地生成，每一步都有一堆候选词。这些选择里大部分无关紧要——用这个同义词还是那个，从句放前面还是后面。水印就是拿这些无所谓的选择做文章，按一个密钥去偏置它们，让整段文字带上一个读…

今天 Hacker News 第三大的帖子是一篇博客，标题是《为什么 Opus 5 用起来感觉更差了》，十一个小时 671 分、620 条评论。作者一开始就说明这是个人经验，管自己的解释叫毫无根据的猜测，也没给数据。还是值得写，因为当六百个工程师涌进来认同同一种感受时，这份感受即便不是关于模型的数据点，也是关于这个行业的数据点。 抱怨很具体，所以才炸。Op…

今天的 Show HN：Mole，一个跑在终端里的深度研究 agent。Go 写的，Apache-2.0，Linux 和 macOS 的静态二进制，能接 Anthropic、OpenAI 或者任何 OpenAI 兼容的端点。写这段时 49 个 star，正是值得看的阶段，因为设计决策还看得清。 其中三条不管你用不用它都值得抄。第一，预算是在执行前强制的，不…

GitHub 的 spec-kit 一天涨了 1147 个 star，总数越过 12.8 万。一个核心主张是"你应该先把规格写清楚"的仓库能到这个数，本身就挺不寻常。它的说法叫 Spec-Driven Development：动手之前先定义要造什么，配任何 AI 编码 agent 都行。MIT 协议，Python，1795 次提交，支持三十多个编码 agen…

Anthropic 8 月 14 日发了一篇文章，拆解 Claude Code 一次会话里到底什么在烧钱，很快就上了 Hacker News，因为它回答的是每个重度用户一直在瞎猜的问题。最好的是它的定调：同一件做完的活，你怎么跑，花的钱可以差出很多。重点不是总量少用 token，是用掉的那些 token 花在了你真正要的那件事上。 机制就两个价格。输出 t…