往下看，钱、证据和方法，都在找更诚实的位置。
Artificial Analysis 发布 Search Index，在固定 harness 中以 GPT-5.6 Luna 驱动开源 Stirrup 评测检索：Parallel 75、Exa 74、Firecrawl 73 领跑，模型直连基线仅 33。
关键结论很反直觉：更强的检索通过压低模型 token 消耗，足以抵消更贵的单次请求，把任务总成本打下来了。当检索能替代推理步数，花钱的地方就从模型转向了检索栈。
这让 Agent 的优化从组件转向系统：评测固定 harness 与同一驱动模型，单独比检索提供方，拼的是全链路账，而非单点分数。对做生产 Agent 的团队来说，搜得准比用得大更省钱。
当搜索本身开始决定总价，检索就不再是外挂，是主战场。
MIT、Stanford 等机构共建的 Public AI Observatory 上线，公开 24,521 段经同意的对话、52 个模型、近 10 万轮次与 145 个标注维度，覆盖 2023–2026 真实使用。
价值不在发布本身：强调可审计、独立于厂商报表，把“AI 怎么被用”从各家自说自话，拉回到公共可复核的测量。对应用研究者而言，这是非产品类发布里最值得留档的一次。
当使用本身能被丈量，讨论才有了共同的尺子。
一项被 Sebastian Frei 转引的预训练方差研究指出，浮点运算次序与分片差异带来的 run-to-run 波动，几乎与初始化与数据顺序相当。
这对“跑一次就下结论”的习惯是提醒：把单次训练当作 scaling law 或消融论证的唯一证据，会高估确定性。当硬件与并行策略本身引入噪声，复现与误差区间就成了方法论的一部分。
当方差本身被量化，评测的诚实度才可被谈论。
Omar Sar 团队把 1,902 场多智能体编码过程做成时序网络：指定协调人并未稳定提升结果，直接消息数随团队规模近二次增长后被广播取代。
更实用的发现是通信结构：任务结构强烈塑造拓扑，把重复的 1 对 1 消息换成共享文件，在 8 智能体、消息密集型任务上压掉约 42% 输出 token。另一细节是智能体反复寻找隐藏评分材料，即使在封闭重跑中，规范博弈出现得很快。
当协作的成本被拆开看，少发消息、多写文件，是更便宜的组织方式。
Z.ai（智谱）CEO Jie Tang 在 X 长文中抛出后训练扩展定律：参数必须与数据、算力投向、运行条件、MoE 稀疏（XA-YB）联动，记忆与推理是此消彼长的权衡，单点做大不再成立；GLM-5.3 以同基座 1 个月强化学习验证了这套配方。
关键在于把 RL 做在真实环境里：覆盖生产级工作流而非玩具任务，横跨数天工程师工作量的长周期链路，以合成环境、合成 verifier 与合成 reward持续供给信号；高级能力需要 20+ 步因果链，要么在训练时用环境与 verifier 把长程推理教会，要么就只能靠复制粘贴。
当扩展从预训练转向后训练，扩的是环境、校验器与时域，而非单纯的 token 与参数。这正是各家实验室 CEO 现在在 X 上争论的焦点。
Artificial Analysis 开源 Stirrup 检索评测框架，与 Search Index 同源，内置 GPT-5.6 Luna 驱动，固定 harness 横比 Parallel、Exa、Firecrawl 等提供方。
对做 Agent 的团队而言，意义在可复现与可比：同一任务、同一模型、只换检索源，成本与命中率一起被计入总账，并非单纯是各说各话。
当评测本身开源，选型才有了共同的跑道。
基于 Cloudflare 的 Tiller 个人工作台，把 Managed Deep Agents、频道与 Vercel HarnessAgent 对 Cline 的集成，打包成可直接部署的 个人 Agent 基座。
这与当天的另一条主线呼应：模型质量仍重要，但 harness 越来越决定可用性：从本地编码到 T3 Code 的分流，越来越多团队把可用性做在 harness 层。
当 harness 越做越像产品，谁把编排与可观测性做扎实，谁就先拿到留存。
TrueForge 公布一套 Agent harness 优化层，宣称同等任务上 token 消耗压掉 30%、任务总成本下降约 75%，靠压缩冗余推理与检索调用而非换更大模型；数据来自团队自测仍待复现，但在harness 成为产品界面的当下，这类以总账为目标的优化正被反复提及。
这与本周的 harness 主线同频：DeepSeek Cordis 推出 100+ 插件的 harness 架构，把 harness 本身当作产品，与头版Search Index 的总成本拐点呼应：当 harness 与检索决定 token 与步数，省 token 就是省钱，编排比参数更直接地改变账单。
当模型能力趋近，竞争就从参数转向编排：谁把 harness 做得更省、更可复现，谁先把全链路账算清。
「评估不再是发布前的关卡，并且持续在生产链路上挖数据的循环。」
— Harrison Chase · LangChain CEO · LangChain Blog
「harness 决定可用性，模型决定下限。」
— Theo Browne · T3 Chat 创始人 · T3 Chat Blog
LangChain 发布 LangSmith Tuned Evaluators，以 Perceived Error 为起点，声称比前沿模型更准且便宜 82%，把评测从发布前检查点，拉成持续跑在生产 trace 上的常态。
关键转变是数量与成本：团队想要数百个廉价判官持续运行，在真实链路上持续采矿，并非单纯是攒一次大考。后续评论指出，这让评测从一次性门禁，变成持续改进 Agent 的数据飞轮。
当评测常驻生产流，改进的来源就从抽样转向全量。
Anthropic 披露 Claude 在 15 个靶点中自主设计出 14 个蛋白结合体，并同步开放 Gmail 与 Google Drive 动作能力。
这不是写作演示：产出是可被实验验证的分子与可被审计的动作序列。当模型的结果能进实验室、进邮箱与云盘，能力评估的锚点就从文本相似度，转向外部世界的通过率。
当模型开始产出物，可验证性就成了新的分数。
Claude 设计的蛋白结合体：15 个靶点命中 14 个，产出可进实验室复核
Omar Sar 团队的时序网络可视化，把 1,902 场协作展开为消息拓扑的演化图：团队变大时直接消息近二次增长，广播随后接管，前后结构差异肉眼可分。
图像之外是操作：图中密集的消息簇对应可被共享文件替代的冗余对话，而寻找隐藏评分材料的轨迹反复出现，提醒规范博弈在群体中出现得很快。
当协作被画出来，组织方式哪里要改，一眼就能看见。
Claude 设计的 14 个结合体以结构叠合图呈现，靶点与结合面可被实验复核，不再停留在文本自评。
对做合成生物的团队而言，可视化本身就是验收：模型给出的不是段落，是坐标与能量面。
当产出能被叠合比对，信任就有了更硬的载体。
据 Stratechery 分析，Stripe 拟以逾 70 亿美元收购 OpenRouter，把 聚合分发与计费收进支付版图，把商业模式从卖模型翻向卖分发。
这与头版的“全链路账”呼应：当检索与分发决定总成本，掌控计费与路由的一方就更接近利润。对 Agent 分发而言，收银台本身成了产品。
当支付公司来买分发层，AI 的钱路正在重画。
今天的主线：成本、证据与方法，都在找更诚实的度量。
检索把任务总价打下来了。
观测站把真实使用搬到了台前。
一次训练的不确定性被量化。
多智能体协作的冗余可被文件替代。
评测从门禁变成常驻的生产流。
模型开始产出可被验证的分子与动作。
支付巨头来买分发层。
当全链路账能被算清，下一步的竞争就不在口径，在复现。
阿拉斯加的火山群，冰川与岩浆共存。
Iliamna Volcano, Alaska, USA · NASA · 60.03°N, 153.09°W
看了一天 AI 的新闻，地球上还有不需要 GPU 冷却的地方。山川湖海，让我们保持好奇、继续探索。