QUANTUM · AI · SCIENCE
每日快读，追溯证据；每周梳理技术与产品机会。
Matthew Schwartz介绍如何围绕当前LLM擅长的可验证编码问题构建开源BootLoops工具包，并将其用于定量科学研究。文章称，Claude在数周内完成了15个已知结果的复现和15个此前未计算的积分，并将相关方法扩展到生态学、群体遗传学、经济学和语言学等领域。作者同时强调，当前模型仍需要人类提供问题方向、领域判断和结果审查。
本站判断：文章把适配模型能力的问题选择、专家校验与可复核计算串成可复用流程，并给出BootLoops的开源入口。
Google发布Gemini 4 Argon，定位为面向复杂长流程的编程、企业知识工作和网络安全防御模型，输出token上限扩展至1M。Google称该模型在多个软件工程、企业工作流、视频理解和网络安全基准中达到领先或并列领先水平，并已在内部编程、代码迁移和量子算法优化等任务中使用。
本站判断：同时给出多项基准、1M输出上限和分阶段开放安排，便于评估其能力边界与实际可用性。
Anthropic 发布 Claude Sonnet 5.5，称其相较 Claude Sonnet 5 运行速度快 30% 以上，多数任务成本最多降低 30%。
本站判断：文章提供编码、知识工作与安全评估对照，并说明模型在 Claude Platform、云平台和 Claude Code 中的可用性，便于比较性能、成本与部署条件。
Anthropic 发布 Claude Opus 5.5，作为 Claude 5.5 系列的首个模型，并已在所有平台上线。官方测试显示，该模型在编码、计算机操作和知识工作评测中达到较高水平；其输入与输出 token 分别为每百万 4 美元和 20 美元，缓存读取为每百万 0.20 美元，典型工作负载成本比 Opus 5 低 40%。
本站判断：文章同时给出模型能力、编码任务表现、成本速度和安全措施，便于比较 Claude Opus 5.5 与前代及外部模型的实际取舍。
Anthropic Labs 团队提出由规划器、生成器和评估器组成的 Claude 多智能体 harness，用于让模型在多小时的自主开发中生成更完整的应用。该方法结合结构化交接、独立评估和 Playwright MCP 页面检查，并应用于前端设计与全栈编码。
本站判断：文章给出规划器、生成器、评估器与结构化交接的组合方式，并用前端设计和全栈应用实验说明如何权衡长程开发质量、时延与成本。
Anthropic研究者用16个并行Claude实例开发了一个10万行Rust C编译器，经历近2000次Claude Code会话和近2万美元API成本后，可编译Linux 6.9并支持x86、ARM和RISC-V。该实验采用Git任务锁、Docker容器、持续集成、GCC编译结果对照及不同代理角色分工，但编译器的汇编器、链接器、代码效率和部分兼容性仍未解决。
本站判断：文章详细拆解了多代理并行开发框架的任务锁定、测试反馈和角色分工方法，并记录其在大型编译器项目中的效果与局限。
Anthropic发现，基础设施资源配额可使Terminal-Bench 2.0成功率相差6个百分点，说明智能体编码评测分数会混入运行环境因素。实验保持同一Claude模型、评测框架和任务集，仅改变资源配置；资源余量从严格限制提升至无上限时，基础设施错误率由5.8%降至0.5%，总成功率提高6个百分点，但在3倍余量内分数变化处于噪声范围。
本站判断：Anthropic通过Terminal-Bench 2.0和SWE-bench对照实验说明，资源配置会改变智能体编码评测结果，并给出控制评测变量的具体做法。
企业主题按主体汇集资料；量子与通用 AI 进展按具体任务区分。