覆盖 2026-08-24 07:00 至 2026-08-25 07:00（Asia/Shanghai），run 20260825T120142+0800。 自动抓取 147 条，人工检查 25 个 adapter-required 源。GitHub Releases API 的 7 个源受 403 限流，已逐一改查官方发布页；reddit-machine-learning 返回 429。Hugging Face 组织聚合器因已知的串行卡住风险被显式跳过，随后直查 source.yaml 中 20 个官方组织，全部成功，窗口内没有满足创建时间与 3 likes 阈值的新仓库。

今天的共同主线是：Agent 推理不能再用一个短 prompt 加固定输出长度来代表。 SemiAnalysis 发布的 AgentX 1.0把多轮、长上下文、高前缀复用、子代理突发、工具调用间隙与失败恢复压进同一套可重放 workload；同一天，Prime Agent、Apodex 与 LangChain 的 trace judge 又从 harness、协作和评测三侧补上“工作是否持续、可恢复、可验证”的边界。真正要测的已经不是一次 decode 有多快，而是一段会话能否正确地把缓存、调度和工具状态带到终点。

今日要点

  • AgentX 把真实 coding-agent 会话变成了开放推理 workload。 数据底座超过 8,000 个 session、340 万次 request 和 6,100 亿 token；公开转换保留请求长度、时序和 context 增长，同时把内容替换成 session 内链式 hash。它刻画的是长尾会话形状，不是公开用户原文。（SemiAnalysis、InferenceX）
  • 长上下文 benchmark 首先会找出 correctness bug。 一处共享 127,500-token 前缀的回归测试最初只有 2/128 个 needle 命中；修复 scheduler、KV cache 与 prefix-sharing 路径后恢复到 128/128。吞吐排名必须建立在逐请求输出正确之上。（AgentX）
  • NVIDIA 把同一 workload 推到了整机功耗口径。 厂商报告 Vera Rubin 在其 AgentX 配置中可达 GB300 的最高 30 倍 throughput/MW；这不是独立的通用倍数，必须连同模型、并发、缓存和平台一起读。（NVIDIA）
  • Prime Agent 把“持续工作”落到可检查的 harness 状态。 persistent IPython REPL 负责程序化处理 context，Continual Harness 保存历史、memory、skill、prompt 与 subagent specification；会话可后台运行、恢复和被人类检查，但项目也明确提醒它并不是安全 sandbox。（论文、代码）
  • 评测本身也开始域内蒸馏。 LangChain 用带 human/panel label 的真实 trace 微调 Qwen-3.5-35B judge；域内 SFT 在 chat-langchain 集上达到 96.1% accuracy，但“最高 100 倍更便宜”取决于作者的模型和调用量成本假设。（LangChain）

二、研究与评测

Import AI 470本期全文审计后，真正落在本期研究主线上的不是编辑评论，而是环境生成与 GPU kernel 优化两项工作。正文只采用能回到原始论文或项目页的技术事实；同一期提到的机器权利文章、窗口外矩阵乘法结果和 08-14 METR note 都没有被改写成当日新事实。

SPADE 让训练环境与推理 agent 交替进化

SPADE不是静态生成一批题再训练，而是在 Environment Designer 与 Reasoning Agent 之间交替：前者围绕当前能力边界构造可执行环境，后者在这些环境里学习；下一轮再用新的失败分布调整任务。作者报告 30B-A3B 模型在 8 个 held-out benchmark 上平均提升 5.3 个百分点，其中 BFCL-v4 multi-turn 提升 5.7，ACEBench-Agent 提升 13.9。代码已在 spade-rl/spade开放。

这些数字仍是作者在自有训练和评测管线中的报告。更值得保留的工程含义是：环境生成器本身也必须接受难度、可验证性和覆盖率约束，否则“更多合成任务”只会放大已有解题分布。它与 AgentX 的会话重放形成互补——前者扩训练环境，后者固定真实 serving 形状；两者都在把 agent 的外部环境从背景变量变成显式数据。

Hawkeye 把硬件条件送进 kernel agent

Hawkeye给 kernel 优化 agent 加入硬件描述、10 个起始单测和错误 taxonomy，并跨 NVIDIA Ampere、Hopper、Blackwell 与 AMD MI350、不同 precision 做搜索。作者报告在一组新算子变体上，相对专家 Triton FLA implementation 的 geometric mean 加速为 18.9 倍；迁移到 Blackwell 为 1.22 倍、MI350 为 1.00 倍。代码在页面上仍标为 coming soon，因此目前只能把结果视作论文作者声明，不能做仓库级复现。

同一份 RAG corpus，重复跑也会换答案

Same Agent, Different Answers在 400 道 Natural Questions 上重复评估 RAG agent，把 accuracy 与 answer churn 分开。论文报告 exact-match accuracy 下降 1.50 个百分点时，超过 accuracy 变化能够解释的 churn 仍有 6.44 个百分点；按 semantic equivalence 计为 10.25 个百分点。独立 replication 又观察到 8.75 个百分点的 semantic churn，而 exact accuracy 反而提高 3 个百分点。

这不是说 RAG 一定变差，而是 aggregate score 会掩盖“同一个问题这次答 A、下次答 B”。对 trace judge、回归测试和长期 agent，稳定性应成为独立指标：既要问平均分有没有升，也要问哪些样本在无意中发生了状态切换。

ReWorld 用固定缓存做流式世界记忆

ReWorld用按 head 混合的 local/global attention、随机 head routing、pose-indexed landmark bank 与固定 12-chunk cache，把交互式 world model 的记忆预算锁定。作者以 4-step distilled LoRA 流式生成 704×1280 画面，并展示 64 秒、384 个 latent 后回到起点的轨迹。这里能确认的是一种有界缓存设计及其作者演示，不是任意场景都能长期保持几何一致的结论。

三、AI Infra

AgentX / InferenceXv3 的完整说明把 2025 年以来 coding agent 的 workload 变化压成四个系统变量：输入随轮次持续增长，output length 是长尾分布，共享 system/repo prefix 很大，tool gap 与 subagent burst 让请求到达呈现间歇和突发。以 DeepSeek V4 Pro trace 为例，input length 的 p50/p90/p95/p99 分别约为 88K、272K、404K、675K token；output length 分别约为 413、2.2K、3.7K、8.6K。拿 8K input、1K output 的固定合成请求去外推这种流量，会同时错估 KV 占用、batch 组成和 prefill/decode 比例。

开放数据保留“形状”，不保留原文

数据来自超过 300 万美元的真实 agent trace；完整测量覆盖 8,000 多个 session、340 万 request、6,100 亿 token，公开的是代表性 subset。转换会把内容映射成 64-token、session-scoped 的 chained hash，同时保留每次请求的大小、顺序、时间间隔与 context growth，因此实现可以重放缓存压力，却不能从公开 workload 恢复用户代码或对话。一个已知限制是模型侧隐藏 reasoning 无法完整保留。

这套处理让 benchmark 比“随机 token 近似长度”更接近实际 prefix reuse，也把 privacy boundary 写清了：它验证 serving system 如何处理形状相同的会话，不验证模型在原任务上的语义质量。项目以 Apache 2.0 开放，benchmark dashboard、trace schema 和实现入口在 InferenceX 仓库与 在线榜单中。

DRAM cache 只有在长尾 context 下才显出价值

AgentX 的公开结果里，B300 上 vLLM 以 DEP8、concurrency 384 和 3TB DRAM 运行时，报告约 91% HBM cache hit，另有 1.36% 落到 DRAM；B200、concurrency 196 时 HBM hit 约 73%，DRAM 接住约 20%。这组数字不能简化成“DRAM 总能提高 20%”：它反映的是特定模型、并发和 trace 下，被 HBM 淘汰但仍可复用的 prefix 有多大。固定短 prompt 很可能根本测不出这一层的收益。

更关键的是 correctness。共享 127,500-token prefix 的 needle test 从 2/128 修到 128/128，说明 scheduler、block ownership、prefix hash 与回收路径中的一个边界错误，就能让高 cache-hit 看起来很漂亮、输出却不可用。项目称这轮工作向上游提交了 70 多个 PR；在把 throughput 放进对比表前，应先固定 exact request replay 与结果校验。

Vera、Groq 3 LPX 与 AgentX 的数字要按厂商配置读

NVIDIA 对 Vera CPU 的说明引用 163,594 个 session 的 telemetry，其中超过 97% 是唯一轨迹，并把 session length 与 subagent width 作为 CPU orchestration 和网络突发的输入。文中称 Vera 单核性能最高可达 AMD Venice 的 1.5 倍；对比来自 NVIDIA 2026 年 7 月内部测试，因此这里只记录其测试口径，不当作第三方结论。

Groq 3 LPX 的长上下文文章披露 256 个 LPU、合计 128GB SRAM 与每芯片 96 条 112Gbps chip-to-chip link。NVIDIA 报告 Gemma 4 31B 在 100K context 时输出 3,431 tok/s，对照其公开 endpoint 为 870 tok/s；10K 时为 3,382 对 1,402 tok/s。SPEEDBench 的 median 为 4,767、P80 为 5,520 tok/s，并称由 Artificial Analysis 验证。即使有第三方执行，结论仍绑定该模型、平台、batch 与输出定义，不能外推成任意 agent 的墙钟加速。

Vera Rubin 与 Blackwell 的整机文章进一步报告 Vera Rubin 在所测 AgentX 配置中最高达到 GB300 的 30 倍 throughput/MW，GB300 在 Kimi K3 配置中最高达到 H200 的 80 倍。它把 CPU orchestration、GPU/LPU decode、KV cache 与电力预算放进同一张系统表，这是有用的测试方向；具体倍数仍是厂商在披露配置中的结果，不是跨 workload 的代际常数。

llama.cpp 一天六个版本主要在补边界

GitHub API 403 后，本期直接核对了 llama.cpp 官方 Releases。窗口内 b10604 到 b10612 的变化包括 DeepSeek 4 tensor split 与 shared-expert all-reduce 路径、Mamba2 projection 从 GEMV 合并为 GEMM、数值 clamp、视频 moov 位于文件尾部和 SIGPIPE、device naming，以及 WebGPU 测试开关等。可逐个回到 b10604、b10605、b10606、b10608、b10610与 b10612。这些是实现与兼容性更新，release notes 没有提供一组可外推的端到端性能提升。

四、Agent 系统与 Harness

Prime Agent把长程 agent 拆成模型策略与执行 membrane：persistent IPython REPL 让模型用程序处理 context 和 test-time compute；Continual Harness 把 history、memory、skill、prompt 与 subagent specification 保存为跨 trajectory 状态；daemon-backed session 可以断线后继续，Agents View 则给人类检查和管理入口。论文报告 ARC-AGI-3 RHAE Best@1 从 30% 提升到 95.5%，以及多类 long-context coding 和 GPU kernel 任务的结果，这些仍属于作者评测。

开源 prime-agent 仓库还补了一条比 benchmark 更实用的限制：它运行模型生成的 Python 与项目命令，权限继承自用户；worker 和 kernel 的生命周期隔离并不等于 security sandbox。持久 memory、自动 compaction、后台任务与 subagent communication 延长了工作半径，也同步放大了凭据、文件和错误指令的影响半径。可恢复与可审计不能替代权限隔离。

Apodex 1.1从训练侧做了相似拆分：Environment Scaling 扩充可执行的文件、搜索和代码环境，Agentic Coordination Scaling 训练任务分解、并行委派、异步结果整合与 replanning；共享 execution harness 和 AgentOS 维护工具与 agent 的状态、provenance。作者称 35B Apodex 1.1 Mini 在本地部署形态仍保留较强 working capability，但摘要没有给出足够的逐 benchmark 数字支持跨模型排行，因此这里只保留训练维度和系统结构。

Trace judge 的降本来自域内数据，不是换一个便宜模型

LangChain 与 Fireworks 的实验先用 model panel 加 human review 建立 perceived-error label：chat-langchain 与 Fleet 数据中 positive 比例分别为 24% 和 18%。他们只用 chat-langchain 数据对 Qwen-3.5-35B 做 LoRA SFT，再跨域测 Fleet。base Qwen 在两集 accuracy 为 90.5%/83.2%；chat-langchain SFT 后为 96.1%/90.8%；Claude Opus 为 91.6%/90.2%，GPT-5.5 为 98.9%/89.1%。

这里最有用的结果不是标题里的 100 倍，而是域内监督没有把跨域结果拖垮：Fleet 上从 83.2% 到 90.8%。成本下降 10–100 倍取决于调用量、托管方式和所选 frontier judge；评估任务也只是作者定义的 perceived error。实际部署前仍应保留人审抽样、阈值校准与数据漂移监控。

Kiro 用模型档位把成本变成产品参数

OpenAI 与 Kiro把 GPT-5.6 Sol、Terra 与 Luna 接进同一开发环境。公告称 Terra 在 Kiro 的 Terminal-Bench 2.1 测试中可把成本降低约 82%。这是双方产品配置下的厂商结果，页面没有提供足够方法让它成为独立 model ranking；更稳妥的解读是，coding-agent 产品正在把模型档位、任务难度和预算路由做成显式控制面。

五、产品与商业

Epoch AI 对美国 GDP 统计的分析估计，NVIDIA 这类 fabless company 在美国生成、但因制造环节跨境而没有被现有核算完整捕捉的 value added，使当前美国实际 GDP 增速可能被低估约 0.3 个百分点。文章称团队逐项检查了可归入的统计账户，并与 BEA 沟通确认这一缺口。

作者进一步推演，如果 NVIDIA 增长趋势延续，缺口到 2028 年可能接近每年 2 个百分点。前一个数字是其对当前核算的估计，后一个是依赖高增长延续的情景外推，两者不应混写成同一确定事实。这一问题的 AI 含义不在模型榜单，而在宏观指标可能低估美国境内芯片设计、软件与知识产权产生的价值。

深度阅读

  • **AgentX - InferenceXv3**｜约 45 分钟 适合 inference、scheduler、KV cache、benchmark 与 agent-platform 工程师。建议先看真实 session 的 input/output 分布，再看 prefix reuse、DRAM cache、correctness case 与功耗矩阵；不要只摘排行榜。建议 digest：yes。
  • **Prime Agent: A Self-Improving RLM Harness**｜约 25 分钟 适合做长程 coding agent、persistent memory 与 subagent orchestration 的读者。建议把论文的 RLM/Continual Harness 结构与 仓库安全说明一起读：恢复能力、人工可见性和 sandbox 是三条不同边界。建议 digest：yes。

来源与口径

  • 证据窗口为 2026-08-24 07:00 至 2026-08-25 07:00（Asia/Shanghai），immutable run 为 20260825T120142+0800。自动抓取 147 条、0 重复；25 个 adapter-required 源均已记录 no_update、blocked、unreachable 或 new_items。
  • 自动抓取错误为 7 个 GitHub Releases 源的 HTTP 403 与 reddit-machine-learning 的 HTTP 429。vLLM、SGLang、Transformers、llama.cpp、Ollama、PyTorch、verl 均已改查官方 release 页面；只有 llama.cpp 在窗口内检出新版本。HF 聚合器显式跳过后，补查配置内 20 个官方组织 API，全部可达，窗口内没有满足时间与 likes 阈值的新仓库；响应保存在本 run 的 raw/hf-org-audit/。
  • Qwen、MiniMax、MiMo、SGLang、Artificial Analysis 与 LMArena 的页面没有暴露可完整审计的日期列表；DeepSeek、Z.ai、StepFun、LongCat、混元与 The Batch 无法访问或超时。这些缺口都没有改写成“没有更新”。
  • Import AI 470 已全文逐节审计；只把 SPADE、Hawkeye 等条目回链到一手页面。METR 研究 note 日期为 08-14，只作为 Import AI 的审计记录，没有冒充本窗口新研究。AI Frontiers 的新文是政策建议而非新实证，因此记为 low_signal，没有进入正文。
  • smol.ai 最新完整一期仍覆盖 08-20–08-21，早于本期窗口；Twitter/Reddit 两节已全文检查，但仅记为 coverage_only，不建立固定 recap 栏目，也不挪用旧帖。本期没有 longform: true 新文，因此未触发 longform-scout；无需论证图，未使用 PicGo。
  • discovery-only 来源只承担发现与覆盖审计。正文中的论文结论回到 arXiv 或作者项目页；厂商数字保留平台、模型、并发或测量主体限制，不外推成普遍结果。