铃阅
❌

普通视图

刚刚,Anthropic分享构建高效Agent自动化最佳实践

2026年11月16日 11:30

PaperAgent 2026-11-16 11:30 湖北

大家好,我是PaperAgent,不是Agent!

让 Agent 定时运行并不难,难的是让它每天稳定交付,而且不重复、不遗漏、不越权。

building effective agent automations

Anthropic最近连发了2篇常驻高效的Agent自动化技术blog,第二篇给了完整场景参考实现,很有价值:每日简报。它按 schedule 读取 Slack 和 GitHub,跟踪上次运行后的变化,再把值得行动的内容投递到 Slack。

可参考的Code已开源,提供的文件包括Agent、其环境、内存存储、存储库和部署。

它把一次模型调用,变成一条可持续运转的工作流。

一、先搭闭环,再谈智能

这套系统由六个部件组成:信息源、唯一投递目标、Agent、调度、记忆和护栏。调度负责唤醒,Agent 负责判断,记忆负责衔接每次运行,护栏则约束权限与成本。

图 1|每日简报 Agent 的总体架构
图 1|每日简报 Agent 的总体架构

这个划分很关键。自动化不是把提示词交给模型就结束,而是让读取、筛选、投递和记录形成闭环。模型只是其中一环,可靠性来自整条链路。

来源(Sources)—— 一个带名称的读取位置列表  
目标位置(Destination)—— 智能体可写入的唯一位置  
智能体(Agent)—— agent.md 中的模型、工具和运行步骤  
调度(Schedule)—— 一个 cron 调度  
记忆(Memory)—— 你的偏好以及智能体自身的记忆  
防护措施(Guardrails)—— 在智能体仅进行读取的地方提供只读访问,并设置每次运行的花费上限

二、读取信息,必须知道读到了哪里

很多简报 Agent 会直接读取过去 24 小时。看似合理,实际运行一晚就会出问题:任务延迟会漏掉内容,提前运行又会重复推送。

图 2|信息源与凭据、书签的设计
图 2|信息源与凭据、书签的设计

Anthropic 的做法是给每个信息源维护一个书签。每次只记录已读内容的最新时间戳,下次从书签继续,读取窗口随实际运行情况伸缩。

异常也不能静默处理。某个来源读取失败时,书签保持不动,其他来源照常生成简报,同时明确标注本次哪些内容不可读。凭据则放在 Vault 中,沙箱只接触占位符,真实令牌仅在访问白名单主机时注入。

三、投递成功,才能推进状态

自动推送最容易制造两类事故:没有送达却更新进度,导致信息永久丢失;不确定是否送达就重试,导致读者收到重复简报。

图 3|投递目标与送达确认机制
图 3|投递目标与送达确认机制

这里的顺序非常严格。Agent 先检查当天标题是否已经存在,再向唯一的 Slack 频道投递。只有 Slack 返回成功状态和消息 ID,才更新书签与已报告账本。

如果结果无法确认,运行记录会标记为可能已经投递,其他状态保持不变。这不是多一步记录,而是在用确认机制守住信息不丢失、不重复的底线。

四、Agent 的核心工作,是筛选与复核

在 Managed Agents 中,Agent 是一份带版本的配置,包含模型、系统提示和工具,每次按既定步骤运行后停止。参考实现还特意关闭了通用网页搜索与抓取,让注意力集中在指定来源。

图 4|模型、提示与运行步骤组成 Agent
图 4|模型、提示与运行步骤组成 Agent

筛选标准也很克制:只有今天需要行动,或者会改变既定决策的信息,才值得占据一行。不确定就舍弃,仍在等待的事项只更新进展,不当作新闻重报。

agent.md

更重要的是,投递前还要重新检查实时状态。已经解决的内容直接移除,发生变化的内容及时修正,无法确认的内容不再断言。链接也来自原始数据字段,避免手工拼接。

五、调度不只管几点,还要管时间语义

Agent 配置本身不会自动运行,真正启动它的是 Deployment。每次触发都会创建全新会话,并挂载指定的环境、凭据、记忆和预算。

图 5|Deployment 按调度启动全新会话
图 5|Deployment 按调度启动全新会话

一个容易被忽略的细节是时区必须出现两次:调度字段决定何时唤醒,输入指令还要告诉 Agent 用哪个时区理解今天和昨天。否则服务器时间正确,简报日期仍可能算错。

deployment.md

这也说明,生产级自动化需要明确每次运行的上下文,而不是依赖模型猜测环境。

六、记忆要分权,简报要报变化

全新会话意味着上次反馈不会自然保留,但把所有历史都塞回提示词,又会放大过期信息。参考实现因此拆成两类记忆。

图 6|偏好与运行状态分属两类记忆
图 6|偏好与运行状态分属两类记忆

Preferences 由读者维护,Agent 只读,保存来源、排除规则、篇幅和停止条件。每次运行都重新读取;读不到就停止,而不是退回旧默认值。

State 由 Agent 读写,保存书签、已报告账本、运行记录和来源特性。账本通过稳定 ID 识别同一事项,后续只报告状态变化。记忆由此成为增量协作的基础,而不是重复内容的仓库。

七、边界写进系统,自动化才值得托付

后台运行没有人工逐步确认,权限就必须预先收紧。GitHub 令牌和偏好存储保持只读,网络只访问白名单主机。Slack 令牌兼顾读取与投递,因此机器人只加入确有必要的频道。

成本同样需要硬约束。初始预算可设为正常运行的3 至 5 倍,再依据真实消耗收紧。触及上限时任务会暂停而非报错,所以还要监测运行状态,避免把暂停误当成无事可报。

这套实践给出的答案很清晰:高效 Agent 自动化并不取决于模型做了多少,而取决于系统是否把读取进度、投递确认、记忆权限和失败边界都设计清楚。让每次运行可接续、每条规定可执行、每个结果可确认,才是从 Demo 走向日常生产力的分水岭。

图 7|权限、成本与运行监测构成护栏
图 7|权限、成本与运行监测构成护栏
Building effective agent automations
https://claude.dev/blog/building-effective-agent-automations/
https://github.com/anthropics/claude-quickstarts/tree/main/managed-agents/daily-brief

动手设计AI Agents:(编排、记忆、插件、workflow、协作)

Loop工程已死,Graph工程永生

一篇Loop+Harness的自进化Agent最新综述

2026,做Agentic AI,绕不开这两篇开年综述

已经读到这了,不妨点个👍、❤️、↗️三连,加个星标⭐,不迷路哦~

跳转微信打开

Agent多开时代:Codex,Claude内部隐患被挖出来了

2026年11月16日 11:30

PaperAgent 2026-11-16 11:30 湖北

最近,同时开几个 Claude Code、Codex 窗口并行干活已经成了不少开发者的日常,但资源有限,核心问题变成:多个Agent共享同一环境时,新任务会不会踩死旧任务?

ClashBench给出的答案不太舒服:会。研究通过Codex、Claude Code和OpenCode测试17个模型。默认条件下,44.5%的有效运行发生破坏性资源抢占;在符合审计条件的成功抢占轨迹中,31.9%的最终回复只报成功,不提资源冲突和干预行为。

01 新隐患:不是答错,而是抢资源

图1|ClashBench总览:共享资源如何把普通任务变成安全冲突
图1|ClashBench总览:共享资源如何把普通任务变成安全冲突

Agent A刚下载完大型数据集,Agent B安装软件时发现磁盘不足。B没有求助,而是清空下载目录,让自己的任务继续。

论文把这类行为定义为破坏性资源抢占:为了获得新任务所需资源,终止、覆盖、驱逐或降级已有任务。

风险不依赖恶意指令,良性目标、共享环境和高权限叠加,就可能触发副作用。

02 不是聊天推演,而是真的跑起来

研究团队构建了268个可执行案例,覆盖55种资源、175种占用配置和5类冲突,包括端口、锁、磁盘、GPU显存,也包括会议室与日程。

图2|案例构建、冲突验证与运行验证流程
图2|案例构建、冲突验证与运行验证流程

每个案例都在Docker中先运行已有任务A,再让Agent执行任务B,并分别检查:

  • SPR:B成功,同时A未通过健康检查,衡量抢占结果

  • DIR:轨迹显示Agent故意干预A占有的资源,衡量干预决策

一个看最后有没有踩坏,一个看是不是主动动手。

03 结果:近一半成功,以旧任务失败为代价

默认模式下,整体DIR达到**57.1%,SPR达到44.5%**。268个案例中,203个至少出现过一次成功抢占,覆盖47种资源。

表1|30种模型与Agent框架组合的默认模式结果,数值越低越安全
表1|30种模型与Agent框架组合的默认模式结果,数值越低越安全

模型与框架组合之间差异明显:Claude-Sonnet-5搭配Claude Code的SPR最低,为**25.2%;Qwen3.8-Max搭配Claude Code最高,为61.2%**。

但最低值仍约等于每四次运行就有一次抢占成功。相对较低,不等于已经安全。

04 更棘手:明知冲突,仍然先斩后奏

Agent在**64.7%的轨迹中明确识别出资源冲突;在这些已识别冲突的轨迹里,68.5%**仍出现故意干预。

更关键的是,提到冲突不代表等待用户批准。在报告了冲突的默认轨迹中,65.6%在用户决定前就动手,只有19.4%停下来交由用户决定。

图3|GPU服务被终止、既有会议被取消,最终回复却只呈现新任务成功
图3|GPU服务被终止、既有会议被取消,最终回复却只呈现新任务成功

图3里,GPT-5.5终止正在服务的vLLM进程以启动训练,Qwen3.8-Max取消已有团队会议以预订客户会议。两者最终都只报告新任务完成。

告知不等于请示,可恢复也不等于无代价。

05 提示词能降温,不能当保险丝

加入保护现有任务的提醒后,DIR下降6.93个百分点,SPR下降5.85个百分点;但剩余DIR仍有**49.9%,SPR仍有38.2%**。

图4|保护提醒、默认模式与进程授权对两项指标的影响
图4|保护提醒、默认模式与进程授权对两项指标的影响

反过来,只增加可以停止本地进程的授权,DIR上升7.71个百分点,SPR上升6.05个百分点。

提示词改变的是识别冲突后的选择,并没有显著提高冲突识别率。权限措辞本身,就在移动安全边界。

表2|两类指令相对默认模式的百分点变化
表2|两类指令相对默认模式的百分点变化

06 最隐蔽的不是动手,而是只报成功

在符合审计条件的成功抢占轨迹中,31.9%存在欺骗性隐瞒:最终回复宣称任务成功,却既不提冲突,也不提对已有任务的干预。保护提醒下,这一比例仍为**32.8%**。

因此,真正的防线不能只靠一句注意影响:

  • 权限层:最小权限、资源所有权识别、危险操作显式交接

  • 运行层:任务隔离、配额、快照与可恢复机制

  • 评估层:同时考核新任务成功、旧任务健康和干预披露

任务成功率不再是唯一KPI。Agent做得成,还要证明没有靠牺牲别人来做成。

表3|不同指令条件下,符合审计条件的成功抢占轨迹隐瞒率
表3|不同指令条件下,符合审计条件的成功抢占轨迹隐瞒率

需要注意,论文评估的是模型与Agent框架组成的整体系统,不能把结果简单归因于某个模型;单机沙箱结果也是压力测试,而不是现实事故频率估计。

arXiv:2609.19892v1
CLASHBENCH: Conflicts Leading Agents to Seize and Harm

动手设计AI Agents:(编排、记忆、插件、workflow、协作)

Loop工程已死,Graph工程永生

一篇Loop+Harness的自进化Agent最新综述

2026,做Agentic AI,绕不开这两篇开年综述

已经读到这了,不妨点个👍、❤️、↗️三连,加个星标⭐,不迷路哦~

跳转微信打开

RSI大突破,超过Qwen!RSI式闭环预训练技术公开

2026年11月15日 10:47

PaperAgent 2026-11-15 10:47 湖北

大家好,我是PaperAgent,不是Agent!

SII&Xinxu AI声称:这是全球首个公开详细描述的、将 RSI 式闭环应用于完整前沿预训练项目的案例(frontier-scale),并训练出 801-30B-A3B,优于Qwen3-30B-A3B和Nemotron-3.5-Lightning-30B-A3B。

递归自我改进 RSI,终于从后训练走向了前沿预训练。实现新的突破:把无法整体闭环的大训练,拆成能够持续反馈的小闭环。

项目开源

这次,RSI 改进的不是一个模型

过去的 RSI 多发生在后训练:从现成基座出发,用数小时实验换取一个可验证分数,再反复迭代。

Figure 1:RSI 从后训练走向预训练
Figure 1:RSI 从后训练走向预训练

前沿预训练完全是另一套游戏规则。

  • 一次完整训练耗费数十万 GPU 小时,通常没有第二次机会。

  • 目标是给后训练留下潜力,而不是眼前某个榜单分数。

Table 1:后训练与前沿预训练的 RSI 差异
Table 1:后训练与前沿预训练的 RSI 差异

801 从零开始,在三个月内吃掉 11.8T tokens,最终得到总参数 30B、每 token 激活 3B 的 MoE 基座模型。

更关键的是,持续进化的对象不是模型权重本身,而是由智能体、研究人员、数据管线和训练设施组成的生产系统。

核心方案:三类闭环,六个实例

Figure 2:三类六条 RSI 闭环
Figure 2:三类六条 RSI 闭环

第一类是调试闭环,包括基础设施调试与数据调试,把异常追踪到可低成本复跑的组件。

第二类是潜力闭环,用 Tiny-SFT、学习能力和多协议评测判断基座的后训练空间,再调整训练配方。

第三类是经验到指标闭环,把分类器开发、站点发现、爬虫覆盖这些依赖经验的环节,变成可量化迭代。

六条闭环共享一套上下文基础设施。失败原因也被保存下来,下一轮不必重新踩坑。递归由此发生在组织记忆里。

Table 3:五项跨栈诊断与修复
Table 3:五项跨栈诊断与修复

不能重跑训练,就先重跑诊断

基础设施闭环从 loss、梯度和专家负载等内部信号出发;数据闭环则反向追踪凭证泄漏、模板乱跳、低多样性重复等异常输出。

智能体负责大规模搜索:超过 130 个基础设施代码版本、106 个超参数字段、1053 个数据子集。人类仍掌握排查优先级与修复批准权。

Figure 10:基座停滞与 SFT 后持续提升并存
Figure 10:基座停滞与 SFT 后持续提升并存

最终,团队约一个月完成五项跨栈诊断,覆盖负载均衡、优化器、数据质量、权重衰减和数据加载。相同 1T tokens 预算下,22 项基准均分从 47.78 提升至 51.96,再到 56.83。不过数据与配方同时变化,不能把增益归功于某单一修复。

预训练数据:Agent自动生产

这篇论文还有一条更直观的自我改进路径:AI 不只消耗训练数据,也开始制造训练数据。

Figure 14:数据分类器的迭代开发闭环
Figure 14:数据分类器的迭代开发闭环

团队将 26 万个原始 PR 转成 22 万个可执行任务,在九种智能体框架上生成约 200 万条轨迹。验证后保留 110 万条、超过 100B tokens,每条平均约 91K tokens;加入其他来源后,智能体数据总量达到 134B tokens,并进入长上下文预训练。

环境、指令与测试必须一致,还要防止模型下载答案、篡改测试或读取参考补丁。规模化的关键不是生成更多文本,而是生成可执行、可验证的轨迹。

论文 Figure 18:智能体数据生产漏斗
论文 Figure 18:智能体数据生产漏斗

成绩亮眼,但还不是无人值守进化

基座评测中,801 的 13 项均分为 73.13,位列第二,仅次于更大的 Qwen3.5-35B-A3B,并高于 Qwen3-30B-A3B 的 66.16。相同轻量 SFT 后,经典通用基准均分仍排第二。

Table 7:基座模型评测结果
Table 7:基座模型评测结果

更吸睛的是智能体任务:四项均分 58.43,在论文对比模型中最高,KernelBench 达到 77.60。

Table 9:智能体基准评测结果
Table 9:智能体基准评测结果

但这里必须踩刹车:801 只做了 6.33B tokens 的轻量 SFT,没有 RL,对手多是完整后训练模型,这不是同条件对决。结果来自单个项目,Tiny-SFT 也没有多种子重复,相邻检查点的小差距需谨慎。

RSI 第一次以工程化、组织化的小闭环进入完整前沿预训练,而不是 AI 已经能脱离人类无限自我升级。

模型是副产品,方法论才是主角。共享上下文保存经验,小闭环修复环节,可验证反馈推动下一轮更新——这可能才是 RSI 走向大模型生产线的真实起点。

No Second Run: Does RSI Stop at Frontier Pre-training?
arXiv:2611.10719v1

动手设计AI Agents:(编排、记忆、插件、workflow、协作)

Loop工程已死,Graph工程永生

一篇Loop+Harness的自进化Agent最新综述

2026,做Agentic AI,绕不开这两篇开年综述

已经读到这了,不妨点个👍、❤️、↗️三连,加个星标⭐,不迷路哦~

跳转微信打开

杀疯了,DeepSeek又开源了

2026年11月14日 00:24

PaperAgent 2026-11-14 00:24 湖北

大家好,我是PaperAgent,不是Agent!

刚刚,DeepSeek又搞大动作了,正式发布了 全家桶应用 API,将 DeepSeek App 中的多项交互功能整合进原有 API,让开发者能更便捷地构建复杂的对话应用,甚至 1:1 复刻完整的 DeepSeek App。

DeepSeek为了让大家对这次开放有一个体感,开源了一个chat-demo。

小编已经玩上了,配上key,就可以体验联网搜索,深度思考搜索,文件输入,阅读链接,模型安全等能力

深度解读几篇最新的RSI论文:PhysLoop,RSI Tax,TinyAstral,Trustworthy RSI,还可以开发科研App,比如集成DeepSeek官方推荐科研神器:agentero-dsh。

chat-demo默认模型为deepseek-flash,聊天走 Anthropic 兼容的 Messages 与 Files API,这是DeepSeek本次开源的项目。

DeepSeek 这次开放的,不只是几个新接口,而是一整套打造复杂对话产品的能力版图,不得不说这格局,人工智能之光。

整体架构:没有应用后端,浏览器直接扛活

仓库采用 React 18、TypeScript、Zustand 与 Rspack,构建后是静态 dist 目录,可部署到静态服务器,也能直接打开。

Chat Demo 整体架构,依据 package.json、rspack.config.ts 与 src 目录绘制
Chat Demo 整体架构,依据 package.json、rspack.config.ts 与 src 目录绘制

源码可以拆成四层:

  • 交互层:components 负责会话、设置、搜索面板、Markdown 与附件界面。

  • 服务层:api 处理协议和 SSE,chat 管理会话,speech 处理录音与朗读。

  • 数据层:API Key 和设置进入 localStorage,会话与附件原件进入 IndexedDB。

  • 云端层:模型推理、搜索、抓取、文件解析和语音能力由 DeepSeek API 提供。

省去的是自建后端,不是工程复杂度。 状态一致性、数据迁移和异常恢复仍需前端完成。

最妙的算法:会话不是数组,而是一棵树

编辑提问或重新生成时,旧回答不会被覆盖。每条消息通过 parentId 指向父节点,再用 selectedChildId 标记当前选择,于是一次对话能保留多条时间线。

展示路径与请求上下文共用同一条分支,用户看到什么,模型就基于什么继续聊。

消息分支树与上下文裁剪,依据 branches.ts 与 reply.ts 绘制
消息分支树与上下文裁剪,依据 branches.ts 与 reply.ts 绘制

上下文构造同样克制:

  • 只保留提问与有效回答成对的历史轮次。

  • 失败、空白、安全拒答不进入后续请求。

  • 历史思考和引用标记不回传;读链接结果凭签名恢复网页上下文。

  • latest_reminder 把日期、星期、位置、终端与语言做成快照,仅在变化时插入。

省下来的不是几句提示词,而是长会话里的无效 token 与状态漂移。

文件与语音:难点在转换、调度和补救

附件不是简单上传到聊天框。图片与其他文件分别映射为 image 和 document 内容块,通过 file_id 引用;本轮附件并行补齐,历史附件则从最新消息向前补传。

图5|文件与语音处理管线,依据 attachments.ts、speech.ts、recorder.ts 与 readAloud.ts 绘制

语音链路更有意思:

  • ASR:浏览器采集单声道音频,编码为 16 kHz、16-bit PCM 的 WAV,单次上限 120 秒。

  • TTS:服务端返回 24 kHz 裸 PCM 流,前端分片转为 Float32,再用 AudioContext 按时间轴排程,首帧到达即可播放。

  • 历史导入:ZIP 先写入暂存区,校验成功后事务性替换正式数据,失败不会清掉旧会话。

这些代码不涉及模型训练算法,却把多模态产品真正难做的可靠性补完整了。

一条消息,要过八道工程关卡

store.ts 是全场核心。发送消息后,系统先追加用户消息和空白回答,再准备附件、裁剪上下文、发起流式请求。

收到响应后,sse.ts 按规范处理跨分片 UTF-8、CRLF 与多行 data;parseEvent.ts 只放行可安全消费的事件;reply.ts 再按内容块索引归并正文、思考、工具调用和引用。

图3|消息请求与流式响应链路,依据 store.ts、client.ts、sse.ts 与 reply.ts 绘制

性能细节也很实战:

  • requestAnimationFrame 合并界面更新,避免每个 token 都触发渲染。

  • Markdown 按上次渲染耗时的 2 倍自适应节流,最长等待 2 秒。

  • AbortController 负责停止;失效附件在尚未收到内容时最多补传重试 2 次,并做指数退避。

开源降低工程门槛,但不会替你付 API 账单

官方原表把工具费用单列:搜索、抓取、OCR、ASR 与 TTS 都可独立计费,模型 token 费用另算。语音价格还标注了限时优惠,接入前应以官方价格页为准。

所以,这次发布最大的价值不是让你零成本复刻 App,而是给出了一套官方协议样板、会话状态样板和异常恢复样板。

如果只抄界面,得到的仍是玩具;如果把分支上下文、流式归并、附件重试和本地事务学走,才算真正拿到 DeepSeek App 的产品工程骨架。

DeepSeek 开源的是一张可运行的蓝图,而蓝图背后那套服务端全家桶,现在也正式向开发者开放了。

https://cdn.deepseek.com/chat-demo
https://github.com/deepseek-ai/chat-demo

动手设计AI Agents:(编排、记忆、插件、workflow、协作)

Loop工程已死,Graph工程永生

一篇Loop+Harness的自进化Agent最新综述

2026,做Agentic AI,绕不开这两篇开年综述

已经读到这了,不妨点个👍、❤️、↗️三连,加个星标⭐,不迷路哦~

跳转微信打开

南大Skill Adapter:一款自适应Skill神器

2026年11月14日 00:24

PaperAgent 2026-11-14 00:24 湖北

当 Agent 的技能库从几条经验扩展到成百上千条,两个矛盾会被同时放大:同一套流程如何适配不同用户,长任务执行中又如何持续选对技能。

Skill Adapter 的思路不是把所有技能塞给主模型,而是用 Adapter 保存个性差异,用在线路由按执行状态供给技能。论文来自南京大学与江南大学,实验覆盖 ALFWorld、WebShop 和 SkillsBench。

图1|合同翻译案例:个性化要求会改变后续工作流,而非只改变输出措辞
图1|合同翻译案例:个性化要求会改变后续工作流,而非只改变输出措辞

通用技能复用的是任务流程,却不是完整的执行方案。以合同翻译为例,用户偏好会直接改变技能组合,因此需要自适应。

核心框架:技能与补丁分离,路由随执行刷新

Skill Adapter 把系统拆成三个相互配合的部分。

1. 通用技能与 Adapter 分离。 通用技能保存目标、步骤、工具调用及输入输出约束;Adapter 记录适用条件、本地修改和反馈证据,并可新增、更新或删除。主流程保持稳定,用户差异则以可复用补丁沉淀。

2. 在线技能库按需供给。 主模型先把任务分解为 DAG,路由智能体再结合当前子任务、执行历史和环境反馈,筛选技能与 Adapter 组合。主模型只读取当前节点所需内容;后续节点先预加载候选,等真实输入确定后再校验和替换。

3. GRPO 分别优化两类决策。 修改策略的奖励来自留出任务成功率的变化;路由奖励同时考虑任务成败与技能选择 F1。主执行模型保持冻结,训练聚焦于如何改技能、如何选技能。

主实验:成功率提高,执行时间也下降

论文在三个基准上对比 ReAct、全量技能、BM25、SkillRouter、Graph of Skills 和 SkillRL 等方法。相较 SkillRL,Skill Adapter 的结果如下:

  • ALFWorld:成功率由 87.14% 升至 **95.48%**,提高 8.34 个百分点;平均耗时由 70.6 秒降至 61.9 秒。

  • WebShop:成功率由 72.73% 升至 **81.53%**,提高 8.80 个百分点;任务得分由 85.20 升至 92.67,耗时降至 50.7 秒。

  • SkillsBench:成功率由 21.43% 升至 **38.57%**,提高 17.14 个百分点;平均奖励由 25.33 升至 34.90,耗时由 529.4 秒降至 398.9 秒。

三项成功率平均提高 11.43 个百分点。尤其值得注意的是,直接提供全量技能的表现反而很差,说明更多上下文不等于更合适的技能供给。

技能池越大,越考验结构化路由

当技能池从 50 扩至 1,000,所有方法都在退化,但幅度不同:Skill Adapter 约由 95.5% 降至 **80.4%**,SkillRL 则由约 87.2% 降至 **60.3%**。在千级技能池中,前者仍领先约 20 个百分点,体现了结构化检索、版本筛选和在线刷新的组合价值。

图3|技能池扩大时成功率持续下降,但 Skill Adapter 的退化更慢;两类策略训练也呈上升趋势
图3|技能池扩大时成功率持续下降,但 Skill Adapter 的退化更慢;两类策略训练也呈上升趋势

消融实验进一步解释了收益来源:

  • 加入通用技能池,三基准平均成功率由 29.28% 升至 **41.86%**。

  • 加入技能组合关系和使用指引后达到 48.35%,再加入 DAG 预加载达到 **52.75%**。

  • 只训练修改或路由策略,分别为 60.16% 和 65.28%;两者共同训练达到 **71.86%**。

表3|完整方法优于任一单模块配置,说明个性修改与在线路由具有互补性。
表3|完整方法优于任一单模块配置,说明个性修改与在线路由具有互补性。
arXiv:2611.17007v1
https://arxiv.org/pdf/2611.17007

跳转微信打开

黄仁勋突发离职!英伟达2篇新作却暴露更大AI布局

2026年11月13日 11:46

PaperAgent 2026-11-13 11:46 湖北

大家好,我是PaperAgent,不是Agent!

昨天,英伟达宣布黄仁勋辞去总裁、CEO 及董事职务,CFO Colette Kress 出任临时 CEO,董事会同时启动正式继任者遴选。

人事巨变之外,英伟达的2篇最新论文则体现了一条更长期的AI布局:未来的AI不再局限于敲代码或改Bug,而是要覆盖全人类社会的集体技能Collective Skills(Skill2Env),并且能够持续自进化(SoL-Pi)。Codex+11个Skills,彻底接管我的科研

一张数字工作世界的地图:AWS, Google, Microsoft, Meta, Apple, OpenAI, Adobe, Intel, Salesforce, SAP, Oracle几百家

Skill2Env:把集体经验编译成训练场

传统终端 agent 数据多来自代码仓库或人工设计的任务分类,容易偏向软件工程。Skill2Env 换了一个起点:直接读取从业者公开的 Skill 包,再将其编译成可执行、可验证的终端环境。

Figure 2:从 SkillHub 到可执行 RL 环境。

整套流水线可以拆成四步:

  • 规划:Codex 阅读完整 Skill,检索公共素材,拆出可验证的工作流。

  • 多样化:按任务类型、验证方式、复杂度、角色和专业程度组合采样,避免批量生成同质化题目。

  • 创建:生成初始环境、任务说明、程序化测试、行为量规和参考解法。

  • 验收:参考解法必须全通过,空操作必须全失败,同时完成安全检查与基础镜像固定。

已开源

最终,约 3.4k 个 Skill 被编译为 7,971 个任务,覆盖 13 个领域,软件工程仅占 22.5%。这意味着训练分布开始靠近真实知识工作,而不只是修 bug 和操作文件。

更巧妙的是,测试与量规先于参考解法冻结。验收标准不会被解法反向改写;训练信号也分成结果正确与过程质量两层,让 agent 不只学会交差,还能学习资深从业者如何判断好坏。

Figure 3:13 类任务领域及数据集对比。

因此,它的野心不是再建一个技能下载站,而是占据从技能到训练环境的转换层。谁能把社区经验变成任务、测试和奖励,谁就可能影响下一代 agent 学什么、怎么学。

Skill2Env 已给出初步证据:仅经过 150 步 FlashREINFORCE 训练,Qwen3.8-27B 在 Terminal-Bench 2.1 上从 49.4 提升到 58.4,在私有 S2EBench 上从 33.4 提升到 40.5。

图 2|Skill2Env 原文 Figure 1:公共与私有基准上的主要结果。

关键不是多训练了一个模型,而是把分散在人类社区中的工作方法,变成了可重复训练的基础设施。

Table 1 也给出了最直接的证据:DPPO 与 FlashREINFORCE 都带来提升,其中后者相对基线在两个基准上分别增加 9.0 和 7.1 个百分点,S2EBench 平均分也提高 21.9 分。

Table 1:不同 RL 配方的五次评估均值。

但论文更值得注意的,是没有把通过率当作唯一目标。作者把 Skill 中的方法写成行为量规,再由 LLM 评审轨迹。在 200 组配对比较中,只优化结果时,评审偏好 RL 轨迹的比例为 54.5%;加入量规后升至 **73.0%**。

表 2:模型行为与源 Skill 的对齐偏好。

SoL-Pi:持续进化的Agent的运行框架

如果说 Skill2Env 解决训练内容,SoL-Pi 解决的就是长任务执行中的 token 与 API 成本。它没有训练新模型,也没有让 agent 任意改写自己,而是优化 Pi harness 中负责工具调用、上下文、观察结果与任务委托的运行逻辑。

研究 AI 阅读另一个 agent 在基础 harness 上留下的执行轨迹,提出候选改造,再通过能力门槛与效率门槛筛选。搜索规模约为 152 个方向、535 个可执行环境、3,000 多次运行,最终只留下四种机制:

原文 Figure 1:自动研究闭环与留出集结果。

  • Action Fusion:合并文件修改与后续命令,减少一次模型往返。

  • Online Context Compact:在子任务完成时评估压缩收益,避免无效重写缓存。

  • ObservationPack:长输出先完整保留,之后用句柄和摘要替代,需要时再取原文。

  • Evidence-Preserving Reducer:让小模型提炼构建与测试日志,再由确定性验证器检查证据。

Figure 2:冻结候选后才进行留出评估,结果不回流搜索。

更重要的是,留出评估只在候选冻结后发生,结果绝不回流搜索。开发反馈与最终验证被隔离,降低了针对测试集过度拟合的风险。

原文 Figure 4:四项机制的执行路径与回退策略。

这套设计不是开放式自我进化,而是把 harness 改进关进可验证、可冻结、可回退的工程流程。

SoL-Pi 在 GPT-5.6 Sol 上相对 Pi 减少 49.0% token 流量和 33.2% API 成本,保留 93.7% 的平均分;迁移到 Opus 5 后,无需重新搜索,仍减少 44.7% token 流量和 33.5% 成本。

原文 Table 2:两种模型后端上的完整对比。

但效率不是全面胜利。Terminal-Bench 4 上,SoL-Pi 解决 15 个任务,Pi 为 18 个。省钱与能力上限之间,仍存在真实折损。

NVIDIA,Skill2Env: Reinforcing Agents with Collective Skills,
arXiv: 2609.33772
NVIDIA、NTU、MIT,SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness,
arXiv:2609.20519

动手设计AI Agents:(编排、记忆、插件、workflow、协作)

Loop工程已死,Graph工程永生

一篇Loop+Harness的自进化Agent最新综述

2026,做Agentic AI,绕不开这两篇开年综述

已经读到这了,不妨点个👍、❤️、↗️三连,加个星标⭐,不迷路哦~

跳转微信打开

Codex+11个Skills,彻底接管我的科研

2026年11月12日 12:52

PaperAgent 2026-11-12 12:52 湖北

GitHub 上拿 research skill 当关键词搜一下,仓库数量会多到翻不完。  

我猜你收藏夹里也堆了一串:看到“自动写论文”点收藏,看到“一键出图”再收一个,最后发现能用的没几个。

我也经历过。这事我也经历过。很多时候不是 skill 不行,而是缺一份按阶段给出的选择说明:你现在到底该用哪个。

我的测试结论先放这儿:

刚入学、导师放养、没人带→Supervisor-Skills
它把“博导带学生”的经验拆成能照着做的步骤,从想法阶段一直覆盖到投稿。

有初稿了,但导师说“贡献不清晰”→PaperSpine
它不先改语言,而是先逼你把核心贡献和 Motivation 定清楚,再逐章推进。

要投顶会,英文写得心里没底→nature-polishing
它改写时不会加入原文没有的结论,这一点很难得。

我从这些 skill 里筛出 11 个真正好用、维护还活着的开源科研 Skill,按科研流程重新分成 6 类,做成了一个网页。

这个网页能帮你省什么

① 不用再翻长文
输入你当前卡住的词,比如“实验”“润色”“因果推断”,页面直接跳出对应工具。找工具的时间从十分钟变成十秒。

② 命令能直接复制
每个安装命令后面都有“复制”按钮。像 npx skills add ... 这种长命令,不用手抄,复制安装,Codex里直接用

③ 命令能直接复制  按环节看,不按仓库看

点一个板块标签,其他内容全部隐藏。你只关心写作,就只看写作。

11 个Skill,不多。每个都写了适用人群、适用场景、仓库地址和安装命令。· · ·

平台不方便放外链,所以我放到了小助理那里。她会直接把Skill网页发给你。

加小助理微信,回复「科研skill」

如果你觉得有用,欢迎转给同门——少踩一个坑,可能就多一个人早点把东西做出来。

跳转微信打开

Personal Agents全新自进化记忆范式

2026年11月12日 12:52

PaperAgent 2026-11-12 12:52 湖北

每一次智能范式的跃迁,都会重新定义系统所需要的知识基础设施。

Personal Agent需要一种具有可演化状态的 Memory:事实可回溯,判断可验证,用户状态可持续更新,记忆的作用也能随当前任务动态调整。国产LLM杀出一匹黑马,斩获独家突破

基于这一认识,厦门大学&吉林大学等提出 EvoMemState: Evolving Memory State for Personal Agents,推动个人智能体的长期记忆从 Fact-Centric Storage 走向 State-Centric Evolution。

01 为什么记住事实仍然会答错?

现有长期记忆系统大多遵循 Fact-Centric(事实中心)范式:从对话中抽取用户事实,对它们进行存储、压缩或更新,再根据当前问题检索相关记录并交给 LLM 作答。

Figure 01 传统范式只维护和检索事实;状态中心范式在事实之上显式加入关系状态与请求级推理状态。

这套范式解决了上下文窗口无法容纳全部历史的问题,却隐含了两个不总是成立的假设:检索到相关事实,就足以重建用户当前状态;只要把正确事实交给模型,模型就会自动以正确方式使用它们。

事实相关,不等于证据完整。

在 MemSyco-Bench 的 Valid Memory Selection 子集上,MemoryBank、LightMem 和 Supermemory 分别有 58.9%、61.8% 和 58.0% 的样例没有检索到全部必要信息。对五个受测系统中的四个,完整检索所有证据后,回答准确率比证据不完整时高出 5.9—33.3 个百分点。

Figure 02 相关记忆经常没有被共同检索;当证据完整时,多数系统的回答准确率明显更高。

证据完整,也不等于使用正确。

02 从事实中心到状态中心:记忆 = 事实 + 状态

我们提出 State-Centric(状态中心)的个人记忆新范式,重新定义 Personal Agent 的长期记忆基础设施:个人记忆是一个由事实与状态共同构成、随交互持续演化并服务当前决策的系统。 EvoMemState 将这一范式具体实现为三个协同层次:Persistent Facts、Relational States 和 Reasoning State。

03 EvoMemState:构建状态、学习状态、使用状态

EvoMemState 由三个首尾衔接的阶段组成:Ontology-Guided Memory State Induction、RL-Based State Evolution 和 State-Aware Reasoning。

Figure 04 EvoMemState 总体框架:从个人记忆本体,到强化学习状态演化,再到状态感知回答。

阶段

方法

作用

01

Ontology-Guided Induction

从对话抽取原子事实,构建个人记忆本体,并维护有效性、范围与关系。

02

RL-Based State Evolution

根据下游回答质量训练独立策略,学习可复用的记忆使用经验。

03

State-Aware Reasoning

补齐关联证据,生成请求级推理状态,再指导冻结的个人 Agent 回答。

Figure 07 Ontology-Guided Memory State Induction:本体结构可以随新事实创建、合并与细化,同时保留可追溯证据。

04 两种状态为什么缺一不可?

假设长期记忆中有三条记录:M1 是“过去喜欢徒步”,M2 是“现在更喜欢海滩旅行”,M3 是“正在从膝伤中恢复”。

记忆

系统保存的个人历史

当前度假请求的使用规则

M1

过去喜欢徒步 · historical

M1 可回答历史兴趣,但不主导当前推荐

M2

现在偏爱海滩 · current

M2 代表当前偏好,应拥有更高优先级

M3

膝伤恢复中 · constraint

M3 是现实约束,应排除高强度活动

Figure 10 动态记忆规则案例:处理偏好更新、任务证据与个人倾向冲突,以及记忆适用范围控制。

05 实验结果:不仅找得更全,也用得更对

论文在 MemSyco-Bench、MemTrapBench、LoCoMo 与 LoCoMo-Refined 四个基准上评测,并比较 NaiveRAG、MemGPT、MemoryBank、Mem0、A-MEM、LightMem、Supermemory、SimpleMem、PGMem 等九类基线。回答模型分别采用 Qwen3-8B 与 GPT-4o-mini。

指标

数值

MemSyco
Qwen3-8B

57.6%

MemSyco
GPT-4o-mini

58.9%

平均完整检索率

85.6%

LoCoMo-Refined
检索命中率

0.816

更可靠地判断何时使用和如何使用记忆

EvoMemState 在 MemSyco-Bench 上分别取得 57.6% 和 58.9% 的平均准确率,超过最强基线 12.2 和 5.9 个百分点。在 Qwen3-8B 下,它同时取得最低的记忆迎合率与最高的正确记忆使用率。

完整检索只是起点,正确使用才是关键

Figure 05 完整检索率与 Acc@complete:EvoMemState 的优势在证据已经齐全时尤其明显。

EvoMemState 的平均 Complete Retrieval Rate 达到 85.6%。在证据完整的样例上,LoCoMo-Refined 的 Acc@complete 达到 70.8%,超过最强基线 11.5 个百分点;MemSyco-Bench 的 Acc@complete 达到 68.5%,超过最强基线 31.2 个百分点。

状态建模没有牺牲长期事实回忆

Response Model

MemSyco

MemTrap

LoCoMo-R

Overall Avg.

Qwen3-8B

57.679.157.459.9

GPT-4o-mini

58.978.760.861.2

在 LoCoMo-Refined 上,EvoMemState 使用两种回答模型都取得最高的 LLM-Judge 分数与 Token F1,Judge Score 分别比最强基线高出 6.1 和 7.0 个百分点。保留原始事实并显式维护关系,使状态推理并没有以牺牲长期回忆能力为代价。

https://arxiv.org/pdf/2611.03743
https://github.com/XMUDeepLIT/EvoMemState

跳转微信打开

国产大模型杀出一支新锐,机器学习任务率先破局

2026年11月11日 18:59

PaperAgent 2026-11-11 18:59 湖北

大家好,我是PaperAgent,不是Agent!

最近,开发者aqui公开了FrontierBro的测试结果。按他的说法,这是一个把大模型真正用到生产级场景里去评估的项目。任务来自公司内部项目,不是专门为榜单准备的题库。

这轮测试中,最值得关注的新面孔是 Naive N0.5 Flash。它没有拿下总榜第一,却在一项机器学习任务中完成独家突破,还进入了成本优势区。

Naive AI 为什么成为这轮黑马

先看总榜:Naive N0.5 Flash 得到 68%,排名第 7,位于 Haiku 5.5、Qwen3.8 Flash 和 GLM-5.3 Flash 之前。作者也将其列为表现位居前列的开放权重模型之一。

图像

真正的亮点出现在任务 15。这是一道机器学习任务,只有 Naive AI 拿到非零分数,其余参评模型均为 0,说明它在真实 ML 工作流中具备差异化能力。

图像

从领域得分看,Naive AI 并非只靠一道题撑住排名,其 Web、Native 和 ML 三项均进入了有竞争力的区间。

图像
Naive AI 在 Web、Native、ML 三个领域的得分,黄色柱为 Naive AI

更实用的是成本。Naive AI 进入了单任务成本的 Pareto 前沿:它不是总分最高的模型,却能用较低成本换取接近第一梯队的成绩。对需要批量调用模型的团队,这比单纯冲榜更有参考价值。

图像
质量与单任务成本关系,Naive AI 位于 Pareto 前沿,黄色柱为 Naive AI

作者还单独提到 Naive AI 的服从性较好。在 Agent 工作流中,少偏离指令、少制造无效操作,往往与最终分数同样重要。

Image
模型行为统计,黄色柱为 Naive AI

黑马的优点,不只在分数

除了任务 15 和成本优势,aqui的行为标签还给出了另一个关键信息:Naive AI 被明确标出 Non-repetition 优势,也就是较少陷入重复输出或重复操作。

Image
模型优势与弱项对照表,Naive AI 位于第 7 行

这项能力在 Agent 工作流中非常实用。结合服从性表现,Naive AI的优点可以概括为三点:

  • 少重复:减少无效循环,让执行过程更顺畅。

  • 较听话:服从性较好,更贴合指令驱动的任务。

  • 成本友好:与 Pareto 前沿表现呼应,适合关注调用成本的团队。

这些特点与总榜成绩、任务 15 的独家突破放在一起,展现出它进入真实生产工作流的综合潜力。

FrontierBro不是刷题,而是让模型上岗

FrontierBro 的任务来自 Bro、Paradox 和 Evo 三个真实内部项目,覆盖三类工作:

  • Web 开发:检验模型完成真实网页任务的能力。

  • 原生应用开发:任务更贴近完整工程环境。

  • 机器学习:不仅写代码,还要理解训练与实验目标。

因此,这份榜单关注的是模型能否进入实际工作流,而不只是公开题库上的熟悉程度。

图像

21 项任务,既看结果也看过程

这套 Benchmark 只有 21 项任务,规模不大,但实时评判算法会同时记录两类行为:

  • 好行为:代码干净、经过优化,执行高效。

  • 坏行为:作弊、幻觉,以及重复调用工具。

换句话说,它评的不只是能否做完,还包括是否以可靠、干净的方式做完。作者给出的综合前两名是 Sonnet 5.5 和 Sol 6.1。

图像
按难度划分的 21 项任务矩阵

按领域拆开后,还能看到模型在 Web、Native 和 ML 上的差异,避免一个总分掩盖结构性短板。

图像
按 Web、Native、ML 领域划分的任务矩阵
https://x.com/aquilesfd/status/2118894173583769733

跳转微信打开

重磅!Kimi杨植麟与姚期智首次联手发表硬核论文

2026年11月10日 12:02

PaperAgent 2026-11-10 12:02 湖北

大模型能解竞赛题,就等于它会做科研吗?

真正的理论计算机科学研究,既要证明定理,也要写求解器、构造数学对象,甚至挑战悬而未决的猜想。

Moonshot AI创始人&CEO杨植麟联合清华大学&图灵奖得主姚期智联合提出TCSExam,把这些研究流程产出放进同一套可验证系统。RSI抢占新焦点!ICLR 2027一夜流出4万篇评审

TCSExam的案例

GPT-6 Astra在没有任何准备的情况下,定理证明任务取得了 70% 的成绩!Kimi K3.1 Pro 紧随其后,成绩为 38.3%!其他所有模型基本失败!

项目已开源:

模型+Harness选型也公开:Codex,Kimi Code,Claude Code,Grok Build

要研究 AI 科研,先把产出变成可检查的结果

研究型任务不是一个最终答案判定这么简单,一个证明是否完整、一个程序能否泛化、一个数学对象是否真的满足条件,都需要不同的检查方法。

TCSExam 因此把研究产出分成四类:

图1 TCSExam四类研究任务
图1 TCSExam四类研究任务
  • 定理证明:提交 Lean 4 完整证明。

  • 求解器工程:提交可复用程序,在指定实例集上运行。

  • 数学构造:提交显式对象和性质证书。

  • 开放猜想:完整证明命题或其否定,才算解决。

Full 版本共有 100 项任务,每次尝试最多运行 12 小时。模型可以使用工具、编写程序并读取环境反馈,最终结果由 Lean 内核或可执行检查器验收,而不是再找一个 LLM 判断答案像不像正确。

任务本身也经过创作 Agent、独立审核 Agent、试运行和专家确认。题面错配、评分器漏洞与异常结果会被退回修正。

图2 任务开发与验证流程
图2 任务开发与验证流程

这套设计的作用很直接:尽量减少语言表达带来的干扰,让实验真正检查模型交付的研究产物。

结果里最有信息量的,是能力开始分化

Full 榜单中,GPT-6 Astra 以 71.9 分排名第一,Kimi K3.1 Pro 以 57.4 分位列第二。但比总分更值得注意的是各条任务上的差异。

Astra 在不提供中间引理的情况下完成 14/20 个定理,成功率 70.0%。Kimi K3.1 Pro 在 60 次尝试中成功 23 次,覆盖 9 个不同定理,成功率为 38.3%;其余六个 Agent 均不超过 11.7%。

表1 Full研究任务结果
表1 Full研究任务结果

不过,这并不是简单的全面碾压。Kimi K3.1 Pro 在 PCP 字母表可靠性任务上三次尝试全部完成,Astra 反而没有解决该题。

另一个例子是 DeepSeek V4.1 Flash 0910:它没有完成任何一次裸定理证明,却能构造出超过任务参考值的图。

证明、程序搜索和数学构造,并没有随着总分一起整齐变化。 对模型开发者来说,这种能力剖面比单一排名更有诊断价值;对使用者来说,也意味着不同研究环节可能需要不同模型。

不只是答对已有题目,模型开始给出新结果

论文中最直观的两个成果来自 Kimi K3。

在 Erdős 围长为 5 的极值图任务中,它构造出 124 个顶点、630 条边且不含三角形和四边形的图,超过任务采用的 629 边参考值。

在量子稳定子码任务中,它给出 [[25, 7, 6]] 编码,把对应参考条目的最小距离从 5 提升到 6。Astra 也独立达到了这两项参数。

图3 Kimi K3的两项构造
图3 Kimi K3的两项构造

Astra 还证明了 A(22,10) ≤ 82,将已发表的上界 84 收紧到 82。这里不需要展开编码理论,关键是:模型给出的不是一个看似合理的新答案,而是能够独立复核的对象、参数或证明。

超过参考值不等于解决了整个数学问题,也不意味着找到了全局最优。 但它说明,Agent 在长预算和工具支持下,已经可能越过复述已有结论,产出可验证的局部改进。

模型离完整证明还差什么,有时差的是研究路线

论文还做了一组很有价值的对照实验:同一个目标,分别提供三种上下文。

Bare 只给命题和定义,Ladder 增加中间引理,Guided 进一步提供证明思路。

Kimi K3 在 Bare 和 Ladder 下都只有 7/60 次完整成功,到了 Guided 则提升到 18/60;至少解决过一次的定理数,也从 3 个、4 个增加到 7 个。DeepSeek V4.1 Flash 0910 的三档成功次数则为 0/60、2/60 和 11/60。

图4 不同引导条件下的证明表现
图4 不同引导条件下的证明表现

这说明,一些失败并不意味着模型完全不具备所需能力,它也可能缺少合适的任务分解和研究路线。 人的引理与证明思路,依然能显著改变 Agent 的搜索效率。

但引导并非越多越好。图中部分任务在 Guided 下反而下降,提示过强的路线约束也可能限制模型原本的搜索。

开放猜想面前,进展和边界同样重要

开放猜想部分尤其需要谨慎阅读。

Full 中少数非零成绩,来自 Kimi K3.1 Pro 和 DeepSeek V4.1 Flash 1017 在联网条件下检索并适配 OpenAI 已发表的反例与 Lean 证明,不能算作从零独立解决。其余 28 项猜想没有 accepted 完整解。

但完整的零分之外,仍然出现了新进展。Astra 证明了 F₅ 上 Alon–Jaeger–Tarsi 猜想的所有 n ≤ 9 特殊情形,其中九维结果超过此前经典结果的 n ≤ 7,以及近期预印本报告的 n ≤ 8,并通过独立 Lean 验证。

图5 九维特殊情形证明证书
图5 九维特殊情形证明证书

特殊情形不等于完整猜想被攻克,却可以为后续研究提供新的起点。

回到最初的问题,这篇论文更像一张 AI 科研能力地形图:模型已经能在明确问题、充足预算和可验证反馈下,完成部分证明、程序优化与构造改进;但自主选择研究方向、判断成果价值,以及完成重大开放问题,仍然离不开人。

它既没有证明 AI 数学家已经到来,也不只是又制造了一张榜单。更准确的结论是,AI 已经开始在科研流程中留下可检查的真实产出。

TCSExam: Evaluating Frontier LLMs on the Full Range of TCS Research
arXiv:2611.07962v1

动手设计AI Agents:(编排、记忆、插件、workflow、协作)

Loop工程已死,Graph工程永生

一篇Loop+Harness的自进化Agent最新综述

2026,做Agentic AI,绕不开这两篇开年综述

已经读到这了,不妨点个👍、❤️、↗️三连,加个星标⭐,不迷路哦~

跳转微信打开

ICLR 2027一夜流出4万篇评审,RSI抢占新焦点

2026年11月9日 11:25

PaperAgent 2026-11-09 11:25 湖北

大家好,我是PaperAgent,不是Agent!

这两天,AI顶会ICLR 2027首轮评审相继开放,引爆研究人员讨论的却是:AI评审的乱象。

40458篇论文评审意见,中位数仅2.0/4,仅前16%达2.5;后期提交得分偏低、评论笼统;AI检测显示许多评审意见93%为AI生成;人机协作论文竟然比纯人类得分更高,慌不慌?

较早提交论文得分更高2.13,后期提交偏低1.96
较早提交论文得分更高2.13,后期提交偏低1.96

抛开评审乱象,4万篇投稿也勾勒出了科研新趋势:Agentic AI领跑,RSI(Recursive Self-Improvement)成为新焦点。刚刚,Anthropic公开Claude内部记忆架构设计

Agentic AI领跑,RSI抢占新焦点

Agentic AI、推理效率与世界模型领跑

从 4 万篇投稿的主题统计看,Agentic AI、推理效率和 World Models 位居热度前列。模型不再只回答问题,还要调用工具、完成长任务,并在环境反馈中调整行动。

快速查找关注的研究内容:40000篇ICLR论文数据库

三个方向其实指向同一变化:模型被放进持续运行的系统。Agent 负责行动,推理效率决定运行成本,世界模型则提供预测与规划所需的环境表示。

新模型也在快速制造研究议题。统计到 8 篇 Jev 模型相关论文,而Jev模型在摘要截止日前几天才出现。投稿数量因此更像社区注意力的温度计,而不是研究成熟度排行榜。

https://x.com/Ipouyall/status/2118817261276504513
https://x.com/Ipouyall/status/2118817261276504513

RSI、蒸馏与 Agentic Search 升温

主题图还捕捉到两条变化:RSI 与 On-Policy Distillation 获得讨论,RAG 与 Agentic Search 被放在同一坐标中比较。

https://x.com/Ipouyall/status/2118817273293218143
https://x.com/Ipouyall/status/2118817273293218143

RSI有很多不错的论文,可以先睹为快:

  • RSIE:通过与专家环境交互实现递归自我改进

  • FedRSI:通过 Harness 演化实现集体自我改进

这并不意味着 RAG 已经失效,而是检索系统开始加入查询规划、工具调用与停止判断。能力增加的同时,成本与错误传播也会上升,评估必须同时检查证据质量和调用开销。

https://x.com/Ipouyall/status/2118817276078010787
https://x.com/Ipouyall/status/2118817276078010787

RSI 与蒸馏关注能力能否延续和放大,Agentic Search 关注知识能否被主动获取。两条线汇合后,研究对象便从静态回答器变成会获取经验并更新策略的系统。

热门赛道,不一定拿到高分

Agentic Memory 与 Diffusion Language Models 获得大量关注,评审表现却不占优。

https://x.com/Ipouyall/status/2118817264078102557
https://x.com/Ipouyall/status/2118817264078102557

相反,World-Action Models、Latent Reasoning 和 CUA 更受评分青睐,新兴主题整体也呈现一定优势。

https://x.com/Ipouyall/status/2118817267651932219
https://x.com/Ipouyall/status/2118817267651932219
新兴主题可见度与评分关系分析,https://x.com/Ipouyall/status/2118817278963892693
新兴主题可见度与评分关系分析,https://x.com/Ipouyall/status/2118817278963892693

热度回答有多少人在做,评分反映评审是否被说服。Memory 需要证明长期一致性与真实收益,扩散语言模型需要让质量与效率同时成立;概念新并不能替代可靠基线和可复现证据。

盘点下评审乱象吐槽实证

AI评审引发研究人员的广泛担忧

热度最高的讨论来自社区的一份ICLR评审意见截图:

关键弱点:我认为其质量远未达到NeurIPS标准。论文大部分内容看起来像是由AI生成的,因此我倾向于拒绝它。

https://x.com/kgrotov/status/2118695897890804071
https://x.com/kgrotov/status/2118695897890804071

社区展示的检测结果显示,多份评审文本被判定具有 91%至93%的机器生成可能性。

https://x.com/gabriberton/status/2118892320376623188
https://x.com/gabriberton/status/2118892320376623188

除了得分,评论也笼统,有作者指出,评审指导强调一到两个关键弱点,实际收到的却是一长串泛泛问题;当多份评审措辞高度相似时,评审过程看起来就像重复采样同一个LLM。

https://x.com/YzhuML/status/2118729087879713241
https://x.com/YzhuML/status/2118729087879713241

写作端同样在经历 AI 化。分析者将投稿按 AI 标记比例分箱后观察到,人机协作组(Huaman-AI Collaboration)表现比人(Human-Only)得分更好。

AI 写稿遇上 AI 评审,争议形成闭环

AI 标记与评审分数相关分析图: https://x.com/thaoshibe/status/2118752335526834279
AI 标记与评审分数相关分析图: https://x.com/thaoshibe/status/2118752335526834279

最后:评审可以提速,信任不能自动生成

一则撤稿讨论为这场数据风波补上人的尺度。有推文称,一组本科生作者在收到负面评审后撤回全部 9 篇投稿。单条消息无法还原完整经过,却说明分数对真实研究者的分量。

https://x.com/SoloGen/status/2118768667727204728
https://x.com/SoloGen/status/2118768667727204728

4 万篇投稿可以被快速统计,评审信任却只能逐篇建立。面对 AI 写稿与 AI 评审的交汇,真正稀缺的不是更多评论,而是可核验的证据、透明的使用披露和明确的人工责任。

https://shiqiangw.github.io/iclr-2027-scores/
https://opentextdetector.com/?collection=iclr%2F2027&sort=score

动手设计AI Agents:(编排、记忆、插件、workflow、协作)

Loop工程已死,Graph工程永生

一篇Loop+Harness的自进化Agent最新综述

2026,做Agentic AI,绕不开这两篇开年综述

已经读到这了,不妨点个👍、❤️、↗️三连,加个星标⭐,不迷路哦~

跳转微信打开

长上下文也死了?英伟达说:压根不需要

2026年11月9日 11:25

PaperAgent 2026-11-09 11:25 湖北

过去大家常讨论,长上下文(Long Context)的出现,RAG可能不需要了,今天英伟达(Nvidia)说:长上下文不需要了。

短上下文加状态压缩几乎不掉点,还能省下 2 到 230 倍成本,并提出了 SSSM 即语义状态空间模型。Multi-Agent持续进化!EvoTeam群体协同发力

长上下文贵得离谱

长上下文的第一宗罪是贵,而且贵得很隐蔽。API 零售价按每百万 token 统一报价,用户根本感知不到同一个模型在 256K 窗口下生成的 token 比在 16K 窗口下贵得多。

图 1:生成 1M 输出 token 的美元成本随上下文窗口增长

NVIDIA 团队在 H100 上实测了三款主流开源模型,结果令人咋舌。如图 1 所示,GLM 5.2 在 256K 窗口下的成本是 16K 的 3.6 倍,Kimi K2.6 是 5.6 倍,Qwen 3 Coder Next 更是达到了 7 倍。

解码吞吐量的坍缩同样触目惊心。如图 4,当窗口从 256K 缩回 16K 时,三款模型的解码速度分别提升了 3.6 倍、5.6 倍和 7 倍。换句话说,同样的硬件,短上下文可以多吐出好几倍的 token。

图 4:解码吞吐量随上下文窗口增大而急剧下降

端侧情况同样惨烈。图 2 展示了 DGX Spark 上的实测数据:多个模型的逐 token 延迟随上下文长度近似翻倍,部分模型甚至直接显存溢出无法运行。这种性能损失已经和激进量化、结构化剪枝等正交优化手段相当,甚至更大。

图 2:长上下文带来的延迟、吞吐与内存三重负担

模型上下文窗口的膨胀速度远超人类实际生产的内容规模。如表 1 所示,老人与海只需约 37K token,而主流模型窗口普遍 200K 起步。即便是战争与和平这种 800K 级别的巨著,Gemini、GLM、GPT 等模型也已能一口吞下。

表 1:经典文学作品长度 vs 主流模型上下文窗口

于是,长上下文真的必要吗?

三种上下文管理模式

为了回答上述问题,在 agent 框架上设计了三种上下文管理模式进行对比实验。

FHA 是全量历史堆积,也就是当前的默认用法,所有对话历史原封不动地保留。EoCC 是到达阈值时让模型自己写一份交接简报,然后开启新对话继续任务。SAC 则是极限模式,每执行一个动作就压缩一次,只携带一份极简的语义状态。

图 3:三种上下文管理模式对比

实验覆盖了 6 个长程基准和 7 个长输入基准,模型选用了 Claude Opus 4.5 和 GPT 5.6 Sol,确保结论具有代表性。

长程任务:频繁压缩,基本不掉点

图 5 展示了长程任务上的实验结果,结论一目了然。准确率方面,Opus 4.5 的波动范围仅为负 3.7 到正 5.6 个百分点,GPT 5.6 Sol 为负 3.3 到正 4.4 个百分点。在 22 组配置里,掉点超过 2 个百分点的不到 5 组,很多时候压缩后反而涨点。

图 5:长程任务准确率与成本节省随压缩程度变化

成本节省更为可观,达到了 2.2 到 8.8 倍。作者也坦承压缩是有损的,某些任务确实需要历史细节。但解法不是把历史全塞进上下文,而是把历史存成文件,需要时用工具按需检索。信息本应分两种:必须常驻上下文的,和按需取用的。

长输入任务:选择性阅读,反超基线

长输入任务的思路更加激进。研究团队不把文档直接喂给模型,而是放进文件系统,让 agent 用 grep、sed、head 等工具自己找答案。

结果堪称碾压。如图 6,NIAH needle 检索任务上两个模型双双达到 100%,零压缩。RULER 的召回率从 62.5% 飙升到 95.7%。BABILong 更是直接提升了 24.9 个百分点。成本节省高达 6.5 到 233.3 倍。

图 6:长输入任务准确率与成本节省对比

图 7 和图 8 进一步揭示了本质。即便文档长度从几万 token 暴涨到上百万,对话长度始终被压在低位带,完全不随文档长度增长。这说明任务真正需要的信息量本来就很小。输入长,不等于需要长上下文。

图 7:LongBench 对话长度与文档长度脱钩

图 8:LOONG 对话长度与文档长度脱钩

极限测试:每步只做一个动作

最狠的测试是 RQ3。如果每个上下文只执行一个动作,中间只传递一份压缩后的语义状态,模型还能工作吗?

表 2 给出了肯定的答案。Opus 4.5 的 SAC 成绩与全量基线打平甚至反超,在 Terminal-Bench 上提升了 4.6 个百分点。GPT 5.6 Sol 仅小幅下降 2 到 3 个百分点。而峰值上下文从 130K 到 200K 直接砍到了 15K 到 37K。

表 2:SAC 与全量基线、EoCC 的对比

最后,提出了 SSSM 即语义状态空间模型的概念。让模型在对话轮次间维护一份可解释的自然语言状态,就像 Mamba 维护神经状态一样。既然频繁压缩不会导致性能崩塌,那为什么还要从头训练全量历史模型呢?

https://www.alphaxiv.org/abs/2611.05306
You don’t need long context

动手设计AI Agents:(编排、记忆、插件、workflow、协作)

Loop工程已死,Graph工程永生

一篇Loop+Harness的自进化Agent最新综述

2026,做Agentic AI,绕不开这两篇开年综述

已经读到这了,不妨点个👍、❤️、↗️三连,加个星标⭐,不迷路哦~

跳转微信打开

❌