技术简报 - 2026-08-24

今天的四条里有三条共享同一个形状：硬件没换、模型没换、人也没换，变的只是安排——而收益是实打实的。IBM Research 把「智能体记忆」从开关改成剂量：弱模型上只按任务检索少量高置信指引，任务完成度涨 16.1 个百分点，token 只多花 5%，而全量注入涨得更少、还多花约一半成本。Dharma-AI 把同一个集群的分配顺序重排，利用率最多多出 33 个百分点，优先级加权产出在每个场景里都上升。两条都自己写下了边界，也都说明了同一件事：「先上全量」是一个会同时输掉准确率和成本的默认值。

Simon Willison 那条是同一件事发生在人这一侧。产能可以涨很多倍，认知容量不会——所以团队存在的理由从分摊打字变成了分摊审阅。他随后指出一个更安静的损失：过去替你否决一个功能的从来不是判断力，是一周工期；工期掉到一小时之后，被删掉的不是那个功能，是那个否决动作本身。

Muse Glimmer 是本期唯一真正新增了东西的一条，而它同样靠安排取胜：4 位动态量化、DFlash 推测解码和一个 18 亿参数的感知编码器一起塞进 24 到 32GB 的预算，才让「在本地常驻一个能用的智能体」不必先做一轮工程适配。它还把「工具调用失败之后怎么办」写进了训练目标——报错时诊断并另找路径，而不是终止。那正是本站《完成判定与验收信号》里最不可靠的一档，第一次被当作可训练的目标来做，而它是否稳定仍然要你在自己的任务上复测。