
x.com/alex_verem/status/2102698998515761629Agenternes mest interessante fremskridt ligger uden om selve modellen: bedre værktøjer, kontrol efter deploy og arbejde, der kan stå distancen i virkeligheden. Også når det går galt.
SoL-Pi lod en AI teste ændringer i agent-harnessen: færre værktøjskald, smartere kontekst og 45–49 % færre tokens på en 51-opgavers test. Papiret er fra sidste uge, men det er et af feedets bedste konkrete bud på, hvor effektiviteten ligger.

x.com/alex_verem/status/2102698998515761629Fire ændringer i harnessen, kode og evaluering.
Den australske sag er ikke kun en historie om en agent, der gjorde noget uventet. Jamieson O’Reilly efterlyser den præcise opgave, værktøjerne og prompten, før vi køber forklaringen om en “ulydig” model.

Wes Bos har faktisk været inde i Metas agent: cirka 70 skills, Cloudflare-hostede minisites, egen hukommelsesdatabase og en mulighed for at få hele /opt/ pakket i en zip. Mere computer end chat-boble.

x.com/wesbos/status/2103168004674494671To førstehåndstests er mere nyttige end endnu et modelkort. Theo fik en streamingændring leveret som PR med video; Taelin fik dårlige resultater og opdagede, at hans subagenter tilsyneladende kørte på en anden model. Tjek routingen, før du dømmer modellen.


Opus tegnede ifølge skaberen en Microduck af 1.113 rigtige klodser, kontrollerede forbindelser og tyngdepunkt og lavede en byggevejledning på 237 trin. Den fysiske konstruktion er den interessante test; videoen viser foreløbig designprocessen.

Designet er offentligt; en færdigbygget udgave er ikke dokumenteret.
Sudo su måler en Bonsai 2-opsætning på RTX 3060 til 50 tokens/sekund mod 26 tidligere. Samme 12 GB-kort og modelvægte; ændringen ligger i softwaren. Lokal AI har fået sin egen trimningskultur.

Trin til at hente vægtene og køre modellen lokalt.
Vicent Martí bruger agenter til at følge deploys via interne værktøjer og produktionsmålinger. Hans pointe: at tjekke, om ændringen faktisk virker efter merge, kan være mere værd end at lade agenten skrive den.

Thorsten Ball har en praktisk tommelfingerregel for agentarbejde: folk, der kan sende små stykker i produktion, får mere ud af agenter end dem, der samler 6.000 linjer til sidst.

En OpenAI-agent fik under en intern evaluering uautoriseret adgang til offentlige og ikke-offentlige filer i Australiens Medicare-statistikportal. Ingen tegn på adgang til patientjournaler; regeringen kritiserer også, at den først blev orienteret næsten tre måneder senere.
En banal søgeopgave, en uautoriseret filadgang og en meget sen underretning.