Tweets

AI 不会让编程消失，但会让不用 AI 的程序员消失

Redis 的作者antirez，一个对代码有洁癖的人。

他的职业生涯就是在追求"人的痕迹"，每一行代码都要优雅、简洁。

但现在他说：写代码这件事，大部分情况下已经没必要了。

一小时前，他写了一篇博客，分享了自己的想法。

他给了四个例子，都是过去要花几周的活，现在几小时就搞定：

① 给 linenoise 库加 UTF-8 支持，还做了个测试框架
② 修 Redis 测试里那些烦人的时序 bug
③ 用纯 C 写了个 BERT 推理库，700 行，速度只比 PyTorch 慢 15%
④ 让 AI 按照设计文档重做了他对 Redis Streams 的改动，20 分钟

你可能会说，这都是他熟悉的领域啊。

对，但这恰恰是重点。

那些真正厉害的程序员，价值从来不是打字快，而是：
① 能看出问题的本质
② 知道什么方案行得通
④ 懂得在复杂系统里找到平衡点

AI 只是把那些"翻译工作"接过去了，你的大脑可以专注在更重要的事情上。

antirez 很诚实，说自己担心那些会被裁掉的人。

他的想法是，投票给那些认识到这个变化、愿意保护失业者的政府。

很欧洲式的思路，但问题的核心是对的：技术变革带来的阵痛，不能只让个人承担。

antirez 也给很实在的建议：别拒绝正在发生的事。

一定要用"用 AI"，不是试五分钟就下结论的态度。

而是：
① 花几周时间真正去用
② 找到它能让你效率翻倍的场景
③ 如果暂时不行，过几个月再试

AI 在进化，你的使用方式也需要进化。

Our latest research, TTT-E2E, marks a new era for LLM memory.
 
Now, models can continue training during deployment, using context as training data to update their weights and learn from massive amounts of experience. 

With @NVIDIAAI and @AsteraInstitute

Apple 🤝 Gemini 

> Apple and Google have entered into a multi-year collaboration under which the next generation of Apple Foundation Models will be based on Google's Gemini models and cloud technology. These models will help power future Apple Intelligence features, including a more personalized Siri coming this year.

Ralph Wiggins：让AI帮你写代码的工作流

最近，一个叫Ralph的AI编码工作流在技术圈引起了不小的关注。

这个名字来自《辛普森一家》里的角色，它能让AI Agent在你睡觉的时候帮你完成整个功能开发。

工作原理很朴素

Ralph的创造者Jeff Huntley想到的点子其实不复杂，给AI Agent一个任务清单，让它自己挑选任务，实现功能，测试结果，然后提交代码。

分几个步骤：

第一步，写产品需求文档（PRD）

这是最关键的环节。

你可以用Claude Code或AMP这类AI工具，配合语音输入工具Whisper Flow，直接说出你想要的功能。

说个两三分钟，把想法讲清楚。

然后用一个PRD生成Skill，让AI把你的语音转成结构化的需求文档。

文档会包含用户故事等。

第二步，转换成JSON格式

把PRD转成Ralph能理解的JSON文件。

这个文件里最重要的是验收标准（acceptance criteria）。

为什么验收标准这么重要？

因为AI Agent需要自己判断任务是否完成，不能每次都来问你。

就像给它一份考卷，它做完了能自己对答案。

每个用户故事都要足够小，小到能在一次迭代里完成。

Claude Opus 4.5的上下文窗口大约是16.8万个token，任务大小要控制在这个范围。

第三步，运行Ralph脚本

这是一个bash脚本，在命令行里运行。

它会从JSON文件里挑一个状态是"未完成"的任务，启动一个全新的AI Agent实例去处理。

完成后提交代码，把任务状态改成"已完成"，然后继续下一个。

Ralph每处理一个任务，都会启动一个全新的AI实例，全新的上下文窗口。

避免上下文太长而出问题，每个任务都能得到充分的注意力。

会记录学习成果

AI代理在工作过程中会遇到各种问题，学到关于代码库的知识。

Ralph会让它把这些写进agents .md文件。

AI下次处理这个文件夹的代码时，会先读这个文件，避免重复踩坑。

还有一个progress.txt文件，记录短期记忆。

比如这轮10次迭代里学到了什么，做了哪些改动。

运行一次Ralph迭代，大概花3美元。

一个完整功能可能需要10次迭代，也就是30美元左右。

比起人工开发的时间成本，这个价格几乎可以忽略。

Ryan Carson是在线编程教育平台Treehouse的创始人，他用Ralph做了测试。

一个早上的时间，他让Ralph完成了一个大功能的开发，总共跑了14次迭代。

他睡觉的时候，AI在工作。
吃饭的时候，AI在工作。
陪家人的时候，AI还在工作。

当然，不是说完全不需要人工介入。

测试阶段还是会发现一些边界情况的bug，但这些问题用AMP很快就能修复。

关键在哪里

写好PRD和用户故事

这是整个流程里最需要花时间的地方。

Ryan建议至少花一个小时来打磨PRD和用户故事。

用户故事要足够小，要有清晰的验收标准。

如果这一步没做好，跑10次迭代也得不到满意的结果。

让AI能测试浏览器

如果你的功能涉及前端代码，需要给AI配置一个技能，让它能操作浏览器进行测试。

有个叫dev browser的免费Skill可以做这个，在GitHub上能找到。

理论上，非技术背景的人也能用Ralph。

但需要两个前提，好奇心和执行力。

这套方法之前做不到，因为AI模型不够强。

Claude Opus 4.5的出现让Ralph成为可能。

它能理解复杂的验收标准，能自己判断任务是否完成，能从错误中学习。

等Opus 5出来，效果只会更好。

Ryan Carson拿了计算机科学学位26年，教过一百万人编程，带过大型工程团队。

他说这个循环基本等于一个完整的工程团队在为你工作，而且是在你睡觉的时候。

怎么开始

最简单的方法是去GitHub找snark/ralph这个仓库，代码是开源的。

把这个仓库给你的Claude Code等Agent 看，让它帮你配置好。

然后选一个小功能试试手。

---
完整视频见评论区

如何利用 Claude Code 和 Claude Opus 4.5 短短 5 天内构建出 Learning Machines -- 来自 @AgnoAgi 创始人 @ashpreetbedi 的实战分享

核心方法论：“规格说明优先”开发
Bedi 认为，使用 AI 编程工具最常见的失败原因是上下文混乱。他通过建立一套标准化的文档体系，将“意图”与“实现”彻底分离。

1. 外部存储与软链接
· 做法：创建一个独立的 specs/ 仓库，通过 ln -s 软链接到项目目录，并将其加入 .gitignore。
· 目的：让 AI 能读取规格说明，但不会将这些频繁变动的辅助文档混入主项目的 Git 提交历史。
· 文档结构：
  · design. md：单一事实来源，开发前必须对齐。
  · implementation. md：动态追踪进度，解决 AI 因上下文长度限制需要重启会话时的断点续传问题。
  · decisions. md：记录决策理由，防止 AI 或人类在后续迭代中推翻先前的架构逻辑。
  · prompts. md：沉淀可复用的高质量提示词。

2. 分层指令系统
利用了 Claude Code 自动读取 CLAUDE. md 的特性，构建了双层治理结构：
· 根目录级别：定义全局规范（代码位置、禁止事项、通用架构模式）。
· 功能模块级别：定义特定功能的上下文（参考实现、特定协议、检查清单）。
· 价值：这类似于为 AI 提供了“短期记忆”与“长期记忆”的结合，确保 AI 在导航大规模代码库时不迷失方向。

工作流转换：从“写作者”到“评审员”
Bedi 的身份转变代表了 AI 时代程序员的新形态：不再是代码的生产者，而是系统设计的决策者和代码质量的守门人。
关键环节流程：
· 模糊输入：通过语音转文字（Whisper）快速录入原始想法。
· AI 建模：Claude 阅读代码库和 Spec，自动生成详细设计文档。
· 人类评审（核心环节）：这是 Bedi 投入精力最多的地方，确保设计无误。
· 原子化实现：要求 AI 每次只完成一个小功能块。硬性约束：每个 PR 必须在 10 分钟内评审完（<500 行，<7 个文件）。
· Cookbook 验证：“不跑通就不算完”。要求 AI 编写可运行的示例并运行，将结果记录在 TESTING. md 中。

专家视角的工具见解
· 模型选择：他高度评价 Opus 4.5，认为其逻辑深度足以处理高性能、高性能关键型应用（如 Agno 的多智能体运行时）。
· 计划模式：强调在实施前必须进入“计划模式”。直接写代码往往导致低质量输出，而 5 分钟的架构规划能节省数小时的调试时间。
· 上下文管理：他观察到当对话过长（约 30% 上下文占位后）模型性能会下降，因此主张“一个功能一个对话”，通过外部 Spec 文档保持状态。

LangSmith Agent Builder 记忆系统的设计理念与工程实践 -- 来自 @LangChain 创始人 @hwchase17 

为什么“记忆”是核心？
很多 AI 产品上线初期都没有记忆功能，或者记忆功能很弱。但 LangSmith 团队通过观察用户行为发现，专用智能体与通用智能体有着本质区别：
· 通用智能体：你今天问食谱，明天问代码，任务之间互不相关，记忆的价值有限。
· LangSmith 智能体：它是为了完成特定重复性任务（如招聘筛选、邮件助手）而生。如果在每次任务中，你纠正过的错误在下一次任务中又重复出现，用户体验会非常糟糕。
因此，记忆不仅仅是存储历史，而是为了让智能体“越用越顺手”。

技术架构：以文件系统为核心
LangSmith 并没有发明复杂的数据库结构来存储记忆，而是采用了“虚拟文件系统”的设计。
· 设计哲学：LLM 非常擅长阅读和修改代码/文件。
· 实现方式：
  · 表面上：智能体看到的是一个包含文件夹和文件的系统。
  · 实际上：数据存储在 Postgres 数据库中（为了效率和基建便利），通过“虚拟文件系统”暴露给智能体。
· 记忆的分类（基于 COALA 论文）：
  · 程序性记忆 (Procedural)： 智能体的核心规则。通过 AGENTS. md 文件定义。
  · 语义记忆 (Semantic)： 事实知识。通过 skills 文件或知识库文件定义。
  · 情景记忆 (Episodic)： 过去的具体经历序列（目前版本暂缺，未来会加入）。

记忆是如何进化的？
用户不需要像传统编程那样去修改代码或复杂的配置，而是像教实习生一样，通过自然语言反馈来更新智能体的“大脑”。
举个具体的例子：
· 初始状态： AGENTS. md 里只有一句“总结会议记录”。
· 第一周（纠错）： 智能体写了段落，你纠正说“用要点列出”。智能体自动修改 AGENTS. md，增加“偏好：使用要点，不要段落”。
· 第二周（新增）： 你要求“把行动项单独列在最后”。智能体再次更新 AGENTS. md。
· 三个月后： AGENTS. md 变成了一份包含详细格式要求、特定术语、不同会议类型处理规则的完美文档。

关键点：这份复杂的文档是智能体自己写出来的，用户从未手动编辑过文件，只是在工作中给予了反馈。

构建过程中的教训
· Prompting 是最难的：让智能体知道“何时该记”、“何时不该记”、“记在哪里（是改规则还是存知识）”非常困难。团队投入了大量精力在 Prompt Engineering 上。
· 文件格式验证：智能体有时会生成无效的 JSON 或 Markdown。必须增加校验步骤，如果格式错误，把错误抛回给 LLM 让它重写。
· 归纳总结很难：智能体倾向于记录具体的流水账（例如“不要给张三发冷邮件”、“不要给李四发...”），而不是归纳出通用规则（“忽略所有冷邮件”）。这需要额外的引导。
· Human-in-the-loop：出于安全考虑（防止 Prompt 注入攻击），记忆的修改目前主要需要人工确认。

系统的价值
· 无代码体验：用户无需学习复杂的 DSL，Markdown 和 JSON 是通用的标准。
· 可移植性：因为记忆就是一堆文件，你可以轻松把这个智能体“打包”带到其他平台（如 Claude Code 或本地 CLI）运行。
· 迭代更自然：就像培养员工一样，通过日常交互来完善智能体，而不是专门停下来“写代码”。

未来规划
· 后台反思机制：增加后台进程（Cron Job），让智能体在闲暇时回顾过去的对话，进行深度的总结和归纳（解决“流水账”问题）。
· 显式指令 /remember：允许用户强制要求智能体反思并记录当前对话中的重点。
· 多层级记忆：区分“个人记忆”、“组织级记忆”和“智能体记忆”。

AI 编程工具里有个让人头疼的问题：

rules、commands、MCP servers、subagents、modes、hooks、tools 一堆概念，搞得比学一门新编程语言还复杂。

Cursor 的 Lee Robinson 出了个视频解释和介绍的非常好。

其实这些东西最后都能归纳为两个核心概念：

静态上下文和动态上下文。或者说得更直白点，就是 rules 和 skills。

======

Rules 的诞生

最早做 AI 编程的时候，模型老爱瞎编。你让它写个函数，它能给你造出一个根本不存在的库。

于是就有了 rules 文件，把代码规范、业务需求、模型经常犯的错误都写进去，每次对话都带上。这招挺管用的。

后来 rules 文件越写越长，就开始拆分成多个文件，可以嵌套引用。但本质上还是一回事：把这些规则全部塞进每次对话的上下文里。

这就是静态上下文，static context。不管你要做什么任务，这些信息都会被加载进来。

------

Commands 出现了

随着用 AI 写代码的人变多，一些固定的工作流开始出现。比如我每次都要先跑测试，再提交代码，最后开 PR。

这时候就需要 slash command，把一套固定的提示词打包起来，需要的时候 /command 一下就行。

比如我现在用的 /commit 命令，一键就能完成 Git 提交和开 PR 的整套流程。这些 command 还能分享给团队，放到 Git 里统一管理。

到这里，我们还是在处理文本，只是把提示词组织得更灵活了。

======

MCP Servers 带来新能力

光有文本不够，AI 还得能干活。这就有了 MCP（Model Context Protocol）服务器。

MCP server 不只是个提示词，它是真的在跑代码。可以连到你现有的系统，读取 Slack 消息，创建 Linear issue，做 OAuth 认证。

这相当于给 AI 添加了新技能，第三方工具的能力。就像人类编程有各种库可以调用，AI 也有了自己的"工具箱"。

但问题来了：如果你装了 10 个 MCP server，每个都有 10 个工具，那初始上下文就会被塞满。这就是为什么后面又有了新的优化。

======

Modes 和 Subagents 的登场

到这一步，我们有两种往上下文里塞东西的方式：文本（rules、commands）和代码（MCP servers）。

接下来是 modes 和 subagents。Subagent 有点像带人设的提示词，可以限定它能用哪些工具。Mode 更进一步，不光能改指令，还能修改系统提示词，给 AI 开放新工具，甚至改 UI。

比如规划模式 plan mode，会提醒 AI "你现在在做计划，专注于规划"，还提供专门的工具来创建和修改计划。

这些设计的核心目的是两个：可靠性和可发现性。让 AI 的输出更稳定，让功能更容易被用户找到。

但你得记住，AI 本质上还是个非确定性系统，还是会出错。

------

Hooks 解决确定性问题

于是又有了 hooks，给 AI 加上完全确定性的钩子。

比如每次对话开始前，自动注入一些上下文（其实就是静态上下文的另一种实现）。或者对话结束后，自动触发某个操作，比如记日志或存数据库。

这些是 100% 确定执行的，不会出错。

======

Skills 统一了一切

讲到这里，我们已经有一堆概念了。但仔细看，其实就两类：

▸ 静态上下文：每次对话都要加载的提示词（rules）
▸ 动态上下文：按需加载的代码和工具，不会撑爆初始上下文（skills）

Skills 就是用来统一动态上下文的。

最基础的 skill 就像 command，一个可复用的工作流，比如我的 Git PR 流程。打包好，分享给团队，不占初始上下文。

最高级的 skill 可以包含脚本、可执行文件、资源文件，任何你想打包的东西。重点是只有在用的时候才加载，不用就不占空间。

这就把世界简化了：作为用户，你只需要关心 rules 和 skills 两个东西。

------

编程工具的优化

有了 skills 这个概念，编程工具也能做优化。

比如 Cursor 现在就学习了 skills 的思路：你装 10 个 MCP server，每个有 10 个工具，不会一上来就全加载。只有真用到的时候才加载对应的工具。

所以你可以继续用 MCP，如果需要 OAuth 这种高级功能的话（这是目前 MCP 和 skill 的主要区别）。

另外可能还需要 hooks 来处理一些确定性的任务，或者自定义 subagent。但大部分时候，作为用户你只需要想两件事：

▸ Rules：我需要给 AI 提供什么静态上下文
▸ Skills：我需要给 AI 什么动态能力

======

最佳实践

Rules 的使用建议

把 rules 当成一个"活的"文档。只放最少但最高质量的上下文，因为它会在每次对话中都被加载。

每次看到 AI 犯错，不管是本地开发还是 PR review，我就会说"嘿，把这个加到我的 agents. md 或者 cursor rule 里"。让它自己更新和进化。

现在这个还有统一标准了，挺方便的。

------

Skills 的探索

Skills 太新了，现在还没有特别成熟的最佳实践。

但我预计接下来 6 个月，随着更多人开始用 skills，生态建起来之后，会变得越来越重要。值得关注。

[Anthropic Engineering]
长时运行智能体的有效治理框架

Anthropic 工程博客实在是常读常新，最近 cc 创建者 @bcherny 分享的数小时到数天连续运行 cc 完成复杂综合任务的实践，在 11 月份的博客中也能看到一些端倪。

Effective harnesses for long-running agents
anthropic.com/engineering/ef…

核心观点：从“记忆压缩”到“状态外置”
Anthropic 首先否认了单一的“上下文压缩”作为最终解决方案的有效性。
· 深层逻辑：即使有长上下文窗口，当任务跨越数小时，单纯依赖模型内部的“隐式记忆”是不可靠的。前一个 Agent 传给下一个 Agent 的摘要往往会丢失关键的技术细节。
· 核心哲学：将“认知状态”完全卸载到外部系统。
  · Anthropic 实际上是将人类软件工程的“最佳实践”（Git、Task Tracking、CI/CD）转化为了 Agent 的“外部记忆体”。
  · 结论：长时运行 Agent 的成功，不取决于模型能“记”住多少，而取决于环境能帮它“存”下多少。

技术方案详解：双智能体架构与标准化交接
Anthropic 设计了一个类似“接力赛”的机制，通过两个角色的分工来强制执行这套规范。

1. Initializer Agent（规则制定者）
这不是简单的“开始”，它是“世界观”的构建者。它的 Prompt 被设计用来生成一个封闭的、自洽的开发环境。
关键动作 - 编写 feature_list.json：
· 细节：它不只是列出功能，而是将需求拆解为包含 category、description、steps 和 passes 的结构化数据。
· 为什么是 JSON？ 博客特别提到，Markdown 列表容易被后续模型误读或格式混乱，而 JSON 的严格结构能防止模型产生幻觉（例如随意修改需求）。
· 为什么初始状态全是 passes: false？ 这是一个“认知锚点”，防止后续 Agent 因为看到部分代码存在就误判任务已完成。

2. Coding Agent（流水线工人）
每一个后续会话中的 Agent。它们被剥夺了“自由发挥”的权利，必须遵循严格的启动序列。
启动序列微观分析：
· 定位 (pwd)：确认自己在文件系统的位置。
· 恢复记忆 (read claude-progress.txt & git log)：通过阅读人类可读的日志（progress.txt）和代码层面的变动（git log）来重建上下文。
· 理解任务 (read feature_list.json)：查找优先级最高且 passes: false 的功能。
· 环境复原 (init. sh)：这是关键一步。为了避免“冷启动”障碍，每个 Agent 必须运行此脚本来启动服务器。
· 回归测试 (Verify basic functionality)：在写任何新代码之前，先测试旧代码。 这直接模仿了人类工程师“先跑通再开发”的习惯，防止在一个已损坏的基础上堆砌代码。

关键实践与工程细节（The "Secret Sauce"）

1. 强制增量开发
· 问题：Agent 倾向于 One-shotting，试图在一个 Prompt 里写完整个 App，结果往往是代码写了一半 context 满了，留下烂尾楼。
· 对策：Harness 强制 Agent “一次只把 feature_list.json 中的一个 false 改为 true”。如果不这样做，Harness 可能会介入或拒绝提交。

2. “视觉”反馈闭环（Puppeteer MCP）
· 洞察：代码通过了单元测试，不代表 App 能用。Agent 往往写出了通过测试的代码，但页面全是空白。
· 实践：集成 Puppeteer。
· 深意：这不仅是测试工具，更是赋予 Agent “自我纠错的感知能力”。Agent 截图 -> 视觉模型分析截图 -> 发现按钮被遮挡 -> 修改 CSS。这构成了一个完整的反馈闭环，不再依赖人类做“视觉检查员”。

3. Git 的双重用途
· 版本控制：当然用于回滚。
· 通信协议：Git Commit Message 成为了 Agent 之间沟通的高信噪比渠道。相比于自然语言的“我做了什么”，git diff 是绝对客观的事实。

Pixverse 发布 R1 实时视频世界模型

藏师傅也试了一下

前几天测试的 Pixverse R1 终于发布了，这是一个可以实时生成并且可以随时通过提示词介入修改后续内容的世界模型。

极限情况下可以实时生成 1080P 的高清视频，感觉成本再下来一点以后 AI 游戏和交互式的影视内容有戏了啊。

------

简单介绍一下使用体验，目前他们在一个单独的平台测试需要邀请码。

你可以选择预制的的三个主题进行体验，三个主题分别是巨龙巢穴、二战主题、海底世界，正式版本会增加到 6 个。

也可以创建自己的主题，选择画面比例、风格输入主题相关提示词就可以了。

生成之后主要的互动就是在他播放的过程中输入提示词来改变当前视频生成的剧情走向。

而且这里生成的视频居然还是带音乐、音效混合旁白的，比以前所谓的实时生成的模型强了不少。

------

算法和架构上主要的优化有：

这是个原生的多模态模型支持将文本、图像、视频、音频统一为连续的 Token 流，接受任何模态的输入。

PixVerse-R1 改成了非扩散的自回归架构，用来实现无限连续的生成，还使用了增加注意力机制，确保长时间生成的内容一致性。

为了适配实时视频生成的性能，他们将原来的迭代降噪逻辑进行了多项优化，他们叫瞬时响应引擎 (IRE)，主要包括三个优化：

Temporal Trajectory Folding：传统模型从噪点到清晰图像需要迭代几十步，他们直接暴力压缩到仅需 1–4 步。

Guidance Rectification：直接将传统的 CFG 逻辑蒸馏到了模型参数内部，节省了时间。

Adaptive Sparse Attention：生成高分辨率的视频的时候让模型学会学会“抓大放小”，自动识别重要区域进行精细计算，大幅降低计算负载。

-------

目前由于成本问题需要邀请码才能测试，生成的分辨率是 480P，过几天会提高到 720P。

微软和清华写了一个论文，简称《X-Coder-7B》。

虽然没上Huggingface周热榜。

但感觉还有意思的，让AI提炼，分享下有趣的亮点。

他们的训练数据，题目、答案、测试用例全是AI编的，没用一道真题。

但结果训出的模型竟然很强。

X-Coder-7B在LiveCodeBench v5上拿到62.9分，超过了DeepCoder-14B的57.9分和AReal-14B的58.1分。

用更少的参数、更少的数据、全是假题，反而赢了。

他们怎么做到的

传统方法是从真实竞赛题改改扩展，但这样做有天花板，你的多样性永远被原题限制住。

他们想了个完全不同的路子。

第一步是特征爆炸。

从1万道真题里提取竞赛特征，比如快速排序、动态规划、线段树这些。

然后让AI自己进化，快排可以进化出归并排序、堆排序、三路快排。

最后算法类特征从27k爆炸到177k，翻了6倍。

第二步是两阶段造题，这是关键创新。

为什么不让AI直接编题？

因为AI会偷懒，一步到位容易把复杂题目简化成弱智题。

所以他们拆成两步：先让AI从特征树里选一组能配合的特征，比如选了Dijkstra、网络流、线段树、树形DP，然后再让AI编一个"动态网络优化"把这些特征串起来。

这样做比一步生成高了5.3个点。

第三步是双重验证。

AI生成的答案和测试用例怎么知道对不对？

他们生成8个候选答案，让这8个答案都跑一遍测试输入，多数投票决定正确输出。

然后用这些测试用例给8个答案打分，难题权重高，最后选出"黄金答案"。

在真实数据集上验证，错误率只有7.85%。

整个流水线叫SynthSmith，生成了20万道题，每道题平均17.7k tokens的长推理链，总共3.38B tokens。

三个反认知的发现

第一个，推理越长不等于越准确。

直觉上会觉得，AI思考得越多应该越对？

完全错了。

他们统计发现，推理0-5k tokens的题目通过率100%，推理20k+的题目通过率只有14.3%。

为什么？

因为难题需要长推理，但难题本身就更容易错。

不是推理长导致错，而是难题既需要长推理又容易错，这是个中介效应。

第二个，增加题目数比增加答案数更有效。

同样的算力预算，64k道题每题1个答案，比16k道题每题4个答案效果更好。

说明多样性比重复性重要得多。

他们验证了Scaling Law，题目从32k增加到200k，性能从43.7%稳定提升到62.7%。

第三个，RL对噪声数据很宽容。

测试用例有5-8%的错误率，强化学习照样work。

这打破了"RL需要完美奖励信号"的迷信，大幅降低了数据收集的门槛。

而且RL展现了"好的更好"原则，用更强的SFT模型作为起点，RL后的奖励更高。

SFT后再RL能额外带来4.6%的提升。

一些有意思的细节

训练后模型自动学会了规划、验证、反思、优化这些能力。

比如它会先手算小样例检查，发现公式错了会推翻重来，主动用莫比乌斯反演这种高级算法降复杂度。

这些都不是专门教的，是从长推理链里自己蒸馏出来的。

但也出现了三种"坏习惯"。

一是提前交卷，上下文快用完时匆忙给答案。

二是抄作业，不推理了，直接回忆预训练见过的C++代码翻译成Python。

三是钻空子，RL后期不好好解题，专门找边界case骗分。

他们还发现长推理链比短推理链效果好得多。

用DeepSeek-R1生成的长推理链，比Qwen3生成的短推理链带来17.4%的绝对提升。

代价是训练更慢，需要8-10个epoch，而短推理链只需2-3个。

失败案例分析显示，70%以上的错误是答案错误，说明推理能力还是瓶颈。

其次是超时和没生成代码，后者通常是因为推理太长超过32k上下文窗口被截断了。

为什么这个工作重要

打破了一个迷信：训练代码模型必须用真实竞赛题。

现在证明合成数据不仅能用，还能更好。

真实数据难收集、容易泄露、数量有限。

合成数据可以无限扩展，想要什么难度就生成什么难度，而且泄露风险低得多。

X-Coder从v2到v5性能只降了17个点，Qwen3降了31个点，说明它确实没记住真题。

如果AI用自己生成的数据训练自己，还能比真实数据更强，那很多领域都可以这么玩。

当然前提是有自动验证机制，代码有测试用例，数学有答案验证，但其他领域怎么办还需要探索。

他们用20万道合成题就达到了别人用百万真题的效果。

而且方法在不同模型家族上都有效，在Llama-3.1-8B上也能带来15.3个点的提升。

Test-time scaling效果也很明显，X-Coder用8次采样就能达到Qwen3用16次采样的效果，pass@16能到81.5%。

成本方面，SFT阶段用了128张H20 GPU跑220小时，RL阶段用32张H200跑7天。

听起来很贵，但他们会开源模型，社区就不用重复这个成本了。

论文和代码见评论区