GitHub - DevLoops-ai/unified-brain:System One 编码智能体:在同一项 74 分制的 xz 基准测试中,代码级回答的得分与 Claude Fable 5.1 相同(各为 69 / 74,93.2%),成本仅为其 1/20,速度快 3.5×。会话中不会丢失上下文,也不受记忆限制,因为每个回答都从同一……

AI小蝌蚪AI 前沿📡 BestBlogs·AI高分精选⭐ 922026-11-04118 阅读💛 263 收藏
GitHub - DevLoops-ai/unified-brain:System One 编码智能体:在同一项 74 分制的 xz 基准测试中,代码级回答的得分与 Claude Fable 5.1 相同(各为 69 / 74,93.2%),成本仅为其 1/20,速度快 3.5×。会话中不会丢失上下文,也不受记忆限制,因为每个回答都从同一……

📌 One-Sentence Summary

unified-brain 是一个开源框架,通过持久化的 SQLite 记忆层和非自回归的 Jev 判断来收集证据,而非依靠推理,使 System One 编码智能体以 1/20 的成本、快 3.5× 的速度,达到 Claude Fable 5.1 级别的准确率(在 74 分制的 xz 基准测试中为 93.2%)。

📝 Summary

文章介绍了开源框架 unified-brain。它为 System One 编码智能体提供持久化记忆,在 74 分制的 xz 基准测试中达到 93.2% 的准确率,与 Claude Fable 5.1 持平,成本仅为其 1/20,速度快 3.5×。该系统采用基于 SQLite 的记忆层,保存代码库 Git 历史中每个符号(函数、类型、宏)的所有版本,从而支持检索且不会丢失上下文。它不采用自回归推理,而是使用前沿决策评判模型 Jev 进行是或否判断,将任务拆解为数百次离散调用,从而消除幻觉风险。该架构通过将探索与综合分离,降低 KV 缓存压力、对探索历史的注意力开销以及能耗。评测显示,unified-brain 得分为 69/74,Claude Opus 5.5 得分为 70/74;成本分别为 $0.874、$6.84 和 $17.55。该框架通过 MCP 协议集成 Cursor、OpenCode 和 Claude Code,提供可供任何执行框架使用的感知层。

💡 Main Points

System One 证据收集架构

该框架使用前沿决策评判模型 Jev 进行非自回归的「是或否」判断,取代自回归推理,将任务拆解为数百次离散调用,从而避免产生幻觉;在 xz 基准测试中达到 93.2% 的准确率,错误极少。

持久化 SQLite 记忆层

unified-brain 将代码库 Git 历史中每个符号的所有版本存储在 SQLite 数据库中,支持检索且不丢失上下文、不受记忆限制。对于每个问题,编写者只需读取 80k 个 token,而前沿智能体则需要读取 1.1-2.2M 个 token。

成本与性能效率

该系统以 1/20 的成本($0.874 对比 $17.55)和快 3.5× 的执行速度(498s 对比 1736s)达到 Claude Fable 5.1 级别的性能。通过持久化检索,避免反复传输权重和注意力状态所需的内存数据,从而降低能耗。

与主流编码智能体集成

unified-brain 通过 MCP 协议作为感知层运行,兼容 Cursor、OpenCode 和 Claude Code。用户可以继续使用自己偏好的执行框架,同时受益于该框架高效的证据收集能力。

💬 Key Quotes

「2026 年 10 月 24 日,我以开源软件的形式发布了一个名为 unified-brain 的框架:它能快速、低成本地收集证据,准确度也不逊于前沿编码智能体。」

「关键所在,是一个充当中间操作系统的 SQLite 记忆层;它借助 System One 模型 Jev,完成检索、筛选和判断。」

「unified-brain:69 / 74,$0.874,498 s(运行 d,2026-11-01;首次运行于 2026-10-29,得分为 64 / 74,成本为 $0.685);Opus:70 / 74,$6.84,1,183 s;Fable:69 / 74,$17.55,1,736 s。」

「通过在探索阶段使用持久化检索和非自回归判断,unified-brain 为降低每个正确回答的能耗提供了可信的实现机制。」

「unified-brain 不是执行框架,而是任何执行框架都能接入的感知层!」

📊 Article Meta

AI Screening: 92

Source: Hacker News - Newest: "LLM"

Author: Alexandros84

Category: 人工智能

Language: 英文

Read Time: 10 min

Word Count: 2296

Tags:

AI 与智能应用 , 上下文工程 , 模型训练与推理 , AI 工程 , AI Agent

#AI 与智能应用# 上下文工程# 模型训练与推理# AI 工程# AI Agent

文章评论(12)

石佳琪11 天前

这个比较实用,已转发给同事。

回复
竹听风11 天前

赞同,实践出真知。

回复
墨沐雨11 天前

这个观点很中肯,深有同感。

回复
崔欣怡11 天前

这个比较实用,已转发给同事。

回复
一个橘子11 天前

内容翔实,正好需要,先收藏再看。

回复
石佳琪11 天前

支持作者,持续关注中。

回复
杨丽华11 天前

内容翔实,正好需要,先收藏再看。

回复
杨丽华11 天前

很有价值的分享,感谢整理。

回复
邱文博11 天前

内容翔实,正好需要,先收藏再看。

回复
墨沐雨11 天前

楼主辛苦了,内容很有参考价值。

回复
青柠微凉11 天前

这个比较实用,已转发给同事。

回复
三分糖去冰11 天前

讲解得很细致,新手也能看懂。

回复