We built Control Room, a central system to track model workloads across our research infrastructure and stop them quickly when safety or security concerns arise.
It connects every research inference workload, including agentic sampling for model training and evaluation, data processing, and more. This works together with our misalignment monitoring systems, and halts model output within 35 seconds of a decision to intervene to stop or pause a job.
Control Room is just one part of our holistic approach for safe frontier model training and deployment.
openai.com/index/control-roo…
meadowyn retweeted
A lot of folks ask me "how do you work with agents in multiple repos at once?"
I have a very simple solution - the Home Repo
I have a single repo (the home) where all of my skills, steering files, wiki etc live.
I run my agent in the home repo, and then inside AGENTS.md I have pointers to the other repos:
```
For skills, clone mattpocock/skills to ~/repos/skills.
For Sandcastle, clone mattpocock/sandcastle to ~/repos/sandcastle
```
This is extremely simple and incredibly effective. The home repo lets you:
1. Put all your steering files and tooling in one place
2. Have a single spot to run all your agents in
3. Make sweeping changes over multiple repos
Talked about this in the course yesterday and folks are loving it (see below).
I'm sure you will too. Enjoy!
meadowyn retweeted
很明显中国 AI 公司都开始谈 RSI(递归自我改进)了,但大家对「自我改进」的理解可能还不太一样。
很推荐阅读 Asterisk 写的这篇《How Chinese companies talk about recursive self-improvement》。
两位 GovAI 研究员梳理了阿里、DeepSeek、MiniMax、智谱、小米等八家中国 AI 公司的公开资料,发现大家以前更多谈「自进化」「自学习」,直到今年 7 月才开始使用 RSI 这个词。
但实际的技术探索已经挺有意思了。
比如 MiniMax 让 M2.7 在内部 Harness 上迭代超过 100 轮,自己分析失败轨迹、修改 Harness 代码、重新运行 Eval,再决定是否保留改动,最终在内部评测中提升了约 30%。
智谱则让 Agent 参与推理基础设施的分析、代码修改和实验优化。小米的 CodeMidas 甚至尝试从现有代码库自动构建 RL 训练环境。
文章还提到一个有意思的差异。
相比硅谷经常把 RSI 与「智能爆炸」联系起来,中国公司的讨论更多落在实际研发和应用上,背后也有算力成本、商业竞争等现实因素。
我个人挺希望以后相关的技术发布,能多展示一些完整的实验过程。
比如 Agent 自己发现了什么问题,尝试过哪些失败方案,最终保留了什么改动,以及人在哪些环节参与决策。
感觉这些真实的研发过程,比一句「实现了自我进化」更能让人感受到技术究竟走到了哪一步。
原文:asteriskmag.substack.com/p/h…
更新了 Baoyu Design Skill 的 DeepSeek Harness 插件,现在可以有统一的入口,看到所有生成的 Slides、Design、Dashboard、Motion 的结果,也方便发起相应的会话。
更新地址:github.com/JimLiu/baoyu-desi…
baoyu-design 新增了 Motion 功能了,在 Claude Motion 基础上完善了多人协作和编辑器功能。
你不需要等整个视频渲染完成才能看到效果(用 Opus 5.5 做过 Motion 动画的都知道从浏览器截屏渲染一个视频多慢),从一开始就可以看到 Motion 被渲染的过程,修改起来也很方便。
Motion 中的文字可以随时编辑,支持 Design System 和风格样式。
可以运行在任意 Agent,包括 DeepSeek Harness 插件。
但也不要期望太高,做出来的效果并没有特别好,还是需要配合擅长 Motion 的模型(比如 Opus 5.5)和特定提示词或 skill 才能做的更好。
但有一点我觉得方向是对的,就是我们只需要一个简单的视频编辑器,只要标记和评论就可以修改。
后续会在和 Claude Motion 保持同步的同时加一些功能。
项目地址:github.com/JimLiu/baoyu-desi…
meadowyn retweeted
I burned a shitload of compute so you don't have to. Releasing the Harness Leaderboard.
Which harness should you run your open model in? I ran 28,849 trials to find out.
The leaderboard compares nine coding-agent harnesses on open models. In each comparison only the harness changes: the model, provider and reasoning effort stay fixed, and every task gets three attempts.
The trials ran GLM-5.3-Flash, DeepSeek-V4.1-Flash and Flint on Terminal-Bench 2.1 and DeepSWE, for $4,746 of inference.
Averaged over the three models, mini-swe-agent (@KLieret), a bash-only agent, solves 51.4% of tasks and @openclaw 27.3%. Four others are statistically tied with mini-swe-agent.
One of them is Pi (@pidotdev), at 49.4% for $0.29 per solved task, about 45% less than mini-swe-agent's $0.53.
The best harness depends on the model: mini-swe-agent on GLM-5.3-Flash, Hermes Agent (@NousResearch) on DeepSeek-V4.1-Flash and Kimi Code (@Kimi_Moonshot) on Flint.
@opencode costs $3.35 per solved task, 11.7 times as much as Pi.
See Harness Hub's Harness Lens for what the nine harnesses do differently. It documents the prompts, tools and compaction of 34 coding-agent harnesses and links every claim to its source.
Leaderboard: huggingface.co/spaces/joelni…
Harness Lens: huggingface.co/spaces/harnes…
meadowyn retweeted
recommended reading.
anthropic.com/research/compo…
I spent an afternoon turning my AI coding habits into 20 rules that you and your agent can learn from together.
Briefing
1. Stop dictating the implementation. Describe the outcome you want. Models are good enough now, so aim high and don't worry that it can't be done.
2. Give your agent the background and the goal: why it matters, who it's for, what great looks like. Then let go of the technical details.
3. Use the best model available. A weaker one just means more back-and-forth, wasted time and frustration.
4. Before adding a feature, setting or toggle, have the agent check with you first. Don't let it add features, toggles or copy nobody will use, and have it write your product rules down as it goes.
5. Think big, but have it build in the smallest usable steps and commll back anytime.
Rules
6. Teach it how you talk: "look at" or "analyze" means read and report, "fix" or "change" means edit. Commits, releases and deletions always need your OK.
7. In AGENTS.md or CLAUDE.md, write only what it can't learn from the've already ruled out. Never paste keys or tokens into the chat. If you do, treat them as leaked and rotate them.
8. Prompts alone won't hold hard rules. Enforce them with scripts, anthe checks actually pass.
Coding
9. Before writing code, have it explain what it will change and what that will affect, so you have the context to make the call.
10. Have it build a verification script for the project, run it at ch results. Over time, that becomes your agent's test suite.
11. Parallel agents each get their own worktree and commit only their own changes. Once everything is merged, run the full test suite.
Debugging
12. Find the cause before fixing. If two fixes fail, add logs and looguessing.
13. If three fail, clear the context and start fresh with the problem, the goal and what you've already tried.
Review
14. Keep the agent that writes separate from the agent that reviews, her.
15. Cap reviews at 3 rounds. From round two on, only review what's new.
16. The riskier the change, the deeper the check. Deletions, paymentsdoors, so check them yourself and click through the real result.
Shipping
17. Every commit says what changed, how it was verified and how to roll it back. Your git history becomes great context for the next agent.
18. Use it yourself or give it to early testers first. Add a beta updse doesn't hit everyone.
Retro
19. Every production bug and user report gets a test case that runs before each release. Rerun them whenever you switch models to see if the new one holds up.
20. When fixing one thing, have it find and fix the same problem everures and visual polish.
如何从零手写一个Agent?整了一套 Agent 教程,共18 篇
Claude Code、Codex 这些编码 Agent
内核其实就是一个循环:
模型请求工具,代码执行,结果放回对话,直到模型不再请求
这套教程从100 行代码开始
用 Python 一层一层往上加:
工具、权限、上下文管理、Skills、
接入聊天软件、定时任务、MCP、子 Agent、计划、记忆。
每一课都有能直接跑的代码
每一课末尾都对照主流 Agent 在这一块是怎么做的
最后 7 篇,拿亲手写过的这 11 个零件当尺子
逐个拆解 Claude Code、Codex、Pi、Grok Bot、
DeepSeek Harness、OpenClaw 与 Hermes
看它们各自做了什么取舍
整理完最大的感受是:
主流产品的分歧,大多集中在一个问题上:
安全这一层,交给提示词,还是交给代码
namiai.tech/agent/?v=1
meadowyn retweeted
୨୧ ‧₊˚ お知らせ ୨୧ ‧₊˚
かわいい文字素材を探せるサイトを作りました ♡
顔文字・特殊文字・キラキラ装飾など
好きな素材を探してタップするだけでコピー ⊹˚
すべて無料で使えます🎀
SNSの投稿やプロフィールのデコレーションにぜひ₍ᐢ..ᐢ₎
kanamori.kawaii-moji.workers…
meadowyn retweeted
目前的 Harness 优化,有两个大方向。
一统全局脚手架,试图用一套Prompt 和控制逻辑。但随着业务场景增加,针对财务表格优化的指令往往会干扰代码生成任务,导致严重的规则冲突与上下文过度膨胀。
另一种是针对每个特定领域单独复制一份专用代码。然而不同版本之间无法代码复用,维护起来很难。而且一旦遇到未曾见过的分布外(OOD)新任务,专用脚本往往会崩溃,且无法回退。
其实人类软件工程早在 40 年前,就用面向对象编程完美解决了复用、特化与隔离的问题。
那么,为什么不把这套直接用在 Agent Harness 的自动演化上?
Google Cloud AI Research 联手 UIUC 团队,刚刚在 arXiv 上发表了一篇论文:Object-Oriented Harness: Evolving Agent Harnesses through Object-Oriented Design
他们提出了 OO-Harness,首次将面向对象设计(OOP)的继承、封装与多态引入智能体脚手架的自我演化中。
OO-Harness 的设计哲学非常纯粹,就是将 Agent Harness 直接建模为一组可执行的 Python 类层级体系。
首先定义一个标准的基础类,封装最通用的核心执行逻辑、基础工具接口与容错底座,确保系统在任何时候都有稳固的下限。
演化 Agent 采用 Claude Opus 4.8 深度剖析历史失败日志,自动捕捉特定业务集群的痛点,并自主编写新的 Python 子类。
子类直接继承 Base 的通用控制力,仅针对性地重写特定方法。
测试阶段是由路由 Agent 结合初始执行证据比如第一轮报错日志或环境状态,精准定夺。
如果匹配到已知痛点,立即指派给特化子类 Harness 执行。如果发现是陌生的分布外任务,系统安全降级调用 Base Harness,彻底杜绝了盲目特化导致的误伤。
这项研究中他们把底层的执行大模型gemini-3.5-flash完全冻结,不调一个参数,仅仅依靠演化这套 OOP 代码 harness,在三大长程复杂基准上刷出性能跨越
覆盖金融、HR、营销、销售等长链条业务,主指标综合得分从 61.62% 至 77.41%。严苛任务通过率从 25.44% 至 37.22%,同时由于逻辑更加精简直接,平均执行步数反而减少了 3.28 步。
此外在极其繁杂的文档、幻灯片与表格跨应用任务中,综合得分从 25.45% 至 39.48%。
多工具复杂交互中得分稳步从 71.87% 推进至 77.18%。
在面对未曾见过的分布外任务时,传统的自演化方法因为把过度拟合的专用规则强行套用在新任务上,通过率直接跌至 44.90%;
而 OO-Harness 凭借面向对象的安全兜底机制,自动识破陌生场景并复用 Base 基类,保持了59.18% 的表现。
OO-Harness 给整个 AI 工程指明了一条无比清晰且优雅的道路。
把 Agent 当一段具备状态的软件工程实体。
把面向对象的继承与封装,当做 AI 自动演化、自我重构的载体,能很好的解决代码复用和泛化退步的问题。
推荐所有在 Agent 生产环境落地、工具链治理与长程复杂工作流架构的读这篇
arxiv:arxiv.org/abs/2610.28380
meadowyn retweeted
有点震撼。。。我们可能真的快要搞清楚大模型内部到底是怎么运作的了。
OpenAI早期机械可解释性研究的参与者,昨天突然提出了一个很大胆的结论:
我们可能一直误解了神经网络。
昨天, @nickcammarata 发了一篇很有意思的文章,叫《Neural Networks Are Already Clean》。
这哥们早年就在OpenAI做机械可解释性研究,2023 年还牵头启动了@OpenAI 第一个大规模自动化神经元解释项目。
当时他们发现,现有工具只能解释大约 2% 的神经元。
Nick因此得出了一个很悲观的判断:神经网络内部存在大量纠缠,想搞清楚它们到底在干什么,可能非常困难。
结果三年后,他带着更先进的工具和Agent重新研究,发现情况完全不同。
在他们测试的现代视觉模型中,最后一层 99%~100% 的神经元都能找到相当清晰的解释。
甚至在Qwen3-32B这样的语言模型中,初步研究也发现,约90%的神经元都有一个可以识别的主要功能。
最有意思的是,他还重新研究了过去的一些经典案例。
比如曾经有一个神经元,既会对猫脸产生反应,也会对汽车前脸产生反应。
以前大家觉得,这是典型的Superposition,多个不相关的概念纠缠在了同一个神经元里。
结果重新研究后发现,这个神经元可能只是在识别一种共同的V形视觉结构。
猫脸和汽车前脸恰好都有这种特征。
全世界的家人们折腾了这么多年,可能连最基础的观察方式都有问题。
而且我觉得这篇文章最值得关注的,其实是他们使用 Agent的方式。
他们让Agent自动观察神经元、提出功能假设、设计实验、分析电路,再通过新的输入验证假设,甚至自动审查了10 万张神经元归因图。
这其实也是我最近一直关注的一个方向:让 AI 自己去做科学研究,把大量观察、假设、验证的工作自动化。
过去需要研究员花大量时间逐个分析的神经元,现在已经可以让Agent成规模地开展研究了。
当然,目前这些结果还处于早期阶段,距离完整解释大模型的内部机制,还有很多工作要做。
但我觉得Nick提出的这个观点非常有意思:
神经网络内部可能一直都很有规律,只是过去我们的工具太原始,根本看不清楚。
如果这个方向最终被验证,机械可解释性领域过去很多基础假设,恐怕都需要重新审视了。
interpretability might be the most important scientific problem in the world right now, as I don't think we can solve alignment if we don't know what we're building. I think I have good news about it. I co-authored early work in mechanistic interpretability at OpenAI and came away pessimistic, because neural networks appeared to fold into arbitrary tangled knots. years later, I started openai's first large-scale automated interpretability project, finding about 2% of neurons legible with the primitive tools we had
with modern agentic tools and a much closer look, the picture looks totally different. the vast majority in models up to trillions of parameters are legible, and their circuits beautiful. many famous examples of tangled neurons turned out to be misunderstood. The roadblocks I expected mostly aren't there. I now think ambitious interpretability will be solved by the time we need it most, and possibly quite soon, as automated scientists keep improving. it may be a bitter lesson for interpretability: the simple thing, at absurd scale, works
already-clean.goodfire.com/
meadowyn retweeted
卧槽,我真的没有见过这么牛逼的东西,它是我目前见过,除了AI中转站之外,最暴利的生意,都不直接卖数据,是直接卖数据接口,全球数据直接获取,tikhub只是他几千个接口之一,跨境电商、所有社媒(是的所有),所有数据全都能抓出来!
而且它真的是特别广泛,太牛逼了,然后就我今天让CodeX测试一下嘛,然后我就发现它有几个场景颠覆了我的想象,我觉得这个产品做大了能够取代openAI,谁创造的这个产品,谁就未来会成为世界首富
如果你不知道怎么用,那你直接看视频就行了。我就把我用它干的几件事,然后还有它能够实现的场景,我觉得有必要分享一下,让兄弟们知道
1、跨境电商选品:用亚马逊接口,YouTube接口抓取48个商品记录,291条商品评论和UGC视频,痛点完全清晰
2、AI产品MVP需求验证:用Reddit接口,应用市场评论区接口,抓取42个产品描述,561个产品评价,发现AI SaaS还是有蛮多的市场缺口的,及其垂类,及其细分
3、直接获得客户联系方式:用抖音接口,email接口,linkdin接口、Web Search接口找到了97个海内外垂类MCN的founder,并且逐一发送邮件,目前有12个给了回信!!
真的兄弟们,都给我用!!!太牛逼了,链接放评论区了
meadowyn retweeted
我建议大家除了多刷X、Youtube看一手信息,优质论文也要多看,在 AI 辅助下,看这些内容已经没什么门槛了。
我一个非科研狗,用 ScienceBuddy 也能轻松看论文了。
现在我经常凌晨两三点,甚至四点才睡觉,早上十点、十一点才起床。
家里人也多次让我早点睡,我自己其实也想。但试过好几次,一想早睡就睡不着,然后又得折腾到天亮,反而睡得更不好。
于是我就想着,关于睡眠,有没有什么科学的做法,能帮我解决这个问题?
最近 Anthropic 也分享了 Claude 优化生物领域模型代码的进展,AI 已经开始参与一些具体的科研工作了。
ScienceBuddy 背后的团队 @PhAILabs 也开源了 ScienceIDE,把多个领域的真实科研代码整理成任务,让 AI 练习修复代码,再检查算出来的结果能不能对得上。
正好这次受邀尝试 PhAI Labs 的 ScienceBuddy,一个目前免费的 AI 科研工作台,我就想拿自己的睡眠问题试试,看看它能不能帮我解读相关论文。
于是我找了三份睡眠相关的论文和指南,上传到了 ScienceBuddy,让它帮我解读,再把里面的研究结果、适用条件和原文出处整理成一张表。看完有不明白的,就继续追着接着问,让它补查一些研究内容。
它整理出来的结果里提到,晚睡不一定就等于不健康,还得看睡眠时长够不够、作息是不是规律。
哎,看完结果,我感觉心情好多了,至少缓解了一部分焦虑。因为我不用光盯着自己几点睡,还可以先想办法把睡眠时间保证好。
另一个让我印象比较深的,就是它整理出来的调整思路:想调整作息,得先保证足够的总睡眠。
我现在是自由职业,时间还算自由,晚睡了可以安排晚一点起,睡够了,白天才有精神头。我准备先把睡眠时间保证好,再逐步把作息稳定下来,往前挪一挪。
平时碰到这种问题,我可能就搜搜 Google,或者直接问 AI,但查完之后,还得自己去判断这些信息靠不靠谱。
我觉得用 ScienceBuddy 比较方便的地方,就是能帮我解读这些英文论文,而且它生成的结果能够追溯到原文的具体位置。这样就更方便判断,AI 到底是在编胡话,还是确实有所依据。
这次核对时也发现,个别页码标得不准。不过它把要看的材料和对应的结论整理到一起了,确实省了不少来回翻找的工夫。
做生物医学研究,或者经常需要整理这类文献的朋友,可以试试。目前免费,浏览器打开就能用:
science-buddy.io/
#ScienceBuddy #PhAILabs #AIforScience
🤝 Paid partnership
meadowyn retweeted
More textures in 8K
Download for free: synthevisuals.gumroad.com/l/…
meadowyn retweeted
Jev is now available to everyone. No waitlist.
Start using it here: console.typesafe.ai
《深入理解 AI Infra》开源发布了!
写完《深入理解 AI Agent》后,在与读者交流的过程中,我越来越感到,要开发好基于模型的应用,还需要理解它赖以运行的基础设施。
最近几十年系统领域最重要的变化是编程抽象的上移:从操作系统到模型上下文。传统的操作系统、编译器和硬件要为事先未知的各种程序提供通用能力,系统优化总要在可编程性与性能之间取舍。
如今 LLM 成了最重要的应用,可以针对特定的模型和加速器架构优化;模型设计也开始反过来适应硬件,DeepSeek V4/V4.1 重新设计长上下文的表示方式,就是一例。
从某种意义上说,模型成了 LLM 时代的操作系统,AI Infra 成了 LLM 时代的计算机体系结构。《计算机体系结构:量化研究方法》是我在体系结构领域的入门书,而 AI Infra 领域还缺少一本从硬件约束和模型架构出发、量化推导系统设计的书,这是我写作本书的动机。
全书约 500 页,包括 12 章:
1. 初识 AI Infra
2. 模型架构
3. 推理与训练负载
4. 加速器架构
5. 算子与运行时
6. 超节点
7. 数据中心网络
8. 推理优化
9. 分布式推理
10. 训练系统
11. 资源调度与运行环境
12. 端边云协同
欢迎 star & 提 issue/PR!
github.com/bojieli/ai-infra-…












































