ByteNote 字节笔记本 — AI、开发工具与效率软件发现

开源追旗舰的账，这次算在推理开销上

开权重模型追旗舰，Beam 换了个算法：501B 总参 23B 激活的稀疏专家，编码推理三线进第一梯队，同档任务对一款旗舰省 3 到 4 倍推理算力。权重本月按 Apache 2.0 放出，先走小范围 Early Access。

当非工程师开始自己搭内部应用

中型科技公司开始给非工程师搭内部平台，用对话生成内部网页和工具。报道点名 Ramp 和 Stripe 两家各建平台且都跑起来了，作者预计接下来会有更多公司跟进。

小米公开了全套 RL 配方，凭什么还扣着权重？

小米把 RL 后训练的账单、任务配比、防作弊机制全公开，环境和框架也一并开源，旗舰权重却没放。昨日榜单 68 赞还在升。配方公开与权重保留其实并不矛盾。

三步把墙上时钟接进智能体

只把预算写进提示词，智能体的守时率只有 15%，平均超支六成。接上信息时钟再层层加码能爬到 88%，分数却纹丝不动。三步接法：给读数、给硬边界、再谈训练。

编码智能体的瓶颈，卡在理解不在改行

6840 道合成题上，模型越大越吃力，智能体靠工具几乎全对。可最预测真实基准失败的，是理解类调用次数，不是改动行数。代码理解才是编码智能体的瓶颈。

别等窗口到顶再砍上下文

长会话还没到顶，硬截断就把前缀和旧观察砍掉。billion-context 让模型自己折成摘要，需要时再解压。研究口径 4.5 个月、17.4 万次调用，窗口违例是 0。先把代理接上再谈窗口。

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。