第一代到下一代推理模型，训练量大约十倍、只隔四个月。这条斜率不可能一直快过总训练算力。碰上天花板之后，推理阶段会变成总账里的大头，而不再是小修补…

换一套命令行架子，同一模型在编程榜上能差十一个到十五个百分点。接口抖动则是评测事故的第一来源，新模型中招更重。

八千进一千出还能撑；拉到十二万八，同样一批高端芯片的吞吐能掉一到两个数量级。编程智能体一旦全员按大厂强度用，长窗口会先撞墙。

十万开发者的数据显示，行数能涨八倍，发布只多三成。真正卡住的是定规格和为结果负责。随手生成和带监督的工程，不是同一件事。

同事可靠，不只是多数时候做对。还要同一题反复稳定、条件变了不垮、知道自己没把握、错了也不把局面搞砸。十八个月里能力榜涨得猛，这四项只缓缓挪了一点…

能自动判分的任务也能被专门刷。把应用签上、填表、过审，才是脏活。一次上架大约一千美元，真正写应用只要二十多，其余多半在刷状态。

声称单条提示、九百美元、几十个子智能体做出操作系统。提示词其实长达数千行，人工标准没定义，代码和日志也不公开。花费数字有用，故事不能当证据。

把未发表论文的研究问题交给前沿智能体，给足接口费和六天墙钟时间。原作者两篇都拒了。方向起得漂亮，很快被劣质或合成数据劝退。

幻觉、检索漏召回、上下文被截断，都不会变成异常码。智能体循环调工具、中途改计划，成功失败二元状态完全不够用。要把每次推理拆成可检索的环节。

提供方、模型、输入输出词数应成为标准属性。编排、检索、推理、工具四段同树。评估结果挂在模型那段上，改进提示词才有可复现的输入。