DeepSeek 换套 Harness，五项基准反超 Opus

概览

本期共 9 条，前 3 条为今日重点；正文按板块展开。

热门模型动态

1. 重点 · DeepSeek-V4-Flash 换套 Harness，五项基准反超 Opus 4.8
2. 重点 · Shopify CEO 威胁禁用 Claude Code，只因它不读 AGENTS.md
3. 重点 · Gemini 3.5 Pro 再度跳票，Google 重组并痛失 Jeff Dean
4. StartLux 27B 本地模型 CAICT MCP 测评夺亚，超 DeepSeek-V4-Flash

全球 AI 资讯 5. OpenClaw 2.0 补上协作短板，坚持让运营方自选模型与硬件 6. Google 开源 EnvHarness：让静态智能体环境随训练自适应 7. Glassdoor 分析：员工对 AI 的正面评价从 81% 跌到 43%

区域与早期信号 8. AI 视频生成快过播放，「无限泔水」直播上线（Chinese-language source） 9. 商汤系 Imvision 押注 AI 影像协处理器，欲走出安霸阴影

九凤根据本期已引用来源整理。

热门模型动态

DeepSeek-V4-Flash 换套 Harness，五项基准反超 Opus 4.8

同一个 DeepSeek-V4-Flash，接入 Floatboat 自研 Harness 后五项基准全胜，反超单价贵 57.1 倍的 Claude Opus 4.8。

据 InfoQ 报道，通用 Agent 公司 Floatboat 于 2026 年 8 月公布评测：以混合价 $0.175/M 的 DeepSeek-V4-Flash 跑完五项基准，成绩均超越单价贵 57.1 倍的 Claude Opus 4.8。关键变量不是模型而是 Harness——同一模型在 DeepSeek 官方 Harness 上五项未赢，接入 Floatboat Harness 后五项全胜。团队自研了完整的 Runtime、Agent Loop、Tools 与 Infra，外加名为 FloatSail 的自适应系统，并把文件管理器、编辑器、浏览器做成 Agent 的桌面运行环境。增益随任务程长递增：短程任务仅差 1.9%，长程 DeepSWE 达 23.6%；Floatboat 定义的 HLR（Harness Leverage Ratio）从 0.78 倍升至 3.57 倍。

局限：Floatboat 评测系自测、自选基准，尚无第三方复现，绝对分数与提示细节未完全公开；文末 METR 与 Anthropic 两个链接为 InfoQ 报道所附参考阅读，并非评测方对方法学的官方说明。

来源：InfoQ · METR arXiv:2503.14499 · Anthropic

Shopify CEO 威胁禁用 Claude Code，只因它不读 AGENTS.md

拒绝支持已被超 6 万个开源项目采用的 AGENTS.md 格式，Claude Code 招致 Shopify CEO 公开威胁在公司内部全面禁用。

据 InfoQ，Claude Code 坚持自家 CLAUDE.md、拒读渐成行业标准的 AGENTS.md。Shopify CEO Tobi Lütke 在 X 上称，公司数千名开发者共同维护一个 monorepo，工具读不到同一份指令会让部分智能体「被切掉一块脑子」，为此付出「本不该付的复杂度税」，并表示正考虑在 Shopify 全面禁用 Claude Code，直到其愿意读取 AGENTS.md、.agents/skills 等文件。开发者对该格式的诉求由来已久：2025 年 8 月提交的功能请求获近 5000 个 GitHub 用户点赞，成为社区反响最强的兼容性诉求之一，但相关 issue 屡被以「不予修复」关闭。一项针对 2853 个 GitHub 代码仓库的 2026 年研究发现，上下文文件已成为开发者给编程智能体下指令的通行做法。Anthropic 方面，Claude Code 团队成员 Thariq 回应称正在提升可定制性，并解释坚持 CLAUDE.md 的原因——不同模型需要不同的上下文；他还透露 Anthropic 为 Claude 5 删掉了约 80% 的 Claude Code 系统提示词。但该回应未平息争议，开发者反而更为不满。

局限：这是围绕配置格式的工程分歧；到目前为止，Shopify 并未真正禁用 Claude Code，而 Anthropic 仅解释了坚持 CLAUDE.md 的理由，并未承诺采纳 AGENTS.md。

来源：InfoQ · GitHub issue · arXiv:2602.14690

Gemini 3.5 Pro 再度跳票，Google 重组并痛失 Jeff Dean

旗舰模型从「本月发布」拖到「即将」，Google 的应对是给 Gemini 配运营主管、加快廉价 Flash，并眼看首席科学家出走自立门户。

据 RuntimeWire，Google 的 Gemini 3.5 Pro 一再延期：Alphabet 6 月的投资者演示材料称旗舰将于当月发布，7 月的帖子改口称合作伙伴正在测试，到 8 月仍是「即将」。与此同时，Google 在组织与商业上调整：给 Gemini 项目配上运营主管、更快推出更便宜的 Flash 系列。人事层面，入职谷歌 27 年、第 30 号员工、参与 MapReduce/Bigtable/TensorFlow/TPU 与 Google Brain、现任 Google DeepMind 首席科学家的 Jeff Dean 已于 8 月 5 日离职，与 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 共同创办公益公司 Discovery Loop，Alphabet 为创始投资方兼云合作伙伴；Dean 的 google.com 账号 8 月 14 日左右被关闭。

局限：Gemini 3.5 Pro 至今未正式发布，「即将」无确切时间表；报道以 Jeff Dean 本人 X 帖与 Sundar Pichai 备忘录为一手依据，属对公开信息的整理，Google 未就延期给出官方技术说明。

来源：RuntimeWire · Jeff Dean on X · Pichai memo

StartLux 27B 本地模型 CAICT MCP 测评夺亚，超 DeepSeek-V4-Flash

一款 270 亿参数的本地模型在 CAICT 的 MCP 测评中位列第二，跑赢 DeepSeek-V4-Flash。

据 Pandaily，StartLux 的 270 亿参数本地模型在 CAICT 的 MCP 测评中取得第二名，成绩超过 DeepSeek-V4-Flash，被报道形容为进入「万亿参数级能力」区间。以 27B 的体量在该测评中位列前二，指向中小模型在特定 Agent/工具调用测评上的性价比空间。

局限：本条目前仅见 Pandaily 单一报道，属素材偏薄的区域信号；「万亿参数级能力」为报道措辞而非官方基准分数，来源仅以缩写「CAICT」称该测评机构、未给出全称，其完整榜单、评测方法与其他选手成绩亦未在该报道中披露，缺少第三方复现。

来源：Pandaily

全球 AI 资讯

OpenClaw 2.0 补上协作短板，坚持让运营方自选模型与硬件

开源自托管智能体 OpenClaw 发布 2.0，补齐持久会话、云端 Worker 与任务交接，但仍不捆绑模型与基础设施。

据 RuntimeWire，Peter Steinberger 的开源项目 OpenClaw 于 8 月 30 日发布 2.0，带来 Grok Bot、ChatGPT Work 同类的能力：持久智能体、共享会话、计算机访问、周期任务与任务交接。差别在于它「不打包」什么——Grok Bot（8 月 11 日 beta）与 ChatGPT Work 把智能体执行、模型与基础设施封装进托管产品，OpenClaw 则让运营方在笔记本、服务器、配对设备或自选云 Worker 上运行，模型可托管可本地，从而保留对执行与凭据的控制。

局限：这份「控制权」的代价是安装、维护与安全都留给用户自理；报道将 2.0 定位为「补齐便利与协作短板」而非独立产品发布，未给出性能基准或用户规模数据。

来源：RuntimeWire · Grok Bot · ChatGPT Work

Google 开源 EnvHarness：让静态智能体环境随训练自适应

Apache-2.0 的可编程层，把固定不变的智能体基准变成会随策略进步而调整的训练环境。

据 MarkTechPost，Google Cloud AI Research 联合圣路易斯华盛顿大学与北卡罗来纳大学教堂山分校发布 EnvHarness，采用 Apache-2.0 许可。现有智能体环境多为手工搭建、固定不变——无论哪个智能体、进步多少都表现一致。EnvHarness 反其道而行：用仅通过标准 reset() / step() 接口工作的插件式组件包裹既有环境，改变一个 episode 从哪开始、智能体可做什么、能看到什么，而底层模拟器、任务与人工构建的校验器保持不变。

局限：它改变的是环境的呈现与起点，不替代底层任务与验证逻辑；效果与适用范围以配套论文与代码仓库为准，报道未给出跨任务的量化训练收益。

来源：MarkTechPost · GitHub · arXiv

Glassdoor 分析：员工对 AI 的正面评价从 81% 跌到 43%

对雇员评论的分析显示，职场对 AI 的正面提及从 81% 回落至 43%，负面升至 53%。

据 The Decoder，对 Glassdoor 雇员评论的分析显示，美国员工对 AI 的正面评价从 2019 年的 81% 降至 2026 年中的 43%，负面评价升至 53%。群体差异明显：Gen Z 女性的 AI 相关评论仅 21% 为正面，是最不看好的群体；高管最乐观；软件架构师提及 AI 最频繁且多为正面，而工作更偏写码与审阅的软件工程师更为谨慎（约 57% 偏负面）；保险理赔员、写作者与客服几乎一边倒地负面。

局限：这是对公开雇员评论的观察性分析，反映的是主观情绪而非生产力或岗位数据，样本与抽样方法以原文为准，不能据此推断 AI 对具体岗位的净效应。

来源：The Decoder

九凤根据本期已引用来源整理。

区域与早期信号

AI 视频生成快过播放，「无限泔水」直播上线（Chinese-language source）

fal 工程师把基于开源 MiniMax H3 重构的 H3 Max 接上直播，15 秒视频约 9 秒生成，催生可无限续播的互动 AI 直播。

据爱范儿，fal 工程师 Rehan Sheikh 于 8 月 29 日把自研的 H3 Max（基于开源模型 MiniMax H3 重新设计）接入直播，做成永不停止的「无限跨次元有线电视」，两天演示帖获超 500 万次观看。因生成速度首次快过播放——15 秒视频约用 9 秒生成——「数字游民」开发者 Pieter Levels 顺势做出可交互的 Infinite Slop 网站：任何人在聊天框输入一句话，AI 即生成带画面、对白、音效的短片排入队列，上线首日 3.7 万观众、峰值逾 1000 人同时在线。

局限：Sheikh 的 Twitch 直播账号因涉 DMCA 等规定被封，转 Kick 再被封、最终搬到 Rumble；内容被开发者自嘲为「slop（垃圾流）」，属演示性质，H3 Max 未公布参数、许可证或稳定可用性。本条为中文媒体报道。

来源：爱范儿

商汤系 Imvision 押注 AI 影像协处理器，欲走出安霸阴影

从商汤分拆的 Imvision 以 AI 影像协处理器切入头部摄像头供应链，试探能否从「第二颗芯片」长成完整 SoC。

据 Pandaily，从商汤（SenseTime）分拆的 Imvision Innovation 正以 AI 影像协处理器进入头部摄像头供应链，定位为主控之外的「第二颗芯片」，并试图借此成长为完整 SoC，从对标安霸（Ambarella）的处境中突围。

局限：本条为 Pandaily 单一报道、素材偏薄，属早期产业信号；进入供应链的规模、客户、出货量与量产时间未披露，「成长为 SoC」目前是公司意图而非已验证的产品事实。

来源：Pandaily