structure｜1️⃣ 三级笔记、思想框架
过去半年 LLM 的关键进展可以浓缩成 coding agents 与小模型
核心观点
Simon Willison 把过去六个月的 LLM 进展压缩成两条主线：第一，coding agents 在 2025 年 11 月前后跨过可日常使用的质量门槛；第二，本地可运行的小模型和开源权重模型开始显著超出预期。模型榜首频繁易主很热闹，但真正改变开发者体感的，是 agent harness、可验证奖励训练和本地模型能力共同把 LLM 从演示工具推向日常生产工具。
一、11 月是过去半年的分水岭
1.1 “最佳模型”快速轮换
- 文章从 2025 年 11 月的拐点讲起，因为这个时间窗口覆盖了 LLM 领域最密集的一轮能力跃迁。
- 所谓“最佳模型”在 Anthropic、OpenAI 和 Google 之间快速更替，作者用自己长期使用的视觉生成测试来展示各模型之间的能力差异。
- 这种榜首轮换说明 frontier model 的竞争仍在高速推进，但它不是作者认为最重要的变化。
1.2 真正的新闻是 coding agents 变好
- 作者判断，11 月真正重要的变化不是某个模型短暂领先，而是 coding agents 终于跨过了质量门槛。
- OpenAI 和 Anthropic 在 2025 年大部分时间里都围绕可验证奖励做强化学习，重点提升模型写代码的质量。
- 当这些模型与 Codex、Claude Code 这类 agent harness 配合时，效果从“经常能用”变成“大多能用”。
- 这个变化意味着开发者可以把 coding agents 当成 daily-driver，而不是把大部分时间花在修补它们的低级错误上。
二、12 月到 1 月：开发者开始用新工具试探边界
2.1 假期里的实验热潮
- 12 月到 1 月，很多开发者利用假期集中试用新模型和 coding agents。
- 作者用“LLM psychosis”描述当时的一种兴奋状态：突然能启动许多原本成本太高的项目，于是人很容易高估自己该同时推进多少东西。
- 这不是对 LLM 的否定，而是说明工具能力快速提升后，人类会先经历一轮边界探索。
2.2 micro-javascript 是能力与浪费并存的例子
- 作者举了自己 vibe-coded 的 micro-javascript 项目：用 Python 实现一个 JavaScript 解释器，并在浏览器里的 Pyodide/WebAssembly 环境中运行。
- 这个项目展示了 coding agents 帮人快速搭出复杂系统的能力，也暴露了这种能力可能诱导人做出“技术上很酷、实际需求很弱”的项目。
- 因此，coding agents 的成熟不仅带来生产力，也要求开发者重新学习项目选择和边界控制。
三、OpenClaw 把 personal AI assistant 推到台前
3.1 从 Warelay 到 OpenClaw
- 文章用 Warelay/OpenClaw 的演变展示另一个趋势：personal AI assistant 项目可以在很短时间内获得巨大关注。
- 一个 2025 年 11 月底刚有初始提交的项目，到 2026 年 2 月已经以 OpenClaw 的名字出圈。
- 它代表的不是单个项目，而是一类围绕个人设备、本地运行和持续代理能力展开的新产品形态。
3.2 Claws 作为新的通用称呼
- 作者提到 OpenClaw、NanoClaw、ZeroClaw 等项目让 “Claws” 成为 personal AI assistant 的泛称。
- Mac Mini 被当作运行 Claw 的理想载体，说明这类工具不再只依赖云端聊天界面，而开始和本地硬件、持续后台任务、个人工作流绑定。
- 作者用科幻式隐喻提醒读者：personal AI assistant 很有吸引力，但安全边界和控制机制同样关键。
四、2 月到 4 月：本地小模型显著超预期
4.1 Gemini 3.1 Pro 延续 frontier model 进步
- 2 月的 Gemini 3.1 Pro 在作者的视觉生成测试中表现明显提升。
- 这说明 frontier model 的多模态、视觉和创意生成能力仍在进步，模型厂商之间的竞争没有放缓。
- 但这仍然只是半条主线；另一条更有长期含义的是小模型和开放权重模型的能力提升。
4.2 Gemma、GLM、Qwen 展示开放权重模型的两种路线
- Google 的 Gemma 4 被作者评价为美国公司发布过的最强开放权重模型之一。
- GLM-5.1 展示了超大开放权重模型的路线：能力很强，但 1.5TB 的体积意味着运行门槛极高。
- Qwen3.6-35B-A3B 展示了更贴近日常开发者的路线：二十多 GB 的模型可以在笔记本上运行，并在某些任务上达到令人意外的表现。
4.3 旧 benchmark 被能力进步反向淘汰
- 作者长期用同一个奇特图像生成测试观察模型差异，但到 2026 年 4 月，这个测试已经接近失效。
- 当小模型也能在这类任务上超过部分 frontier model 的旧表现时，说明 benchmark 本身需要升级。
- 这也是文章的一个隐含判断：LLM 进展不能只看榜单，还要看开发者熟悉的测试是否仍有区分度。
五、过去六个月的两条主线
5.1 coding agents 成为真实工作工具
- 第一条主线是 coding agents really got good。
- 它的关键不只是底层模型变强，而是模型、强化学习、agent harness、代码执行反馈和开发者工作流组合在一起。
- 这条线改变的是软件开发的日常体验：LLM 从辅助问答变成可以持续参与任务推进的工作伙伴。
5.2 本地模型开始重新定义“够用”
- 第二条主线是 laptop-available models wildly outperform expectations。
- 本地模型仍弱于最强 frontier model，但它们在成本、隐私、延迟、可控性和可部署性上有独特价值。
- 当可在个人电脑上运行的模型开始完成过去需要云端大模型才能做的任务时，AI 能力的分发方式会发生变化。
关键概念 / 术语
- November 2025 inflection point：作者用来标记过去半年 LLM 变化的关键时间点，尤其对应 coding agents 的质量跃迁。
- coding agents：与 Codex、Claude Code 等 harness 配合，能在代码任务中持续执行、修改、验证的 LLM 工具形态。
- Reinforcement Learning from Verifiable Rewards：用可自动验证的结果反馈训练模型，尤其适合提升代码任务质量。
- daily-driver：从偶尔能用到可以日常依赖的临界点，是作者衡量 coding agents 成熟度的核心标准。
- LLM psychosis：作者用来自嘲的说法，指模型能力突然变强后，人容易启动过多不必要项目的兴奋状态。
- Claws：personal AI assistant 类项目的泛称，代表个人设备上的持续代理工具。
- open weight models：权重开放、可本地或自有硬件运行的模型，是小模型超预期表现的核心载体。
- laptop-available models：能在个人电脑上运行的模型，代表 AI 能力从云端向个人设备扩散。
concepts｜2️⃣ 关键概念、概念网络
概念解析辞典
针对《过去半年 LLM 的关键进展可以浓缩成 coding agents 与小模型》（simonwillison.net）的概念提取
一、核心概念解析（Core Concepts）
1. 11 月拐点（November 2025 inflection point）
- context：作者把 2025 年 11 月视为过去半年 LLM 变化的关键节点，尤其是代码能力和 agent 工具开始集中显现效果。
- 费曼一下：这不是单个模型发布日，而是开发者体感突然变化的时间段：工具从演示级开始进入可日常依赖的阶段。
2. 最佳模型轮换（best model changed hands）
- context：文章先列出 Anthropic、OpenAI、Google 之间的领先位置快速更替，用它说明 frontier model 竞争的密度。
- 费曼一下：榜首频繁变化说明前沿模型还在高速追逐，但作者真正关心的是这种竞争最后改变了哪些实际工作流。
3. coding agents
- context：作者把过去半年最重要的变化之一概括为 “coding agents got good”。
- 费曼一下：coding agent 不是会回答代码问题的聊天机器人，而是能在项目里读代码、改代码、运行反馈、继续推进任务的工作单元。
4. 可验证奖励强化学习（Reinforcement Learning from Verifiable Rewards）
- context：文章把 OpenAI 和 Anthropic 在 2025 年提升代码质量的努力，归因到围绕可验证结果的强化学习。
- 费曼一下：代码任务天然适合训练，因为结果能跑、测试能过、错误能暴露；模型可以从这种硬反馈里学会少犯错。
5. agent harness
- context：Codex、Claude Code 这类 harness 被作者放在模型能力提升的同一条链路里。
- 费曼一下：harness 是把模型接到真实开发环境里的支架；没有它，模型只是会说，有了它，模型才更像会做。
6. daily-driver
- context：作者用 daily-driver 描述 coding agents 跨过质量门槛后的状态。
- 费曼一下：daily-driver 的意思是你可以每天真的用它工作，而不是只在 demo、玩具项目或偶发任务中试一试。
7. LLM psychosis
- context：作者用这个自嘲词描述假期里被新工具能力刺激后，启动过多宏大项目的兴奋状态。
- 费曼一下：当工具突然让很多事情看起来都能做，人会短暂失去项目筛选能力，把“可以做”误当成“应该做”。
8. vibe-coded project
- context：micro-javascript 被作者当作 vibe-coded 项目的例子：技术路径很有趣，但真实必要性很弱。
- 费曼一下：vibe coding 让探索成本下降，也让无效探索变多；它考验的不是写代码速度，而是判断什么值得写。
9. Claws
- context：OpenClaw、NanoClaw、ZeroClaw 等 personal AI assistant 项目让 Claws 变成一个泛称。
- 费曼一下：Claw 指一种驻留在个人设备上、能持续帮你做事的 AI assistant；它更接近个人工作流基础设施，而不是一次性聊天窗口。
10. 本地运行的个人 AI（local personal AI assistant）
- context：Mac Mini 被视为运行 Claw 的理想设备，说明这类 assistant 正在向本地硬件靠拢。
- 费曼一下：本地运行让 AI 从云端服务变成个人机器上的常驻能力，带来更强控制感，也带来新的安全边界问题。
11. 开放权重模型（open weight models）
- context：Gemma、GLM、Qwen 的例子展示了开放权重模型在能力和规模上的不同路线。
- 费曼一下：开放权重模型让能力不再只掌握在闭源 API 里；你可以自己部署、裁剪、实验，但也要承担硬件和运维成本。
12. 笔记本可运行模型（laptop-available models）
- context：作者把 laptop-available models 与 coding agents 并列为过去半年的两大主题之一。
- 费曼一下：这类模型不一定最强，但足够近、足够便宜、足够可控；它们重新定义了很多场景里“够用”的门槛。
二、概念网络（Concept Network）
底层框架：过去半年 LLM 的真实进展，不只是 frontier model 排名变化，而是能力进入工作流和个人设备两条路线。
主干逻辑链：
- 11 月拐点 × 可验证奖励强化学习 × agent harness → coding agents 跨过 daily-driver 门槛。
- coding agents × vibe-coded project × LLM psychosis → 生产力提升也放大了项目筛选问题。
- OpenClaw × Claws × 本地运行的个人 AI → AI assistant 从云端对话产品转向个人工作流基础设施。
- 开放权重模型 × 笔记本可运行模型 → 小模型开始在成本、控制和本地部署上挑战旧预期。
辅助逻辑链：
- 最佳模型轮换说明 frontier model 竞争激烈，但它只是背景；真正的结构性变化发生在 agent 化与本地化。
- 旧 benchmark 失效说明能力评估也必须更新：当模型普遍越过旧测试，开发者需要新的任务来区分真实价值。
一句话总结概念网络：
agentic reading｜3️⃣ 费曼 x3