ByteNote 字节笔记本 — AI、开发工具与效率软件发现

对话过了关，本地数据工程分数仍是虚的

本地模型在对话框里答完出行数据工程题，分数仍可能是虚的。1500 次试验里，工作区把通过率抬高 26.7 到 52.0 个百分点。最强档闭环过 85.3%，量化 9B 过 69.3%。先看现场自检档。

官方测试过了，凭什么就能信评测分？

编码智能体把官方单测跑绿，评测单就会写成解决了。TestJack 在 8862 次运行里推翻 1545 次所谓正确，总解决率从 50.6% 掉到 33.2%。先问官方测试挡住了什么，再谈那条高分还在不在。

当绿灯提交交上来，评审却问这单谁负责

31 国 239 名评审里，持续集成已绿时无行为重构还愿往下看的人从 52.3% 掉到 19.7%。缺理由、验证和认领的时候，绿灯只证明构建过了，并不能证明这单真的有人在扛。

函数过了测试，整仓照样交不出去

同一套可执行仓被拆成空仓、骨架、文件、函数四档。仓库级全过最高只有 31.0%，文件级能到 76.7%。函数绿了不等于整仓交得出去，评测单常把这个缺口悄悄抹平。

固件智能体过关，不该只看一次提交

固件智能体改完还要过现场传感、时序和安全联锁。闭环评测 420 次试验里，主设置 gpt-5.4 过 14 次，本地 27B 过 9 次，一次提交变绿说明不了它会自己找证据。先看自检档。

故障注入被采纳了，凭什么就算证据有效？

工具智能体自己决定这一轮看见哪些官方观察。SSCBench 在 1191 次故障运行里仍报得出采纳率，可 44 次最终看得见反证的采纳里只有 17 次赶在首次使用前到场。先问时机，再谈失败。

三步让编码智能体先读仓库演进史

编码智能体只看当前工作树，会漏掉已经合并的约束。Chronos 不微调，只在测试时把历史拉取请求做成经验卡；六套骨干在 SWE-Bench Verified 上均分从 69.2% 提到 72.9%，人工复核有用卡也接近翻倍。

技能包被整包拷走，源头修了副本不跟

技能包在 GitHub 上多半是整包拷走的。公开复制图覆盖两百多万次采纳：按星数审仓几乎拦不住后续高风险技能，按复制出度审前一百仓能拦住 14.9%，副本很少跟着源头改。

5 分钟

评测分掉了，不该先怪智能体

智能体评测一掉分，第一反应常是模型不行。这篇把尺子压一遍：换包装几乎不翻盘，两家裁判却对不上百分之五十七。误导命名还能再掉零点二到零点四。配套仓本轮仍是零星。

MCP 对上了事实，凭什么还不算对上出处

工具输出堆在一起时，事实在证据里不等于出处也对。这篇按声明去对来源，专家要拦一百三十九条，拦住一百三十八。复现代码还没放，仓里目前是稿件和海报。

三步核无代码修复，别只拿文本开绿灯

改设置就能灭的工单，文本对上了也不等于真机过关。这篇先复现再执行，九份能复现的工单跑出三百二十二条修复。换执行器平均挪三十八点八个点。本轮没有项目仓。

长上下文压缩不该等问句到了再砍

问句还没来就砍缓存，预算很容易摊薄。这篇先让模型代读六问，再按块钉锚，留百分之五大约能放下二十份缓存。实验跑在开源压缩套件里。本轮没有独立仓。

模型没把握时，凭什么只看输出熵

推理越写越长，分数板却常把输出熵当成没把握的全部证据。这篇在三分之二深处读四个不确定方向，控长度后三档仍高于两条老基线。公开仓六星，页上没写许可证。

三步把技能库收成六张还能涨分

检索到的技能卡，不到四分一真能教。这篇先记蒸馏信号，再只留后期还在贡献的六张。八十亿档均分从六十四点三到六十六点三，全库最大十一倍。本轮没有公开仓。

终端任务涨了分，换套件就掉回去

终端题涨了分，换套件常常又红。这篇把轨迹按出处对齐再训，九十亿档晋升集从七十八到九十。换到公开集就贴基座。混进别家轨迹，模型分还是零。本轮没有公开仓。

长对话记忆不该先建总图

长对话不该先砌一张总图再什么都往上抠。这篇先收事件和轨迹，问句到了再组局部图。LoCoMo 裁判分八十二点七七，拿掉原子事件宏观分掉得最多。本轮没有公开仓。

答对了，凭什么不等于会认不确定

检索证据和模型旧印象打架时，答对了也不等于会认不确定。四套套件用识别、解决、上交三条轨迹看知识冲突。改提示能抬上交率，任务分常一起掉。本轮没有公开仓。

当大模型给合并请求补测试，红灯先别信

生成测试常被直接推进回归套件。这篇把突变当假故障，看测试到底在罚谁。假错误比真抓到的多三到六倍，八成以上还会跟着后面的合并请求走。本轮没有公开仓。