他造了门接近TS的语言，模型却写不利索

Mario Zechner在X上贴了一张代码编辑器截图。顶部是“Design pico codemod”，下面跑着1763次工具调用，1次失败。失败那条以agent eval6 pico开头。这不像普通demo，更像一个用spare agent搭出来的评测工具。

前一天，Mario说要造一门给codemode用的语言，名字叫pico。有人问用什么写，他回C。有人问语法，他回得很冲：谁在乎。网友调侃，本来是要赢过Armin，结果加入了对方。pico这个名字还有插曲，有网友说它在斯洛伐克语里是甲基苯丙胺的昵称。

codemode可以理解成：模型写一段脚本，运行时去执行，脚本里可以调bash、写文件、开子代理。模型不用逐个调工具。Mario想让pico成为这门脚本语言。QuickJS是小型JS引擎，djs/TS是Armin那边的方案。于是eval6把三者放在一起比。

评测工具本身是p2 codemode脚本，跑在QuickJS沙箱里，async body。gist注释写着Not pi-durable。Mario在推文里称它exceptionally cursed。有网友刘朝总结：用code mode写eval harness，再spawn agents测code mode，诅咒含量刚好。

harness逻辑不复杂。任务、模型、语言三个维度交叉。每个组合让一个一次性子代理写脚本。子代理没有工具，只返回结构化输出。脚本写到文件，再由runner跑固定fixture，判输出、返回值和工具调用。最多3次尝试。只有编译/解析失败或运行时错误才重试，并把错误喂回去。脚本跑通但答案错，不重试。16个worker并发。结果追加到results.jsonl。

表格标题是Model eval (eval 6)，对比pico、djs、QuickJS，每种120次运行。列了首次编译/解析、首次正确率、三次内正确率、跑完但答案错、运行时错误、脚本调用失败的工具调用次数、总字符长度、提示里描述的行数。下面按模型拆首试正确率和三次内正确率，模型包括Claude Sonnet 5.5、Claude Haiku 5.5、GPT-6 Sol、DeepSeek V4.1 Flash、Kimi K3、GLM-5.3。

Mario的结论：pico接近TS，模型还是struggle。他还补了一句，带类型检查的codemode语言能提升正确率，目前代价是首次尝试失败变多。这个问题可以靠改语言和改给agent的语言描述解决。换句话说，模型写不对，一部分是语言设计问题，一部分是说明书问题。

截图里列了提交前的测试套件：所有C测试和33个黄金案例，关闭JIT、开启JIT、强制模式下的TypeScript测试各136个，三种语言的全部60个参考解决方案，还有站点测试。提交内容是第8轮eval、QuickJS和djs评测工具，以及163行描述。站点代理在更新语言参考和Model evals页面。所有者留言：keep improving things until pico wins the eval。

目标不止是赢评测。Mario说，他想要一个durable execution VM，快照尽可能小，最终摆脱基于replay的持久执行。这个目标很具体。pico现在还没赢，Mario说会继续爬山，直到成功。看表格，pico离TS近，离模型写顺还有距离。先改语言，还是先改说明书，他得自己选。