🔥 Search Hot Tweets

推荐这篇文章，Flask 作者 Armin Ronacher 追踪 Pi 的 bug 发现了一个让人不安的事实：新版 Claude 模型（Opus 4.8、Sonnet 5）的工具调用在退化——不是变好了，是变差了。而且他找到了根因：RL 后训练过度适配了 Claude Code 自己的工具 schema，导致替代工具 schema 越来越"离群"。这是所有自己做 agent harness 的人都需要读的文章。 更好的模型，更差的工具调用 一个奇怪的 Pi issue 让我在过去两天掉进了一个深坑。简短版：新版 Claude 模型有时会在调用 Pi 的 edit 工具时，给嵌套的 edits[] 数组加上多余的、编造出来的字段。不是 Haiku 或什么小模型——是 Opus 4.8。编辑本身通常是正确的，但参数不匹配 schema，因为模型发明了不存在的 keys，Pi 拒绝工具调用并要求重试。 这不完全意外——模型偶尔会发出格式不正确的工具调用，特别小的模型。但让我意外的是，这在 Anthropic 的新模型中变得更糟了。Opus 4.8 和 Sonnet 5 都表现出这个问题，而之前的旧模型不这样。换句话说，这个模型家族的 SOTA 模型在某个特定工具 schema 上不如它们的旧兄弟。 工具调用就是文本 如果你没有花太多时间看 LLM 工具调用的内部机制，需要理解的重要一点是：工具调用不是魔法。模型收到一份转录文本、一个系统 prompt 和一个可用工具列表。服务器把这些搅成一个带有特殊标记 token 的大 prompt。因为模型用那个格式的示例训练和强化过，它在生成过程中某一点会发出被 API 或客户端解释为"用这些参数调用这个工具"的东西。 细节是：嵌套数组里面的 JSON 是序列化在 XML 标签里面的。基本顶层字符串参数在线显示，而对象数组通过 JSON 序列化实现。这很重要，因为当模型在一个几百 token 的转义字符串后面要决定 } 还是 ,"..." 时，这正是最高熵的点。 失败 Pi 的 edit 工具支持在一个调用中做多个精确字符串替换，所以参数里有一个 edits 数组。在失败的案例里，模型产生了这样的条目：额外加了 requireUnique: true、oldText2、newText2。反复测试中我看到了一整批编造出来的尾随 keys：type、id、kind、unique、requireUnique、matchCase、in_file、forceMatchCount、children、notes、cost，甚至一个 event.0.additionalProperties 在里面。 最烦人的是，实际 oldText 和 newText 负载在我检查过的无效调用里是字节级正确的。模型确实产生了正确的调用，然后在对象末尾加了垃圾。 这个失败也高度上下文依赖。全新的单轮"编辑这个文件"prompt 完全不会复现。有 agent 历史——模型读过文件、诊断了问题、然后写了多行编辑——就能复现。而且不是所有转录都会这样。打开 strict 工具调用在我的运行中完全消除了问题。 为什么在变差 我最强的假设是这不是随机退化，而是训练 artifact。 旧 Anthropic 模型训练时，它们训练了一些工具，但那个训练还没有 Claude Code 这样用户交付的 harness 作为明显目标。现代 Anthropic 模型大概率不同，因为它们的后训练包括了 Claude Code 或一个看起来非常相似的 harness。模型学到了在那个环境下什么样的工具调用是成功的。它也会学到那个环境容忍什么错误。 Claude Code 自己的工具相对扁平。普通 edit 工具不是 Pi 的嵌套 edits[] 形状，更接近 file_path、old_string、new_string 和一个可选 flag（replace_all）。看 Claude Code 的客户端非常有启发：它包含格式错误工具用的重试路径、参数别名、类型强制转换、Unicode 修复和未知 key 过滤。换句话说，Anthropic 自己的客户端似乎期望和接受相当数量的 slop，并修复它，大部分是静默的。 如果强化学习发生在这样的 harness 里，或一个模拟里，那么稍微格式不正确的工具调用仍然可以完成任务并得到奖励。harness 完全吸收了错误，几乎不存在惩罚"发明一个别名"、"加一个多余字段"或"用一个相近的参数名"的梯度。 更糟的是，模型可能变得极强地适应了标准 Claude Code edit 工具的形状。一个不同的 harness 可以提供语义相同但 schema 不同的工具。这样的工具会越来越离群。训练得更好的模型可能实际上更难对付你，因为它的先验更强。 这不算太意外，但这是一个变迁。Opus 4.5 发布时，它适应其他 edit 工具的能力异常好。我当时相当确信我们在一条好路上——模型只要指令好，更可能适应任何种类的工具形状。现在我有些担心我们在哪条路上。替代工具 schema 可能不只是不熟悉。它们可能被优化特定、宽容的工具生态的后训练隐式惩罚。而且那个生态没有文档。 Slop Harness Claude Code 是闭源的，但我们可以看压缩后的代码。老实说，它对输入数据非常宽容。 首先，Claude Code 检查模型可见文本里是否有泄露的 <invoke 标记。然后有自己的状态机来重试坏调用。它有显式 Unicode 转义修复来修坏掉的 \uXXXX 序列和孤立代理。每个工具都有参数别名。比如 Edit 接受 old_str、old_string、new_str/new_string、path 作为 file_path 的别名。它还会静默过滤不认识的 key，也不使用 strict 模式。 这对 harness 意味着什么 让人不舒服的教训是：工具 schema 不是中性的，至少在 Anthropic 模型上不是。我们喜欢假装 schema 是抽象合约，模型是通用推理器会遵守它，但对某些工具来说这可能不再成立。 工具 schema 在分布里的某个位置，有些形状接近模型在后训练中看到的，有些很远。有些对提供商的隐藏编码来说是简单的（比如 ANTML 中的顶层属性），而有些要求模型在长多行字符串后面写大的转义 JSON 对象，嵌套在数组里。模型可能足够聪明理解 schema，但仍然在压力下抽不出那个精确形状。 我以前对严格语法约束的工具调用持更多怀疑态度，因为约束解码可能有质量 tradeoff。我仍然认为这普遍成立，但这个 bug 显著改变了我的先验。如果最新的模型在解决问题上变得更好，同时在忠实生成替代工具 schema 上变得更差，那么 harness 需要在某处有更强的保证。 原文：Armin Ronacher, "Better Models: Worse Tools", 2026-07-04 https://t.co/ReaSKJTkt3 #Claude #Agent #工具调用

很快出来个开源运行ultracode的平台时 可能要对Claude破障了

对于所有大模型产品来说 免费用户就是纯纯负资产 垃圾的数据没有价值 无一例外(早期除外) OpenAI 真的带善人来的

很高兴能和大家分享 OpenAlice 0.73.0 beta 版本 https://t.co/YjGQFTX8Oh OpenAlice 致力于成为你的一人华尔街。 在全新的版本中，你可以使用 Coding Agent 完成复杂的交易动作，并充分利用 Trading as Collaboration（交易即协作）的特性，来让 Agent 增强你的交易全链路。 在交易增强方面，你可以： - 使用 Inbox 来管理 AI 向你推送的高价值信息 - 让 AI 动态创建跟踪的实体、事项、报告 - 使用[[]]双链语法将实体、事项、报告连接起来，构建属于你的深度交易系统 - 通过自描述调度，实现定时调仓、追踪关键时点 - 让 Agent 根据需求改造 Workspace，创造你独特的交易工作流 在市场分析方面，你可以： - 使用 traderhub 获得宏观数据的开箱即用体验 - 通过 vendor 与 Broker 同时获取 K 线 - 更多的预置 vendor，支持全球资产追踪（未来会更多） 在 AI 调用方面，你可以： - 拥有与直接使用 Coding Agent 几乎无区别的体验，支持 Claude Code / CodeX / OpenCode / Pi - 使用几乎所有主流的 AI 模型和订阅计划，如果你已经订阅了 Claude Code/CodeX，你可以直接使用而无需再付一份钱——毕竟，OpenAlice Workspace也是被抽象的代码工作！ 与此同时我们还提供了： - 一个签名的 dmg 包！mac 用户可以直接下载使用 - 依然简单的启动体验，clone->install->run 一气呵成 - docker 部署和 remote 部署支持 - 更好看的UI - 依然完全开源 希望你喜欢。 官网：https://t.co/YjGQFTX8Oh 仓库：https://t.co/63cTscFOYJ Discord：https://t.co/RDBZ24eAbh QQ 群：https://t.co/LUtoQhklyq

大致数了一下： 因为 openclaw 作者随手发了个概念模糊 loop 的推文，这个月内时间线上多出一千篇 以 loop 为关键词的垃圾。 再看有些论文，也开始加 loop 关键词。这半年的突然冒出又突然消失的关键词大致有 claw，molt，loop，基本都跟 openclaw 相关。 所以谁是 AI slop 鼻祖，应该确认了。

Cowart v0.1.10 更新啦： 1. 「AI 图片」可以直接在画布里输入 Prompt，并支持了添加参考图片 2. 标注好图片后，可以一键把标注发送给 Codex 生成修改后的新图 3. 从网页浏览器打开，升级为 Codex 更原生的 Widget 不严谨的说，但凡 Codex 的 image_gen 能生成得更快一点点的话，现在的 Cowart 大约可以部分替代掉一点点另一个 art GitHub: https://t.co/S4U1sL44iJ

基于近期大规模出现的Codex短信验证风控 我们决定进行24h的英国🇬🇧giffgaff卡优惠活动 本站注册会员仅需29元为您包邮到家 长效使用二次接码无忧 源头渠道 诚邀代理🫡 商品https://t.co/tFWn6Hvqqh 频道https://t.co/rf7Zk0N479

今天聊聊改变人类文明的神级机构排名 S+ 神话级 1.贝尔实验室：晶体管、信息论、Unix、C语言、激光、CCD……一家公司实验室拿了10次诺奖。没有它就没有信息时代，个人认为它是毫无争议的断档第一。 2.卡文迪许实验室：电子、中子、DNA双螺旋,统治了物理学半个世纪。 S 传奇级 3.洛斯阿拉莫斯：单一目标下的人类智力密度峰值。奥本海默、费米、冯·诺依曼同处一室。但遗产偏单一，主要是核与蒙特卡洛方法。 4.哥本哈根玻尔研究所：量子力学在这里被谈出来的。以极小的体量撬动了整个20世纪物理。 5.普林斯顿高研院：爱因斯坦、哥德尔、冯·诺依曼、外尔同时在职。但常被批评养老院化，产出人才比其实不算顶尖。 A+ 殿堂级 6. MIT 辐射实验室：原子弹结束了战争,雷达赢得了战争，并且后来还孵化了整个MIT战后科研体系。 7.施乐 PARC：图形界面、以太网、鼠标交互、激光打印机。发明了个人计算的全部，只是钱都让苹果和微软赚了。个人认为，它是伟大发明但商业失败的永恒案例。 8. CERN：标准模型的试验场,顺手发明了万维网。 A 大师级 9.马克斯普朗克研究所：体量巨大、诺奖众多,但它是一个系统，好多个所，单点浓度被稀释了。 10.冷泉港：分子生物学的麦加，个人认为但更像社区，会议中枢而非发明源头。 11.朗道研究所：纯智力水平可能是苏联之最，可惜体制限制了世界影响力。 B+ 风格独特但产出待验证 12.圣塔菲研究所：复杂性科学的旗帜,思想影响力大于硬成果。它更像一种氛围和方法论宣言。 13.RAND：博弈论和系统分析影响深远，但作为智库，功过难分。 14.Janelia：制度设计最自觉,但成立太晚,还没到盖棺定论的时候。 我发现一个有趣的规律。 S级机构几乎都有垄断利润或战争预算在背后，比如AT&T垄断、曼哈顿计划、战时雷达。 自由探索的黄金时代，底下垫的都是不计成本的钱。但圣塔菲那种靠捐赠的清贫模式，思想输出可以，硬科技就难了。 DeepMind、OpenAI、Anthropic 现在大概在 A 与 S 之间悬着。十年后回头看,可能是贝尔实验室second coming，也可能是PARC 2.0。期待十年后，我的回看。

codex国产平替，Workbuddy一句话搭建视频工作流【评论区附完整课程】 https://t.co/TqsPRngHET