CROCODIL框架减少跨模型代码过度编辑

确实。我想补充一点：如果你知道如何在此基础上构建一个好的 eval，你很快就能在你所在的领域/任务中占据前沿。这就是 eval 能为你解锁的那种优势。 也要学会构建好的 eval。这很值得。

Gumloop 上线 Agent Browsers，当任务没有 MCP 或 API 连接器时，可在云端沙箱中打开浏览器并完成操作。支持安全凭证存储与 1Password 集成、会话回放和隐身代理会话，且完全与模型无关。Elvis Saravia 推荐正在构建个人智能体、需要可靠快速浏览器工具的开发者使用。

掌控你自己的智能栈，各位！ 先从挖掘你 agent traces 中的丰富知识开始。 然后训练小型专用模型来解决生产问题。 @OvermindLab 是开源的，让这一切变得可行。它从你的 agent traces 构建数据集，用你当前的模型进行评估，并训练出一个你拥有的更小的专用模型。

Mistral 发布 Mistral Large 4（Le Chonk），1T 参数、49B 激活、原生多模态，称其为美欧聚合评测中最佳开源权重模型，API 已可用，开源权重 10 月底发布。作者 Elvis Saravia 表示对性能不算太惊艳，但认可其多模态能力，认为这是 Mistral Large 可以突出的方向。

这是 Jev 最令人印象深刻的应用场景之一。 我大量从事 agent 评测、评判器和验证器方面的工作。 我发现 Jev-as-a-Judge 通过一致性提升了 LLM 评判器的可靠性。这使其非常适合用于评判器、验证器和持续监控。

和 Jev 一样，我相信 RL 会解锁更多类似的成果，大幅削减关键智能体操作的成本。 flow-1 在性能上有竞争力，但在发现 agent trace 中的失败方面能大幅节省成本。 RSI 不只适用于通用智能。它同样会加速专用智能。

Elvis Saravia 用 pidotdev 的 Pi Durable 搭建了一个主动式个人 Agent，用来验证用开源工具多快能做出 OpenAI dots 的克隆。

Elvis Saravia 回应 Karpathy 关于理解 LLM 输出的帖子，称类似做法自己已实践一年多，并分享他正在搭建的通用人机协作界面。其当前方案将高级智能体连接到类 Notion 的灵活页面，支持嵌入工件、文本、视频和可视化讲解，智能体按任务输出这类工件而非默认文本回复，他通过评论和建议直接协作，覆盖代码审查、笔记、写作、研究和原型设计等场景。

有 15 年以上终端使用经验的开发者表示，AI 智能体已让他完全放弃终端，转向更适合与智能体协作的新界面。他认为终端假设人类直接通过文件、命令和进程操作计算机，而智能体只需表达意图即可操作机器。他仍庆幸在 AI 时代前学过计算机系统，理解抽象底层让人成为更好的系统思考者，这也是 AI 时代的一种护城河。

有开发者认为通过 CLI 使用编码智能体已经过时，交互正直接发生在智能体本身。其当前工作流混合使用高层持久智能体（如 dots）与专用智能体（如 codex desktop 会话），由持久智能体统一管理，并称 Codex desktop app 是目前最好的智能体 UI。