今天圈子很安靜，沒有大模型發表、沒有資安災難。但要說安靜也不太對——DeepSeek 在 Terminal-Bench 2.1 上跑出了一個數字，「便宜模型追近 frontier」的趨勢繼續。同一時間，一篇小實驗用一個比洗衣機還老的統計方法，在嵌入壓縮上跑贏了 AI 圈近兩年主推的 Matryoshka。

🔥 DeepSeek V4 Flash 在 Terminal-Bench 2.1 上跑到 82.7%，使用公開 harness、成本 $68

Antigma 在 Terminal-Bench 2.1 的 leaderboard 上新增了一筆結果：DeepSeek V4 Flash 0731（max 推理等級）搭配公開的 Ante harness（v0.preview.71），在 89 個任務、各 5 次嘗試的標準設定下，拿到 82.7% 的正確率。

這個數字放在公開 leaderboard 上的位置是：僅次於 Fable 5（Claude Code，83.8%）和 GPT-5.5（Codex，83.2%），差距都在一個百分點左右。贏過 Grok 4.5（Cursor CLI，79.3%）、Opus 4.8（Claude Code，78.9%）、GPT-5.6 Terra（Codex，78.4%）。

但「贏過誰」這件事需要拆開看。公開 leaderboard 上的模型用的是不同 agent scaffold——Claude Code、Codex、Terminus 2、Cursor CLI——這些 scaffold 本身對終端操作任務的成功率影響可能不比模型小。Ante 是 Antigma 自己的開源 agent harness，Semgrep 過去的分析也指出 harness 對資安任務的影響力大於模型本身差異。所以 DeepSeek V4 Flash + Ante 拿到 82.7%，跟 Fable 5 + Claude Code 拿到 83.8%，不是同一個實驗條件下的比較。

成本方面就比較直接了：整輪 445 次嘗試（89 任務 × 5 次）總花費 $68.41，平均每次嘗試約 $0.15，總執行時間 38.9 分鐘。作為對比：Grok 4.5 在同樣 89 任務上的成本是 $242.57，GLM 5.2 是 $260.11。DeepSeek V4 Pro（上一代）的成本是 $26.34，但正確率只有 69.1%——V4 Flash 0731 的成本是它的 2.6 倍，正確率高出 13.6 個百分點。

Antigma 的 benchmark 有一個值得注意的設計原則：所有跑分都使用「pinned public release」的 Ante，不接受 eval-only branch 或 benchmark-specific prompt。這跟某些模型提交的「特調版」benchmark 提交不同——每一筆結果都連結到公開的 Harbor run，任何人都可以查看背後的原始 trial 記錄。目前有公開 Harbor link 可以審計的 model 只有 DeepSeek V4 Flash 0731、DeepSeek V4 Pro、GLM 5.2、MiMo V2.5、MiniMax M3、和 Qwen3.6 27B。Anthropic 和 OpenAI 的 model 都沒有提交 Ante 跑分。

PCA 打贏 Matryoshka：一個比洗衣機還老的統計方法，在嵌入壓縮上贏了 AI 圈的新寵

Dylan Castillo（Iwana Labs）做了一個實驗，拿 MRL（Matryoshka Representation Learning，AI 圈近兩年主推的嵌入壓縮技術）跟 PCA（Principal Component Analysis，1901 年發明的統計方法）在八個 BEIR 檢索資料集上正面對決。結論：PCA 在大多數壓縮比例下表現持平或更好。

以 OpenAI 的 text-embedding-3-small 為例，從 1536 維壓縮到 128 維時，MRL 截斷保留了 86% 的檢索品質，PCA 保留了 90%。壓到 32 維時差距更大：MRL 只剩 46%，PCA 還有 65%。在 Qwen3-Embedding-8B 上也看到類似模式——MRL 訓練過的模型，用 PCA 截斷居然比原生的 MRL 截斷效果更好。

一個更反直覺的發現：PCA 即使在「沒有 MRL 訓練」的老模型上也有效。Castillo 用 text-embedding-ada-002（OpenAI 上一代嵌入模型，沒有 MRL 訓練）測試，PCA 在 128 維仍保留了 89% 的品質——只比同維度下 MRL 截斷的 text-embedding-3-small 差一個百分點。換句話說，MRL 訓練的優勢在這個實驗中幾乎看不到。

實驗也順便測了量化（quantization）：binary quantization + PCA 壓到 512 維，可以在保留 82% 檢索品質的同時，把向量大小壓到原始 float32 的約 1%。Castillo 自己說「這數字有點太樂觀，可能是我自己的 AI 幻覺」，但原始數據是公開的。

PCA 的代價是操作複雜度——需要 fit 一個投影矩陣、需要版本管理、query 時要記得套用同一版。但實驗顯示這些顧慮可能被誇大了：用 1,000 筆 in-domain 資料 fit 的 PCA，跟用完整 57K 筆 fit 的結果幾乎一樣；甚至 out-of-domain fit 在中度壓縮下也撐得住。

這篇的實驗範圍有限（三個模型、八個資料集、lab condition），不該被當成「MRL 沒用」的結論。但它提醒了一件事：AI 圈推新技術時，很少人回頭問「舊方法是不是其實就夠了」。有時候答案不在最新那篇 arXiv 論文裡，在一百年前的數學裡。

📡 其他值得關注

  • Ed Zitron：AI 產業 70% 營收來自 OpenAI 和 Anthropic：Ed Zitron 在新影片中引用的數據指出，整個 AI 產業的營收高度集中在兩家公司手中。如果這個數字接近事實，那「AI 繁榮」更像是兩家公司的繁榮，不是整個生態系的繁榮——對那些融了幾億但還找不到營收模型的 AI 新創來說，這不是什麼好消息。→ YouTube

  • us-vs-them：用 git history 追蹤 agentic editing 中「人寫的 vs AI 寫的」：一個 Clojure 寫的小工具，利用 git 的版本歷史和作者資訊，對任何純文字檔案產出逐行 attribution——不需要在檔案內加任何 markup。對那些被 vibe coding 產出的專案、想畫出「人類地盤」的開發者來說，是個實用的起點。35 顆星，43 個 commit。→ GitHub