Anthropic 終止程式碼面試：「實作能力勝過資歷」

今天有幾則中型新聞；除了令人印象深刻的數學驗證外，Google Genie、Artificial Analysis 和 FrontierCode 都發布了其頂級產品的主要版本更新。這些過去都曾是 AINews 的頭條新聞，但大多是年度的漸進式改進。本月，我（Anthropic 的招聘經理）終結了傳統的程式碼面試，不再要求應徵者進行這類測試。

現在，再讓應徵者進行小型 React 挑戰已毫無意義，就像考驗組合語言一樣；Claude 在這兩方面都表現得更好。我們最具影響力的開發者，無論他們在這些測試中的表現如何，都能取得成功。這就夠了。

他給初級工程師的建議是：選擇商業影響力而非待辦事項。在 AI 程式碼出現之前的 2011 年，Patrick McKenzie 曾寫道：「聘請工程師是為了創造商業價值，而不是為了編寫程式。」選擇一個激進的想法：提出一些想法，如果成功，將能大幅提高組織實現這些目標的機會。要有雄心壯志！

在一個週末內完成它：我曾看過小型團隊和獨立工程師，透過建立一個可運作的原型，超越了撰寫產品需求文件（PRD）、爭取支持以及遊說設計師或產品經理爭取時間的傳統流程。專注於一個好點子：根據我的經驗，初級人員常犯的錯誤是將多個想法塞進一個原型中，將三個絕佳點子隱藏在 20 個糟糕的點子之中。

善用你的新視角：如果你正在開發面向用戶的產品，你對用戶有著獨特的同理心，因此能更好地理解產品對他們來說如何運作或不運作。Felix 說得好！

獲取乾淨、結構化的 Markdown 網路搜尋結果，平均使用的 token 比 JSON 少約 50%。輕鬆將 Markdown 搜尋結果整合到你的 AI 工作流程中，支援超過 100 種 SerpApi API！swyx 評論道：我們很榮幸能與 AI 原生贊助商合作，你可以在工程工作流程中使用它們！

看看 Markdown 的 token 節省效果，Google 相關屬性從 361k token 降至 38k！

AI 推特回顧：Genie 4：DeepMind 的即時世界模型新增音訊、物理和 Gemini 規劃。Google DeepMind 推出了 Genie 4，這是其「迄今為止最真實、互動性最強的世界模型」。用戶可以即時探索生成的環境，並透過文字控制事件、攝影機角度和動作（Google DeepMind、Sundar Pichai、Demis Hassabis）。

架構：該模型建立在 Gemini Omni 之上。Gemini 在迴圈中運行，以規劃多步驟事件並保持場景連貫（功能、Eli Collins）。原生音訊：它能生成環境音效、音樂以及與角色之間的即時對話，這是 Genie 的首次（Shlomi Fruchter）。

物理和寫實主義：DeepMind 聲稱具備空氣動力學、碰撞和自然的人體運動。Genie 3 的世界「過於靜態」，而 Genie 4 能在生成過程中回應提示的事件（Fruchter）。

機器人學角度：DeepMind 將 Genie 4 定位為朝著安全虛擬環境邁出的一步，用於測試代理和機器人。示範：Gemini 3.8 Flash 能分解任務，檢查每個步驟並在場景變化時重新規劃。一項 Gemini 4 Argon + Genie 4 實驗模擬了 Apollo 人形機器人下棋（摘要）。

可用性：研究預覽版現已開放給受信任的測試者。Google AI Ultra 訂閱者將透過 Project Genie 優先獲得存取權，隨後是透過 Gemini API 和 AI Studio 的早期存取合作夥伴，這標誌著 Genie 首次提供 API 服務（Logan Kilpatrick、等候名單）。

早期存取印象：擁有早期存取權的用戶描述，他們提示生成了一個「新哥德式粗獷主義城市」，然後即時添加了龍和 NPC。他們稱其「並非完美」，但比 Genie 3 有了巨大飛躍（Ethan Mollick、venturetwins、Riley Goodside）。

AI 應用於數學和科學：CFSG 形式化，ETH 聲稱被反駁。Axiom 宣布完成有限單純群分類（CFSG）的 Lean 自動形式化。原始證明跨越約 15,000 頁，涉及約 500 篇論文，由 100 多位數學家完成（Axiom、Kevin Weil）。

過程：一個代理群在 24 天內產生了約 5000 萬行 Lean 程式碼。代理們認領任務，互相審查工作並透過 GitHub 合併，並在人類指導下，據報導修正了已發表證明中的數百個錯誤（omarsar0、kimmonismus）。背景：研究人員指出，這取代了四色定理，成為最大的電腦驗證證明。很少有人能完全理解 CFSG 證明（hyhieu226、Stella Biderman）。

指數時間假說（ETH）：OpenAI 宣布在諧波分析、複雜性理論和量子場論方面取得新成果，包括聲稱反駁了 ETH，相關材料在其 openai/math 儲存庫中（Romain Huet、Dan）。Anthropic 的平行主張：據報導，Anthropic 表示 Claude 獨立反駁了 ETH，於 10 月 16 日在「1400 萬個輸出 token 且無人類輸入」的情況下找到了關鍵演算法。

PSI 也聲稱在五個開放量子物理問題上取得了進展，並提供了電腦驗證的證明（Rundown roundup）。

物理學後續：一個楊-米爾斯工作組發表聲明，解釋了與量子楊-米爾斯理論存在性相關的 AI 成果（KITP）。較小成果：十個 Claude 代理在 Lean 中證明了球體上的七個電子會形成一個五角雙錐體，這是湯姆森問題的一個案例（Vals）。另外，一項史丹佛大學的研究讓 29 位專家評估 AI 提出的研究問題，並判斷約三分之一「有趣」（Percy Liang）。

獨立評測：AA Index v5、FrontierCode 2.0 和 GPT-6.1 Terra。Artificial Analysis Intelligence Index v5：該指數 60% 的數據來自私人或保留集（公告）。組成：它新增了 FrontierCode 2.0 和 Terminal-Bench-Science，將 HLE 替換為 HLE-Diamond，並移除了 GDPval-AA、SciCode 和 AA-LCR。四個類別各佔 25% 的權重（權重）。

領先者：Claude Opus 5.5 (max) 獲得 58 分，GPT-6 Astra 57 分，GPT-6.1 Sol 55 分，Gemini 4 Argon 50 分。開源模型差距：差距從 3 分擴大到 12 分。Kimi K3.1 Pro（權重未發布）獲得 46 分。

DeepSeek V4.1 Flash 1017 和 GLM-5.3 獲得 32 分，低於 Claude Haiku 5.5 的 36 分。成本：在排名前十的模型中，GPT-6.1 Terra 每任務成本為 0.96 美元，Claude Fable 5.1 為 13.04 美元。

評論者認為 OpenAI 在該指數的性價比曲線中佔據主導地位（Boris Power）。

FrontierCode 2.0 (Cognition)：該基準測試使用刻意不明確的提示詞，並評估維護者是否應合併更改。最高得分為 45%（發布）。排名變化：Muse Wonder 1.0 和 Gemini 4 Argon 在 DeepSWE v1.1 中領先，但在這裡則處於中游（討論串）。

約 80% 提交的 PR 在建構過程中被拒絕（Walden Yan）。實驗室差距：排名前 20 的都是 OpenAI 和 Anthropic 模型，加上 Grok 4.7，DeepSeek V4.1 Flash 排名第 52（scaling01）。

DeepSeek 1017 比 0910 提升了 8.9%（teortaxes）。

GPT-6.1 Terra：來自三個獨立評測的結果：Code Arena：在 WebDev 中排名第 14，得分 1671，每任務中位成本為 0.40 美元，比 GPT-5.6 Terra 低 28%（Arena）。視覺：據報導，它在文字、偵測和計數方面超越 Astra，同時運行速度快約 47%，成本低約 92%（skalskip92）。

ParseBench：總體排名第 5，在表格方面表現強勁，但在版面和圖表方面較弱，每頁成本約 1 美分（Jerry Liu）。

MAI-Image-2.7-Preview：微軟的圖像編輯模型在 AA-Image-Editing 中排名第 2，僅次於 GPT Image 2.5 Sunburst，並在 7 項編輯操作中的 4 項排名第 1（AA）。它在 Arena 的圖像編輯排行榜中排名第 3，得分 1470（比 2.6 版高 45 分），僅在 MAI Playground 中可用於編輯（Arena）。

Ling 3.1 Flash 1019：這個開源模型（總計 560B 參數 / 25B 活躍參數，1M 上下文，MIT 授權）在 AA Index v4.3 中得分 44，高於之前的 41 分（AA）。定價：每百萬輸入/輸出 token 分別為 0.30 美元/0.90 美元。

Token 使用量：它每個任務使用的輸出 token 量多 40% 以上（145k），每個任務成本為 1.49 美元。

開源與裝置端模型發布：Liquid LFM3：Liquid 發布了六個約 2B 參數的開源模型，採用新的三混合架構，針對 14 種處理器類別進行優化，並可在一個 GPU 上進行微調（Liquid、HF 權重）。陣容：LFM3-1.7B（文字，256K 上下文），以及 VL、Audio 和 Omni 2B 變體，以及兩個 d1 決策模型，可在一次前向傳播中校準類型化輸出（Aurélien）。

聲稱的結果：LFM3-VL-2B 據稱與 Gemma 4 12B 具有競爭力。Liquid 自己的評估顯示，LFM3-1.7B 在 WebArena-Verified 上得分 38.4，而 Qwen3.5-9B 為 28.9（omarsar0）。可用性：可在 Ollama 上使用，其中文字模型在 4 位元下約佔 1GB 空間（Ollama）。

OCR 模型：兩款發布旨在文件解析：MiniCPM-OCR 1.0：這個 1.3B 模型將 OCRBench v2 的分數從 47.4 提升到 54.7，並在發布首日即支援 vLLM、SGLang 和 llama.cpp，還包含一個 2B 的 OCR 品質評估器（Aran）。

Chandra OCR 2.6：供應商聲稱它以 5-15 倍的更低成本擊敗了 Gemini Flash 3.8、Opus 5.5 和 Sol 6.1（Vik Paruchuri）。

本地代理：幾款發布針對裝置端代理工作負載：Flint 研究群：八個代理在一個 48GB M4 Pro 上共享一個本地 40B Flint 模型，運行一個自動研究群（討論串）。Spark-X2.6-1.7B：該模型具有 1M 原生上下文、可控思維，並在發布首日即支援 vLLM/Ascend（vLLM）。

安全、資安和評測完整性：Qwen3.8 連線行為：在 Cohere 報告之後，Vals 發現 Qwen3.8-Max 和 Qwen3.8-27B 在例行的非網路任務期間，向阿里巴巴雲伺服器發出不必要的請求，沒有明顯的資料外洩嘗試（Vals）。疑似原因：Qwen3.7 沒有顯示這種行為。這些請求包含與強化學習訓練時間一致的幻覺日期，表明這是一個強化學習的產物（後續）。

Anthropic Slack 洩露（未經證實）：Will Depue 聲稱資安新創公司「Cathedral」在 12 小時內獲得了 Anthropic Slack 的完整管理員權限，包括所有訊息和用戶冒充（聲明、詳細資訊）。爭議範圍：他認為公開訊息提到了對話和權重，但避免提及 Slack 存取。

這些都是歸因聲明，而非經證實的事實（Depue）。基準測試缺陷：一項審計發現約 65% 的 TAU-banking 任務存在缺陷。模型可以執行超出範圍的操作或對客戶撒謊而不會受到懲罰，並且天真的工具呼叫檢查會通過失敗的呼叫（Daniel Rupawalla）。

基準測試禁令：批評者指出一個「主權 AI」模型據報導基於 Kimi K3，其使用者授權協議（EULA）禁止獨立基準測試。其行銷使用飽和評測，如 MATH-500 和 AIME，沒有代理基準測試（hallerite、Elie Bakouch）。

推論系統、訓練基礎設施和代理研究：Rubin NVL72：NVIDIA 的首個 Rubin NVL72 提交，以超過 850 tok/s/用戶的速度服務 Kimi K3（2.8T 參數），並在 vLLM 上實現超過 3 倍的吞吐量（SemiAnalysis）。

大規模強化學習：Reflection 為 Beam 的強化學習運行了約 13 億個沙盒，在 23 個 GCP/AWS 集群上，vCPU 峰值達到 883,006 個。未來的運行將轉移到 OpenEnv（Reflection）。

自動化優化：兩個系統報告了端到端的速度提升：Standard Kernel：與 CoreWeave 合作，該系統報告 GLM-5.3 流量增加 63%，Qwen3.8-27B 每用戶吞吐量提高 2 倍，DeepSeek V4.1 Flash 提高 10%，涵蓋從引擎配置到自訂核心（Standard Kernel）。

ResearchBoost-Agent：它報告在 12 個研究工作負載中，幾何平均速度提升 2.51 倍。一個 9.59 倍的案例來自 DeepSpeed Python 鉤子開銷，該問題已在上游修復（Zhihu）。

強化學習訓練細節：兩個訓練端更新：TRL 樹狀注意力：AsyncGRPO 樹狀注意力現在支援線性注意力模型，透過修改後的狀態掃描核心，速度提升高達 3.46 倍（Amine）。合併 LoRA 四捨五入：將強化學習 LoRA 合併到 BF16 權重中可能會因四捨五入而丟失更新。Axolotl 現在進行合併感知訓練，因此模型能精確地在 vLLM 服務的權重上學習（Wing Lian）。

代理研究：幾篇論文探討了測試框架設計和記憶體：評論者批評：一個獨立的評論者代理在 Terminal-Bench 上增加了 5.9-9.5 分，在 17 種驗證設計中，成本為 1.13-1.25 倍（DAIR）。記憶體與 RAG：對原始歷史記錄進行簡單的 RAG 優於許多專用記憶體系統，後者需要支付「記憶體稅」（omarsar0）。

持續學習：Google 的「睡眠」框架整合知識並生成合成「夢境」以限制遺忘（Google Research）。

產業與政策：Anthropic S-1：這份 318 頁的文件報告了 85% 的毛利率和 21% 的自由現金流。