Darren

OK, you got me.

[Darren @darry_darr]

@thsottiaux @ChatGPTapp The desktop app on Windows is very laggy and unresponsive.

[Darren @darry_darr]

@thsottiaux @ChatGPTapp When I generate images using Image Gen in the desktop app, the generated images are always displayed in a cropped view instead of showing the full image.

[Darren @darry_darr]

@thsottiaux prefer no 5hr limit.

[Max For AI @MaxForAI]

在起飞前，让我提醒您以下是我们即将在未来两周内见到的模型

- @Kimi_Moonshot K3（非常强大的新一代基础模型）
- @deepseek_ai V4 正式版（能力有明显提升）
- @Zai_org GLM5.3（版本号存疑）
- @MiniMax_AI M3.1（便宜好用，但建议还是等M3 Pro）
- @AnthropicAI Claude Opus 5
- @GoogleDeepMind Gemini-3.5 Pro（也���它无法在7月内推出，我们拭目以待）
- @Alibaba_Qwen Qwen-3.8（也许���有3.7 27B）

其中的一些模型已经开始了早期测试，目前从我得到的消息和实测来看，效果非常出色。

至于OpenAI，他们的新模型得8月份了～

[KissMeow @kissmeow6]

Tom, the first cat to lose his job to AI

[Matt Pocock @mattpocockuk]

@m0hilll If I was just moving words around then yeah it would be a waste.

To me it feels like I'm trying to build good software practices, and the distribution mechanism is skills.

My bet is that good software practices haven't changed and likely won't change very much.

[Khyle. @khyleri]

what's up fern?

[Matt Pocock @mattpocockuk]

Skills v1.1 cooking

/wayfinder goes live, /to-spec & /to-tickets, improvements to /writing-great-skills, /research skill, Martin Fowlerized /code-review, /triage works on external PR's too, docs for every public skill

Shipping this week

[yibie @yibie]

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��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���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��，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���：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���，几乎不存在���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��有泄露的 <invoke 标记。然后有自己的���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��更多怀疑态���，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

[Darren @darry_darr]

@passluo 这可是ai顶刊🤣

[Darren @darry_darr]

凡是用“卧槽”，“震惊”开头发推的，一概屏蔽

[Darren @darry_darr]

@AiHubMix coding-glm-5.2 是更低的量化版本吗？跟glm-5.2差别大吗

[Darren @darry_darr]

@cellinlab 这是啥意思，本来也不可能通过杭州的ip去访问啊

[Darren @darry_darr]

@Blankwonder 啊，那游戏的支持数量区别大吗🫠

[Darren @darry_darr]

@Lonely__MH @cline 能通过api调用吗

[Darren @darry_darr]

@TravelingNara @mranti 官方也是8fp

[Darren @darry_darr]

这两天把自己原本准备做的工作目标交给了codex，时不时瞄一眼引导他的执行方向。没想到就那么一直做了接近十八个小时还不见结束，给出来的中间结果表现也不错。还是要加快转变下自己工作方式啊

[Darren @darry_darr]

@UnslothAI what is ttft?

[Valve @valvesoftware]

Steam Machine is here, and you can sign up now:

Steam Machine 512GB
Steam Machine 2TB

Plus bundled versions with Steam Controller
Learn more and sign up here: https://t.co/dSr8sbm8db