Glean 拾遗
日刊 · 时间线

每天拾几条。

2026-11-16 · 周一 2 条
← 11-15
日历 ▾
2026 · 11
MoTuWeThFrSaSu ······123456789101112131415161718192021222324252627282930
有日刊 今天
11-18 →
06:00

Cloud Agent 读不到 /poteto-mode:把 pstack skill 提交进仓库

Why Cloud Agents ignore /poteto-mode — and how to vendor pstack

作者用 pstack(Lauren Tan 写的工程规范插件)搭了一套 Cursor 的协作分工:Grok Bot 当协调者,不写代码、只负责 spawn;Cursor Cloud Agent 当工人,各自拿独立 VM、clone GitHub、开 PR。全文的核心矛盾是一条容易踩的坑:装在本地 Cursor 的账号插件和 ~/.cursor/skills 不会被复制到云端 VM,所以 /poteto-mode 在 Cloud Agent 里静默失效。解法是把 pstack 的 skills/ 与 agents/ 用 sparse-checkout 拉下来、rsync 进仓库的 .cursor/skills/ 和 .cursor/agents/,并保留 .cursor/skills、.cursor/rules 的 git 跟踪;每个可运行 app 再配一个 verify-<app> skill,让“验证”有可执行的 launch/drive/evidence 而不是模型自说自话。后半段给出协调者 prompt 模板、Autopilot-stack 与 Autopilot-full 的权限差异(full 需要独立 verifier 干净复审才许 merge),以及一套常见坑清单。适合已在用 Cursor Cloud Agents 或类似 agent harness、想把 skill 分发和验证流程固定下来的工程师。

06:00

模型榜怎么算分:把不同评测折算到同一把尺上

How a model leaderboard puts mixed benchmarks on one scale

AIHOT 公开了自家模型榜的评分方法:先用测过该评测的模型共同定出难度 e 和陡峭程度 A,再把每个通过率倒推成折算分 x=(logit(通过率)+e)/A,不同单位、不同难度的评测因此可以放在一起比。通过率高于 95% 或低于 5% 按截尾处理,只算“至少/至多这么强”;同类评测只算一票,偏离超过两倍噪声的折算分拉力封顶。领域分是折算分均值再向整体水平收缩,综合分按编程 38%、科研 19%、专业办公 19%、知识问答 14%、真人盲选 10% 加权,显示分为 50+15z,刻度锚定在 123 个冻结的参照模型上。文中还给出排名门槛(至少两家机构、编程至少 3 类评测)、评测暂停规则与缺测处理。适合做模型评测、读榜选型的读者。

aihot.news · 5 min · Benchmark · LLM Evaluation · Measurement · Methodology