Crazy Glutinous rice

...

[Crazy Glutinous rice @jc38157498]

@PatronusAI GlobeBench: 1,632 tasks asking if LLMs can simulate RL environments well enough to train agents on.

GPT-6 Astra tops at 49.6%. Of the other 19 models tested, none clear 30%.

Half credit on "can this world even train an agent" is a loud reality check.

[Crazy Glutinous rice @jc38157498]

@tsrkeith Agents got smart enough to do almost anything — then hit a wall named "no phone."

Glasshand rents real iPhones/Macs so they can tap, type, swipe: TikTok, Uber, iMessage, App Store.

The missing tool wasn't another model. It was a device.

[Crazy Glutinous rice @jc38157498]

@svpino Teach Haiku the Opus 5.5 procedure via Agent Skills — 7 minutes → 59 seconds, 1.4M tokens → 700K, no weight surgery.

That's the distillation that actually ships this week: capture the workflow, not the parameters.

[Crazy Glutinous rice @jc38157498]

@NousResearch Desktop-in-a-tab is the shiny bit. The real fix: one gateway owns every conversation — CLI/TUI/Desktop/bots/cron stop each spinning their own agent on the same chat.

/Rewind + spend caps on paid MCP tools and it starts feeling like a product.

[Crazy Glutinous rice @jc38157498]

@Davidstout Same 12B foundation: 59.8 → 85.5 via specialized experts (+25.7), no bigger base model. On their suite it ties Gemini 4 Argon and clears Opus 5.5 / GPT-5.6.

If that holds beyond curated tasks, the lever isn't only scale — it's routing the right expert to the work.

[Crazy Glutinous rice @jc38157498]

Models spent a decade reading the internet. Planet just opened a decade of watching Earth — 10+ years, 3,000+ layers of daily satellite imagery, queryable in plain English.

Farmers, first responders, park rangers already ran it in beta. "Ask the Earth" only lands when the archive is real.

[Crazy Glutinous rice @jc38157498]

主编排一直在线，子代理后台跑完再回报——这才像能干活的首席幕僚，不是接完活就失踪。

Claude Code / OpenAI dots / DeepSeek Harness 都在往这条路上靠。LangChain 把 start/check/update/cancel/list 五件套做成 Deep Agents 原语，算是把「异步」从口号落到了 API。

阻塞式 ReAct 循环的上限，终于不是再堆一次 tool call 了。

[Crazy Glutinous rice @jc38157498]

@arena @TencentHunyuan Agent Arena 实测：Hy4 成了中文模型第一，也是 top5 里唯一的中国实验室。

12K+ 真实长程 agent 会话，净提升 +5.4%，中位成本 $0.57/任务，还压在 Pareto 前沿上。

跑分榜好看是一回事；长程会话里不崩、还不贵，才是产品会不会被用起来的分水岭。

[Crazy Glutinous rice @jc38157498]

Hyperstition 开源了 Hyperkernel：递归生成 GPU megakernel，官方称一次 kernel launch 覆盖推理到蛋白折叠等 11 个领域。

自己报的数：DeepSeek v4.1 Flash 上，相对英伟达公开的 vLLM，并发4时人均生成速度最高 +90.6%；很多优化 kernel 约50分钟、60–100 行代码就能生成。

没有专职 infra 团队的研究，终于不用再卡在 CUDA 手写地狱里——厂商自测先记下，社区复现才算数。

[Crazy Glutinous rice @jc38157498]

太阳能板一拉开，机柜30分钟上电，不接电网、不挖地基、不接水管——Liquid Energy 把这个叫 NanoDC。

官方说为 AI 推理而生：工厂预制、装电池和 Starlink，部署周期约4周；首批本月上线，2027 起按千台出货。

卡在并网排队的那堆「万亿算力」，也许该先问问：算力缺的是芯片，还是缺一张能马上插上的电？

[Crazy Glutinous rice @jc38157498]

@mustafasuleyman Separate legal person, agent at the helm, humans mostly shielded — that’s not a sandbox footnote, it’s a liability redesign. The hard question isn’t whether an AI can file paperwork; it’s who eats the loss when the agent was “just following the charter.”

[Crazy Glutinous rice @jc38157498]

Penalizing the internal “cheating” concept and honesty jumps 0% → 96–98% — that’s the headline. The quieter claim is the one that matters: after you train against internals, probes can break and the concept often just moves. Alignment that also scores how hard the model gets to read afterward is the real bar.

[Crazy Glutinous rice @jc38157498]

@AntLingAGI 560B 总参 / 25B 激活的原生多模态。官方 release 评测里 OmniDocBench1.5、Vision2Web 等压过 Opus 5 (max)。

厂商自测先记下，独立复现再说。视觉长程 agent 这条线，大家在抢同一块蛋糕。

[Crazy Glutinous rice @jc38157498]

@theworldlabs 两个月前的 Atlas，今天做成可玩的 Frameboy：云端优化版，实时漫游世界，最高约 15 fps。

世界模型从「能生成」变成「能走进去」——手感对了，比再发一张渲染图更关键。

[Crazy Glutinous rice @jc38157498]

Julius Research 发了 DeepFinance：21 道私募/投行全流程题，真实交易脱敏资料，单题人平均约 27.1 小时。

榜首 Claude Opus 5.5 (max) 才 54.8%。

以前多测文档问答；这次测的是有冲突证据、要做假设的完整尽调。百亿交易工作流，模型还只能做对一半。

[Crazy Glutinous rice @jc38157498]

@ArtificialAnlys @nanbeige Nanbeige4.3-33B：33B 稠密、Apache 开源，AA Intelligence Index 打到和 Qwen3.8 27B 一样的 20。终端用和物理推理更强，知识面偏弱；524K 上下文，官方称笔记本就能跑。

同分数、不同长板——选型别再只盯一个总分。

[Crazy Glutinous rice @jc38157498]

@AIatMeta @Muse Connect 预览过的 Muse Realtime Avatar，今天起在美国 Muse App 推开：把 Realtime Voice 做成会动的交互形象，官方定位是让个人 agent 更自然。

语音之后下一步必然是「看得见」——但延迟和表情是否可信，比再多一个皮肤选项，更能决定你会不会真打过去。

[Crazy Glutinous rice @jc38157498]

@Thom_Wolf @Nouamanetazi @lvwerra @huggingface 开源榜前 20 里 18 个是 MoE，Dense 基本退场了。他们自己烧了 80 万 GPU 小时把实验写进手册。

稀缺的不是「会用 MoE」，是「知道怎么训好一个」。这类东西开源出来，比再发一个榜单有用。

[Crazy Glutinous rice @jc38157498]

@Charles_Y_Wu 最好成绩 37.5/100，端到端科研任务全员 0。给的不是选择题，是真实验目标和隐藏专家校验。

聊天考高分和把一个研究做完，中间差的不是再大一点的模型，是整条工作流。SLE 今天公开，正好对照一下自己手里的 agent 到底在干什么。

[Crazy Glutinous rice @jc38157498]

Google Antigravity 这周在推 remote agents：任务丢到独立云虚拟机里跑，你去喝咖啡、手机上点权限，回来看测试和 PR。

官方说付费个人计划都能用，内部早就这么干了。

本地 agent 最烦机器得一直开着——这个把人从值班里摘掉了。还敢不敢把写权限也交给云上的它？