
Building Agents & Harness @AlibabaGroup | Ex-Search Algo @ByteDanceTalk | NLPer @ZJU_China
Shanghai
Joined August 2013
- Tweets1.5K
- Following1.1K
- Followers355
- Likes789
Pinned Tweet
CLICK github.com/doragd AND BECOME FRIENDS 🌸🌸
美国这些RL环境/数据方面的业务,这几天看了非常多,有做数据市场的,有做信息中介的。今天看到这个则是这个品类的一个,网站涵盖了,谁在销售数据,谁在购买,以及RL/数据公司的黄页目录。这个比较全的涵盖了RL数据市场上的一些重要信息。
whosellsdata.com/
Gordon Lee🍀 retweeted
We now have state-of-the-art pre-trained base models in the 3T-parameter weight class, built entirely in-house at MAI.
Post-training results coming soon -- stay tuned!
Lots of details in our technical blog post.
microsoft.ai/news/frontier-p…
Gordon Lee🍀 retweeted
苹果芯片本地自动化迎来新突破:开源项目 FluidUse 实现了完全基于端侧运行的“Computer Use”。
它摒弃了昂贵且高延迟的云端多模态大模型方案,通过 macOS 原生的 Accessibility API(辅助功能接口)直接抓取运行中 Mac 应用或浏览器页面的表单上下文,由 Apple 芯片的 Neural Engine(ANE)或 GPU 运行超轻量端侧模型判定填入内容,再直接驱动系统完成键入与交互。
核心特性与性能亮点:
• 极致速度与能效:运行 706K 参数的表单模型 CUA-S1-FORMS 时,在 Neural Engine 上的单次决策延迟仅约 1 毫秒(0.9ms);搭配 322M 的 laya 模型,单次前向传播直接输出选择与评分概率,无需逐字生成 token, short 决策耗时仅约 3.7ms。
• 全面的端侧模型矩阵:支持 GLiNER 2.5、Kev-0.8B、Clef-vision(端侧视觉决策)、Decision 2.0/3.0 以及用于意图分类与 PII 隐私脱敏的 Vela 2.0。除了自动填表,还适配了 Tetris、2048 等交互演示。
• 100% 数据隐私安全:计算完全在本地设备完成,零数据出机,非常适合财务报销、内部审批、客户凭证录入等敏感场景。
• 清晰的安全边界:专注把字段匹配到已有数据画像,不盲目生成长篇自由文本,且默认不自动触发最终 Submit 提交,兼顾自动化与人工复核。
对于探索端侧 AI Agent、Swift + Core ML 落地以及隐私优先型工作流自动化的开发者,这个项目提供了一套极佳的工程实践范式。
项目链接:github.com/FluidInference/Fl…
REA:让 AI 智能体帮你逆向没有源码的软件
开源项目 REA(Reverse Engineer Anything)把逆向分析工具接到了 Claude Code、Codex、Cursor 这类 AI 编程智能体上。看到别人 App 里有个好功能,可以让智能体去拆这个程序,讲清楚功能是怎么实现的,附上证据,再在你自己的项目里写一个类似的。逆向分析指的是手里没有源代码,从编译好的程序反推它是怎么写的。
REA 本身是一个 MCP 服务。MCP 是 AI 智能体调用外部工具的通用接口,接上以后,智能体在对话里就能直接调用 REA 的分析功能。安装只需一行命令 npx rea-agents setup,它会注册到 Claude Code、Codex、Cursor、Gemini CLI、Grok Build 等智能体里,改配置前会先备份并让你确认。不用智能体的话,也可以在终端里直接跑命令。
能分析的东西很多。原生程序(直接编译成机器码的软件)要借助 Hopper、Ghidra 或 IDA 这几款反汇编工具,把机器码还原成汇编和近似 C 语言的伪代码。Electron 应用(用网页技术做的桌面软件,比如 Notion)可以直接拆开安装包里的 ASAR 归档文件,理清模块和进程间通信,不需要额外工具。此外还支持 .NET 程序、安卓 APK、固件、网站、抓包记录、以太坊合约字节码,以及在 Linux 和 macOS 上记录程序运行时的行为。
分析在本机进行,REA 不上传目标程序,但分析结果会交给智能体背后的模型服务商,数据怎么处理看各家政策。
项目给了三个案例。一是经典打砖块游戏 DX-Ball:从一次播放音效的调用,追到根据球的位置计算左右声道的函数,把不完整的伪代码还原成 C 代码,3205 组测试结果和原版一致,编译出的 63 个字节也和原版完全相同。二是 Notion 桌面版:追踪复制粘贴从界面一路经过预加载脚本、进程间通信到主进程的完整链路。三是日本老电脑 PC-98 上的游戏《东方幻想乡》(TH04):从 16 位指令里还原出弹幕子弹环的角度算法。
对安全研究员、做老游戏复刻和软件保存的人来说,以前要自己对着反汇编工具一行行读、一层层追调用,现在可以让智能体先追,人来核对它给出的证据。普通开发者想研究竞品某个功能的做法,也多了一条路。
README 显示项目在 GitHub 上已有 5 万星。npm 包今年 7 月首次发布,最新的 6.3.0 版今天刚发。
使用前注意两点。项目声明只支持合法的逆向研究,授权和合规由使用者自己负责,逆向别人的软件可能违反用户协议或版权法规。项目还说明从未发行或背书任何加密货币,借用 REA 名字的代币都与它无关。
github.com/morluto/rea
推荐Yifan大佬的 Agent Infra 开源项目:LayerFS。
多 Agent 并行探索有个很现实的问题:每个 Agent 的文件系统状态怎么隔离、回滚和复用?
LayerFS 用 CAS + CDC + COW 实现低开销的 Workspace 分叉。多个 Agent 可以从同一个状态出发,各自试错,失败的分支直接丢弃,有价值的结果保留下来继续探索。
这两天开通了Claude Code Max,终于把这轮架构重造的几个关键环节啃过去了。才勉强赶上进度。
前几天真的被降智降速版的gpt模型搞得焦虑得不得了。
暂时先不发版了,还有些benchmark优化要做。
期望10天内和大家见面。
github.com/Ephemeral-AI-Lab/…
🚨斯坦福 CS146S 刚刚放出了一个 45 分钟的硬核讲座实录
毫无保留地教你如何真正搭出一台 7×24 小时完全自动化运行的 Agent:
从底层的无状态休眠与事件唤醒机制、到主从多 Agent 任务解耦、上下文指针化压缩,以及那些没人告诉你的工业级 Harness 调度逻辑。
市面上那些动辄几千刀的 Agent 架构课,
干货密度可能连他头 10 分钟的一半都达不到。
而且最爽的是:完全开源免费。
不管你是刚接触自主Agent ,还是像我一样天天在终端和容器里死磕系统调度…
看完这个,你会用一种全新的架构师视角去重塑你的 AI 系统。
强烈建议码住。
以后你每次设计自动化 Agent 架构的时候,都会回来翻看无数遍。
Gordon Lee🍀 retweeted
牛逼,AI操控IPhone的开源项目来了
之前一直觉得Codex操控Mac的IPhone镜像太慢,这下问题直接被这个开源项目解决了
开源地址:github.com/zhongerxin/iPhone…
Gordon Lee🍀 retweeted
做 Agentic RL 基建,最贵的成本往往不是算法,而是"等"。
一条轨迹动辄几百步却只有最终一个二值结果;StepFun 实测 search agent 里 5% 的样本吃掉 80% 的生成成本;MiMo 的 25 个数据源之间,平均生成 token 数相差 90 倍、活跃时长相差 66 倍。
这篇综述梳理了 11 份公开技术报告(MiMo / DeepSeek / Kimi / GLM / Qwen / MiniMax / StepFun / LongCat / 蚂蚁 / Seed / 混元),把路线摊平对比,给出了一个挺完整的判断框架:
🧭 四个平面:Control(调度/版本/容错)、Data(轨迹/logprob/reward 流转)、State(KV cache、环境状态、partial rollout)、Weight(新权重向推理引擎的同步与切换)
🛠️ 底座已收敛:Megatron-LM 训练 + vLLM/SGLang 推理 + Ray 编排——各家自研的是其上的 agentic 编排与解耦层
🛤️ 六条主流路线:
① 共卡 + 掩码纠偏
② 异步 + partial rollout + staleness 管控
③ 序列级 IS(GSPO 系)绕过 MoE 路由回放
④ 专家化—再蒸馏 / 多教师在线蒸馏
⑤ critic 回归 vs 无 critic 组相对
⑥ 环境即基建
几个最硬的事实:
• 训推不一致不是精度小问题:MoE 的离散专家选择会被微小数值差翻转,GSPO 论文实测每次更新约 10% 的激活专家发生变化
• 参数热更新是分离架构的命门:蚂蚁 AState 用零冗余 P2P,10 秒同步万亿参数、达 sub-second 更新
• 沙箱已经是重资产:Kimi AgentENV 基于 microVM(checkpoint/resume 低至 133ms/49ms),累计创建 5,100 万+ 沙箱;Qwen 造了 80 万真实 PR 实例 + 85 万合成 bug 任务
• reward hacking 是真的:MiMo 加上 AST 检查后,通过率从 97.9% 掉到 27.9%——那 70 个点全是假的
全文最有价值的一段是它对"分歧"的总结。核心张力就一句话: 是花力气让系统逼近理论上干净的 on-policy(bitwise 对齐、严格 staleness、路由回放),还是接受工程现实的脏乱、用算法鲁棒性(序列级 IS、掩码截断、二值接受)把偏差吸收掉? 目前看,后者占上风,但系统层对齐并未退场,两者大概率长期共存。
还没解决的问题也列得很清楚:共卡 vs 分离无定论、staleness 上限无统一标准、routing replay 存废、critic 到底值不值、process reward 划不划算、长程信用分配仍未解决。
可以预见,谁能率先把「长程信用分配」与「环境噪声鲁棒的可复现大规模合成」这两块最硬的骨头啃下来,并在模型-harness-环境的协同设计上形成闭环,谁就能在下一轮 Agentic 智能的竞赛中握住先手。
做 RL infra、后训练、agentic 系统的朋友,这篇值得收藏当参考手册 👇
#RL #AgenticRL #Infra #后训练
qingkeai.online/blog/2026-Ag…
Gordon Lee🍀 retweeted
Many discussions about RL environments lately. Happy to share that we’ve just crossed $12M in annualized revenue from building RL environments for frontier labs!
From open-sourcing RL environments in 2024 to securing our first contract with a frontier lab in January 2026, we’ve come a long way. Since then, we’ve been building 30+ types of RL environments across machine learning, coding, knowledge work, science, computer and browser use, tool use, and multimodality. And we’re just getting started.
Would love to chat with folks working on model training and RL environments!
Gordon Lee🍀 retweeted
GitHub上今天的爆火开源项目rea:
😄 REA:逆向工程一切
使用智能体逆向工程任何程序,从应用行为到原生二进制文件。
通过AI它就能把一个软件从头到尾拆开,告诉你背后怎么干活。
挖App隐藏功能、查可疑软件有没有后门、学大厂代码思路
Gordon Lee🍀 retweeted
Today we are open-sourcing 🥕Karotte, our framework for building RL environments.
We've used it for the past year to build MLE RL environments for frontier labs, and it's been hardened through 1M+ evaluation runs and red-teaming.
Gordon Lee🍀 retweeted
babe, wake up.
Hugging Face just dropped a new banger article about RL training coding agents on different harnesses.
1/ Excited to release The ultimate guide to multi-harness RL
The same model behaves differently in every agent harness. So we built an open way to train any model with RL on any task set, inside the harnesses people actually use, like Claude Code, Codex, and OpenCode, without changing a single line of harness or training code.
Trained across four harnesses, LFM2.5-2.6B went from 42% to 54% with 31% fewer tool calls. 🧵
Gordon Lee🍀 retweeted
200 high-quality, long-horizon, open-ended RL environments are here!
FrontierSmith is a NeurIPS 2026 Spotlight (top 3.7%)! We’re releasing 200 problems for studying RL on challenging open-ended tasks:
github.com/FrontierCS/Fronti…
And stay tuned: FrontierCS team will soon share something very interesting about training in these environments 👀
Open-ended coding training data may no longer be the bottleneck: AI can scale open-ended tasks—and even outperform human-expert curation.
FrontierCS team is releasing FrontierSmith: a system for synthesizing open-ended coding problems at scale. Starting from closed-ended coding tasks, FrontierSmith mutates, filters, and builds runnable optimization environments for long-horizon coding agents. In our experiments, FrontierSmith data trains stronger models than human-curated open-ended data on FrontierCS and ALE-bench.
Blog: frontier-cs.org/blog/frontie…
Paper: arxiv.org/abs/2605.14445
Code: github.com/FrontierCS/Fronti…
Model: huggingface.co/runyuanhe/qwe…
Gordon Lee🍀 retweeted
这个问题其实上半年就有社区在讨论了,如果抽象出来看其实是 agent in sandbox 和 agent outside sandbox 的方向性差异。现在主流的做法其实都是agent in sandbox ,而我给 lobehub 的做法是后者。这使得我们能实现极高的agent 能力上限。
譬如 场景一: 当我在 1c2g 的机器中执行typecheck 导致整个机器卡死时,我们的agent loop由于在sandbox外,这个loop仍然能够正常运行,并且在发现机器卡死时,可以自主尝试切换并激活另外一台设备,甚至尝试自行去declare一台更大规格的机器,resume env 后继续执行。而这在 agent in sandbox 模式下是根本做不到的。沙箱一卡,整个agent 进程就死了
场景二: 在我们的 goal 模式下,主 agent 可以自行创建不同的 task 下发给不同的agent 执行,此时可以动态选择每个 agent 的具体执行设备环境(比如我自己有三台 mac 同时可以跑),甚至当我们给到主 agent 相应的设备负载时,主agent 将能够自行选择合适的设备来派发任务。而这也是 agent in sandbox 无法做到的。
当然,agent outside sandbox 的技术难度很高,因为原本在一台设备里都不存在的问题,在这样的分布式环境下都涌现了出来。譬如设备连接突然下线或者连接不稳定,工具调用转成 RTC (Remote Tools Calling) 模式下的幂等重试, serverless agent loop 的竞态与并发… 过去大半年我们几乎把分布式场景下能踩的坑全踩了一遍,才逐步做到我自己都愿意在 coding 场景下用的程度。
正是由于这种架构级别的差异,我们才能做到远比当前 agent in sandbox 模式低很多的单次执行成本和高 1-2 个数量级的并发能力。
而据我所知,我们现在在 cloud 跑 agent 的量级,都够得上前沿模型 middle training 阶段需要的量了🤯
Gordon Lee🍀 retweeted
Given how many people have tried their hand at NanoGPT, I really didn't expect a 40% reduction in a single go!
New historic NanoGPT record at 39.9s (-27.7s) from @DevenPzak , obliterating the prior record of 67.6s!
This record introduces a new paradigm of thinking to NanoGPT: instead of optimizing matmuls or adding more expressive operations, optimize at the individual flop level with incredibly clever engineering and ML judgement. If a flop is low value on a particular step, skip it.
Specifically:
-(~8s) Sampled softmax. If a token doesn’t appear in a batch, skip its lm_head fwd/bwd some fraction of the time.
-Sparse values. Only run an optimizer step for ngram embeddings that occurred in the batch. Set beta1 to zero to enable this. Beta2 is applied retroactively when the row is later used.
-Sparse updates. Only update ngram and value embeddings once every 4 steps instead of once every 2.
-Sparse communication. Shard the n-gram table across GPUs, and only pass the rows receiving updates on each step.
-Sparse optimizer states. For the n-gram table, reduce from 2 floats in Adam optimizer per param, to 1 float per 768 params.
-Hand-rolled flash attention for 64 dim heads.
There are several additions that add accuracy too:
-(~4s) EMA during last 300 steps, combined with lifting final_lr to 0.3 instead of 0.15.
-(~1s) A new optimizer, Anvil2, which expands muon via a second tracked momentum buffer, improves the ortho coefficients, and modifies the cautious weight decay application.
-A couple additional dynamic skip connections in the network.
The most striking consequence of the ‘flop aware paradigm’ is you can grow parameters arbitrarily large,
only limited by the available memory, since you can selectively choose how to expend flops on those parameters on each step. NanoGPT has kept active parameters below 124M, but total is unbounded, and has grown to 640M through embedding sparsity over the last year. This PR takes that to its logical conclusion on the 8xH100, scaling up to 65B sparse embedding parameters, which accounts for 25% of the PR’s gains. At frontier scale, where one is not bounded by an 8xH100, one could imagine where this paradigm could lead.
github.com/KellerJordan/modd…
As this was a very notable PR, I spoke with Deven for an hour to learn how he did it. Here’s his story on the changes: hyperstition.cc/training-nan…
Gordon Lee🍀 retweeted
世界上最顶级的几个 AI 大模型公司官方放出来的深度文章,大家一定要看,
这是 @AnthropicAI 第一次把他们内部是怎么做 Prompt 优化、Agent 评测和自动调优的底层方法论,毫无保留地全盘分享出来了,
同时在 Claude Code 的官方 Skill 里直接上线了两个神级指令:
一个叫 build-eval,一个叫 hillclimb。
一句话概括它干的事:
让 AI 在你的项目代码库里,自动建真实验收测试集,然后自己改代码、自己跑分、自己去重和防过拟合,直到把准确率拉上去、把 Token 账单砍到原来的五分之一。
做过 Agent 和重度提示词的人,应该都懂那种想砸键盘的绝望感:
改了一句 Prompt,这里好像变聪明了,那里又莫名其妙崩了;
或者自己写了几个测试用例自嗨,一上线遇到真实用户直接翻车。
以前我们调优全靠肉眼瞎试和玄学,
现在 Anthropic 直接把这套工业级的自动化调优流水线开源了。
我把这篇万字干货里的核心精髓,拆成三个最值钱的维度给大家讲透:
第一个,什么是真正能打的评测(Eval)?
Anthropic 给出了四条铁律,直接打碎了很多人的认知误区:
1. 别拿今天模型的短板去建题库:
大模型的能力表面是参差不齐的。如果你专门挑它今天答错的题去考它,你测出来的根本不是任务本身的难度,而是这个特定版本的指纹缺陷。下一代模型一出,你的题库全作废。
2. 顶尖模型在最强思考档下,跑分也必须远低于 100 分:
如果你的测试集让最强模型轻松拿满分,说明题目太简单,你根本测不出后续改动到底是变好了还是变差了。
3. 裁判优先用程序,其次才是大模型:
能用代码跑单元测试、校验 JSON Schema 的,坚决不用大模型当裁判;必须用大模型当裁判时,不要打 1 到 5 分这种模糊分数,而是写成可逐条核对的事实验证清单,或者做盲测 A/B 对比。
4. 必须能区分真变好和随机波动:
如果跑分每次都不一样,说明题目有歧义,或者环境残留了上次测试的文件让 AI 抄了近道。
第二个,神级指令 `/claude-api build-eval`
你在终端里敲下这行命令,Claude 会像个资深架构师一样采访你,在你的代码库里现场搭评测系统:
先抽你生产环境的真实对话记录,再翻 Bug 报告和工单,最后才补少量合成数据。
搞定后直接在本地生成一个极简的可视化网页,把每个测试用例、评分理由、调用链路 Trace 摆在你面前,你点个确认,基线就立住了。
第三个,全自动刷分爬坡 `/claude-api hillclimb`
这是整篇文章最炸裂的部分。
有了评测集之后,你只要告诉它你的目标是提高性能还是降低成本,它就会自动把数据切成训练集和测试集,开始自动迭代:
每次只改一个最小补丁,绝不大拆大改;
如果训练集分数涨了,但独立的测试集没动,它立刻判定为过拟合,秒级回滚;
如果改动有退步,立刻撤销重来;
只有训练集和测试集双双上涨,这个改动才会被正式保留下来。
当跑分卡住两三轮不涨的时候,它不会瞎猜,而是停下来把所有失败用例拉个清单做归因分析:到底是指南写漏了,还是裁判自己判错了。
官方在文章里放了两个真实实测战报,数据非常硬核:
第一个案例:客服 Agent 极限降本
原本用 Opus 4.8 跑高思考档,准确率 74.4%,单次成本 4.6 美分。
跑完 hillclimb 后,系统自动帮它删除了冗余的思维链和冲突规则,把模型换成低思考档的 Sonnet 5,
最终在未见过的测试集上,准确率从 78.6% 飙升到了 90.5%,而单次成本直接降到了 1 美分。
准确率大涨的同时,账单直接砍掉了近 80%。
第二个案例:修复 AI 脑子里的旧时代记忆
他们在优化官方 claude-api 技能时,发现评分一直卡在 77 分。
AI 复盘后发现:模型本身其实懂新接口,但由于预训练时期的习惯,总是下意识去写老旧废弃的 API 格式。
于是自动在规则最上方补了一张新旧 API 对照表,准确率瞬间冲到了 88%。
过去我们做 AI 应用,90% 的精力都在当人肉测试员和 Prompt 缝合怪;
现在顶尖大厂的解法是把玄学变成工程:用真实的业务数据立住标尺,剩下的调优和降本,让 AI 坐在工位上自己给自己爬坡。
这套工具已经集成在 Claude Code 的官方技能库里了,终端里装上 claude-api 就能跑。
做 Agent、写提示词、或者被 API 账单卡脖子的兄弟,强烈建议去啃一遍原文。
你们平时在业务里调优 Prompt,最头疼的是改完后测不准,还是跑分很高上线就翻车?评论区交流交流~
Claude can now help you build evaluations and hillclimb on them.
In this article, we share guidance on eval design & skills that Claude Code can use to improve your applications.
claude.dev/blog/automating-e…
Gordon Lee🍀 retweeted
We've figured out how to *pretrain transformers* with zeroth-order optimization and no backprop.
Many of the core assumptions in optimization research are completely wrong.
(paper out soon)
Gordon Lee🍀 retweeted
非常推荐大家去看 @YangLi_leo 写的这篇文章: The Next Scaling Problem。前段时间也受到了群里大佬的高度赞赏。
文章里几个比较重要的章节和理念值得大家一看:
1. A computer should be something the agent calls, not somewhere the agent lives
2. Write ahead of execution
3. A durable participant
4. Scaling the system around intelligence
介绍了为什么要让 agent live outside of sandbox,把cloud agents存算隔离的架构解释得非常透彻,以及提供了架构如何enable multi-agent workspace 的非常好的insight。
tetral.ai/blog/the-next-scal…







































