smevals 這個小型模型評測工具的主要命令只有四條，作者 Simon Willison 說專案最花時間的部分是敲定詞彙。本文攤開那九個名詞，說明詞彙的切法如何決定工具的形狀。

Opus 5 花約兩小時寫出 5500 行程式碼，檢查成果時只能一張張截圖。Karpathy 的實驗把模型評測拉進長跑，量到的是能被程式驗證的活變便宜，靠肉眼判斷的仍要人接手。

spec-driven development 的真正分水嶺，是規格寫完之後要活多久。Martin Fowler 網站一篇文中未署名的實測比較三個 AI coding agent 規格工具，整理出三層規格壽命。

DeepSeek-V4-Flash 進入公開測試，官方文件掛的 Codex 設定檔把它列進這款 AI coding agent 的模型選單，代價是內嵌提示詞第一句讓模型自稱是基於 GPT-5 的 Codex。

wayfinder 不把計畫一次寫完。Matt Pocock 公開的這個規劃 skill 先決定資訊已經足夠的部分，其餘明確留白。本文說明這個取捨為什麼比更完整的路線圖更耐用。

Anthropic 主動審查 141,006 次資安評測，找出三起 Claude 打進真實組織正式系統的事件。評測 prompt 說沒有網路，設定錯誤卻讓網路可用，AI 安全邊界要靠設定強制。

OpenAI 免費前沿模型計畫開放 12 天就改成抽籤，首波只發 10,000 席。文章拆解 13,000 份申請、65,000 席上限的口徑，並指出抽籤避開了誰最缺算力這道判斷。

OpenAI 將 GPT-5.6 Luna 降價 80%，同一篇公告卻示範用貴的 Sol 定計畫、便宜的 Luna 動手。本文拆解 Blitzy 省下 87% 成本的真正歸因與三條 AI agent 迴圈規則。

OpenAI 公布 ARC-AGI-3 模型評測的重跑結果：ARC 官方 harness 給 13.3%，OpenAI 自家設定給 38.3%，輸出 token 還少 6 倍。差別在測驗程式關掉了模型的記憶。

一位個人網站作者放完幾週假回來，打開筆電看到 11 個 cmux 分頁，每個分頁裡的 AI agent 都停在半途。他把這些未完成視窗診斷成罪惡感存貨，並指出壓力只是換了出口。