锐Owl 雷达 · 2026-09-30：OpenAI 上线常驻 agent Dots 并以 GPT-6.1 Sol 用 Astra 五分之一价格补位；DeepSeek 公开 agent 训练沙箱 DSec 并给昇腾开源算子与通信库（EP8 dispatch 373–375 GB/s）；Manus 的 Cue 给每个 agent 配邮箱、电话与钱包

今天两条主线。一条是形态：OpenAI 在 DevDay 2026（当地时间 9/29）把「agent 长期在场」做成产品——Dots 带自己的云电脑、自己的审批面，先给 Pro/Business Premium；同一天 Manus 的 Cue 给每个 agent 配邮箱、电话号码和钱包。另一条是底下那层：DeepSeek 一天里交了两份基础设施底稿——agent 训练沙箱 DSec 的技术报告（131 位作者、梁文锋署名、单生产单元 160 节点日产约 300 万沙箱），以及一一对应的昇腾版算子与通信库（DeepGEMM-Ascend / DeepEP-Ascend）。两条线合起来指向同一个验收问题：当 agent 长期在场、有身份、要花你的钱，标准就从「跑不跑得通」变成「授权边界与成本曲线」。本期 5 条。

① OpenAI DevDay 2026：Dots 带来自己的云电脑与审批面；GPT-6.1 Sol 用 Astra 五分之一的价格补位（当地时间 9/29 旧金山，北京时间 9/30 凌晨）

OpenAI 官方 Recap 称本届是「迄今为止最大一届 DevDay」，「20 多项主要发布」。最核心的新产品是 Dots —— always-on agent：官方页面写明它由 GPT-6 Astra 驱动，「有自己的云电脑（cloud computer），随时可打开检查它在做什么」，通过插件生态可连接 4,000+ 应用，可以在 ChatGPT（桌面/网页/移动）、Slack 和 Teams 里被找到（短信后续支持）；空档期它会做「主动研究（proactive research）」，但只能用只读工具——不能发消息、改内容、控制你的浏览器或电脑。授权面写得很具体：动作要过 auto-review（对照你的指令、Custom Rules 与安全要求判定「可继续 / 需批准 / 必须你本人做」），用户可以按动作类型设「允许 / 需审批 / 阻断」，改密码一类敏感操作永远留给人；监控发现风险可以暂停或终止该 dot 的工作。推出节奏：Pro 与 Business Premium 先上（首个 dot 含在套餐内、不额外收费），Enterprise/Edu/Healthcare 需管理员开启、默认关闭；同期预告了专家 dot（公司给它独立身份、凭据、IT 配发硬件与内部系统接入）以及与 Microsoft Agent 365 的集成。另一条主线是 GPT-6.1 Sol：官方口径是「以五分之一的价格拿到接近 Astra 的智能」，API 价 $2 / 百万输入、$0.10 / 百万缓存输入、$10 / 百万输出（官方定价页对照：GPT-6 Astra $10 / $1 / $50，GPT-6 Luna $0.10 / $0.01 / $0.50）；缓存价官方称比标准输入便宜 95%、比一周前 GPT-6 Sol 的缓存价再便宜 50%。官方自测（均为厂商口径）：DeepSWE v1.1 上追平 Astra、成本约其 1/5，且以更低推理力度超过 GPT-6 Sol 最好成绩 6.4 个百分点；OSWorld 2.0 离线集比 GPT-6 Sol 高 7 个百分点（不到一半成本）、距 Astra 只差 2.1 个百分点（成本约 1/7）；Terminal-Bench Science 0.1 每任务平均 $5.47（Opus 5.5 $23.21、Astra $23.80，Astra 仍以 68.1% 居首）；事实性上，低推理力度时「含至少一处事实错误」的回答占比从 11.4% 降到 7.7%。此外官方还发了 Codex Cloud 环境、插件扩展、ChatGPT Space、Agents API 的 computer use 能力、Decisions API、Bedrock 托管 agents，以及「Sign in with ChatGPT」（16 家合作方）。官网 ChatGPT 定价页显示 Pro 为「From $100/月 · 三档用量」，并明确 Pro 含 Dot 与 Ultrafast。

认知价值：把 DevDay 读成两件事同时发生，比读「25 项更新」有用得多。第一件是形态变了：Dots 的关键不是能力上限，而是三件基建——自己的电脑（隔离）、自己的审批面（auto-review + Custom Rules + Activity View）、自己的在场渠道（Slack/Teams）。也就是说 agent 的产品定义从「它能做什么」滑向「它能自己做什么、谁来批、留在哪里可查」。对照我们那期《Agent 动手之后，谁来拦？》（两次闸门、30 次实测）：OpenAI 这次把「闸门」直接做成了产品配置项，而且用「改密码永远归人」划了硬边界——这正是工程上唯一能落地的做法。第二件是计费重心转移：Sol 的卖点是价格，但真正的降价点在缓存输入 $0.10——凡是你每轮都重传长系统提示 + 工具清单的 agent 链路，账单大头就在这里，HN 上有人称缓存才是本次真正的发布。给读者的两条可执行判据：① 换模型之前先测自己的缓存命中率，命中率低的链路换多贵的模型都救不回来；② 在配置文件里写清「哪些动作必须人批、哪些可自动」，别把边界留在提示词里——提示词里的边界不是边界。

领域：agent-frameworks ｜ 去向：related（挂钩既有长文《Agent 动手之后，谁来拦？——30 次实测的完整数据与两道闸门的源码证据》，slug = agent-permission-boundary-deepdive）｜ 等级：🟡

来源：🟢 一手已核（9/30 直读官方页面）：DevDay Recap https://openai.com/index/devday-2026-recap/ （「biggest yet / 20 多项发布」、Codex Cloud、插件扩展、ChatGPT Space、16 家合作方、Sign in with ChatGPT）｜Dots 官方页 https://openai.com/index/introducing-dots/ （GPT-6 Astra 驱动、自有云电脑、4,000+ 应用、只读的 proactive research、auto-review、Custom Rules、改密码归人、Pro/Business Premium 先上、Enterprise 默认关闭、专家 dot、Microsoft Agent 365）｜GPT-6.1 Sol 官方页 https://openai.com/index/introducing-gpt-6-1-sol/ （五分之一价格、缓存价 -95% / -50%、各项自测数字、gpt-6.1-sol 模型 id、尚不进 Chat、Ultrafast 稍后）｜官方定价页 https://openai.com/api/pricing/ （Sol $2 / $0.10 / $10；Astra $10 / $1 / $50；Luna $0.10 / $0.01 / $0.50）｜ChatGPT 定价页 https://openai.com/chatgpt/pricing/ （Pro From $100/月 · 三档用量 · 含 Dot 与 Ultrafast）｜🟡 厂商/媒体口径：所有评测分数与「五分之一价格、性能接近 Astra」均为 OpenAI 自测；Pro 500 档位金额与 Ultrafast 费率（$60 / $300 每百万、6×）来自 CNBC 直播稿与 HN 讨论，未在官方定价页取到；量子位 9/30 07:01 稿 https://www.qbitai.com/2026/09/499246.html （「25 项更新」「Codex 最高 300 tokens/s、约 8×」等媒体统计口径）

② DeepSeek 首次公开 agent 训练沙箱 DSec：单生产单元约 160 节点、日产约 300 万沙箱；镜像只被读到 4.2%–13.3%（技术报告 9/19 提交 arXiv，9/30 知乎长文）

9/30，DeepSeek 在知乎独家发布技术长文，首次系统公开支撑 DeepSeek-V4 全部训练、评测与数据预处理的沙箱基础设施 DSec（DeepSeek Elastic Compute）；对应技术报告已公开在 arXiv：《DeepSeek Elastic Compute (DSec): A Sandbox Infrastructure for Effective Agentic Training at Scale》，编号 arXiv:2609.22978v1 [cs.DC]，2026-09-19 提交，31 页 13 图，131 位作者（末位署名 Wenfeng Liang），DeepSeek 联合清华大学。报告给的一手规模与账本：单个生产规模单元约 160 个节点，每天约 300 万个沙箱，生产环境并发 38 万+ 沙箱，每秒新建 5,000+ 个；单节点最多承载 800 个 microVM 或 3,200 个容器（前提是能在 CPU 稀疏负载上安全超配）；四种执行后端（FnCall / Container / MicroVM / Full VM）经统一 Python SDK（libdsec）接入；环境被拆成基础镜像 + 工作区 + 工具包三层、各自独立版本化，EROFS 存储 + OverlayFS 组合，只重建变化的那一层。生产账本更直观：某生产周里 Container 后端服务了 11,266 个基础镜像与 102,171 个工作区，MicroVM 后端只用 2 个共享基础镜像 + 53,590 个任务专属工作区，另有 103 个工具包（报告原文举例：工具包「例如 DeepSeek Harness」），67.8% 的沙箱除基础镜像外还需要至少一个工作区或工具包。由此推出的核心机制：运行时实际访问的数据只占镜像的 4.2%–13.3%，所以整镜像拉取极其浪费——DSec 走 3FS（Fire-Flyer 文件系统）按需加载，消融显示急切拉取会把完成时间拉长 1.7 倍，而按需加载把累计磁盘写入降 57%；内存侧，共享宿主映射把峰值宿主内存降 40.2%，DAMON + balloon 空闲页回收把时间积分内存消耗降 21.2%。寿命分布（30K 容器 + 10K microVM 采样）：中位数 17.4 / 15.5 分钟，p99 双双超过 3 小时。报告还专门把「agent 执行不可信」（可能破坏文件系统、耗尽资源、干扰系统组件）与 reward hacking 列为需要基础设施层对策的问题；DSec 与 RL 框架协同设计，把有状态的 rollout 执行与被抢占的 GPU 训练解耦，在回收空闲资源的同时保住 rollout 状态。

认知价值：这条的价值不在「DeepSeek 又发论文」，而在它把 agent 训练的成本结构摊开给你看：瓶颈从 GPU 算力换到了沙箱供给与镜像分发——创建请求脉冲式、启动后 CPU 大量闲置但内存要常驻、镜像复用率低、任务长且随时可能被抢占。1 万个基础镜像配 10 万工作区这种比例，说明「环境」本身就是一种需要版本化、去重、按需加载的资产，而不是每次重建的消耗品。三个可执行判据：① 自己搭 agent 评测/训练环境时，先把 base image / 仓库依赖 / 工具链三层拆开独立版本（否则改一行工具依赖就要全量重建，成本随组合数指数上升）；② 镜像按需加载 + 只读层共享，是把「多镜像」从存储问题变成带宽问题的关键（对应我们跑多 harness 对比的痛点）；③ 把 agent 失范当作平台问题处理——报告明确把 reward hacking 写进基础设施设计，意味着在真实训练里这件事已经普遍到不能靠提示词解决。另一个细节对做框架的人有信息量：报告把「工具包」这一层的典型例子写成 DeepSeek Harness，说明 harness 已经是被独立版本化、参与环境组合的一等公民（与我们 9/16 那期《两家都交了 harness 的定制权》同一条线）。

领域：agent-frameworks ｜ 去向：standalone ｜ 等级：🟢

来源：🟢 一手已核（9/30 直读）：arXiv 摘要与全文（PDF 经代理转文本）https://arxiv.org/abs/2609.22978 ｜https://arxiv.org/pdf/2609.22978 —— 提交日 2026-09-19、[cs.DC]、131 位作者（末位 Wenfeng Liang）、约 160 节点 / 约 300 万沙箱每日 / 38 万+ 并发 / 5,000+ 每秒、800 microVM 或 3,200 容器每节点、四种后端、EROFS + OverlayFS 三层、3FS 按需加载、4.2%–13.3%、1.7× 与 -57%、-40.2% 与 -21.2%、中位寿命 17.4 / 15.5 分钟与 p99 > 3 小时、11,266 基础镜像 / 102,171 工作区 / 53,590 microVM 工作区 / 103 工具包 / 67.8%、「工具包例如 DeepSeek Harness」、reward hacking 对策｜DeepSeek 知乎原文（9/30 独家）https://zhuanlan.zhihu.com/p/2088265189233779592 ｜量子位 9/30 13:18 转载 https://www.qbitai.com/2026/09/499308.html ｜备注：知乎原文我未直连核对（站点反爬），正文数字全部取自 arXiv 报告，未采用二手转述的额外数字

③ DeepSeek 给昇腾开源一整套基础组件：DeepGEMM-Ascend / DeepEP-Ascend 建仓，EP8 实测 dispatch 373–375 GB/s（9/29–9/30，官方仓库）

GitHub deepseek-ai 组织下出现了与 GPU 版一一对应的昇腾版组件：DeepGEMM-Ascend（仓库创建 2026-09-29 15:49 UTC，261★，MIT；README 的 News 段写「2026.09.30 首次发布，支持 Ascend 950 系列」，宣称与 DeepGEMM API 完全兼容，覆盖 BF16 / FP8 / FP4 GEMM、MQA logits 与 MegaMoE，并大量使用昇腾特有优化如稀疏数据加载与协程流水线）；DeepEP-Ascend（仓库创建 2026-09-30 00:44 UTC，149★；与 NVIDIA 版 DeepEP 的公开 buffer API 对齐，提供 MoE dispatch/combine 的专家并行 all-to-all、FP8 dispatch、延迟 epilogue，后续还要做 PP / CP-DP Bucket 集合通信与 Engram 远端内存访问；Ascend C 内核基于 HCCL/HCOMM、UBMEM 与 URMA，运行时经 DeepJIT 编译）。同一批还有 TileKernels、DeepSelect、FlashMLA、DeepGEMM、DeepEP 在 9/30 01:00–01:58 UTC 的推送。README 里的一手性能表（Ascend 950DT + CANN 9.2.0，16,384 token/rank、hidden 7,168、top-6 over 256 experts）：EP8 dispatch 373–375 GB/s、combine 345–347 GB/s；EP16 348–352 / 338–341；EP32 335–340 / 320–324；EP64 323–327 / 294–298；EP128 313–320 / 272–278；官方注明 EP≤32 时持续 dispatch 约达物理载荷带宽上限的 90–95%，且更大 EP 与 combine 仍在优化中（combine 还有额外本地归约开销与 URMA 抢 HBM）。昇腾侧同日给出配套口径：SuperPoD Flex 与 UBL128 组网（128 卡 3.2 Tbps 单层交换、256K 卡两层），并在 CANN 社区开源大 EP 低时延推理、单卡/单机部署、大规模训练、超长文本 KV cache 池化与 Agentic RL 等实践，其中 EP32 offline 模式下 DeepSeek-V4.1-Flash 纯模型可实现 TPOT=5ms、每卡输出 2,469 tokens/s（TPOT=10ms 时每卡 5,102 tokens/s，不含 Serving 调度）。

认知价值：把它当成本曲线读，别当「国产替代」读。最有信息量的不是「支持昇腾」，而是那张 EP 衰减表：EP8 的 373–375 GB/s 到 EP128 只剩 313–320，combine 更低，并且官方自己写明大规模 EP 仍在优化中。也就是说，国产平台上的 MoE 通信能力与拓扑规模强相关——小超节点能踩到带宽上限的 90–95%，规模一放大就明显衰减。这对做选型和评测的人是一条硬判据：评估国产卡不要只看单点峰值或「支持 XX 模型」，要看你的 EP 规模下 dispatch/combine 的实际衰减曲线——它决定你能不能用 MoE 大模型、以及要多少卡才划算。第二层的结构性判断：DeepSeek 一个团队同时维护 GPU 与昇腾两套算子/通信库，说明「同一模型跨硬件生态」的维护成本已经上移到算子层与通信层——跨平台不是换一个后端参数，而是要在架构里预留一份持续成本。

领域：inference-efficiency ｜ 去向：standalone ｜ 等级：🟡

来源：🟢 一手已核（9/30 直读 GitHub API 与 README 原文）：deepseek-ai/DeepGEMM-Ascend（建仓 2026-09-29T15:49:55Z、推送 09-30T01:11:39Z、261★、MIT、News 段「2026.09.30: Initial release…support for Ascend 950」、API 与 DeepGEMM 完全兼容、BF16/FP8/FP4/MQA logits/MegaMoE）｜deepseek-ai/DeepEP-Ascend（建仓 2026-09-30T00:44:59Z、推送 00:53:14Z、149★、README 性能表 EP8–EP128 全部数值、Ascend 950DT + CANN 9.2.0、90–95% 带宽利用率与「更大 EP 与 combine 仍在优化」原文）｜同批推送：TileKernels / DeepSelect / FlashMLA / DeepGEMM / DeepEP（9-30 01:00–01:58 UTC）｜🟡 华为侧部署数字（UBL128 128 卡 3.2 Tbps、EP32 offline 下 TPOT=5ms 每卡 2,469 tokens/s 与 TPOT=10ms 每卡 5,102 tokens/s）来自 9/30 昇腾与 DeepSeek 联合发布的稿件（量子位「量子位的朋友们」署名转载 https://www.qbitai.com/2026/09/499263.html ），属厂商口径、未见第三方复现；稿中引用的 gitcode CANN 实践文档本轮直连返回 418（反爬），未取原文

④ Manus 2.0 与 Cue：给每个 agent 配邮箱、电话号码和钱包，还能拉群办事（官方 9/28 发布，9/30 中文媒体集中报道）

Manus 官方博客《Introducing Manus 2.0》（Product，页面标注 Monday, September 28）：新底座 Cascade 是自研 agent harness 的最新迭代，官方称「某一测试配置下比上一代少用 23.2% token、任务耗时少 28.2%、运行成本低 32%」；桌面端升级为 Manus Studio（文档/表格/PDF/幻灯片 + 网站/代码/游戏/视频，新增 Video Editor 与 Game Dev，Alchemy 模式同时调用视频生成与代码生成，时间线允许人直接改素材再交回）；可购买 Cloud Computer（常驻环境，跑多人游戏服务器或 24 小时自动化）；Automations 从定时任务扩到事件触发（新邮件、广告数据变化、日历事件、Slack 消息、Notion 更新都能起任务）；Remote Control + Computer Use 让人在手机上指挥 agent 在自己电脑的独立工作区里操作已授权文件与浏览器。同一天发布的新应用 Cue（cue.im）走得更远：每个 agent 有自己的邮箱、电话号码、钱包和电脑——能对外发消息、在用户设定预算内付款、在自己的机器上执行任务，还能替你接电话并留下摘要；多个 agent 可以拉进同一个群聊按职责接力（官方举例：一个找场地、一个整理名单、一个起草演示，用户定方向与拍板）；官方还演示了餐厅扫码让 agent 点餐、排队。Cue 处早期访问：凭邀请码免费（官方给出公开码 MEETCUE，先到先得），面向海外，iOS 待审核；Manus 同时表示面向国内市场的产品在筹备中。背景时间线：Manus 9/1 宣布恢复独立运营，9/28 发布 2.0。

认知价值：把这条和本期 ① 并读——OpenAI 与 Manus 在同一天把同一件事做了出来：给 agent 发「在网上办事的身份证」。Dots 给它一台云电脑和一个审批面，Cue 给它邮箱、号码、钱包。这不是跟风：一个要替你在真实世界里联系对方、付款、排队的 agent，确实需要一个「找得到它」的联系方式和一个「能完成交易」的钱包。真正被改变的是责任链：当 agent 有自己的号码和钱包，「谁授权、花到哪、能不能对账」变成产品设计的中心——Cue 用「预算上限 + 用户拍板」，OpenAI 用 auto-review + Custom Rules，两种答案指向同一个工程要求：先定义授权额度与审计出口，再发钱包和号码（可回滚、可对账、可暂停）。第二层是成本叙事：2.0 的卖点之一是 harness 层省 token / 省时间（Cascade 的三项自测），和本期 ⑤ 的结论正好对上——harness 效率已经被厂商当成对外公布的产品指标。对我们自己的意义直接：多 agent 分工（找场地/整名单/写稿）这套用法，本质是把「群聊 + 职责 + 交付」当编排手段，值得在自家产线里做一次小规模对照（哪些环节真的省时间，哪些只是把上下文搬运变贵）。

领域：industry-model ｜ 去向：related（挂钩本期 ①：agent 长期在场 + 自有身份的同一形态；及 ⑤ 的 harness 效率评测轴）｜ 等级：🟡

来源：🟢 一手已核（9/30 直读官方博客）：Manus《Introducing Manus 2.0》https://manus.im/blog/introducing-manus-2-0 （页面标注 Monday, September 28；Cascade / 23.2% / 28.2% / 32% / Cloud Computer / Automations / Studio / Video Editor / Game Dev / Alchemy / Remote Control / Cue 的邮箱·电话·钱包·电脑 / 群聊分工 / 邀请码 MEETCUE / 面向国内产品筹备）｜🟡 厂商自测口径：23.2% / 28.2% / 32% 为官方「某一测试配置」自述，无第三方复现；餐厅扫码点餐与排队为官方演示场景；量子位 9/30 15:58 https://www.qbitai.com/2026/09/499592.html （称「刚刚发布」并给出国内团队在组建等背景——发布日以官方 9/28 为准）；机器之心 9/30 同题报道（标题索引：「Manus回来了！更新2.0并发布全天候智能体Cue」）

⑤ arXiv 三条（均 9/29 提交）：同一模型换 harness 效率差多少、KV 量化靠数据自适应变换、agent 并不执行自己声明的计划

• 2609.38137（LongHarness Bench: Stress-Testing Language Model Harnesses for Long-Context Reasoning）：LM harness 用额外算力撑长上下文，但现有长上下文评测已经区分不了现代 harness（准确率饱和、成本也相近）。这个基准同时测有效性与效率：任务要求词汇检索与语义匹配混用、在全局与局部上下文间自适应推理，且上下文里大部分内容语义相关、每一步只有一小部分真正有用（同时构造出搜索难题与不同的准确率—成本权衡）。作者评了多类前沿模型 × 四种 SOTA harness：最好的模型-harness 组合在四个评测套件上的宏平均只有 68%；更重要的发现是同一个底层模型在不同 harness 下的效率差异显著，因此效率应成为长上下文评测的一等轴。https://arxiv.org/abs/2609.38137
• 2609.38121（WUSH-KV: KV Cache Quantization with Data-Adaptive Transforms）：用校准数据分别构造 key 与 value 的 WUSH 变换（由矩阵乘法两侧因子的二阶统计得到的数据自适应变换），value 变换折进权重、key 变换放在 RoPE 之后，可搭配裁剪量化器；作者对其中一种量化器（QuEST INT）证明在温和假设下该变换近最优。集成进 SGLang（OSCAR 风格分位裁剪仿射量化）后，2-bit 下在所有评测模型与下游任务上不差于或优于 OSCAR 变换，并降低了逐层重建误差、取得最低的端到端困惑度。https://arxiv.org/abs/2609.38121
• 2609.38108（Do LLM Agents Execute the Plans They Declare? From Planning-Mode Declaration to Pattern-Specific Execution）：把「规划失败」拆成两种能力——选对计划与忠实执行，只看任务成功率无法区分二者。作者提出 Planning-as-Routing：模型先声明四种规划模式之一（Predefined / Sequential / Hierarchical / Search），再由确定性路由器把任务派给该模式的专用执行器。四个基准、三种模型得到三个一致现象：① 通用 Plan+ReAct 常常保不住自己声明的结构，计划越长越保不住——三个基准上只有 22%–45% 的轨迹保住了结构；② 最好的模式依环境与模型而变（ALFWorld 上 Search 最好、SWE-bench 上 Hierarchical 最好，同一基准下不同模型的最优模式也会变）；③ 最大收益来自执行侧：专用执行器把成功率从 0.48 提到 0.92（ALFWorld）、从 0.36 提到 0.44（SWE-bench Verified）。但当前模型仍不能可靠地为任务选最强模式（少样本示例在部分组合上有改善）。https://arxiv.org/abs/2609.38108

认知价值：三条落在「效率」的三个不同层，合起来正好是一份 harness 时代的评测清单。评测层（LongHarness）：长上下文的考法要换——「谁准确率高」已经饱和，能区分 harness 的是「同样的题、同样的模型，花掉多少算力/成本」。这给我们自己一条可直接复用的判据：对比 harness 时报「宏平均准确率 × 成本」两个数，而不是只报准确率（这也解释了为什么完播感很强的长上下文榜单对工程师没用）。系统层（WUSH-KV）：省显存的重心从「换量化器」转向「换坐标系」——用数据统计构造变换，2-bit 下就能不劣于既有方法，而且变换能被折进权重或放在 RoPE 之后，工程上可插拔。控制层（Planning-as-Routing）：agent 的失败多数不在「想不出计划」，而在「没按自己的计划做」；把模式声明出来、再用确定性执行器兜住结构，收益远大于换模型（ALFWorld 0.48→0.92），而模型自己选模式仍不可靠——能自动化的部分是执行，不能自动化的是选路。这一条与本期 ② 同源：DSec 之所以要把 rollout 状态与训练解耦、把工具包版本化，前提也正是「agent 的行为链很长且不可信」。

领域：eval-evidence ｜ 去向：related（挂钩既有长文《同一个星期，两家都交了 harness 的定制权》，slug = harness-customization-deepdive）｜ 等级：🟢

来源：arXiv 官方 API 直查（9/30），三条均 2026-09-29 提交，数字均取自摘要原文：https://arxiv.org/abs/2609.38137 ｜ https://arxiv.org/abs/2609.38121 ｜ https://arxiv.org/abs/2609.38108 ｜三条均为作者自测口径、无第三方复现；LongHarness 的 68% 是「最好模型-harness 组合」的宏平均，模式效果结论基于四个基准 × 三种模型