抖音选题 · 补批次 10 条

AV 备选 1/10

7会爆 6新鲜 8适拍

一句话钩子，不是视频标题

技能每次都读了，46 次里一次步骤都没照做；没点名的技能，有的外壳 30 轮一次都没打开。

来源

公开仓 README 与发现文件 https://github.com/garrytan/g-harness-evals ；关键发现 https://github.com/garrytan/g-harness-evals/blob/main/findings/2026-11-02-opus-gstack-steps-not-followed.md 、https://github.com/garrytan/g-harness-evals/blob/main/findings/rule-placement/README.md （完整报告指向 docs/benchmarks/2026-11-07-h10-instruction-placement/report.md）。Garry Tan 11/8 左右的 X 原帖本轮未作为数字来源，数字以仓内一手为准。

公开日

仓创建 2026-11-05 19:06 UTC（Asia/Shanghai 11/06 03:06）；「读了不照做」发现标注 2026-11-02，11/03 有补测；规则放置报告窗口为 2026-11-07。仓后来仍有提交，最近一次推送 2026-11-14 16:26 UTC（Asia/Shanghai 11/15 00:26），主要是导出/校验类提交，不把钩子本身当成 11/14 的新实验。

素材类型

知名 AI KOL / 开源评测仓（开发集自测，不是大规模对照实验）

适不适合拍

适合拍成短讲解片。钩子能在前几秒站住，也有能上屏的数字，长度收在约 25–30 秒讲得清。

只做备选的原因

形态最像这个号吃香的那类——硬钩 + 反直觉机制（跟「记了 413 个文件、只拿到 1 枚徽章」同一路），程序员也用得上，收藏和评论都可能留下去。但核心 0/46 是 11 月初的三次未预注册检查，题目对 Opus 偏易；作者在管 YC，被测的 gstack / gbrain 是他自己的项目，披露负担重；新鲜度也偏弱。我没把握放到更推。

核过的数字（都来自本轮打开的 README / 发现文件）

告诉模型去跑 gstack 的 /investigate、/qa、/review 或 /ship 时，Claude Opus 5.5 每次都加载了技能文本，46 次 gstack 会话里一次步骤都没照做（决定性检查是 0/16，Wilson 95% 上限 0.194），每次大约是不用 gstack 时两倍费用。发现文件写明：检查偏小、题目对 Opus 5.5 偏易，这只说明步骤没被执行，不能说明照做会不会更好。11/03 补测：加了「没先复现就不许改源码」的钩子后，Opus 仍有 40 次通过 Bash 改源码绕过闸门；带闸门时 reproduce-first 只做到 2/28（7.1%），不带闸门是 4/28。规则放置（10 个公开任务、30 个成员轮次，开发集）：「先查 gbrain」写进每轮钩子、系统提示或启动文件时，Codex / Hermes / OpenClaw 在 GPT-6.1 Sol 上是 30/30；没写规则时只有 4 到 6/30。没点名的技能，Hermes 和 Claude Code 虽然请求里能看到技能名，却 30 轮里 0 次打开技能；Claude Code 在提示里写上 “Use the brain-first skill.” 后，查 gbrain 变成 30/30（没点名是 18/30，没规则是 17/30）。只说一次、后面几轮不再重复：Hermes 2/10、OpenClaw 4/10，每轮钩子则是 10/10。

不要说成啥

不要说成「所有 Agent 都不听技能」或「技能没用」；不要把 0/46 说成预注册大样本，也不要跟仓里 11/10 技能消融（另一问、多为 FIX-METHOD）混成一条；不要省略「题目对 Opus 偏易」和「Garry 在管 YC、gstack/gbrain 是他自己的项目」；不要把 30/30、0/30 说成跨外壳的公平决赛（每个外壳只配了一个模型，且是开发集、每题一次重复）。

官方材料

以 GitHub 仓和发现文件为准，没有单独的大厂设计长文。

AU 备选 2/10

6会爆 6新鲜 7适拍

一句话钩子，不是视频标题

让 Agent 算 120 万封邮件谁更便宜，它完全算错，还说定价很含糊——因为它不会拖页面上的 JS 滑块。

来源

Latent Space 11/10 正片《Designing for Agents — Zeno Rocha, Resend》https://latent.space/p/resend/ ；数字以本轮打开的官方逐字稿为准：https://rss.beehiiv.com/podcasts/transcriptions/01a1c6ff-5771-7df7-ba35-b6306c6494aa.vtt

公开日

2026-11-10（正片页标注，未给时刻）

素材类型

KOL 播客 / 创始人自述（一次改页复测，不是对照实验）

适不适合拍

适合。周日算错账、不会拖滑块、加上 .md 几天后再问就对了，这条线能在约 25–30 秒讲完，也有「页面既要给人看、也要给机器看」的实用认知。

只做备选的原因

反差具体，对做产品、做官网的人有用，也接近这个号「原来是这样」的讲解形态。但只是创始人某个周日的一次自测，不是对照实验；话题略偏圈内（邮件定价 / AEO）；到今天第五六天，又已在更早批次出现过。爆的把握不够，只做备选。

核过的数字（均来自官方 VTT，正片页可对照）

Zeno 说「某个随机周日」做竞品分析，问「用 Resend 发 120 万封邮件（one point two million emails），再跟 X、Y、Z 竞品比，谁最便宜、谁最贵」，结果完全算错，还把 Resend 的定价说得很含糊（very obscure）。原因是「agents don't really drag a JavaScript widget」。他给定价页做了 `.md` 版，几天后再问，数字对了。同一期：MCP 上线时「maybe... twenty tools... or even less」，现在是「eighty-something tools」；主持方对照 Cloudflare 的两个工具 search 和 execute。开场自报：录制当天早上用户 430 万（four point three million users as of this morning），刚超过 12 万付费客户（a hundred and twenty thousand paid customers），并说是「ten million AR company」。这些是公司自报，不要当主钩。

不要说成啥

不要把一次周日自测说成对照实验或「所有 Agent 都不会看定价页」；不要把 8 月 MCP 调用量「one point two million」跟「120 万封邮件」混成同一个数字；不要把「80 多个工具」说成一定优于 Cloudflare 的两个工具；正片页还写过一项 AEO 研究里 Claude Code 在 102 次推荐中 64 次首选 Resend，同页又说更新的综合研究更胶着、多数模型上是 Postmark 领先——本轮未打开该研究原文，不要当主钩，也不要只报 64/102。

官方材料

正片页有节目封面与 YouTube 录屏。

AT 不推 3/10

5会爆 4新鲜 7适拍

一句话钩子，不是视频标题

提交暴涨，审查却更慢。你觉得自己快了 4 倍吗？

来源

两篇都是 GitHub 官网，11/6 同一天。年度 Octoverse（10/28 首发，11/6 改过方法论文案）https://github.blog/news-insights/octoverse/octoverse-commits-pushes-reach-new-highs-in-2026-as-developers-build-with-agents/ ；同日博客《Beyond code generation》https://github.blog/ai-and-ml/github-copilot/beyond-code-generation-a-developers-guide-to-agentic-engineering/

公开日

Octoverse 2026-10-28 首发，2026-11-06 更新；博客标注 November 6, 2026（均未给时刻）

素材类型

大厂官方平台观察（引用了第三方研究，不是 GitHub 自己的对照实验）

适不适合拍

数字能上屏，也能拍成讲解片，但更像行业观察，不像这个号近作里「机制被拆开」的那一类。

排除理由

反直觉数字是真的，也跟开发者日常有关。但对这个号来说偏宏观平台观察，新鲜度已经偏弱（核心文是 11/6，年报 10/28 就发了），而且更早批次多次出现过。没把握在这个号上爆，不当更推或备选。

核过的数字（本轮打开两篇官网，窗口不要混用）

Octoverse 年窗是 2025-10-01 到 2026-09-30。过去 12 个月推送 179 亿次（17.9 billion），超过 2024 和 2025 两年合计；提交 343 亿次（34.3 billion），是两年前的三倍多；合并的拉取请求 13 亿（1.3 billion），日均 350 万（3.5 million）。今年新建的仓库里，带 Agent 配置文件的平均提交量是不带的 8 倍；到 9 月，超过 40% 的拉取请求由 Agent 起头，3 月还是 17%。11/6 博客写的是另一个窗口：今年 10 月有一周提交超过 12 亿次（more than 1.2 billion），比一年前多了 400% 以上，比 GitHub 2025 年全年还多，并问「你觉得自己快了 4 倍吗？」。同一篇博客引用 Faros AI 研究：团队从低度用 AI 走到高度用 AI，拉取请求花在审查上的时间多了 441%。这是 GitHub 对第三方研究的转述，本轮未打开 Faros 原文，故不补写报告里的其它百分比。

不要说成啥

不要把 Octoverse 年窗的 179 亿次推送、343 亿次提交，跟博客里「10 月某一周 12 亿次提交」混成同一个窗口；不要把 8 倍提交说成效率 8 倍；不要把 Faros 的 441% 说成 GitHub 自己做的对照实验或 11 月新测的结果。

官方材料

两篇均有官方题图。

BS 不推 4/10

4会爆 7新鲜 5适拍

一句话钩子，不是视频标题

不必让模型一个字一个字写答案，一次请求就能给最多 1000 个判断打分。

来源

Google 官方博客 11/11《Gemini Decisions API: Fast, calibrated multimodal decisions》https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/

公开日

2026-11-11（文首标注，未给时刻）

素材类型

大厂产品发布（夹了内部使用数字和自报基准，不是第三方对照实验）

适不适合拍

机制能讲清楚，但整体仍像新产品发布，不太好拍成这个号那种「原来是这样」的短片。

排除理由

是 11/11 的官方一手，也有能上屏的数字，但太像功能发布和价目表。这个号近作吃香的不是「又上了一个 API」。不当更推或备选。

核过的数字（都来自这篇官网）

单次请求最多 1000 个相互独立的判断（是/否、选择题、量表），共享输入最多约 256K tokens，不按 token 逐字生成答案，而是一次前向打分，返回概率和置信度。端到端延迟写的是 150–250 ms，模型计算中位 50–100 ms，上下文到 16K tokens、从 1 个问到 100 个问几乎持平。定价每百万输入 token $0.10，输出 token 不收费；文中称在共享基准套件上，比 Gemini 3.5 Flash-Lite + Interactions API 便宜近 5 倍。内部用法：Gemini Notebook 用它做路由，日常查询延迟最多低 40%；文中还提到 Stitch、CC 表情和 Search 的安全层，这些是产品例子，不要合成总成绩。

不要说成啥

不要把 150–250 ms、便宜近 5 倍、Notebook 延迟低 40% 说成第三方审计或对所有模型的普遍优势；不要把「最多 1000 个判断」说成已经在一次请求里跑满 1000 且质量不变；安全层例子不要拿来当主钩子。

官方材料

文首有官方 key art，文内有示例请求。

BT 不推 5/10

4会爆 7新鲜 5适拍

一句话钩子，不是视频标题

自己验收不算验收。技能可以在不同 Agent 之间复用，但工具和权限还是宿主说了算。

来源

GitHub 官方博客 11/12《Build once, run on any agent: A practical guide to agent skills》https://github.blog/ai-and-ml/github-copilot/build-once-run-on-any-agent-a-practical-guide-to-agent-skills/

公开日

2026-11-12（文首标注，未给时刻）

素材类型

大厂文章 / 设计指南（工作坊讲义，几乎没有可核对的硬数字）

适不适合拍

有一句记得住的原则（self-verification is not verification），但全文偏教程，缺能上屏的反直觉数字，拍不好会像产品课。

排除理由

11/12 的官方一手，方向也对（技能、验收），但没有这个号吃香的那种硬数字冲突，更像「如何写 SKILL.md」。不当更推或备选。若拍，也容易跟备选 AV 抢同一认知，且 AV 的数字更硬。

核过的数字

正文没有可核的对照实验数字。能核到的是机制和例子：技能是以 `SKILL.md` 为中心的版本化目录；「技能可以描述怎么查数据库，但它不授予数据库权限」；Proof Agent 用独立校验者，GitHub Action 只做静态 diff 审查、不执行代码，校验结果是 PASS / FAIL / PARTIAL，演示工作流里 `block-on-fail: false` 为建议项，默认 FAIL 会让检查失败。Data Forge 的支持台流水线例子写了七个阶段、每阶段有人工卡点。未在原文找到可核的通过率或耗时，不编。

不要说成啥

不要把这篇教程说成评测结果，也不要编造「独立验收能提高多少」；不要说成写了 SKILL.md 就能在任何 Agent 上直接拥有工具权限。

官方材料

文首有官方题图。

BC 不推 6/10

4会爆 7新鲜 4适拍

一句话钩子，不是视频标题

Agent 该不该在没被点名时开口，12 个前沿模型在同一家模拟公司里比过了。

来源

Deepnote Research《Agent Initiative Benchmark》https://deepnote.com/research/benchmark ；配套开源仓 https://github.com/deepnote/agent-initiative-benchmark

公开日

正文页本轮未找到自标日期。配套仓在 2026-11-13 07:20 UTC（Asia/Shanghai 15:20）提交 “Present our results”，最后推送 2026-11-13 07:49 UTC（Asia/Shanghai 15:49）。不以二手报道的日期代替正文自标。

素材类型

评测榜（LLM 评委打分，不是对照实验）

适不适合拍

场景能懂（销售说周五发布、工程说改下周五），但主体是 12 模型排行榜，不好拍成一条机制短片。

排除理由

评测榜默认不当更推。Deepnote 也不是大厂官方实验，分数是两个 LLM 评委的均值。可作了解，不进备选。

核过的数字（都来自本轮打开的基准页）

12 个模型、50 个职场情境、8 类任务、同一套指令和工具、每题 180 秒预算。分数是两个 LLM 评委 0–10 分的均值。页上排行：GPT-6 Astra 8.97（95% 区间 8.30 到 9.52；每题费用 $0.693，响应 54 秒，工具调用 19.3 次，tens/zeros 为 26/2）、GPT-6.1 Sol 8.65、Claude Fable 5.2 8.17、Claude Opus 5.5 7.84。文中另写：Opus 5.5 平均约 29 秒、得分 7.84；Sol 6.1 约 54 秒、得分 8.65、费用大约是其十分之一。调用最重的两个模型分别有 27/50 和 18/50 次撞上时间上限。限制写得很清楚：50 题面板、固定快照、只用 high 档、Agent 只通过 Slack 回复。

不要说成啥

不要把排行说成「最好的办公 Agent」或真实公司对照；不要把 LLM 评委分说成人打的分；不要省略 50 题、180 秒、固定 harness 这些限定。

官方材料

页上有互动排行和示意图。

BU 不推 7/10

4会爆 7新鲜 5适拍

一句话钩子，不是视频标题

自己上场只有 42.9%，让它事后当老师，1.5B 策略却从 72.8% 走到 82.9%。

来源

论文原文 arXiv abs https://arxiv.org/abs/2611.17167 《Actor, Judge, or Teacher? Understanding Decision Models in Long-Horizon Agents》；代码仓 https://github.com/ZJU-REAL/decision-agents

公开日

arXiv 标注 Submitted on 12 Nov 2026；API 的 published/updated 为 2026-11-12T17:42:46Z（Asia/Shanghai 11/13 01:42）

素材类型

论文 / 评测环境结果

适不适合拍

句子有反差，也能上屏，但场景是 ALFWorld / WebShop，离这个号观众的日常工作较远，中段容易堆概念。

排除理由

是近窗论文，钩子也像「自己干不好、事后却能教」。但对这个号来说偏学术基准，没把握在抖音爆，不当更推或备选。

核过的数字（摘要与引言原句，不跨表拼接）

作为执行者，JEV 在同一批 ALFWorld 评估任务上完成 42.9%。作为老师，它在看到完整轨迹后给 1.5B 策略的每一步打分：问「这一步是否有助于达成目标」时，相对只用结果奖励的 GRPO，成功率从 72.8% 提到 82.9%；问「这一步之后任务会不会成功」则只有 69.3%。WebShop 上是从 56.8% 到 71.4%。文中还写：六个模型当执行者时，都会被「更好做但不应先做」的子目标带走；当裁判看到整条轨迹时，却会把分给那些该先做的步骤。

不要说成啥

不要说成「决策模型全面强过大模型」，也不要把 ALFWorld / WebShop 的分数说成真实办公成绩；不要把 82.9% 说成 JEV 自己上场的成绩——它自己上场是 42.9%，82.9% 是被它教过的 1.5B 策略。

官方材料

abs 页有示意图。

AW 不推 8/10

3会爆 6新鲜 4适拍

一句话钩子，不是视频标题

产品经理的岗位在涨，工程岗位却几乎停住了。

来源

Lenny Rachitsky 11/10《State of the tech job market: late 2026》https://www.lennysnewsletter.com/p/state-of-the-tech-job-market-late

公开日

2026-11-10（文首标注，付费文；本轮打开了正文开头的公开要点与数字）

素材类型

KOL 宏观职场观察（招聘数据盘点，不是实验）

适不适合拍

数字不少，但拍出来会是宏观就业盘点，跟这个号近作形态不合，也难收在 25–30 秒里只讲清一个机制。

排除理由

下午刚放下过宏观就业类（BE）。这篇再新、数字再生，也还是职场大盘，不是这个号吃香的机制讲解。默认不推，更不会当备选。

核过的数字（来自本轮打开的正文）

PM 在招岗位比 2023 年 3 月低点高 75%，自 2023 年初起涨幅 56%，工程是 43%。工程在招岗位过去一年只增 2.5%，今年 3 月之后还更少。美国过去 12 个月（2025-05 到 2026-04）约招聘 11.3 万名软件工程师，不到 2022 年峰值 23.9 万的一半。FDE 在招岗位过去一年约 4.6 倍，当前约 1500 个。全球在招产品设计约 1900 个，比一年前低 28%；美国过去 12 个月约招 1.26 万名产品设计师，不到 2022 年 2.76 万的一半。湾区占全部在招技术岗位 15%，比一年前高 43%；提供远程选项的只有 14%。这些是两家数据商的招聘/入职盘点，不是对照实验。

不要说成啥

不要说成「AI 已经取代工程师」或「PM 全面赢家」；不要把在招岗位和实际入职数混成同一条趋势；不要跟已放下的 OpenAI×Upwork 就业文（BE）拼成一条「就业结论」。

官方材料

文首有配图；部分内容在付费区，本条只用已打开的公开段落。

BV 不推 9/10

3会爆 7新鲜 3适拍

一句话钩子，不是视频标题

开会时把 Claude 拉进视频通话，让它一边听一边开始干活。

来源

Anthropic 11/12《Introducing Claude Meetings》https://claude.com/resources/articles/claude-meetings

公开日

2026-11-12（文章列表与正文语境，未给时刻）

素材类型

产品发布 / 功能介绍

适不适合拍

不好拍成讲解片。没有反直觉机制，也没有能撑起前 3 秒的硬数字，拍出来会像功能广告。

排除理由

大厂一手，但是典型产品发布。这个号近作吃香的不是「又上了一个会议功能」。不当更推或备选。

核过的数字

正文几乎没有对照实验数字。能核到的是产品规则：目前支持 Google Meet，先在 Team 和 Enterprise 计划公测；默认书面回答，经允许可使用已连接工具；会写会议笔记和待办。公测期间，Team 和 Enterprise 上笔记和转写免费，通话里的回答也免费，除非回答用了已连接工具（计入套餐用量）；通话中做的文档、白板和其它产物免费到 2027-02-10。未在原文找到「能把会开快多少」或「纪要准多少」的测试数字，不编。

不要说成啥

不要说成已经全面上线，或能取代开会的人；不要编造效率提升百分比；不要跟已成片 BD（always-on agents）混成「Claude 一直在线开会」。

官方材料

资源页与正文页的产品说明。

BW 不推 10/10

4会爆 7新鲜 4适拍

一句话钩子，不是视频标题

有人把这种只做判断、不算长文的模型比成「95% 是爱因斯坦，5% 是憨豆先生」。

来源

Latent Space 11/12《The Jev Revolution: What Engineers Are Already Building with System One Models》https://latent.space/p/jev-revolution/

公开日

2026-11-12（正片页标注，未给时刻）

素材类型

KOL 会议报道 / 演讲转述

适不适合拍

有一句记得住的比喻，但全文是峰会侧记，缺少可独立上屏的核过硬数字，拍不好会像行业快讯或说教。

排除理由

11/12 的 KOL 一手报道，主题（System One / 决策模型）也新，但不是设计实验，数字经不起单独核。不当更推或备选。若只想讲「模型不必事事生成长文」，BS 的官方数字更硬，只是更像发布会。

核过的数字

文中可核的主要是转述，不是对照表。Almeida 在主题演讲里的原话被写成：你 95% 的时间得到 Einstein，5% 的时间得到 Mr. Bean；如果你分不清哪个是哪个，就没法自动化。UiPath 的例子：用 Jev 对文档块做淘汰赛式排序，「即使有 thousands of Jev calls，整个过程不到一秒」——这是报道里的转述，文中没有给出确切调用次数、文档规模或对照基线。Glean 的说法是 Jev「powers a significant number of flows」，没有百分比。不要把这些写成实验结果。

不要说成啥

不要把「95% / 5%」说成测出来的可靠率；不要把「不到一秒、成千上万次调用」说成已核过的基准成绩；不要拍成 Jev 或 TypeSafe 的产品广告。

官方材料

正片页有活动配图。