锐Owl 雷达 · 2026-10-02：Pi 1.0 与 DeepSeek Harness 桌面端同日登场；Cloudflare 开源决策模型 Clef，新品类自带 73 模型榜单

今天五条是两条线。第一条线是 harness 同时定版：Earendil 推出 Pi 1.0（并另发一个长时运行的新 substrate Pi Durable），DeepSeek 官方把 Harness 桌面端发到 macOS/Windows 并写明"全球公开预览 + 开源"。第二条线是 一个新品类自带榜单：Cloudflare 开源两个"决策模型"Clef/Clef-flash，指向的 Jev Decision Index 上已经有 73 个模型，其中绝大多数是社区拿同一个基座（Qwen3.8-27B）后训练出来的。再加一条 10/1 arXiv 的四篇互相顶：harness 该做多少、上下文该由谁管、以及关键字式 harness 为什么会假阳性。本期 5 条。

① Earendil 发布 Pi 1.0，并另发长时运行的 Pi Durable：一个把"保持不变"当卖点的 harness（官方 10-01）

Earendil 在 2026-10-01 发布 Pi 1.0，自称"一个加固过的、极简的、可扩展的 agent harness"，并称全球每周有"数十万人"在用 Pi（厂商口径）。1.0 一次性加进七件事：Codemode（原生支持 MCP，以及 Jev 这类非 LLM 模型与图像模型的接入）、虚拟模型的扩展支持、延迟工具加载、Anthropic 模型的缓存预热、会话中途的系统消息（transcript-aware 的提示与工具变更）、新 TUI 主题、默认全屏。官方给这一版的说法是一个筛选口径："agent 工具每周都在变，但很多变化活不下来。Pi 不是那样——我们等到某个东西被证明，才考虑纳入，并权衡它真实的功能与它带来的复杂度"，并称本周早些时候已专门写过这个筛选与 Codemode、MCP 的关系。同日另发实验性包 Pi Durable：它不替代 Pi coding agent，而是"构建任何 agent 应用的框架"（coding agent 也包括在内），针对的是"跑在任何地方、可被多个界面触达、支持无限长会话、能扛住内外灾难性失败、并且允许多人同时操纵同一批 agent"的场景。文章给出的 harness 定义值得抄下来：harness = 存储 + 并行运行一个或多个 LLM 会话所需的机器，它提供模型调用的工具，以及工具运行所在的执行环境；并称 Pi Durable 全部源码（不含测试）约 15,000 行，折合 GPT 下约 150,000 token、Claude 下约 250,000 token，其中存储后端单独 3,000 行通常可以跳过——设计目标之一是"让 agent 自己读得懂"。HN 数据：Pi 1.0 是当日 AI 类最高分（1,281 分 / 410 评论），Pi Durable 381 分。

认知价值：三个判据。第一，"harness 的第一个 1.0"正在变成一种发布事件——模型侧我们习惯了 1.0，工具侧的 1.0 意味着选型从"每周追新"转向"可依赖"，而 Pi 明说自己的竞争力是保持不变（等到被证明才纳入）。这和 10-01 第④条里那两篇互相顶的论文是一件事的两面：机制层不该每周换。第二，那份 harness 定义和"可被 agent 读懂的代码量"是新的工程约束——15,000 行（约 150k token）是把"agent 能真的读完自己"写进了产品目标，这比再堆一个编排层更值得参考；我们自己写脚本/产线时也该用这个尺子量一遍。第三，接 MCP 的姿势已经分叉：Pi 的做法是 Codemode（把 MCP 当代码与工具发现的原语），而不是"把工具全塞进上下文"——选 harness 时，先看它怎么处理 MCP，比看它宣称接了多少工具更有效。

领域：agent-frameworks ｜ 去向：related（挂钩本栏目 2026-09-30 第⑤条 harness 论文簇，以及 2026-10-01 未采用清单里的 Earendil《"You Said No MCP!"》一文）｜ 等级：🟢

来源：🟢 一手已核（10-02 直读官方博文）Pi 1.0 https://earendil.com/posts/pi-1-0/ 与 Pi Durable https://earendil.com/posts/pi-durable/ （两页页面日期均为 Thu, 01 Oct 2026；1.0 的七项新增、筛选口径原话、harness 四点定义、约 15,000 行与 150k/250k token、存储后端 3,000 行）｜🟡 厂商口径（仅一处，非本条依据）："每周数十万人使用"为官方自述，未第三方核实 ｜🟡 HN 平台数据（10-02 经 Algolia API 查得）：Pi 1.0 1,281 分 / 410 评论（created 2026-10-01T19:33Z）、Pi Durable 381 分（19:24Z）

② DeepSeek Harness 补上桌面端（macOS/Windows），官方页写明"全球公开预览 + 开源"（2026-10-02）

2026-10-02 北京时间 11:11，HN 出现 "DeepSeek Harness Desktop for macOS and Windows"（237 分 / 119 评论），指向官方产品页 https://www.deepseek.com/en/harness/ 。同一天该页写的是："DeepSeek Harness is now in public preview worldwide and open source, with composable plugins"；页面上的自我简介是"built on Cordis's 'everything is a plugin' architecture. Run me as a desktop app or launch the web UI from code"，界面里的模型是 DeepSeek-V4.1-Flash。而官方 API 文档同一天仍写 "now in developer preview for agent harness developers worldwide"——两个官方页面给出的阶段措辞并不一致（均为 10-02 直读），我们按原样记录。官方仓库 deepseek-ai/deepseek-harness（描述：DeepSeek Harness: Everything is a Plugin.）经 GitHub API 直查：242,045★，创建于 2026-08-13，最后推送 2026-09-29。生态侧同期已经成型：第三方桌面端 anywhere-labs/dsh-desktop 29,792★、插件精选列表 awesome-dsh-plugin 17,590★（均 2026-08-13 创建）。官方页给的一个示例是让 agent 自己写一个番茄钟浮窗插件、安装并验证，全程 5 分 24 秒；API 文档的 Agent Integrations 里，dsh 与 Claude Code、Codex、OpenCode、OpenClaw、Hermes 等并列。

认知价值：① 这是 dsh 从"开发者工具"往"个人工作台"走的一步：8/13 的第一阶段是开发者预览（当日在 HN 得 747 分），今天补上桌面端；而"万物皆插件"（Cordis 架构）意味着它的扩展面和 skill 式扩展不是一回事——插件可以改 UI（番茄钟浮窗就是官方自己举的例子）。② 一条现成的口径纪律：同一天、同一个官方站点，两处分别写 public preview 与 developer preview——这正是"别把厂商措辞直接写进正文"的活教材；我们报阶段时写"官方页面称…"，而不是替它定级。③ 对我们的直接意义：dsh 是我们产线里在用的 harness 之一，它进入"桌面端 + 插件生态"形态后，做横评要多加一条变量——插件与权限面（插件能改的是什么、装插件要不要过审），而不只是比编排能力。这也让 ① 里 Pi 的"Codemode + 延迟工具加载"和我们这条线形成对照：两家都在回答"工具面怎么扩展"，但一个选择插件架构、一个选择代码原语。

领域：industry-model ｜ 去向：feeds（喂养"harness 横评"选题：DeepSeek Harness 桌面端 × Pi 1.0 × Claude Code 的扩展机制与权限面对比）｜ 等级：🟢

来源：🟢 一手已核（10-02 直读官方页）https://www.deepseek.com/en/harness/ （"public preview worldwide and open source"、Cordis 万物皆插件、桌面端与 web UI 两种形态、DeepSeek-V4.1-Flash、番茄钟插件示例与 5m24s）｜🟢 一手已核（10-02 直读官方 API 文档）https://api-docs.deepseek.com/ （"developer preview for agent harness developers worldwide"；Agent Integrations 列表中 dsh 与 Claude Code/Codex/OpenCode/OpenClaw/Hermes 等并列）｜🟢 GitHub API 直查（10-02）：deepseek-ai/deepseek-harness 242,045★ / created 2026-08-13 / pushed 2026-09-29；anywhere-labs/dsh-desktop 29,792★；awesome-dsh-plugin/awesome-dsh-plugin 17,590★ ｜🟡 HN 平台数据：237 分 / 119 评论（created 2026-10-02T03:11Z，即北京时间 11:11）；另 8/13 开发者预览当日 747 分

③ Cloudflare 开源两个"决策模型"Clef / Clef-flash：一个新品类，自带 73 个模型的榜单（官方 10-01）

Cloudflare 在 2026-10-01 发布两个自训练的决策模型（decision model）：Clef 与 Clef-flash，托管在自家的 Workers AI，权重在 Hugging Face 上以 Apache-2.0 开源（HF API 直查：Cloudflare/clef 创建于 2026-09-30，494 likes / 824 downloads；Cloudflare/clef-flash 167 likes / 1,303 downloads）。架构：Clef 是 27B 多模态模型，从 Qwen3.8-27B 后训练；Clef-flash 从 Qwen3.5-9B 后训练。它的核心机制是非自回归——用 Qwen 做一次 prefill-only 前向，然后并行给 schema 里每个合法选项打分，没有中间文本生成，也没有输出解析；训练上冻结底座、联合优化一个路由头与 rank-256 LoRA，用 label-smoothed 交叉熵配 Brier 损失做概率校准，再加一套自研的 RLCD（Reinforcement Learning for Calibrated Decisions）做二级目标（给相邻的序数选项部分分、奖励完全精确的记录、加参考惩罚防分布漂移）。它带视觉编码器（可吃图/视频），64k 上下文（官方对照：Jev 是 32k），API 与 Jev / SystemOne 完全兼容。性能（厂商自测）：在 Jev Decision Index 0.2.1 上，Clef 中位延迟 209.3ms、Clef-flash 38.8ms，对照 Jev 524.1ms、Kev-9B 51.4ms、Laya 5.8ms；p95 上 Clef-flash 122.4ms 最好。但逐项明细里 Jev 在推理重的项上仍领先：GPQA-Diamond（78.3 vs Clef 48.0）、BBH（92.9 vs 73.7）、MMLU-Pro（82.7 vs 65.9）、BRIGHT（47.5 vs 45.9）、When2Call（81.0 vs 72.4）——"领先"是按合成指数说的，不是逐项。榜单与生态：Jev Decision Index 由 Hugging Face 上的 multimodalart 维护，Cloudflare 的镜像榜在页首主动写明 Clef/Clef-flash 的分数是 self-reported、未被上游榜复现；榜上现共 73 个模型：Clef 61.21（自报，36/38 项）、Jev 57.91（闭源）、Surogate Rune 26B-A4B 57.44、Decider chat·Gemma-4-31B 57.33、Clef-flash 57.07——绝大多数社区模型都是拿同一个基座后训练的（基于 Qwen3.8-27B 的 AutoJev-27B / simple-jev / Jebadiah 27B / Eikos-27B / reflex 27B / Jevfire 等），24 小时内社区量化版齐活：mlx-community 的 clef-4bit / clef-flash-4bit / 8bit、bartowski 与 abenzerps 的 GGUF、NVFP4、FP8。品类起源：TypeSafe AI 于 2026-09-15 发布 System One 类模型 Jev（创始人 Diogo Almeida，前 OpenAI），提出 RLCD，宣称输入 $0.042/MTok、输出"便宜到不值得计量"、端到端 70–500ms、相对前沿 LLM 快 40–200 倍；名字取自 Kahneman 的"快思考（System 1）"与 Jevons，其"不会出现类型错误"的论据是"这在数学上不可能"。

认知价值：① 值得注意的不是"又开源一个模型"，而是新品类自带榜单、自成生态。 决策模型（输入状态 + 一组类型化问题 → 一次前向直接返回校准过概率的答案）绕开了"生成文本再解析"这条链路，把 agent 里的 if/else 换成可校准的模糊分支；而榜单上 70+ 个模型里绝大多数是社区基于同一个基座后训练出来的——"基座垄断 + 轻量后训练"这个模式，先在小模型品类上跑通了，它比在对话模型上跑通便宜得多，也解释了为什么 Cloudflare 在 24 小时内就有人做出它的 MLX/GGUF 量化版。② 读厂商结论要拆到子项：Cloudflare 说"目前领先"，但逐项表里 Jev 在推理重的项目上更好、Clef 的优势在工具调用/分类/延迟——这是"合成指数领先 ≠ 全面领先"的教科书案例，也正是我们自己写评测时不引单一总分的理由。③ 一个正面样本：厂商主动降级自己的证据——Cloudflare 自己的镜像榜在页首写了"这些分数是自报、未被上游复现"。我们用它的数字时仍按 🟡，但这件事本身值得记：主动说明"我的数字没被复现"，比把榜单当既成事实更可信。

领域：inference-efficiency ｜ 去向：feeds（喂养"决策模型 / System One"选题：Jev 的品类定义 × Clef 的开源实现 × 本地可跑的小决策模型）｜ 等级：🟡

来源：🟢 一手已核（10-02 直读官方博文）Cloudflare《Introducing Clef: our open-source decision models, and new RL fine-tuning platform》https://blog.cloudflare.com/clef-decision-models/ （页面日期 2026-10-01；非自回归机制、Qwen 底座与冻结后训练、Brier 损失与 RLCD、64k vs Jev 32k、Jev API 兼容、域名分类用例 Clef 2.2s vs gpt-oss-120b 4.7s、RL 服务由 AI Gateway / Workers AI / Containers / Trainer / BYO Model 组成）｜🟢 一手已核（10-02 直读模型卡）https://huggingface.co/Cloudflare/clef （27B 多模态、post-trained from Qwen/Qwen3.8-27B、单次前向并行打分、Apache-2.0、决策问题三型 noul/choice/score、默认 max_length 16,384、单张 H200 + torch 2.11 / transformers 5.10.2 测试）｜🟢 一手已核（10-02 直读榜单与其自述）https://clef-evals.workers-ai-mle.workers.dev （Decision Index 0.2.1；榜首明确写 Clef/Clef-flash 为 self-reported、未被上游复现；73 个模型与逐项分数、各模型基座）｜🟢 HF API 直查（10-02）：Cloudflare/clef 与 clef-flash 的创建日、likes、downloads；社区量化版清单（mlx-community / bartowski / abenzerps / NVFP4 / FP8）｜🟡 厂商口径（本条引用的能力与延迟数字全部为 Cloudflare 自测或榜单自报）｜🟡 品类起源：TypeSafe AI《Introducing System One Models & Jev》https://typesafe.ai/blog/introducing-system-one-models-and-jev （发布时间 2026-09-15，页面上标注；价格与 40–200x 等为厂商自述）

④ 10/1 arXiv 同批四篇互相顶：harness 该做多少、上下文该由谁管、"关键字式 harness"为什么会假阳性（均 2026-10-01 提交）

四篇在 2026-10-01 同批提交，方向互相咬合。2610.02163 AutoCompact（Xuan Zhang / Longtao Zheng / Cunxiao Du / Bo An / Xin Dong）——把"什么时候压缩上下文、保留什么工作状态、怎么接着干"当成 agent 策略的一部分来训练：先跑基础 agent，用 judge 复查它的压缩决策、摘要与压缩后的动作，把有瑕疵的输出换成修正版再送回环境执行，用这些轨迹做 SFT，再用任务成功奖励做 RL 联合优化编码与压缩；SWE-bench Verified 通过率绝对 +9.2%、SWE-PolyBench Verified +5.0%，且在评测的所有推理预算下成立（256K 窗口从不溢出；16K 窗口溢出会触发兜底压缩）。2610.02001 Mingbird（Hao Wang / Ting Huang）——面向 Windows + Ollama 的 local-first agent harness，用十个机制逐条补偿小模型（2–9B）的失败形态，其中三个代表：字节级 net-zero prefill 预算、接受完成前先重读任务的 finish gate、签名级循环检测；在固定机器/模型/预算/评分口径的对照里（4 个 harness × 4 个开放模型（2B–35B）× 18 个真实任务，288 格全公开）Mingbird 总体 0.886，对照 goose 0.631 / opencode 0.479 / agent-mini 0.405；τ²-bench（278 任务、三臂、一套协议）总计 0.856 vs 0.791 / 0.737；同一批 18 个任务换前沿模型跨 harness 分数从 0.997 到 0.478，但"结构良好的脚手架之间只差 0.072"。其核心主张是：小模型的失败有相当一部分应归因于 harness，而不是模型——不过作者自己注明消融只是 directional，同一臂同夜重跑均值最多移动 0.069。2610.02142 Keyword Harnesses Fail Open（Juan S. Santillana）——关键字匹配式评测会把"它从没做过的工具调用"算成分数：一对同架构的西语安全模型（661.6M 与 1,109M）在宽松指标上几乎同分（B4 0.660 vs 0.650），但逐字复现检查把两者完全分开——600M 在 6/6 个训练例上给出带泛化参数的合法工具调用，1B 在 6/6 上都不能（跨 checkpoint 一致）；首 token 探针把 1B 的失效定位到被 web-heavy 训练阶段抹掉的先验（<|tool_call|> 概率 1e-4–1e-5），一个定向 SFT（多样语料、5 倍学习率、2,202 步、约 3.3 GPU 小时）把 269 行语料上的合法发出率从 0.100 提到 0.959。2609.37725 Context Language Models（Rulin Shao 等，含 Zettlemoyer、Pang Wei Koh、Nathan Lambert；9-29 提交）——把上下文当文件、让模型自己去无限制地改它，从而把上下文管理从外部 harness 挪进模型行为：零样本套用现有模型即超过 SOTA 上下文管理策略——BrowseComp-Plus 上准确率高 11.4% 且 FLOPs 少 21.5%；12 小时 EdgeBench 上高 5%、FLOPs 少 59%；24 小时多仓 agent-swarm 任务上同等算力下提升 65%；另有在线 RL（Qwen3.5-9B 在 BrowseComp-Plus 上 +47.6%、FLOPs 少 12%）与配套的 Suffix Cache Reuse（相对标准 SGLang 再省 35% 服务端算力）。

认知价值："harness 该做多少"第一次有了三方对证。 AutoCompact 说：把 harness 的活（压缩决策）训进模型策略；CLM 更进一步说：把上下文管理整个搬进模型——而且它给的结果是分数上去、FLOPs 同时下来，不是用更多算力换更多分；Mingbird 站另一头说：小模型失败的一大半是 harness 的锅，补 harness 就能补回来。三者并不矛盾：补 harness 的收益取决于模型的强弱——小模型上补 harness 值（Mingbird 的 2B–35B），强模型上把机制训进模型更值（AutoCompact / CLM）。② 对做评测的人，最实用的是那篇假阳性论文：它示范了"宽松指标下的同分其实是假阳性"，并给出一条很便宜的三级诊断梯（逐字复现 → 首 token 探针 → 定向 SFT 修复，只要 3.3 GPU 小时）；我们做工具调用类评测时，应把"逐字复现"当最低门槛，而不是只看通过率——这条和 ③ 里"合成指数领先≠逐项领先"是同一个病。③ 读论文先看作者怎么削弱自己：Mingbird 自己写明消融只是 directional、同夜重跑能移动 0.069——恰好等于它宣传的单次增益量级；这和 ③ 里 Cloudflare 主动标注 self-reported 是同一类诚实做法，值得当作筛选资料的固定动作。

领域：agent-frameworks ｜ 去向：related（挂钩本栏目 2026-10-01 第④条与 2026-09-30 第⑤条的 harness 论文簇，以及既有长文《同一个星期，两家都交了 harness 的定制权》slug = harness-customization-deepdive）｜ 等级：🟢

来源：arXiv 官方页直读（10-02），四篇均 2026-10-01 提交，数字取自摘要原文：AutoCompact https://arxiv.org/abs/2610.02163 ｜Mingbird https://arxiv.org/abs/2610.02001 ｜Keyword Harnesses Fail Open https://arxiv.org/abs/2610.02142 ｜Context Language Models https://arxiv.org/abs/2609.37725 （9-29 提交）｜🟡 其中四篇的能力数字均为作者自测、无第三方复现；Mingbird 的消融作者已自标 directional only

⑤ 开源热点：Strata——把 Qwen3.8-Flash-Next 一键装进消费级机器（5,235★，MIT）

GitHub 上的 Niko1221/Strata（创建于 2026-09-24，10-02 仍在推送；GitHub API 直查 5,235★ / 470 fork，MIT），做的是把 Qwen3.8-Flash-Next 放在消费级硬件上跑：Windows / Linux 一键安装，自带 Strata 推理引擎，在 localhost 暴露 OpenAI / Anthropic 兼容 API，可选图像输入；README 称其写出速度为 60–95 tokens/s（作者自报），并说明模型文件单独放在 Strata-data 目录里，更新版本不必重新下载大文件。底座侧：Qwen/Qwen3.8-Flash-Next 在 Hugging Face 上是原生多模态模型（HF API：创建 2026-08-24、5,813 likes、下载 119 万+），Strata 走的量化来自社区——ISTA-DASLab 的 GSQ-RCO GGUF 与 UkisAI 的 Swift 1.5。

认知价值：① 选它的理由不是星数，而是"本地能力的基线又抬了一格"：我们这边 M5 上跑的是 27B 级（qwen3.8:27b），而 Strata 把能力更强、体量更大的一级模型压到消费级硬件上"一键装"，并且用 OpenAI/Anthropic 兼容接口暴露——这意味着本地 harness（Hermes / Pi / Claude Code）可以不改代码就换本地后端，和我们 10-01 第⑤条写的 Magnitude 的"选型 + 端到端调优"是同一条路线在推进。② 判据要落在两个可测点上：60–95 tok/s 是它自己报的，而且默认走社区 GGUF 量化，所以真正该问的是"这台机器上实测多少 tok/s、量化后掉多少能力"——这正是我们"本地/云不混评、先校准再横向比"纪律的用武之地。③ 一句话总结这条赛道的位移：本机推理的竞争点已经从"能不能跑"转到了"装得像不像云"（兼容 API、一键装、模型与量化分离）。

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

来源：🟢 一手已核（10-02 直读仓库）https://github.com/Niko1221/Strata （MIT、一键安装、Strata 推理引擎、localhost 暴露 OpenAI/Anthropic API、可选图像输入、模型文件与程序分离）｜🟢 GitHub API 直查（10-02）：5,235★ / 470 fork / created 2026-09-24 / pushed 2026-10-02T09:05Z ｜🟢 一手已核（HF API 直查 10-02）：Qwen/Qwen3.8-Flash-Next created 2026-08-24 / likes 5,813 / downloads 1,191,745 / pipeline_tag image-text-to-text ｜🟡 作者自报：60–95 tokens/s 出自 README，未第三方核实 ｜🟡 量化来源：ISTA-DASLab 的 GSQ-RCO-GGUF 与 UkisAI 的 Swift 1.5（README Credits 所列，本轮未逐仓核）