Anthropic 的 monorepo（所有项目放在一个大仓库里），今年 5 月每天合入的改动大约是 2500 个，到了 9 月，每天超过 3 万个。Claude Code 有自己独立的仓库，压力一样不小。

Super-agent 想做到的，其实是让 Agent 能够长期参与实际工作。同一项任务换了沟通渠道，还能带着之前的背景继续处理，执行期间来了新任务，也可以分别安排，同时往前推进。 要支持这样的工作方式，就需要把模型周围的系统建起来。Router 和 Worker 分开协调与执行，事件机制让新消息找到对应的任务。执行进度要及时保存，任务卡住或者方向跑偏时，还得有 Watchdog ...

团队让 GPT-6 Astra 直接检查 Qwen3.5-0.8B 的内部权重，找到了导致模型反复陷入推理循环的关键问题。随后 Astra 只修改了约 0.016% 的参数，就将模型在 MATH-500 上的成绩从 7.9% 提升至 48.1%，指令遵循能力也提升了近两倍。整个过程没有重新训练模型，也没有使用梯度下降。

报告一出，吸引了包括Anthropic对齐负责人Evan Hubinger、MATS创始人兼CEO Ryan Kidd、以及来自DeepMind、METR等机构研究员的转发和评论。很多人评论说这填补了中国在独立前沿风险评测上的空白。

第一，更换验证者，不等于获得独立判断。 把测试交给另一个 Agent，如果它沿用实现者的错误假设，双方仍可能遗漏同一个场景。验证应从业务约束和失败模型出发寻找反例，而不只是顺着生成代码补测试。 第二，证据有适用范围。 操作标识的生成逻辑改变，旧的幂等验证就需要重新评估；仅修改日志文案，通常不必重验所有业务场景。关键是知道结论依赖什么，以及这些前提是否仍然成立。 个人 AI Coding ...

以前想要一个顺手的工具，只有两条路：等平台改，或者自己写代码。如今多了一条：给AI说清楚需求，交给它去做。 周五晚上11点，Karpathy累了，他打开YouTube，本想随便找点东西看。 迎接他的是一整面「垃圾墙」：封面一个比一个夸张，推荐翻来覆去还是那几个老话题。 他吐槽：满屏都是《蠢蛋进化论》级别的烂内容。 累了一天想放松，结果只刷到一堆标题党：这样的感受你肯定不会陌生！ 在Karpathy ...

今年 1 月，他终于有了收入。一家初创公司以每小时 70 美元的报酬聘用他编写化学题目、为 AI 答案评分。起初每周工作约 20 小时，后来降到 4 小时。再后来，整周整周都没有任何工作。3 月中旬，他通过一条群聊消息得知自己被解雇了。