这是全文最具说服力的超越人类数据点之一——不是在合成benchmark上，而是在真实生产事故的复盘中。写那些bug的工程师是世界上最顶尖的AI系统工程师。Claude能在他们miss的问题里捕捉到1/3。代码审查不再只是再读一遍，而是引入了一个认知模式和人类根本不同的审查层——人类会疲劳、有盲点、受到上下文偏见影响，Claude的错误模式与人类正交，因此互补效益显著。

这个数字需要和脚注3一起读：80%+是合并到生产环境的行数中可归因于Claude的比例，已经是保守计算——脚注承认归因系统有漏洞，且未归因部分也包括大量非人工手写代码。真实比例可能更接近Anthropic领导层公开引用的90%+。即便是保守的80%，意义也是清晰的：在世界上最顶尖的AI研究机构里，人类工程师的核心工作已经从写代码转变为审查和导向代码。

这是全文最具说服力的「超越人类」数据点之一——不是在合成benchmark上，而是在真实生产事故的复盘中。写那些bug的工程师是世界上最顶尖的AI系统工程师。Claude能在他们miss的问题里捕捉到1/3。代码审查不再只是「再读一遍」，而是引入了一个认知模式和人类根本不同的审查层——人类会疲劳、有盲点、受到上下文偏见影响，Claude的错误模式与人类正交，因此互补效益显著。

这个数字需要和脚注3一起读：80%+是合并到生产环境的行数中可归因于Claude的比例，已经是保守计算——脚注承认归因系统有漏洞，且未归因部分也包括大量非人工手写代码。真实比例可能更接近Anthropic领导层公开引用的90%+。但即便是保守的80%，意义也是清晰的：在世界上最顶尖的AI研究机构里，人类工程师的核心工作已经从「写代码」转变为「审查和导向代码」。

Core War 的自修改特性让它成为研究 AI 安全的理想沙盒。真实的网络安全攻击中，代码即数据（shellcode 注入、ROP 链）正是最难防御的攻击面。DRQ 在这个环境里自动演化出的攻击策略，本质上是在无监督地发现「代码-数据不区分」漏洞类的通用利用模式——这正是 Mythos 等模型的能力提升背后的相同机制。

这篇论文介绍了一个名为ROSCOE的度量标准套件，用于评估逐步骤推理的性能。ROSCOE是一套可解释的、无监督的自动评分系统，旨在改进和扩展之前的文本生成评估指标。该研究通过设计一个推理错误的分类学，并在常用的推理数据集上收集合成和人类评估分数，来评估ROSCOE相对于基线指标的表现

fun main() { // 找到一家肯德基 // ↓ val kfc = Restaurant<KFC>() // 需要普通饭店，传入了肯德基，编译器报错 orderFood(kfc) val success:Result.Success<Cat> = Result.Success<Cat>(Cat()) println(success.data) var s:Result.Success<Animal> = success s.data = Dog() println(success.data as Cat) }

sealed class Result<out R> { // 协变 ① // ↓ ↓ data class Success<out T:Animal>(var data: @UnsafeVariance T, val message: String = "") : Result<T>()

data class Error(val exception: Exception) : Result<Nothing>()

data class Loading(val time: Long = System.currentTimeMillis()) : Result<Nothing>()

}

let msg = res.code != 0 ? res.msg || '操作失败' : res.msg || "操作成功";

代码优化，可读性的衡量：

let options = res.code != 0 ? { msg: '操作失败', icon: 2} : {msg: "操作成功", icon: 1};

msg = res.msg || options.msg;