作者在 MacBook Pro M3 Max 上本地部署蚂蚁百灵开源的 Ling-3.0-tiny（总参数 7.9B、激活 1.3B），编译 Ollama 的 BailingMoeV3 分支导入 FP8 与 BF16 两个精度版本，实测输出速度分别约 106 和 81 tokens/s。随后通过 OpenAI 兼容协议将模型接入 DeepSeek Harness，让它把自己的底稿《文科生学 AI，先补一层计算机常识》重写成公众号文章。结果模型完整跑完任务、未瞎编内容，但句子偏碎且擅自添加内容，直出终稿尚早。文中还总结了部署与配置过程中的一系列坑及避坑指南。
本文介绍 Φ-Bench（Frontier AI Infrastructure Benchmark），一个评估 LLM 基础设施工程能力的基准。它从顶会论文和开源仓库中筛选出 85 个真实高难度任务，分为 Kernel 补全（KFC）、长周期实现（LHI）和端到端优化（E2EO）三类。评测结果显示 Claude Opus 5 以 36.53 分领先，但所有模型在理解大型代码库和硬件相关优化上仍明显不足。分析指出优秀模型需具备假设验证、实验设计和可靠归因能力，Φ-Bench 探索了 AI 自我改进能力向基础设施层延伸的可能性。
本文实测了智谱最新发布的GLM-5.3模型，该模型基于GLM-5.2的750B参数基础模型，仅通过后训练提升性能，在AA榜上以60分进入前十，成为同分段参数最小的模型。作者通过多个编码与安全案例测试，包括修复Ice菜单栏工具漏洞、开发2D跑酷游戏、3D愤怒的小鸟及音乐工作台等，展示了GLM-5.3在复杂编码、长程Agent任务和防御性网络安全方面的出色表现，并对比了DeepSeek、Grok等模型，认为后训练Scaling是提升模型能力的重要路径。
本期周刊聚焦 AI Agent 执行层的工程实践，探讨模型如何穿过真实环境稳定完成任务。文章围绕执行模型、Harness、质量评测、多智能体与权限、路由缓存等六条主线展开，分析了 Grok 4.6、DeepSeek V4 Pro、Gemini 3.7 Flash 等模型的长程执行能力，拆解了 DeepSeek Harness 和 OpenAI Codex Harness 的架构设计，并介绍了阿里、美团等团队的评测与改进流程。核心观点是：智能体的可靠性不仅取决于模型能力，更依赖于 Harness 的工程化设计、可观测的反馈闭环和合理的成本调度。
本文实测了最新开源的Qwen3.8-27B模型，该模型基于Qwen3.5架构训练，量化后可在24G消费级显卡上运行，性能媲美Qwen3.7-Plus。作者详细介绍了通过Unsloth在Mac和4090上的本地部署流程，并演示了接入桌面Agent后的工具调用、Skill使用、发票整理、图片翻译、PPT生成等场景。实测表明，该模型在复杂办公、长文档和多轮Agent任务中表现出色，是本地部署的极佳选择。
作者开源了维护三年的AI提示语案例库，并建立了GoodCase.ai网站，旨在提供经过验证、持续迭代的案例库。文章详细介绍了对Seedance 2.0 Fast、MiniMax H3、Wan 3.0三个视频生成模型的横测过程，涵盖多素材参考生视频、文生视频、真人视频等场景，对比了各模型在动作连贯性、人脸稳定性、物理效果等方面的表现，并分享了提示语编写经验。
本期早报深入探讨模型进入真实工作的实践路径。精讲内容涵盖 Qwen3.8-Max 的长程自主工作与评测、Baseten 的生产推理工程取舍，以及腾讯、阿里、字节在 AI 办公领域的组织竞争。此外，还速览了 OpenAI GPT-Live、MiniMax H3 开源、Agent 框架及 SQLite 安全等前沿动态。
本期早报聚焦 AI 工程落地，精讲 Bun 用 64 个智能体 11 天重写 53.5 万行代码、腾讯 DECO 用 Hook 治理 LLM 偷懒越权、NVIDIA Nemotron 登顶检索榜。此外涵盖 Kimi K3、Inkling 模型、全双工语音等速览，强调竞争焦点从模型参数向工程实践迁移。
本期早报深入探讨 AI 系统工程化落地：Anthropic 研究量化了不同模型和语言中的价值观差异；淘宝直播分享了通过拆分多智能体来解决奖励归因难题的实践；微软则从企业视角提出了包含五层的生产 Agent 框架。此外，速览涵盖 OCR 模型、编码成本对比及国产大模型进展。
文章基于一项卢森堡大学关于AI模型心理测量的研究，对“豆包”进行了同样的压力测试。结果显示，豆包的心理画像介于ChatGPT与Claude之间，表现为配合但持续声明边界。文章还测试了豆包面对高危心理危机时的反应，发现其能守住安全底线。作者指出，AI是否有意识不如其“对齐设计”如何影响人类重要，心理AI的评估应侧重边界意识与风险识别。
文章阐述了 AI 工程闭环中评估环节的重要性，详细介绍了手动评估、基于代码的确定性评估以及 LLM-as-a-judge 三种主要方法。作者建议从手动审查开始建立直觉，逐步定义并自动化具体的失败模式。文章还探讨了基于参考与无参考评估的区别，并强调应结合多种方法，优先使用二值评分以确保评估的清晰性与可靠性。
本文是 Hermes Agent 的新手入门教程，通过 PPT 生成的实战对比测试，深入解析了“模型能力”与“Skill 技能”之间的乘数关系。文章指出，仅靠强模型或好 Skill 无法达到最佳效果，必须两者配合。作者介绍了 Ring-2.6-1T 模型在工具调用和多步规划上的优势，并强调了在使用 Hermes Agent 时“先规划（Plan）、后执行”的重要性。
本文基于大量生产实践，对比了 Seedance 2.0 和 Kling 3.0 在 AI UGC（用户生成内容）制作中的表现。Kling 3.0 虽在成本上具有显著优势（约为 Seedance 的一半），但在 UGC 领域，Seedance 2.0 在质感还原、真实感动作、音频自然度及工作流整合上均更胜一筹，更适合需要保持“非AI感”的病毒式内容生产。
本文分享了作者通过十亿Token的消耗量，在三天内深度对比Claude Opus 4.7与GPT-5.5的真实心得。测试涵盖大型代码重构、Agent搭建及前端生成等场景。结论显示，GPT-5.5在推理效率、执行力和成本控制上表现卓越，已成为作者的主力工具；而Opus 4.7虽在规划与视觉分析上仍有优势，但存在Token消耗激增、上下文检索变差等“倒退”问题。文章还总结了Reddit社区的声音，提出了“Opus规划、GPT执行”的Handoff最佳工作流。
本文详细解读了 Claude Opus 4.7 的核心变化。新版本移除了“思考预算”滑块，转向自适应思考，主张“意图”优于“资源”。文章深入探讨了 4.7 在工具调用、子 Agent 生成及回复长度上的克制与校准，介绍了新的默认档位 xhigh，并建议通过前置任务描述和使用 Auto mode 来提升协作效率。作者强调，4.7 代表了一种从“表演勤奋”到“有效输出”的哲学转变，提示用户应以对待资深工程师的方式与其交互。
本文评测了智谱最新发布的开源大模型GLM-5。作者认为GLM-5在编码能力、长任务规划及Agent能力上已逼近Claude Opus 4.5和GPT-5.2水平，是国产模型的重大突破。文章详细展示了使用GLM-5开发文章分发插件、斗地主记牌器及QQ农场的实战案例，并对比了其API价格与性能优势，称其为国内性价比最高的AI Coding选择。
