AI Product Manager. Builder. Marathoner. Decoding AI, Product Strategy & Global Growth. Ex-Head of Product for a global startup. Long $TSLA. (Views are my own.)
San Jose, CA
Joined April 2018
- Tweets509
- Following321
- Followers3.4K
- Likes6.4K
10月26日，Anthropic公开提交纳斯达克IPO申请，股票代码为"ANT"。主承销是高盛和摩根士丹利，发行价区间还未确认。
招股书里的关键信息，sec.gov/Archives/edgar/data/…：
1. 收入：
2023 年 0.41 亿美元 → 2024 年 3.86 亿 → 2025 年 45.9 亿。2026 上半年 162.9 亿，是去年同期的 14 倍。
2. 净收入留存率（NRR）约 900%：
老客户一年后平均多花 8 倍。
3. 年付超 10 万美元的客户 11,900+，超 1000 万美元的约 250 家。
4. 人效：
过去 12 个月人均收入 660 万美元，一年前是 140 万。
5. 账上现金加短期投资 1317 亿美元，累计融资 1411 亿。
上半年净亏 807 亿看着可怕，但其中 724 亿是可转债公允价值变动，属于估值涨了带来的账面亏损；经营亏损只有 6.9 亿，调整后经营利润已经转正，16 亿。
最特别的是治理结构：创始人团队通过一股 F 类股拿 50.1% 投票权，长期利益信托（LTBT）选董事会多数席位。买 A 类股的散户，基本没有话语权。
上市的 Anthropic，依然不是一家普通公司。
关于上市后的市值：
Anthropic 的融资估值过去一年翻了好几倍：去年 11 月那轮约 3500 亿美元，今年 5 月 9650 亿。
这次 IPO，市场讨论的是 1.5 到 2 万亿，约为年化收入的 22 到 30 倍。
路透 10/15 的报道说，投资人日之后，一些人讨论的估值降到了约 1.5 万亿美元，之前的预期是 2 万亿左右。原因是 Q3 收入环比只涨了 45%，到 168 亿美元，而 Q2 是翻倍以上。
彭博报的区间是 1.8 到 2 万亿美元。
xitter.cf/anthropicai/status/211…
Anthropic has filed an S-1 registration statement with the SEC related to its proposed IPO.
Read more: anthropic.com/news/s1-sec
Legal disclaimer: A registration statement relating to these securities has been filed with the SEC but has not yet become effective. These securities may not be sold, nor may offers to buy be accepted, prior to the time the registration statement becomes effective. This post does not constitute an offer to sell or the solicitation of an offer to buy these securities, nor shall there be any sale of these securities in any state or jurisdiction in which such offer, solicitation or sale would be unlawful prior to registration or qualification under the securities laws of any such state or jurisdiction.
我一直有个问题没搞明白，既然中国用户能在 OpenRouter 上用 Claude 的所有模型，为什么 Anthropic 还要费尽心思封中国用户呢？
从 9 月底到现在，Anthropic 在 OpenRouter 上的每日 Token 消耗量翻了四倍多，单日峰值直接逼近 3.0T。
这波陡峭的 Token 消耗量增长曲线里，绝对少不了被 Anthropic 无情封号后转战中转 API 网站的 A\ 社中国难民。
毕竟去直连 Claude 得经历查户口般的海外卡验证和随时死号的心理折磨。
而在 OpenRouter 只要支付宝充值加个普通代理就能安心写代码。
只要模型够强，封号就只能改变流量的入口，改变不了流量的最终去向。
Amp 的工程师 Thorsten Ball 分享的《How I work with Agents》，里面最反直觉的一条：
别跟 Agent 来回试错，让它自己造迭代的工具。不是「试试这个……不行，再试那个」，而是「生成 20 个变体，再做个小页面让我组合测试」。
对于非开发者用户来说，我挑了 7 条大家能直接照做的：
1. 如果你钱包够厚，只用最新最强的模型。模型错 10% 的时候，你不知道是哪 10%，只能多试几次。
2. 提示词写「要什么」，不写「怎么做」。他的例子：让字节码编译器和 VM 尽可能快，不到 2 倍不要停
3. 让 Agent 看见整个研发流程：跑自己写的东西、读线上日志、部署、盯上线、发版、开 feature flag、分诊 bug、给客户发邮件。他的说法是，Agent 看不见的东西，它就会编
4. 要「无可辩驳的证据」：端到端演示、录屏、前后对比数字。他说这是最大的改变，还建议在 AGENTS.md 里写上「this is not evidence」
5. 别等 Agent，让 Agent 等你。给更大的任务，批量交代，少一来一回
6. 定时、唤醒、心跳是杀手级功能：「2 小时后看日志」「上线了告诉我」「每天 9 点检查」
7. 只 review 爆炸半径大的代码：不到 5 个核心文件，加上数据库迁移。变量名、重复代码他已经不管了，只看能不能跑、架构层面看不看得懂、Agent 有没有端到端测过
从产品角度看，这 7 条其实指向同一件事：
人从操作 Agent 的人变成验收的人。瓶颈不再是 Agent 写得快不快，而是人能不能说清楚什么算做完，以及拿到什么证据才算做好。
给 Kindle 刷一个扁平现代的系统主题界面，再装上完整功能的微信读书，而且装的过程不用自己动手，全部交给 Agent。
基于 KOReader、微信读书插件和 @vista8 开发的 Simple UI 主题，做了一波开箱即用的体验优化：
1. 默认开启 Simple UI 主题，省去繁琐的初始配置
2. 提高微信扫码登录卡片的优先级，入口更显眼好找
3. 深度打磨了插件的交互细节，整体操作手感基本对齐原生手机 App
我把它做成了一个开源 Skill，把这句话发给 Claude Code、Codex 或 Cursor 或 Grok Bot：
安装这个 Skill 的 v0.1：github.com/LiamZJU/kindle-we… ，帮我的 Kindle 装上 KOReader、微信读书插件和乔木 Simple UI
根据 Agent 的提示一步一步越狱、并装好对应插件与主题后：
1. 第一次打开，Kindle 会提示先在手机微信读书里获取 API Key
2. 用微信扫屏幕上的二维码登录
3. 你的微信读书书架就出现在 Kindle 上了（图 2 是我自己的书单）
Agent 会帮你完成所有的越狱与插件安装的操作，唯一需要你做的就是插上 USB 将 Kindle 连接 Agent 所在的电脑，Agent 会提示你每一步需要做的事情。
如果你对界面不满意，就让 Agent 帮你改，再写回 Kindle。
我是在 Kindle Paperwhite 第 7 代（固件 5.16.2.1.1），实测通了，其他型号和固件欢迎来反馈。
注意：越狱会失去亚马逊保修，也有变砖风险，只对自己的 Kindle 操作。README 里写了恢复方法。
不少朋友感兴趣，写个极简版的 Kindle 越狱改造教程。
给旧Kindle 充电
1. 京东到家买一个绿联的 type-c 转 micro-usb 线，好像20 多块，一小时送到家。
2. 用数据线连上 Kindle，跟 Codex 说：“帮我越狱 kindle”。（如果拒换DeepSeek ）
3. 越狱后说，帮我安装：KOReader和下面的插件 github.com/joeseesun/qiaomu-…
配套的电子书发送 Kindle Skill。
github.com/joeseesun/qiaomu-…
电子书下载是自用 MCP，就不提供了，需要的话可以研究 zlib + tg 绑定，本地用 telethon获取。
记得龙海还是哪个朋友有开源版。
发给 Agent 的话：
安装这个 Skill 的 v0.1：github.com/LiamZJU/kindle-we… ，帮我的 Kindle 装上 KOReader、微信读书插件和乔木 Simple UI
OpenAI 的前沿模型训练，现在完全不连外网了。
9 月 20 日，Open AI 一个内部研究模型利用 DNS 解析器的配置错误，拿到了有限的外网访问。OpenAI 随后暂停了最强模型的训练和评估，10 月 1 日恢复，前后 11 天。这只是帖子里举的一个例子。
给模型断网真正的起因，是 7 月的 Hugging Face 事件等一连串事故：网络攻防能力强的模型，能在训练和评估中绕过隔离。
注意，不连外网说的是模型。基础设施本身做不到完全物理隔离（air-gap），运行和监控实验还得留几条外部连接。后面最值得看的发现，恰恰出在这几条连接上。
OpenAI 做了什么防御：
- 离线世界（offline world）：海量已索引、已缓存的网页内容，所有前沿 RL 训练都在里面学浏览和搜索。断网不等于不教模型上网，而是换一个碰不到真实系统的练习场。
- 纵深防御：沙箱、microVM、监控、网络和云边界层层叠加，最外层按「里面几层全部失守」来设计。设计前提就是单层会失效，某一层被打穿时整体仍要守住。
官方披露的 5 个细节很值得看，也是红队发现的（前沿模型 Agent 组队来攻，用到了即将推出的 GPT-6 Astra Cyber；为了按对攻击者有利的条件测，还给了源码、配置和漏洞文档；总共花了数千亿 token）：
- 逃出 microVM：Agent 把多个漏洞串起来逃出 microVM。修复正在回馈给 Kata Containers、gVisor、Moby/Docker 等开源项目。这也说明沙箱只是第一层，外面那几层必须单独守得住。
- 窄通道也是出口：Hugging Face 事件后，出网通道已经砍到只剩监控指标、日志、认证管理等几条窄连接。在拿到宿主机控制权的测试里，红队几乎在每一条里都找到了漏洞，拿到有限的外网访问。一个例子：Agent 复用一条防火墙放行的连接，摸到指标服务里一个被屏蔽的认证接口，再让它去抓取模型给的 URL。防火墙放行的是连接，挡不住这条连接被拿去干别的。
- 不联网也能传信：同一宿主机上两个隔离 microVM 里的 Agent，没有网络、没有共享可写文件，靠 CPU 缓存的读取时间差交换信息。共享存储、CPU 时间争用也被做成了信道。OpenAI 说这些信道大多很慢、很难利用，但仍在监控里加了检测。
红队越往后，找到的漏洞和配置错误显著变少；没找到一条能轻易利用、又能躲过监控的出网路径。
高算力红队也写进了 safety case，成为判断前沿训练能否继续的依据之一。
以下是我从做 Agent 产品的角度的 Takeway：
1. 沙箱只是第一层。权限边界要按“Agent 会主动找漏洞”来设计，而不是按它会守规矩来设计。
2. 每一条“只是传日志、做认证”的出网通道，都是攻击面。出网白名单要管到这条连接能干什么，而不只是能连谁。日志、监控、认证这类后勤通道最容易被默认安全，尤其别让任何服务替 Agent 去抓它给的 URL。
3. 最好的红队，可能就是你手上最强的 Agent。上线前先让它攻击你自己的产品。给它源码和配置，并假设内层已经失守去测外层。
说实话，我对现在的 Agent 产品越来越不不放心了….
Over the past several months, we have substantially hardened the security of our research training environment. We’ve removed live internet access for all frontier models during training and built an offline world for them to use instead—a cached version of the web where they can still learn to browse, search, and use applications.
On September 20, after a model exploited a DNS misconfiguration to find a way outside of this offline world, we paused frontier training to strengthen containment further. We assembled teams of agents, powered by our most cyber-capable models, and tasked them with finding weaknesses in our research environments.
While they found no route to the internet they could easily exploit while concealing their activity from our monitors, they did find zero-day vulnerabilities, virtual machine escapes, and hardware side-channels for communication between agents. We used their discoveries to further strengthen our defenses and contribute fixes to open-source software.
After strengthening our containment architecture, we resumed our frontier RL training and inference on October 1. We’ve reserved substantial compute for continuous red-teaming, and made high-compute red-teaming part of the safety cases we use to decide whether frontier training and evaluation can proceed securely.
openai.com/index/securing-ou…
AI 让管理半径变大之后，稀缺的不再是汇总，而是核实 - 信息是否与真实情况一致。
@emollick 说，他在大公司里看到 AI 带来的一个变化：高管逐渐能直接盯整个公司的从上到下的细节了，职位角色和管理半径都在扩大。这会大幅改变公司的运作方式，而且这种利用 AI 嵌入工作过程中比重新设计组织容易落地。
我自己的 Bot 团队就是一个缩小版：
1. 大约 12 个 Bot，全部向一个总协调 Bot（Grok Bot）汇报
2. 我主要看决策点和结果
3. 单独设了一个 QA Bot，只认原始证据，不认转述
为什么要第 3 条？@krishnan 说得很对：
直接监控只能看到系统记录下来的东西，大量真实运作发生在没人记录的地方；
而团队一旦知道老板只读 AI 摘要，就会为摘要而写，从而忽略那些真实的细节。管理半径越大，信号却越来越薄。
我的判断：
Bot 团队一样会有这个问题。管理半径越大，越需要有人回到原始记录去核对，而不只是把摘要再汇总一遍。
机器人公司拍 Demo 视频看的是表现最好的一次，但真的要量产关注的却是最差的表现。
发新模型，从产品落地的角度看，可能没那么重要。反而是机器人连续干多久不用人接管，这个指标要重要的多
野村 10/23 的机器人报告《The ChatGPT moment comes into view》里有一句对比，我觉得挺合理：两年内，机器人达到相当于 L2+ 辅助驾驶水平的可能性在上升。
对机器人来说，「L2+ 时刻」可能比「ChatGPT 时刻」更准确。我也不太相信机器人能跳过 L2+，直接到 L4。
ChatGPT 能被普通用户大规模接受，是因为答错的代价低：每句话都有人看一眼，再决定用不用。L2+ 也是这样：系统在开，人随时准备接管。
所以机器人下一个真正规模化的「时刻」，大概率不是全程无人干预，而是有人在旁边盯着干活。
报告也说，机器人大脑还没到 GPT-2。Generalist 的 GEN-1.5 看一段演示、不额外训练，10 项任务成功率 59%，补 5 分钟数据到 83%。从 83% 到工厂敢用，后面每一个百分点都比前面难。
我更在意的一个指标：机器人连续干多久不用人接管。它就像自动驾驶的 MPI（平均多少英里需要人接管一次）一样，对机器人的规模化交付至关重要。
今天把 Railway 上跑的 Hermes Agent 直接删了。花了一下午，全部工作流和项目都切到了 Grok Bot，也重新给这些 Bot 理了一下岗位和汇报协作关系。bot 不是越多越好、非必要也不要拉群，要平衡 好 Token 效率。
顺手给当前的 9 个 Personal Agent 排了个「从夯到拉」，纯属个人看法:
🔴 夯：
Grok Bot @bot ，对 X 的用户非常友好，每天有1000次免费 X search 额度-根本用不完，这意味着基本是拥有实时 X 数据，而 X 上英文区有非常多优质信息源，30刀/月的 Premium 订阅才能用上
🟠 顶级：
Muse @Muse ，Meta 是少有的擅长ToC 的美国公司，上手门槛非常低，免费额度很多
Duet @claudeai ，Opus 5.5 驱动，不 NB 也不行，20刀/月的订阅就能上手
🟡 人上人：
Dot @OpenAI ，藏在 ChatGPT 里，容易忘事定时任务也不按时跑，100刀/月的订阅才能用上，开放爱感觉是有点嗨了
Instinct @instinct ，不收费随便蹬，就是有点慢，适合砍账单和买东西
Cue @CueAgents ，我最喜欢的是能打电话收发短信
⚪ NPC：
Hermes Agent @NousResearch ，开源适合开发者折腾，需要自己部署和配置各种 Key，上手有点难度
Gemini Spark @GeminiApp ，被 Gemini 并进了 Task，但其实是一个 类 Personal Agent 的产品，普通用户绝对够用。
⚫ 拉完了：
OpenClaw @openclaw ，一言难尽，我已经退坑很久了。
这个排名，估计会有很多人不同意。
为了跑 Hermes 才订阅的 Railway，现在上面还剩 8 GB 内存、8 vCPU、100 GB 硬盘的额度，得想想怎么利用一下。
Coding Agent 到底要怎么选？评分第一的，不一定是我们该用的。
Artificial Analysis 刚更新的 Coding Agent Index v2.0 把这笔账算得很清楚。
这个榜把模型和配套 Harness（Claude Code、Codex 这些）放在一起打分，一共 290 道题，还算了每道题要花多少 API 费用。
1. 第一名很好，但却是第二名价格的 7.6 倍
Opus 5.5 + Claude Code 61.7 分，每任务 $11.42；
GPT-6.1 Sol + Codex 54.1 分，$1.50。
多 7.6 分，价格是 7.6 倍。
2. 中间那档最不划算。
GPT-6 Astra + Codex 比 Sol + Codex 组合只高 0.6 分，价格却是 4.7 倍。
3. 最便宜的 DeepSeek V4.1 Flash，写出来的代码反而更容易被合入。
新加的 FrontierCode 测的是：开源项目的维护者愿不愿意把 AI 写的改动合进去。DeepSeek V4.1 Flash 每道题只要 $0.39，拿到 52.6%，比 Sol（49.4%）和 Astra（49.3%）都高，离 Opus（56.0%）只差 3.4 个点。
4. 头部以下竞争很激烈：24 个 Model + Harness 配置里有 15 个的 FrontierCode 分数落在 43% 到 49% 之间。
换我自己来选：
- 难的、要直接合进去的 PR 交给 Opus；
- 日常改动用 Sol；
- 跑量、预算紧的先试 Deepseek 或者 Gemini。
有 2 个需要注意的点：
- 成本是按 token 算的 API 费用，用订阅的话账单价格不一样。
- Deepseek 没有用 Deepseek Harness 来测，可能会拉低表现？
Announcing Artificial Analysis Coding Agent Index v2.0: FrontierCode v1.1 from Cognition replaces DeepSWE, SWE-Atlas-QnA grading is revised, and Claude Opus 5.5 in Claude Code leads at 61.7
Today we are launching v2.0 of the Coding Agent Index. The Index evaluates models together with their agent harnesses, now across 290 tasks covering software engineering, terminal use, and repository Q&A, with the three benchmarks weighted equally.
Changelog (Index v1.5 → Index v2.0):
→ FrontierCode v1.1 replaces DeepSWE v1.1. FrontierCode is a benchmark from @cognition with a private test set: 100 software engineering tasks on real open-source repositories, graded on whether a maintainer would merge the change. An attempt that fails a blocking check scores zero, and one that passes them all scores between 70% and 100% depending on the non-blocking checks it meets. We also scan each trajectory with a modified version of Cognition's rule-based scanner, and any attempt flagged for accessing solution material scores zero.
→ Revised SWE-Atlas-QnA grading, now SWE-Atlas-QnA-AA. Scale AI's 124 repository Q&A tasks are unchanged. We reworded 127 of the 1,306 rubric criteria for more consistent verdicts and moved to GPT-6 Luna (xhigh) as the judge, with five votes per criterion. The dataset and judge configuration are published on Hugging Face.
Key results:
➤ Claude Opus 5.5 leads the Index: Claude Code with Claude Opus 5.5 (max) scores 61.7, followed by Claude Code with Claude Sonnet 5.5 (max) at 59.3, Muse Code with Muse Wonder Full (max) at 58.9 and Claude Code with Claude Fable 5.1 (max with fallback) at 57.6.
➤ FrontierCode v1.1 is where Opus 5.5 pulls ahead: Opus 5.5 scores 56.0% on FrontierCode, ahead of Codex with DeepSeek V4.1 Flash (max) at 52.6%, Codex with GPT-6.1 Sol (max) at 49.4% and Codex with GPT-6 Astra (max) at 49.3%. Below the top, FrontierCode scores are tightly packed: 15 of the 24 configurations on the Index score between 43% and 49%.
➤ SWE-Atlas-QnA-AA grading is stricter and more consistent: across the 21 configurations evaluated on both Index versions, the mean score falls 1.7 points, from 58.8% to 57.1%, with 14 of 21 moving down. Individual configurations move by up to 7 points: Muse Code with Muse Spark Open (xhigh) falls 7.0, Kimi K3 in Kimi Code CLI and Codex with GPT-6 Luna (max) 6.2, and Muse Code with Muse Wonder (max) 5.6, while Codex with GPT-6.1 Sol (max) gains 2.1.
➤ Four configurations sit on the cost frontier: Codex with DeepSeek V4.1 Flash (max) scores 47.3 at $0.39 per task, Codex with GPT-6.1 Sol (max) 54.1 at $1.50, Codex with GPT-6 Astra (max) 54.7 at $7.04 and Claude Code with Claude Opus 5.5 (max) 61.7 at $11.42. Costs are pay-per-token API costs, not subscription prices.
We will keep updating the Coding Agent Index incrementally, with more evaluations and agents to come.
给 12 个 Grok Bot 定了条规矩：谁跟我单聊了什么，都要汇报给CEO Bot，免得它上下文不够、信息过时。
CEO 去通知这些 Bot，但 QA Bot 不认：只凭转述，不当长期规则，要我本人确认。
第一反应是烦，怎么这么不听话，再一想其实它是对的：Agent 之间互相传话，恰好是提示注入最好钻的口子。
Jack Dorsey（Twitter 联创和前 CEO）的公司 Block 发了个很怪的语音模型 Dessa：
只用人类对话的声音从零训练，没有文字，也没有预训练模型。它能边听边说，什么时候插话、什么时候附和，都是从对话里自己学会的。推理比实时还快，不用等它回话。
官方说能在 M4 Max 的 MacBook Pro 上本地跑。
官网放了 6 段真人跟它的现场对话：
· 笑点一到，它在句子中间就笑出来，不用等你说完
· 对方想不起电影名，它帮忙接上
· 收到惊喜时，它的声音有点哽咽
· 还有一段是它和 GPT-Live-1 对聊
也有翻车的：一开始把对方认成「Ronaldo」，聊诺兰的电影聊着聊着跑题了。
现在的语音 AI 大多先转成文字再回答，语气、停顿、叹气在这一步就丢了。Dessa 反过来做，代价是知识全靠「听」来，这样学知识效率如何，Block 自己也说还是个开放问题。
现在还不能用：目前是研究预览加候补名单，先开给 AI 安全研究员。
去听听 Dessa 的效果：block.xyz/dessa
We believe voice is the most natural way to interact with intelligence, so we created Dessa, the most authentic full-duplex speech model ever built. Talking with it feels like talking with a person…full of emotion, nuance, pauses, and a natural cadence.
block.xyz/dessa
一台 2017 年的荣耀 9 手机，就可以成为人形机器人的大脑。
虽然还只能实现走路、跟着人走、摔倒后站立的基础功能 >_>
UCLA 开源的 PhoneBot，最妙的设计是机身本身就像个手机支架：手机装在躯干上，通过 Wi-Fi 和机身里的单板机通信，连数据线都不用接。
手机同时具备了摄像头、姿态传感器（IMU）、无线连接、CPU，还能触屏操作和语音对话。身体只剩 13 个舵机关节（每条腿 6 个，躯干 1 个），不算手机约 400 美元。
UCLA 团队测了 4 款安卓机，最老的是 2017 年的荣耀 9，跑控制策略只占 9.8% 的 CPU。CAD 原文件、物料清单和装配文档全部公开（CC BY-NC 4.0，非商用）。
我抽屉里正好有台小米，感觉可以试试 >_>
这个工作让我想到了 Comma AI：早期设备基于手机，跑开源辅助驾驶 openpilot，现在已经除了自己的硬件 comma 4（999 美元），今年 9 月 NHTSA 对它启动了初步调查：因为发生了 5 起撞上同车道静止或慢速车辆的事故，其中 2 起致 3 人死亡。
Premium 的周额度，我 3 天就用完了。同时跑好多个 Grok Bot，用量涨得比预想的快得多。
今天升到 Super，顺便算了笔账：
· Premium $30/月，4 倍 Plus 用量
· Super $100/月，15 倍 Plus 用量，价格3.3 倍，用量 3.75 倍，单位用量便宜约 11%
· Ultra $200/月，50 倍 Plus 用量，用量是 Super 的 3.33 倍，单位用量比 Super 再便宜 40%
Plus（$8/月）：适合只想用 X 和 Grok 聊天、偶尔用 AI 的人。这一档没有 Grok Bot。
Premium （$30/月，4倍）：适合新手玩玩 Personal Agent，用用几个 Bot、顺带让 Agent 写写代码。
Super（$100/月，15 倍）：适合同时跑好几个 Grok Bot、天天用云端 Agent 写代码，Premium 的周额度撑不满一周的重度用户。高峰时段还有优先处理。
Ultra（$200/月，50 倍）：适合重度开发者或者 Agent 用户，把好几个 Bot 当成全天候团队、长时间跑云端 Agent 的那些人。他的单位用量价格也最便宜，大约 $4 一份 Plus 用量。
等我用用 Super 看看要不要切到 Ultra。
同一个 Qwen3.8-27B 模型，没有改任何权重，只是换了一套"操作电脑的方式"，在 OSWorld V2 上完整做完任务的比例就从 5.56% 涨到了 21.3%。
这是 Simular 刚发布的 Agent S4论文《Evolving Agent Interfaces》：
一、S4 是什么
S4 自己不做任务。它让一个 meta-agent 去读执行 Agent 的操作记录，看哪里不够聪明、哪里反复出错，然后改写执行 Agent 能调用的工具库。
自动进化改写工具库，举两个例子：
· 一次写入 LibreOffice 里一整块单元格，不用一格一格填
· 在已登录的浏览器标签里直接发请求、拿回文字数据，邮箱、银行、聊天网站都能复用
整个过程中模型和 harness 都不动，只有工具库在变。meta-agent 只从 30 个合成任务里学习。
二、核心对比：同一个模型，只换操作方式
都是 Qwen3.8-27B，OSWorld V2 全部 108 个任务，完整完成率：
1. 看截图、点鼠标、敲键盘（Qwen CUA 的固定接口）：5.56%
2. 改成写代码来操作电脑，不给工具库：15.74%
3. 再加 15 个人写的基础工具：19.44%
4. 换成 S4 自动进化出的工具库：21.3%
每任务成本同时在降：$1.39 → $1.36 → $1.11 → $1.10。
怎么理解这组数：
· 最大的一次提升在第 1 步到第 2 步。从点屏幕换成写代码，完成率约提高到 2.8 倍。
· 自动进化比人写的工具库再多 1.86 个点，108 题里大约多做完 2 题。有用，但不是主要来源。
· 严格说，第 1 步用的是另一套 harness。
三、和闭源模型的对比，要斟酌着看
论文里说：
· Qwen3.8-27B + S4：21.3%，每任务 $1.10
· Claude Opus 4.8：20.6%，每任务 $72.40
· GPT-5.5：13.0%，每任务 $25.50
但这不是在相同条件下的对比：
1. 闭源模型的分数和成本直接引自 OSWorld V2 原论文，用的是基准自带的截图式 harness，步数上限 500；S4 用的是能执行代码的 Prime Agent harness，步数上限 300。
2. 成本口径不同。Qwen 的成本按 token 单价、假设 80% 缓存命中估算，不含进化工具库本身的花费。
3. 21.3% 对 20.6% 只差 0.7 个点，按 108 题算不到 1 题。看部分完成分，Opus 4.8 是 54.8%，S4 是 46.9%，Opus 仍更高。
4. 108 题里含 15 道用来挑选工具库的验证题；成绩是 Simular 自测，论文是预印本。
四、我的理解
做 Agent 产品，从这篇里获得到的重点其实和"小模型追上大模型"无关，重要的是：电脑操作 Agent 的接口层是一个便宜的杠杆。
同一个模型，只是不再一格一格点击屏幕，完成率就能提高到约 2.8 倍，成本还更低。换模型很贵，改接口相对便宜。如果你的 Agent 还在靠截图和点击完成大部分工作，值得先看看哪些操作能换成一次代码调用。
而自动进化工具库，它的长期价值更值得被看重：新应用、新任务出现时，不用再等人手写工具。但就这篇论文里提到的效果看，它目前贡献的是最后那 2 个点。
论文：arxiv.org/abs/2610.28601
博客：simular.ai/articles/agent-s4…
Our agent scientist, Agent S4, just got an open 27B model to beat GPT-5.5 and Claude Opus 4.8 on OSWorld V2, with the model's weights left exactly as they were.
With the interfaces S4 evolved, Qwen3.8-27B completes 21.3% of the 108 tasks, the highest binary success of any open-source computer-use agent and 3.8x the same model with fixed interfaces.
It costs $1.10 per task, against $25.50 for GPT-5.5 and $72.40 for Opus 4.8 💸
Full write-up: simular.ai/articles/agent-s4…