吾日三省(@lb1800):刚刷到这个发布，第一反应就是：35B 开源权重 + 本地可跑的 Agent Team，这配置也太对胃口了。同一套权重，ReAct 跑到 40，Agent Team 直接干到 50.2（金融）和 51.7（科研），这个差距还是挺夸张的。这也让我更明显地感觉到，复杂任务里，真正拉开差距的可能已经不只是“模型有多大”，而是 harness 怎么设计、验证机制怎么做。尤其是把 Independent Statement Review 直接塞进执行循环里，而不是等任务全部跑完了再去检查一遍，我觉得这个思路挺务实。复杂任务最怕的其实不是模型不会做，而是做到一半跑偏了，最后还一本正经地给你一个没法核验的结论。把 review 和验证直接嵌进流程，相当于边跑边纠偏，这个设计确实有点东西。准备今晚就拉下来玩玩。

2026.08.25 07:55

刚刷到这个发布，第一反应就是：35B 开源权重 + 本地可跑的 Agent Team，这配置也太对胃口了。同一套权重，ReAct 跑到 40，Agent Team 直接干到 50.2（金融）和 51.7（科研），这个差距还是挺夸张的。这也让我更明显地感觉到，复杂任务里，真正拉开差距的可能已经不只是“模型有多大”，而是 harness 怎么设计、验证机制怎么做。尤其是把 Independent Statement Review 直接塞进执行循环里，而不是等任务全部跑完了再去检查一遍，我觉得这个思路挺务实。复杂任务最怕的其实不是模型不会做，而是做到一半跑偏了，最后还一本正经地给你一个没法核验的结论。把 review 和验证直接嵌进流程，相当于边跑边纠偏，这个设计确实有点东西。准备今晚就拉下来玩玩。