更新日志

今日更新

• 研究：KAPPO 精读给出 pass@k 训练的闭式最优策略——逐题压力分配系数让 sharpening 从争论变成旋钮 k；「随机残差账本」提案把 RLVR 数据工程从堆任务量转向保随机 headroom，经审校终审入库。
• 基准：MemHarmBench 揭示记忆投毒的静默攻击面，StateBench 证明长上下文状态追踪上小模型可直接训练近完美泛化。
• Playground：归因稀释实验室上线，四个实验台覆盖 CATT 交互、显微镜观测、再训练对比与沙箱推演。
• 书籍：《Claude Code 内幕》推进至 ch17，五章内容通过终审。

今天内容侧六期刊物齐发，研究侧精读与提案双篇落地；Playground 侧新增课程天花板实验室并完成调度器 P0 订正，《AI 数据百科》推进到 enc-ch29、距全书终审收官仅剩一章。

今日概览

今天最值得记的一条是「账开始被一笔笔算开」：微软第一次说出 Azure 挣了多少钱，Anthropic 开始帮客户算 token 换回了什么，Gemini 4 Carbon 把网络安全做进主打参数并以 59 分登顶战绩榜。

数据侧的主线是「定位」而不是「增加」——配比、过滤、检索三层都在往管道里加东西，却没人说得清某个坏行为来自哪一批数据，于是三篇新论文各自给出了一个可复算的定位单位。Playground 新上的「更新调度控制图实验室」讲的是同一类事：同样是改三次权重，改在哪、什么时候改、按什么顺序，能把准确率拉开 14.5 个百分点——更新次数本身从来不是控制变量。

今日概览

今天最响的一条是 Genie 4：世界模型第一次原生出声，而且可以在模拟跑着的时候用一句话改天气、挪镜头、加人加物——DeepMind 自己的工程师也承认长时间模拟会漂移，全文没有一个量化指标。同一天 OpenAI 反证了撑了 27 年的指数时间假设，Anthropic 则第一次把药物研发的湿实验数字摆出来（Enveda 那 1061 页生产文件上，Claude 抓到人类漏掉的 7 处）。

数据侧今天真正值得记的是「一个标量代表一份数据价值」这件事的失效清单：逐点估值分、簇重复度、语料 token 数、合成数据多样性、scaling 曲线的拟合损失，五个标量各自被划出了边界。Playground 新上的「后训练污染审计台」说的是同一类事——同一份污染，审计放在 base 处还是后训练之后，能读出两个相反的结论。

今日概览

今天最重的一份文件是 Anthropic 公开递交的 335 页 S-1 招股书，它第一次把一家前沿实验室的收入、亏损、算力承诺和治理结构摊在阳光下；声浪 Vol.161 给的判词是「结果出来了，验收还没开始」——同一天 OpenAI 公布了数学、计算机科学、物理三项成果并交给外部小组核验，而文章《缺的是一把给发现分级的尺子》和研究提案 ADLG 从两个方向指向同一个缺口：我们还没有一套能把「定律」和「插值」分开的验收标尺。

数据侧两条可以直接搬进流程：伪标签改当 GRPO 奖励后只透传 27% 的教师错误，而近似遗忘的前后快照能还原 96.25% 的被删样本——后者是一条验收警告。Playground 新上的「过滤的极限实验室」则从另一个角度提醒：整本书都在教怎么把数据过滤得更好，而过滤这件事本身是有天花板的。

今日概览

数据侧的两条结论可以直接搬进流程：中训练的数据配比要和学习率排期一起定，而多语语料的单语言缺陷可以靠几美元一次的 agent 巡检扫出来。前沿侧则出现了两处反向证据——十年前的 Inception v3 在 200 个活检病变上赢了当今最强的两个多模态模型，而思考预算越长、推理模型越把「some」读成字面。

Agent 方向三条线索指向同一件事：加层的收益正在被重新计价。深度解析《给多加的那一层定价》给出只剩两类加法有收益；评测方差实验室用数据说明「跑 3 次取平均」远不够；而评测基准新增的两张卡，一张说 Agent 是系统不是模型，一张把任务拉长到 20 个多小时级项目。

今日概览

数据侧与模型侧的焦点在同一天分叉：一边是《AI数据全书》补齐篇五「多模态与具身数据」两章，把文本数据工程之外的「看」与「动」纳入体系；一边是 OpenAI 与 Anthropic 在同一天把安全旋钮拧向相反方向——前者把 Astra 定为首个 Critical 级网络安全模型，后者用一套权重两把钥匙把缓存读取降价 75%。

基础设施方面，DataInfra Vol.55 抓到的四条动态（BigQuery Graph GA、TabFM、AWS Spark 排障 MCP、MaxCompute dbt）指向同一条主线：厂商正把「先搬动工件、再获得洞察」改成「在工件原地声明一次」。研究板块新增 SPADE 论文精读，三篇研究提案完成终审修订。

Playground 上线「数据工程·语种识别过滤台」，用七模型同台 + 陷阱样本归因的方式演示语种识别这一第一道关卡的六类误判；书架完成两书完稿整合，测试时计算模拟器的虚假准确率与全站公式、排版问题一并修复。

《AI数据全书》：拼图完成

这本书此前只是一个 29 章的可导航骨架——目录完整，正文是空的。今天一次性把两本书（《AI数据工程》《大模型数据工程》）的既有内容按新结构整合进 29 章，正文从占位变成可读。

整合过程中暴露出三类结构问题，一并处理掉了：

一是子节编号与章号脱节。ch05 的子节还挂着 3.x、ch11 挂着 10.x——这些编号来自它们在前一本书里的位置，搬过来之后章节号对了、子节号没跟着走。79 处重映射把它们对齐。

二是侧栏错显。部分章节在侧栏目录里显示成整合说明而不是章节标题。

三是Markdown 注释粘连。行首的 <!-- ... --> 后面直接接正文时，CommonMark 会把整行判成 HTML block，--> 之后的加粗和链接全部不解析——构建产物里能看到字面量的星号。这个缺陷是系统性的，全站排查后修了 16 处。

今天的三条专栏主线

DataInfra Vol.54 抓到一条共性：数据基础设施正在把「重做」替换成「改写」。Databricks 换实例规格不再停机迁移，改成对运行中的 VM 原地增减资源；Chris Douglas 的 compaction maps 把压缩与并发事务的布局冲突从「某一方重跑一遍」变成「2.6–8.9 KiB 映射表改一下引用指向」，293–463 毫秒完成。代价从 O(工作量) 坍缩到 O(元数据规模)。

内网精选 Vol.76 里 openJiuwen 把 agent harness 从静态脚手架改造成可组合执行系统，SWE-bench Verified 打到 82.6%；CURA 只用只读 telemetry 就能提前 31 步发现 agent 的静默失败——不需要改 agent 本身。

声浪 Vol.110 最值得记的数字是 Anthropic 那条：每小时 4 美元的自动对齐研究员，平均 6.4 小时产出超过 28 名人类安全研究员最佳方案的成果。

关于这次停摆

8 月 21 日到 8 月 30 日，站点上所有 26 个自动化任务都没有产出。排查后的结论是平台侧 Token 额度耗尽——执行记录里的报错是：

Quota exceeded: 429 当前无可用Token额度，
如需申请，请联系您所在团队的负责人或HRBP。

失败模式很固定：任务启动后 3~8 秒就结束，LLM 根本没跑起来，所以既没有产出文件、也没有留下有用的错误上下文。受影响的不只是进化飞轮，AI 前沿速递、datainfra 前沿动态、前沿声浪、论文精读等全部内容流水线都一起停了——这也解释了为什么这些天专栏和声浪没有更新。

进化飞轮本身的数据是健康的：轮转状态 90 个项目、指针与统计一致，没有损坏。所以修额度（或换模型池）即可恢复，不需要重建基础设施。

本次补跑做了什么

手动走完了一遍飞轮：审查第 38 项（LLM 注意力架构演进图）→ 生成提案 → 实现 2 条建议 → 质检 → 写日志。

审查时发现一个比新增功能更值得做的事：有 3 个组件写完了却从未被任何页面引用，等于 1444 行代码沉在仓库里没有上线。其中 PaperCollector（495 行）经查是设计为专栏页内嵌的组件（扫描页面里的 arXiv 链接），建独立页面没有意义，所以只复活了另外两个真正独立的工具——DecontaminationDetector（425 行）和 LMArenaGoldRush（524 行）。这类”沉没资产”比新写功能 ROI 高得多。

另一个重点是系列工具继续推进：《AI 数据工程》系列的第 2 个工具「Scaling 数据推演器」上线，对应第 2 章「为什么数据决定模型上限」。它把这一章最反直觉的结论做成了可拖的实验台——同样的算力预算，把钱花在数据质量上（MMLU 58）比堆参数（MMLU 45）高出 13 分。Loss 到 MMLU 的映射是用章节里的三个实证锚点标定的，三点拟合值 45.0 / 52.2 / 58.0，用于趋势演示，页面上已明确标注不是精确性能预测。