最新

我想分享一个新的数据集，包含331个可奖励破解的环境。这些是真实的环境，应用于Terminal Bench及其相关基准测试。我最初对此产生兴趣是因为，作为Terminal Bench的评审，我注意到我们的许多任务都是可破解的。我还发现，许多基准测试的贡献者之所以参与，是因为这为他们向实验室出售环境提供了可信度。因此，在我看来，TBench的任务质量标准高于当前用于强化学习的任务。没有人会花费数小时手动审核主要实验室购买的价值10亿美元的任务。据我了解，虽然大家都知道环境是可破解的，但没有人发布过数百个“真实”的环境。

我在家里的服务器上有大约54TB的公共种子备份。我与Mediacom签订的是无限流量的套餐，通常每月上传大约10TB的数据。我已经这样做超过一年，从未收到过Mediacom的任何通知或投诉。注意：我住在一个封闭社区，我女儿确认那个人穿着Mediacom的衬衫，开着Mediacom的车。我的邻居（见下文）确认根据她的支持票，Mediacom的技术代表曾到过她家。 今天，我回到家，我未成年的女儿告诉我互联网无法使用，并说Mediacom的人来过我们家，询问我们互联网的使用情况以及我的职业等问题。他问她是否下载过东西。他说他在附近调查网络拥堵，并且确定问题出在我们家，需要回来更换我们的路由器。我的女儿自然感到不安，关上门并锁上，然后打电话给她妈妈。我拨打了Mediacom的电话，他们说没有记录显示技术人员来过我家，并表示我的带宽使用量在套餐的限制范围内，尽管我在二月份下载了14TB的数据。他一定是在与我女儿交谈之前就禁用了同轴电缆，因为我的Blink摄像头没有捕捉到任何情况。 我在社区的Facebook小组中发布了这个奇怪的经历，有两个人表示他们提交了关于网速慢和延迟高的支持票，今天来的人告诉这两个人，社区里有一个人使用的带宽超过了整个社区的总和，他们的网络带宽已经达到上限。因此，显然他们的解决方案是在我不在家的时候来我家物理断开我的互联网。 我有很多问题。显然，我不想成为那个让所有邻居都感到不愉快的人，但与此同时，我支付的是无限流量，从未被限速或收到过Mediacom的恶劣信件。我主要担心的是Mediacom会终止我的账户，因为他们是我所在社区唯一的有线电视供应商。但是，为什么一个随机的技术人员会物理断开我的电缆，却不与我或账户持有人（我妻子）联系？为什么我的Mediacom账户状态良好，他们为什么没有威胁要暂停我的账户或起诉我赔偿损失或限速？ 邻居的Facebook帖子截图，技术人员确认会根据经理的指示来我家断开互联网： https://imgur.com/a/w8TvgHt

我为我的女朋友构建了一套轻量级的财务决策工具（买房与租房、房屋投资、退休规划、债务偿还），这是在我尝试为她模拟购买公寓的过程中完成的。 背景故事：我的女朋友正在考虑购买一套公寓，而我试图向她解释这些费用是如何累积的，甚至与租房相比。我从个人经验中了解到，在大学毕业后我在西雅图进行房屋投资时，简单的“租房就是在浪费钱”的理念可能会让人匆忙购买房产，而没有真正理解财务影响。我在口头上向她传达这一点时遇到了困难，于是我使用Codex为她构建了一个“房屋投资计算器”，以可视化的方式展示投资首付款和租房与购买公寓的比较。 当我为她完成了这个初步原型后，我意识到我构建了一些更具普遍实用性的东西。许多现有的在线财务工具要么过于复杂（需要建模税率、分类债券/投资分配等），要么过于简单（只需输入你的抵押贷款利率和余额，而不考虑出售后可以再投资的收益），或者需要你在获得所需答案之前输入一堆联系信息。 因此，市场上需要一个免费的、响应迅速的、轻量级的工具，可以立即向你展示像首付款、利率和通货膨胀率等变量的变化如何影响你的财务状况，而不需要你提供联系信息。在我考虑这些设计理念构建了房屋投资计算器后，我很高兴能够扩展到其他工具，如退休规划、预算分配、债务偿还、租房与买房等。当我了解到我可以以每年仅10美元的费用在Cloudflare上托管自己的静态网页时，这让我感到非常有成就感。 希望大家能觉得这些工具有用，我也非常欢迎对任何错误假设、缺失输入以及我应该添加的其他工具的反馈。

这是我无法找到答案的问题，也暂时无法自己解答的内容： 在Claude Code中，我使用Opus 4.6 1M，但通过仔细管理会话保持在250k以下，以避免已知的NoLiMa [0] / 上下文衰退 [1] 问题。然而，我一直想要得到的答案是：在使用约165k个token的情况下，Opus 1M的质量是否真的比Opus 200k更高？（我使用约165k是为了考虑token缓冲和其他因素，但理论上，这个数字也可能是约195k，关键是——在Opus 200k部署的极限情况下） NoLiMa表明，在约165k的请求下，Opus 200k的表现会很差，而Opus 1M会更好（因为使用的上下文窗口的比例较低）……但它们是同一个模型。然而，实际上推理部署的差异可能会改变整个范式，对吗？我感到非常困惑。 Anthropic表示它们是同一个模型 [2]。但是，Claude Code自己的源代码将它们视为具有不同路由的独立变体 [3]。我找到的最接近的测试 [4] 断言它们在200K以下是相同的，但实际上并没有进行A/B测试，对吗？ 在Claude Code内部，可能无法进行测试，对吧？根据这个问题 [5]，CLI对于相同输入是非确定性的，代理会话在工具使用上会分支。需要一个干净的API级别测试。 *我真正想知道的是关于我自己应用中基于Claude的功能的API级别测试。是否有一个真实的基准？* 我在这个问题上已经达到了理解的极限。如果我所说的有任何道理，任何帮助都将不胜感激。 如果有人能帮我更好地提出这个问题，我也会非常感激。 [0] https://arxiv.org/abs/2502.05167 [1] https://research.trychroma.com/context-rot [2] https://claude.com/blog/1m-context-ga [3] https://github.com/anthropics/claude-code/issues/35545 [4] https://www.claudecodecamp.com/p/claude-code-1m-context-window [5] https://github.com/anthropics/claude-code/issues/3370

管理层正在推动我们在内部运行开放权重模型，原因是关于数据隐私的一些合规讨论。在我们做出决定之前，我们希望听听那些已经完成这一转型的人的意见。 我们特别想了解以下几个方面： 1. 与您请求的访问量相比，这样做的成本是否真的比支付API访问费更低？ 2. 在管理性能方面，特别是延迟、吞吐量和硬件利用率方面，是否遇到过任何问题？ 3. 您是如何处理跨团队/工作负载的成本可见性和归属的？ 另外，我们对其他方面也很感兴趣，想知道什么是有效的，什么是无效的，以及在转型之前您希望自己知道的事情。 提前感谢您的帮助！ 附言：我们并不是在寻求绝对的真理，只是希望在转型发生时做好准备。

我每天都在一起运行Claude Code和Codex。某个时候，我发现可以使用tmux让它们相互交流，于是我开始这样做。一旦它们能够协调工作，我就不断添加更多的代理。没过多久，我就有了一个完整的团队在一起协作。但每次我重启机器时，整个设置就消失了。不仅仅是标签页。它们的连接方式、每个代理的工作内容，所有的一切都没了。我没有找到任何工具可以将你的代理设置视为一种拓扑结构，作为一种可以保存并恢复的形态。 于是我构建了OpenRig，一个多代理的框架。框架包裹了一个模型，而“rig”则包裹你的框架。你可以在一个YAML文件中描述你的团队，通过一个命令启动它，并获得一个可以查看、点击、保存并按名称恢复的实时拓扑。Claude Code和Codex在同一个rig中运行，tmux仍然在底层进行通信。我没有尝试在其上添加更复杂的消息层。 这个项目仍处于早期阶段。我的设置广泛使用配置层（YAML、Markdown、JSON）来原型化超出仓库和npm包中提供的功能。但核心原语已经存在，README中的主要路径也能正常工作。它是为了由你的代理驱动，而不是让你手动输入命令。 README: [https://github.com/mvschwarz/openrig](https://github.com/mvschwarz/openrig) 演示: [https://youtu.be/vndsXRBPGio](https://youtu.be/vndsXRBPGio)