แท็ก
5 บทความ
FrontierHarness Eval รัน 9 harness (12 คอนฟิก) บนโมเดลเดียวกันคือ Kimi K3 กับโจทย์ 30 ข้อ แล้วพบว่าอัตราผ่านห่างกันแค่ 17 จุด แต่ค่าใช้จ่ายต่องานที่ผ่านห่างกัน 17 เท่า — ข้อมูลดิบที่เผยแพร่คู่กันบอกอีกสามอย่างที่หน้าเว็บไม่ได้เขียน
25 ส.ค. 2026 ทีมจาก NUS, Stanford, Oxford และ Princeton ปล่อย Recuris พร้อมโค้ดใต้ Apache-2.0 — สถาปัตยกรรมที่ปรับปรุง agent ด้วยการแก้ "ความจำ" แทนน้ำหนักหรือพรอมป์ต์ ได้ผลดีขึ้นใน 35 จาก 37 คู่โมเดล-เบนช์มาร์ก และมาพร้อมกับ AutoSaddler ของ Microsoft ที่ชี้ไปข้อสรุปเดียวกัน
ตอนนี้แทบทุกองค์กรกำลัง 'เพ้อ' กับการเอา AI มาใช้ในงานจริง — เพราะการคุยกับแชตบอตสิบนาทีสร้างความมั่นใจผิด ๆ ว่ามันง่าย บทความนี้กางแผนที่สิ่งที่อยู่ใต้ผิวน้ำ: model type, RAG, agent loop, harness, server-driven UI, evals, security แล้วชวนถามตัวเองว่าเราเข้าใจจริง หรือแค่มโนไปเอง
5 ส.ค. 2026 Prime Intellect เปิดตัว Prime Agent — harness โอเพนซอร์ส MIT ที่วางบนสองแนวคิด คือ RLM ที่มองบริบทเป็นตัวแปรในเคอร์เนล IPython และ Continual Harness ที่ให้ agent แก้ prompt, skill, memory และ sub-agent ของตัวเองจาก trajectory ที่เพิ่งรันไป
Databricks วัดโมเดลโค้ดดิ้งด้วย PR จริงจากโค้ดเบสหลายล้านบรรทัดของตัวเอง พบ GLM-5.2 อยู่กลุ่มบนสุดร่วมกับ Opus 4.8 และ GPT-5.5 ที่ต้นทุน $1.28 ต่องาน เทียบ $1.94 จึงตั้งเป็นเอนจินโค้ดดิ้งเริ่มต้นให้นักพัฒนาในบริษัท