本字幕由TME AI技术生成
每秒一千两百个token
一个月扫出一万个高危漏洞
一百五十组实验跑出七个反直觉结论
今天是二零二六年五月二十四日
欢迎收听best blocks 早报第六十六期
今天三条精讲主线是ai 能力和工程纪律之间越来越紧绷的张力
第一条
Cleude ark 把代码生成速度推到传统水平的二十倍
但sara bus 的工程师说
模型越快
开发者必须越慢
越有纪律律
第条
Anthroropic 联合约五十家合作伙伴
用cloud missils preview 在一个月内找到超过一万个高危漏洞
修补的速度却远远跟不上发现的速度
第三条
腾讯玄武实验室用一百五十组对照实验测试三十个ai skill
结论让很多人意外
装上skill 并不一定比裸模型强
三条加起来传递的是同一个信号
Ai 能力的涌现要求工程册有对等的反应速度和纪律性
我们开始第一条
快模型需要慢开发者
Codex spark 是sarah bus 和open ai 联合开发的推理加速模型
生成原始代码的速度可以达到每秒一千两百个token
做个对比
传统推理平台普遍在每秒五十到一百五十个token 这个区间
也就是说
Codex spark 大约是传统速度的二十倍
Siara bus 的工程是在ai engineer 大会上专门谈了这件事
他的核心论点是
反直觉的速度越快
开发者反而要越慢
为什么
因为传统的推理延迟其实充当了一种隐擎缓冲
模型跑一段代码需要等
开发者在等待过程中会自然的回顾刚才写的内容
思考下一步
这个等待时间是强制的慢
现在速度变成二十倍
这个缓冲消失了
Ai 可以在几秒钟内提交数十个文件的改动
如果没有对应的工程纪律
技术战会以样的速速堆堆积
他提出了几个实际操操作的应对方法
第一
持久上下文文件
他推荐维护四个本地markdown 文件
如别记录agent 角色边界
技术方案
进度状态和验收规则
这四个文件的作用是让每次agent 运行都有边界约束
如会因为速度快而跑偏
第二为验周测试
每次agent 运行结束后立刻跑单测语法检查提交前校验
速度快反而让这件事更可行
因为验收的时间成本已经可以忽略不计
第三
多层模型编排
他推荐的组合是用gpt 五点四这类高推理能力模型做战略规划
把架构设计和技术路线想清楚
然后把具体执行任务交给code x
Spark 这类高速执行引擎
规划和执行分开
各司其职
第四 断路器
对agent 设置最大允许变更行数
防止失控循环
当一个操作的diff 超过阈值
自动暂停
要求人工确认
他给这套方法论取了个名字叫信任
但验证核心是不要因为模型块就跳过验证
高速只是省了等待时间
不是省了验证步骤skill
速度越快的工具
给了你更快犯错的能力
也给了你更快纠错的机会
关键在于你有没有把验证步骤本身也跑的和生成一样快
而不是因为等待消失了
就把验证一起省掉了
这条逻辑对下一个问题也适用
当ai 可以以同样的速度扫描漏洞时
安全侧又发生了什么
第二条
Cloud missas 护网计划
一个月发现超一万个高危漏洞
Anthropic 在去年启动了一个叫project classine 的项目
中文可以理解为护网计划
核心目标是在能力越来越强的ai 模型可能被用来攻击软件之前
先把那些最重要的基础软件里的漏洞找出来
打上补丁
Anthropic 联合了约五万个合作伙伴
使用cloud missas preview 这个安全专项模型
在过去一个月内发现了了过过万个高高或严严重级别漏漏洞
这数字本身身已经很震撼
但细节更目标
使用cloud flaer 一家就找到了两千个漏洞
其中四百个属于高危或严重级别
他们给出了一个评价
Missas preview 的假阳率比人工测试员还低
换句话说
他不仅找得多
找得准的比例也超过人工
英国ai 安全研究院也参与了外部评测
他们的结论是
Clrod misas preview 是第一个能端端端端解决他们两个网络靶场的模型
这两个靶场模拟的是多步骤链式的实际网络攻击场景
斯mod 的测试也很有说服力
他们用cloud missas preview 扫描firefox 一百五十
找到了两百七十一个漏洞
这个数字是他们用上一代模型扫描firefox 一百四十
八十的十倍以上
在开源代码测
Anthropic 自己扫描了超过一千个开源项目
Ccloud missas preview 估计找到了六千两百零二个高危或严重漏洞
经过独立安全机构的人工负荷
超过百分之九十被确认为真实漏洞
超过百分之六十被确认为高危级别
还有一个具体的例子
Wff ssl
一个被数十亿设备使用的开源加密库
Cloud d sas preview 构造了一个利用链
可以伪造证书
让攻击者搭建一个对普通用户完全无法辨别的银行或邮件服务假网站
这个漏洞已经被修复
漏洞编号已正式登记
但报告里最值得停下来想想的一句话不是这些
是这一句
软件安全的进展
过去受限于发现漏洞的速度
现在受限于核查
披露和修补漏洞的速度
瓶颈已经转移了
以前找不到漏洞是核心问题
现在是找到了漏洞
人手不够修
一些开源项目的维护者甚至主动要求anthroppic 放慢披露节奏
因为他们需要公众时间来覆盖补i
Anthropic 发布的公开漏洞追踪面板显示
每过一个阶段
数量都会急剧下降
反映的是人工处理这些漏洞所需的巨大工作量
这提出了一个现实问题
如果发现的速度已经超过修补的速度
那么现在对攻击者的窗口期反而可能是在扩大
Anthropic 的回应是暂时不对公众开放missas preview
原因正是没有足够强的安全门禁来防止滥用
同时在积极扩展互网计划的覆盖范围
并和包括美国及盟国政府在内的机构合作
优先保护最关键的基础设施
攻防之间时间差就是安全窗口
这个窗口正在缩小
从漏洞发现来看
速度与纪律的张力
我们再放大到另一个场景
当一个团队给ai 系统装上一批skill 的时候
真实发生了什么
第三条
一百五十个任务
三十个skill
七个反直觉结论
腾讯玄武实验室的研究团队做了一套系统化实验
他们没有用感觉或下载量来判断scale 是否有效
而是在统一的评测标准下
让三十个scale 和裸模型跑一百五十组任务级别的对照实验
同时测量成本
稳定性和跨模型的可迁移性
结果出来
先看胜负分布
Scale 组胜出六十二次
占百分之四十一点三
裸模型胜出五十五次
占百分之三十六点七
平局三十三次
占百分之二十二
对对对
Skill 略占优势
但远谈不上压倒性
这个结论本身就已经值得停下来想想
很多团队把scale 当做让模型立刻变专业的迎男
但数据告诉你
装上scale 只有不到一半的概率能胜过裸模型
那什么时候有用
什么时候反而没用
而胜负样本逐条分析下来
规率很清晰
当一个scale 给模型补充了它本来没有的东西
比如外部工具调用
受约束的输出
结构清晰的工作流边界
它就是有用的
当一个scale 只是把模型本来就会做的事情用mark down 重新包装一遍
它带来的是负担
不是增益
成本数据也很直白
装上scale 之后
Token 消耗平均增加了百分之四十八
任务耗时平均增加了百分之十九
这不是小数
意味着在大多数场景下
你付出了显著更高的成本
但不一定获得了对应的收益
第二个发现叫skill 虹吸现象
研究团队专门设计了一类请求
理论上不应该触发任何scale
模型直接回加就够了
结果是百分之十三点三的这类请求还是被拉进了某个scale
举两个例子
一个用户说
不用上网
帮我想五个适合检索办公室绿植养护的中文关键词
这本来只是头脑风暴
但因为包含检索和关键词这两个词被吸进了搜索类scale
另一个用户说
把这句话改的更自然
因为涉及商业表达
被吸进了营销类scale
虹吸不是路由系统在乱触发
而是一种更具体的偏差
只要请求的语义靠近某个scale 的描述词
系统就倾向于调用它
结果是本来一句话能完成的任务被套进了更重的专门工作流
时间和成本都上涨了
第三个发现来自稳定性观测
提到scale 不稳定
大多数人第一反应是模型答错了
但实验数据说近一半的scale 在工具链调用外部服务等待或反复修正环节出过问题
最常见的不稳定来源不是模型本身
是工程链路
是外部app 脚脚本行文文格式式理理些些环节
常模型可迁移性的测试也给出了一个实用结论
高推理强度的模运行scale 整体质量明显更好
但收益不均匀
越是流程明确结构固定的scale
模型推理强度的差异反而拉不开距离
越是需要处理隐藏约束细节核对的scale
高推理强度带来的收益越明显
研究团队最后给scale 开发者的建议是
先建裸模型基线
证明scale 真的有增量
再去优化scale 本身
不要因为想法听起来合理就跳过验证步骤
这和第一条是同一个底层逻辑
工具越快越多
工程纪律和验证机制就越不能省
缩短几条今天值得关注的消息
第一条
所有模型实验室都在变成智能体实验室
Laghtspace 的综述指出
Open aiai 二十一
Deep sick 这波都在从纯模型研究向agent 产品转型
Ai 二十一甚至已经关闭了模型团队deep sick v 四pro 同期宣布永久降价百分之七十五
混合均价降到约每百万token 零点一八美理
Mcp 协议也在更新
今年七月赖持c 版本将改为无状态协议
影响所有依赖持久绘画的集成方
第二条
会记忆的agent 记忆存储与梦境整理
S roropic 发布关于于的记会记忆忆方案
核心是文件系统式的持久记忆agagent
可以在不同任务之间读写共享记录
更有意思的是引入了一个叫dreaming 的后台整理任务
在agent 空闲时自动将短期记忆压缩归档
减少上下文噪音
让下一次运行能更精准的调用历史信息
第三条
C 加加支付批评ai coding
七十五岁的c 加加发明者在播客里尖锐的说
Ai 生成的代码更臃肿
有更多bug 和安全漏洞
而且很难验证
因为模型是用旧代码训练的
生成出来的也是旧思路的产物
他提到
已经看到一些资深开发者选择退休
原因是不想接手那种每次改提示词
输出结果就跟着变的代码
它的原话是
验证才是真正的问题
第四条
Google antigragravity 二点零google le o 二零二六上展示的新版题第五位
智能能优优先开开平平台由gi 三三点flasash 调调多子agent 挂挂在hooks 和异步任务处理
覆盖从规划到编码的完整开发流程
同时发布了配套的命令行工具和开发者套件
Google 的ceo 据说也在内测期间用它修了一个线上bug
第五条
Deep seek 组建harness ys 团队
Deep seek 在官网小红书x 同步放出招聘信息
公开表示目标是从零构建对标clooucode 代码智能体产品
他们的逻辑很直接
模型加上harnees 才等于agent
模型之外的所有工程工作都属于层的范队
这次招聘引发了广泛关注
Honeya 次编程竞争从模型层向harness 层的转移
现在已经有了明确的参与者
第六条
Context engineering 完整指南
一篇系统梳理上下文工程的文章
提出四个核心策略
写入 选择
压缩和隔离
对应分析的四种最常见的失败模式分别是上下文太少导致模型没有足够信息
太多导致关键内容被淹没
包含错误信息以及被注入无关噪音
这是目前关于这个话题较为完整的一篇工程实践总结
对于正在构建agent 的工作流的团队值得一读补充阅读
今天还有十八条值得一看的内容
每条一句话
Nvidia 旗下研究团队发布扩散语言模型
通过并行生成token 向更快的文本生成迈进
智能体蜂群缺少的基础源语梳理软件工厂虚拟机隔离与命令行协调层
企业文档智能rg 构建系列更结对于逐块构建检索管道的实践路径
由为前open ai 研究主管判断
Ai 时代只剩孤独天才和管理者
中间层正在被压缩
Google ai studio 联java 四本地模型的完整工作站实操指南
Rg 与智能体协作播客
第二百一十六集
梳理两者结合的设计模式
维真航空借助codex 加速开发
代码量缩减百分之七十八到八十
Npm 供应链安全告警
攻击者利用有效证书和失窃账户植入恶意代码
五类人ai 替代不了
企业做第二名最稳妥
Ai 编程新基准
不测补丁转向系统级工程能力评测
Anthropy 公司深度分析
最好的ai 公司也是一种新型组织
发明open ai 工程师教你更高效使用codex
国内几家大厂以跑通企业级大规模证端到端部署
Aganthropy 估值接近九千亿美元
N vidia 科学家二十分钟演讲
机器人终局二零四零预言
To skskill 与子agen 三概念念边界界拆径
Evlse 训练ai 应用品味判断的实操路径
Already 分析软件工程师角色变化
从主动设计者到偶然的编排者
今天三条精讲说的是同一件事
Ai 工具的能力正在以很快的速度扩化
但扩张本身并不能自动保证结果的质量和安全
快模型需要程工程师高速
漏洞发现需要同样快的修补能力
更多的skill 需要更严格的基限验证
能力与纪律缺一不可
今天的补充阅读链接放在文章版里
感兴趣可以翻看
如果你想每天收到一份根据自己兴趣筛选的早报
可以试试best blocks pro 内侧关注你感兴趣的来源
配置兴趣标签
让早报越来越贴近你自己的阅读节奏
Best blocks
发现真正适合你的高质量内容
明天见