這三天的新素材，一條線把大模型搬到一般電腦，另一條線則把代理的長期脈絡改由人維護的文件承擔；Anthropic 的科學案例也顯示，模型能處理大量計算，不代表它能自行判斷研究問題是否重要。模型能力之外，硬體條件、文件結構與領域審查仍直接決定成果能否被使用。

🔥 125B 模型可在消費級電腦本機執行，但硬體門檻沒有消失

開源專案 Strata 將 Qwen3.8-Flash-Next 壓縮後的版本放進本機推論引擎，提供 Windows 與 Linux 安裝流程，並透過 OpenAI、Anthropic 相容的本機 API 連接聊天工具與 coding agent。專案採 MIT 授權，表示請求可留在自己的電腦，不必把提示內容送到遠端服務；模型本身及部分元件則各自有授權條件，不能只看 Strata 的授權就概括所有檔案。

README 列出的測試中，RTX 5070 12GB 搭配 Ryzen 5 7600，在 Q2_0 量化版本的輸出速度為每秒 94 token；RX 9070 XT 16GB 的相同版本為每秒 60 token。這些是專案在兩台硬體上的測量，不是跨硬體的保證，也沒有取代獨立基準測試。

「消費級」不等於低成本：安裝器建議至少 12GB VRAM、32GB RAM 與約 80GB 可用磁碟，完整下載約 70GB；較大的量化版本還會把部分模型放到 SSD，輸出速度隨之下降。README 也標示較舊 GPU、Intel Arc 與沒有 AVX2 的處理器仍屬實驗性支援。

文件取代向量記憶，代理的脈絡由可讀取的專案紀錄保存

開發者 Kevin Liao 撰文主張，多數 agent memory plugin 的核心流程都是讀取對話、切成片段、寫入向量資料庫，再依相似度把少量片段塞回每次提示。他列出的問題包括：片段缺少上下文、過去內容被當成事實、代理無法搜尋自己不知道的關鍵字，以及儲存內容難以稽核。

文章提出的替代方式是 document-based memory：以 AGENTS.md 和其他 Markdown 文件保存規則、規格、決策、研究與索引；代理開始工作前讀取相關文件，完成後更新過時內容或新增文件。作者以自己開發的 Operator Memory 為例，該工具採 Markdown 儲存，沒有向量資料庫、embedding 或背景整理程序，文件可以直接閱讀、修改、提交與分享。

這是作者對工具架構的主張與實作經驗，不是對各種 memory plugin 的控制實驗。文件式方法把檢索問題換成文件組織、更新責任與代理是否真的讀取的問題；若專案沒有持續維護規格和決策紀錄，改用純文字儲存不會自動產生完整脈絡。

Anthropic 的 BootLoops 案例：模型做計算，專家決定計算是否有科學意義

物理學家 Matthew Schwartz 在 Anthropic 發表客座文章，介紹開源工具 BootLoops 如何把 Claude 放進數學物理、生態學、人口遺傳學與語言學的定量研究流程。作者表示，工具在數學物理中重現既有結果並計算新的積分，再把相同方法帶到其他領域；文章披露他在這段期間是 Anthropic 訪問研究員，但 BootLoops 並非 Anthropic 專案。

文章描述的工作包括以新方法完成 30 個積分，其中 15 個是既有結果的重現、15 個此前未計算；在生態學案例中，模型解出中性生物多樣性理論的方程，套用巴拿馬 Barro Colorado Island 森林資料後，得到物種組成變化速度約為理論預測的 4.5 倍。作者接著找生態學家 James O’Dwyer 協作，將問題改成能分析自然選擇、競爭與物種差異的模型。

人口遺傳學案例則分析 1000 Genomes Project 的 57 億組鄰近突變，作者稱結果提供基因轉換機制的證據；文章同時說明相關工作仍在延伸與驗證。作者也記錄模型會把技術上正確、但科學價值有限的結果說得很重要，跨領域時需要專家重新定義問題。這些研究結果來自作者與合作者的案例，文章沒有把它們呈現為已完成獨立驗證的普遍能力測試。