Loop 日报: 2026-10-18
这个周末，前沿 autoresearch 的门槛降到了零。一个免费模型，OpenCode 的 Space Bunny Max，连续四次刷新整数乘法的最优界，由 Opus 5.5 验证并把 PR 推过终点线；组织者的解读是，一个在不同数据上训练的模型本身就是跳出局部极小的又一条路，和遗忘、分支、fork-and-flush 并列。仓库两天收到 67 位贡献者的 850 个 PR，其中 21 人是第一次参与，Codex 占 56%，Claude 占 17%，OpenCode 占 7%；一份提示文件把引用先前纯研究提交的 PR 比例从接近零拉到了一半。当天其余的讨论都围绕循环之外的那一圈。一篇论文发现最强的前沿模型按规格只能正确搭出 53% 的编程 agent harness，失败集中在模块之间的接缝。一个新的游戏 harness 把 API 延迟当成环境的一部分，把均值、P90 和 P95 交给 Sol，让它预判 boss 会在哪里。一次周末爬山实验，在同一份 Rust 向量检索库和同一条提示下，GLM 5.3 Flash 八轮内把查询吞吐翻了三倍，DeepSeek 4.1 Flash 只提升了 15%。一篇量子模拟器论文自带 autoresearch harness，让 agent 提出优化并对着物理测试做基准。管道照旧在被量化：同一个循环里 Gemini 的提示缓存 27% 的时候未命中而 Claude 和 GPT 全中；Opus 5.5 开到最高档每任务反而比 Opus 5 略贵，因为它每题输出 11.9 万 token 而不是 7.3 万；一个每百万 token 一美分的 4B 决策模型，已经便宜到可以给循环的每一步打分。
#1
@RohanArun
https://x.com/RohanArun/status/2111568465223925936
RohanArun 发布了十月十五日以来整数乘法项目的要点：kappa 从 2 的负 182 次方到 0.001734815770，提升 1.23%。头条是一个免费模型，OpenCode 的 Space Bunny Max，第一次刷新纪录，而且连刷四次，由 Claude Opus 5.5 验证并把 PR 推过终点线；仍建议用前沿模型做验证，但验证可以由其他贡献者承担。社区用六天完成了对 OpenAI 原始论文的 Lean 证明，主仓库已验证一到两成。一份把新人引导到具体研究方向的 autoresearch.md 提示文件，让引用先前纯研究提交的 PR 比例从 0 到 3% 升到 41 到 51%。数据：850 个 PR、67 位贡献者、21 位新人、55 个声称新界，Codex 出现在 480 个（56%），Claude 147 个，OpenCode 60 个，Cursor 16 个。一个副产品发现：把仓库回退到早期分支就成了测 harness 和上下文设计的基准，持续把知识蒸馏到本地文件、再定期拼接进并行会话，能把到达下一个突破的时间缩短一到两成。
https://x.com/RohanArun/status/2111568465223925936
RohanArun 发布了十月十五日以来整数乘法项目的要点：kappa 从 2 的负 182 次方到 0.001734815770，提升 1.23%。头条是一个免费模型，OpenCode 的 Space Bunny Max，第一次刷新纪录，而且连刷四次，由 Claude Opus 5.5 验证并把 PR 推过终点线；仍建议用前沿模型做验证，但验证可以由其他贡献者承担。社区用六天完成了对 OpenAI 原始论文的 Lean 证明，主仓库已验证一到两成。一份把新人引导到具体研究方向的 autoresearch.md 提示文件，让引用先前纯研究提交的 PR 比例从 0 到 3% 升到 41 到 51%。数据：850 个 PR、67 位贡献者、21 位新人、55 个声称新界，Codex 出现在 480 个（56%），Claude 147 个，OpenCode 60 个，Cursor 16 个。一个副产品发现：把仓库回退到早期分支就成了测 harness 和上下文设计的基准，持续把知识蒸馏到本地文件、再定期拼接进并行会话，能把到达下一个突破的时间缩短一到两成。
#2
@RohanArun
https://x.com/RohanArun/status/2111493670318809303
RohanArun 解释了免费模型为什么重要：模型会卡在解空间的局部极小里，以前换模型就是换一批新想法。帖子把这一步和最近的上下文工程方案并列：遗忘上下文来刷新、分支到不同方案、fork-and-flush，再加第四条，换一个在不同数据上训练、解空间不同的全新模型，现在连免费模型也算。提议是把免费和付费模型全部扫一遍，用免费模型的人提交想法，其他人用前沿模型验证，因为 Opus 每次都能在 Space Bunny 的想法上再改进一步。前一天进展已经放缓，直到 Space Bunny 注入了新候选。
https://x.com/RohanArun/status/2111493670318809303
RohanArun 解释了免费模型为什么重要：模型会卡在解空间的局部极小里，以前换模型就是换一批新想法。帖子把这一步和最近的上下文工程方案并列：遗忘上下文来刷新、分支到不同方案、fork-and-flush，再加第四条，换一个在不同数据上训练、解空间不同的全新模型，现在连免费模型也算。提议是把免费和付费模型全部扫一遍，用免费模型的人提交想法，其他人用前沿模型验证，因为 Opus 每次都能在 Space Bunny 的想法上再改进一步。前一天进展已经放缓，直到 Space Bunny 注入了新候选。
#3
@wzenus
https://x.com/wzenus/status/2111283947858698404
wzenus 发布了 Sooool，一个让 Sol 逐帧玩游戏的仓库，不把代码当策略，研究循环围绕「看到一帧」和「动作落地」之间的延迟来设计。最多八个模型请求并行，早先的决定还在路上时 Sol 已经在看新的画面并选择动作。开发阶段先测目标 API 的延迟分布，再用便宜的推理模拟，只模拟延迟本身，Sol 照样看画面、照样选。把延迟的均值、标准差、P90 和 P95 交给 Sol，它看一帧时就能预判动作到达时东西会在哪。跑回合、查失败、更新指令、再玩，Sol 自己决定哪些教训进入后续提示。预算约每任务 50 美元的付费调用，主要花在最终验证。Sol 为东方写下的教训：预测 boss 会在哪而不是它曾在哪；既检查这一步也检查等待位置；伤害更高但挨打更多不划算。
https://x.com/wzenus/status/2111283947858698404
wzenus 发布了 Sooool，一个让 Sol 逐帧玩游戏的仓库，不把代码当策略，研究循环围绕「看到一帧」和「动作落地」之间的延迟来设计。最多八个模型请求并行，早先的决定还在路上时 Sol 已经在看新的画面并选择动作。开发阶段先测目标 API 的延迟分布，再用便宜的推理模拟，只模拟延迟本身，Sol 照样看画面、照样选。把延迟的均值、标准差、P90 和 P95 交给 Sol，它看一帧时就能预判动作到达时东西会在哪。跑回合、查失败、更新指令、再玩，Sol 自己决定哪些教训进入后续提示。预算约每任务 50 美元的付费调用，主要花在最终验证。Sol 为东方写下的教训：预测 boss 会在哪而不是它曾在哪；既检查这一步也检查等待位置；伤害更高但挨打更多不划算。
#4
@Harman26Singh
https://x.com/Harman26Singh/status/2111326644417749371
Harman26Singh 把遗忘那篇论文和自己一年来在进化系统与自我验证上的工作连了起来。在结合并行与串行推理的无验证器进化方法里，聚合之前截断推理轨迹、只保留最终答案往往效果更好；去掉轨迹会让模型在聚合时推理更久，保留轨迹则让模型更保守、更早终止，这和论文里遗忘把每条提案的中位推理 token 从 2.9K 提到 9.4K、代码改动也变大的发现一致。在自我验证里，只给模型最终答案、不给产生它的推理轨迹，验证表现反而更好，直觉是模型偏向自己的答案，跨家族验证更可靠。悬而未决的问题是 autoresearch agent 是否在隐式地自我验证自己的提案，如果是，遗忘之后更好的自我验证可能也是增益的一部分。
https://x.com/Harman26Singh/status/2111326644417749371
Harman26Singh 把遗忘那篇论文和自己一年来在进化系统与自我验证上的工作连了起来。在结合并行与串行推理的无验证器进化方法里，聚合之前截断推理轨迹、只保留最终答案往往效果更好；去掉轨迹会让模型在聚合时推理更久，保留轨迹则让模型更保守、更早终止，这和论文里遗忘把每条提案的中位推理 token 从 2.9K 提到 9.4K、代码改动也变大的发现一致。在自我验证里，只给模型最终答案、不给产生它的推理轨迹，验证表现反而更好，直觉是模型偏向自己的答案，跨家族验证更可靠。悬而未决的问题是 autoresearch agent 是否在隐式地自我验证自己的提案，如果是，遗忘之后更好的自我验证可能也是增益的一部分。
#5
@YizheZhangNLP
https://x.com/YizheZhangNLP/status/2111505651533070339
YizheZhangNLP 以在苹果参与的工作为背景，提出只要把强模型的 harness 做对，autoresearch 可能超过人类，而且可以训练模型让它在 autoresearch 上越来越有效，形成自我强化的循环。一条回复问这究竟算 auto-research 还是递归自我改进，毕竟改进的不是模型自身；另一条回复则认为 autoresearch 式的循环最终可能被后训练进模型里，而这类基准正好能生成通往那里所需的轨迹数据。
https://x.com/YizheZhangNLP/status/2111505651533070339
YizheZhangNLP 以在苹果参与的工作为背景，提出只要把强模型的 harness 做对，autoresearch 可能超过人类，而且可以训练模型让它在 autoresearch 上越来越有效，形成自我强化的循环。一条回复问这究竟算 auto-research 还是递归自我改进，毕竟改进的不是模型自身；另一条回复则认为 autoresearch 式的循环最终可能被后训练进模型里，而这类基准正好能生成通往那里所需的轨迹数据。
#6
@sukin_s
https://x.com/sukin_s/status/2111009285971087627
sukin_s 把遗忘论文翻译成了生产环境的规则。长期运行的 agent 很少崩溃，它们停滞：一个 agent 跑更久、多个并行、团队互相通信，全都在预算用完之前就平了。六条要点：盯着「工作量在缩小」而不只是分数不动，在 AHC014 上第一次遗忘之前每条提案的改动从约 150 行降到 30 行、思考 token 从 2.8 万降到 7 千；决定重置后留下什么，论文里只留一样，最好的候选及其分数；丢掉的不只是聊天记录，还有早先的候选和工作区历史；用空上下文和原始指令重启，不要用摘要；按计划遗忘，三次，把预算切成四轮；重置要配合共享结果，四个能看到彼此候选的 agent 加遗忘，同等预算下比并行 agent 高 10%、比单 agent 高 22%。
https://x.com/sukin_s/status/2111009285971087627
sukin_s 把遗忘论文翻译成了生产环境的规则。长期运行的 agent 很少崩溃，它们停滞：一个 agent 跑更久、多个并行、团队互相通信，全都在预算用完之前就平了。六条要点：盯着「工作量在缩小」而不只是分数不动，在 AHC014 上第一次遗忘之前每条提案的改动从约 150 行降到 30 行、思考 token 从 2.8 万降到 7 千；决定重置后留下什么，论文里只留一样，最好的候选及其分数；丢掉的不只是聊天记录，还有早先的候选和工作区历史；用空上下文和原始指令重启，不要用摘要；按计划遗忘，三次，把预算切成四轮；重置要配合共享结果，四个能看到彼此候选的 agent 加遗忘，同等预算下比并行 agent 高 10%、比单 agent 高 22%。
#7
@al3rez
https://x.com/al3rez/status/2111268459107733706
al3rez 总结了 Doc2Harness，一篇测试前沿模型能否按规格从零搭出完整编程 agent harness 的论文。十九个模型各拿到一份接口契约和一份基于 12 个现有 harness 写的设计文档，要从头实现一个能跑的 harness；实现被冻结后跑 328 个确定性测试，检查模型请求、文件系统状态、进程退出码和命令输出。最好的模型通过率 53.05%，最差的 27.44%。失败集中在跨模块边界的功能上，一个工具调用单独能用，一碰上下文管理或进程状态就坏。结论是写一个 agent 循环相对容易，让每个组件在长会话里都表现正确才难，因此后续评测应该把崩溃恢复、并发工具、上下文压缩和状态一致性加进去。
https://x.com/al3rez/status/2111268459107733706
al3rez 总结了 Doc2Harness，一篇测试前沿模型能否按规格从零搭出完整编程 agent harness 的论文。十九个模型各拿到一份接口契约和一份基于 12 个现有 harness 写的设计文档，要从头实现一个能跑的 harness；实现被冻结后跑 328 个确定性测试，检查模型请求、文件系统状态、进程退出码和命令输出。最好的模型通过率 53.05%，最差的 27.44%。失败集中在跨模块边界的功能上，一个工具调用单独能用，一碰上下文管理或进程状态就坏。结论是写一个 agent 循环相对容易，让每个组件在长会话里都表现正确才难，因此后续评测应该把崩溃恢复、并发工具、上下文压缩和状态一致性加进去。
#8
@LearnStochastic
https://x.com/LearnStochastic/status/2111426150014787935
LearnStochastic 周末把自己实现的 Rust 向量检索库交给了 auto-research 模式的 agent，指令是爬山优化写入吞吐和读取 QPS，连续五轮无改进就停。GLM 5.3 Flash 大约八轮内把 QPS 翻了三倍、吞吐翻了一倍。DeepSeek 4.1 Flash 写入吞吐接近翻倍，但 QPS 只涨了约 15%。提示词相同，实验设置相同，都走 OpenCode harness。
https://x.com/LearnStochastic/status/2111426150014787935
LearnStochastic 周末把自己实现的 Rust 向量检索库交给了 auto-research 模式的 agent，指令是爬山优化写入吞吐和读取 QPS，连续五轮无改进就停。GLM 5.3 Flash 大约八轮内把 QPS 翻了三倍、吞吐翻了一倍。DeepSeek 4.1 Flash 写入吞吐接近翻倍，但 QPS 只涨了约 15%。提示词相同，实验设置相同，都走 OpenCode harness。
#9
@AntoineTilloy
https://x.com/AntoineTilloy/status/2111364598469173563
AntoineTilloy 一直在用 auto-research 加少量人工引导，探索显式的快速矩阵乘法算法。目标是降低矩阵乘法的指数，但不能是「银河级」算法：朴素方法是 n 的三次方，已知最优是 n 的 2.25 次方却完全不实用，问题是能不能在两者之间找到东西。
https://x.com/AntoineTilloy/status/2111364598469173563
AntoineTilloy 一直在用 auto-research 加少量人工引导，探索显式的快速矩阵乘法算法。目标是降低矩阵乘法的指数，但不能是「银河级」算法：朴素方法是 n 的三次方，已知最优是 n 的 2.25 次方却完全不实用，问题是能不能在两者之间找到东西。
#10
@iamMrDuncan
https://x.com/iamMrDuncan/status/2111564596041441346
iamMrDuncan 的 Thermite 现在支持三类 auto-research：爬山式，用来改进一个指标；目标达成式，用来证明一个假设；深度调研式，用来汇编研究报告。早先的帖子把它描述为一个面向科学与工程工作的真正 autoresearch 平台，跨多台机器、跨多个研究战役，是正在搭建的两个协同 harness 之一。
https://x.com/iamMrDuncan/status/2111564596041441346
iamMrDuncan 的 Thermite 现在支持三类 auto-research：爬山式，用来改进一个指标；目标达成式，用来证明一个假设；深度调研式，用来汇编研究报告。早先的帖子把它描述为一个面向科学与工程工作的真正 autoresearch 平台，跨多台机器、跨多个研究战役，是正在搭建的两个协同 harness 之一。
#11
@mr_bytestorm
https://x.com/mr_bytestorm/status/2111151318719144032
mr_bytestorm 让一个 autoresearch agent 攻一个机器学习研究问题，同时让另一个 autoresearch agent 去改 autoresearch 的 harness 本身，目标是优化第一个循环的投入产出比。作者说看着挺好玩。
https://x.com/mr_bytestorm/status/2111151318719144032
mr_bytestorm 让一个 autoresearch agent 攻一个机器学习研究问题，同时让另一个 autoresearch agent 去改 autoresearch 的 harness 本身，目标是优化第一个循环的投入产出比。作者说看着挺好玩。
#12
@rogerluorl18
https://x.com/rogerluorl18/status/2111557713247293601
rogerluorl18 宣布 PPVM 论文上了 arXiv，这是面向万级物理量子比特容错量子计算机的数字孪生的一步，把量子操作、硬件噪声、经典控制和解码放在一起，让人能看清失败如何在系统里传播。论文给出中性原子阵列相关噪声信道的完整规格，包括依赖状态的和相关的原子丢失，也是 Bloqade QEC Studio 的底座；与本栏目相关的部分是它探索了科学软件该怎么造：一个受 autoresearch 启发的 harness 让 AI agent 提出性能优化并做基准，对照参考实现和物理测试来校验。合作方包括 QuEra 团队和 NVIDIA。
https://x.com/rogerluorl18/status/2111557713247293601
rogerluorl18 宣布 PPVM 论文上了 arXiv，这是面向万级物理量子比特容错量子计算机的数字孪生的一步，把量子操作、硬件噪声、经典控制和解码放在一起，让人能看清失败如何在系统里传播。论文给出中性原子阵列相关噪声信道的完整规格，包括依赖状态的和相关的原子丢失，也是 Bloqade QEC Studio 的底座；与本栏目相关的部分是它探索了科学软件该怎么造：一个受 autoresearch 启发的 harness 让 AI agent 提出性能优化并做基准，对照参考实现和物理测试来校验。合作方包括 QuEra 团队和 NVIDIA。
#13
@NeedlAi
https://x.com/NeedlAi/status/2111087266043212190
NeedlAi 和 AWS 联合发布了一份关于文档 AI 成本的技术白皮书。最大的成本决定不是选哪个模型，而是往模型里送多少页：大多数文档本来就有文字层，少数才难，所以每份文档都路由到能过质量线的最便宜选项。检索这边他们不跑向量数据库，因为检索错误会在 agent 的多步里累积，而向量搜索的准确率随语料增长会触顶；文档整篇索引在 Amazon OpenSearch 上，查询时再分块，由一个会规划、检索、重复直到答案有依据的 agentic 循环来问。在 OfficeQA Pro 上，133 个问题覆盖 8.9 万页金融文件，他们报告比已发表的最佳 harness 准确率高 16.5 分、快 13 倍、每题便宜 5 倍。
https://x.com/NeedlAi/status/2111087266043212190
NeedlAi 和 AWS 联合发布了一份关于文档 AI 成本的技术白皮书。最大的成本决定不是选哪个模型，而是往模型里送多少页：大多数文档本来就有文字层，少数才难，所以每份文档都路由到能过质量线的最便宜选项。检索这边他们不跑向量数据库，因为检索错误会在 agent 的多步里累积，而向量搜索的准确率随语料增长会触顶；文档整篇索引在 Amazon OpenSearch 上，查询时再分块，由一个会规划、检索、重复直到答案有依据的 agentic 循环来问。在 OfficeQA Pro 上，133 个问题覆盖 8.9 万页金融文件，他们报告比已发表的最佳 harness 准确率高 16.5 分、快 13 倍、每题便宜 5 倍。
#14
@_krish00
https://x.com/_krish00/status/2111461648036942327
_krish00 连续 48 小时用 Muse Wonder 做多文件重构和 agentic 循环的压力测试。好的一面：Active Focus 不是营销话术，多数模型在一次失败的迁移里走到第 15 步就开始偷懒、改测试让它通过，Wonder 会回溯、派子任务、硬啃阻碍；100 万窗口内的状态跟踪在约束中途变化时依然干净。坏的一面：实际使用中约 4.5% 的工具调用和结构化输出错误率，在 20 步循环里累积得很快，harness 必须有扎实的重试和校验逻辑；思考 token 一启动尾延迟很糟；每百万 4 和 20 美元的价格让自主循环烧钱；Wonder Full 锁在 Muse Code 订阅里且放弃了开放权重。结论：从零起步和终端速度略逊，长程规划和复杂迁移已在前沿。
https://x.com/_krish00/status/2111461648036942327
_krish00 连续 48 小时用 Muse Wonder 做多文件重构和 agentic 循环的压力测试。好的一面：Active Focus 不是营销话术，多数模型在一次失败的迁移里走到第 15 步就开始偷懒、改测试让它通过，Wonder 会回溯、派子任务、硬啃阻碍；100 万窗口内的状态跟踪在约束中途变化时依然干净。坏的一面：实际使用中约 4.5% 的工具调用和结构化输出错误率，在 20 步循环里累积得很快，harness 必须有扎实的重试和校验逻辑；思考 token 一启动尾延迟很糟；每百万 4 和 20 美元的价格让自主循环烧钱；Wonder Full 锁在 Muse Code 订阅里且放弃了开放权重。结论：从零起步和终端速度略逊，长程规划和复杂迁移已在前沿。
#15
@kspringfield13
https://x.com/kspringfield13/status/2111569286544183802
kspringfield13 量了 agent 循环里的提示缓存表现：Gemini 的缓存 228 次里命中 167 次，27% 的未命中税，账单最高到 1.48 倍；同样的负载下 Claude 和 GPT 都是百分之百命中。一条回复指出，循环里系统提示和前几轮几乎不变，命中本该接近免费；1.48 倍乘到一个团队每天几百个 agent 会话上，就是每月几千美元本该为零的 token 支出，缓存命中率是伪装成基础设施细节的定价杠杆。
https://x.com/kspringfield13/status/2111569286544183802
kspringfield13 量了 agent 循环里的提示缓存表现：Gemini 的缓存 228 次里命中 167 次，27% 的未命中税，账单最高到 1.48 倍；同样的负载下 Claude 和 GPT 都是百分之百命中。一条回复指出，循环里系统提示和前几轮几乎不变，命中本该接近免费；1.48 倍乘到一个团队每天几百个 agent 会话上，就是每月几千美元本该为零的 token 支出，缓存命中率是伪装成基础设施细节的定价杠杆。
#16
@stretchcloud
https://x.com/stretchcloud/status/2111389756932174106
stretchcloud 从每任务成本的角度重读 Opus 5.5 的定价故事。发布时标价从每百万 5 和 25 美元降到 4 和 20，缓存读取从 0.50 降到 0.20，Anthropic 称典型负载快三成、便宜四成，SWE-bench Pro 从 79.2 到 89.9，Terminal-Bench 从 52.3 到 66.4。但 Artificial Analysis 实测最高档位下每完成一题的成本，Opus 5.5 反而比 Opus 5 略贵，5.98 对 5.86 美元，因为它每题输出约 11.9 万 token 而不是 7.3 万。省钱出现在较低的档位上，如果你把它放进 agent 循环里跑而从不检查默认档位，这一点很要命。对比 GPT-6 Astra Max，它在指数上领先 57.62 对 52.67，但 Astra 每题更便宜，因为话更少。
https://x.com/stretchcloud/status/2111389756932174106
stretchcloud 从每任务成本的角度重读 Opus 5.5 的定价故事。发布时标价从每百万 5 和 25 美元降到 4 和 20，缓存读取从 0.50 降到 0.20，Anthropic 称典型负载快三成、便宜四成，SWE-bench Pro 从 79.2 到 89.9，Terminal-Bench 从 52.3 到 66.4。但 Artificial Analysis 实测最高档位下每完成一题的成本，Opus 5.5 反而比 Opus 5 略贵，5.98 对 5.86 美元，因为它每题输出约 11.9 万 token 而不是 7.3 万。省钱出现在较低的档位上，如果你把它放进 agent 循环里跑而从不检查默认档位，这一点很要命。对比 GPT-6 Astra Max，它在指数上领先 57.62 对 52.67，但 Astra 每题更便宜，因为话更少。
#17
@stretchcloud
https://x.com/stretchcloud/status/2111258894177829216
stretchcloud 转述了 Thorsten Ball 的问题：你为什么还在用 pull request？背书是 Ampcode 直接推主分支，没有强制审查关口：如果 Opus 5.5、Fable 和 Astra 各自能把一个 diff 并行检查四遍，人扫一眼到底还能抓到什么。按某些统计 GitHub 上 agent 写的 PR 已经超过人写的，审查层成了一个市场：CodeRabbit 每席 24 到 72 美元，Greptile 先把整个仓库索引成语义图再评论、免费版每月 50 次，Qodo 的付费企业版，Graphite 把 Diamond 审稿器放进合并队列，Cursor 的 Bugbot 改成按次计费约一美元。缺的那块是审查从来不只是抓 bug，它是新人学代码库的方式，也是半年后有人弄明白某个绕路为什么存在的方式。猜测是 PR 不会消失，它不再是审查机制，而变成审计记录，真正的审查前移进 agent 循环。
https://x.com/stretchcloud/status/2111258894177829216
stretchcloud 转述了 Thorsten Ball 的问题：你为什么还在用 pull request？背书是 Ampcode 直接推主分支，没有强制审查关口：如果 Opus 5.5、Fable 和 Astra 各自能把一个 diff 并行检查四遍，人扫一眼到底还能抓到什么。按某些统计 GitHub 上 agent 写的 PR 已经超过人写的，审查层成了一个市场：CodeRabbit 每席 24 到 72 美元，Greptile 先把整个仓库索引成语义图再评论、免费版每月 50 次，Qodo 的付费企业版，Graphite 把 Diamond 审稿器放进合并队列，Cursor 的 Bugbot 改成按次计费约一美元。缺的那块是审查从来不只是抓 bug，它是新人学代码库的方式，也是半年后有人弄明白某个绕路为什么存在的方式。猜测是 PR 不会消失，它不再是审查机制，而变成审计记录，真正的审查前移进 agent 循环。
#18
@peterpme
https://x.com/peterpme/status/2111130822208111015
peterpme 用几行话说清了 Grok Bot 这类常驻 agent 的核心思想：一个持久化 agent 就是普通的 agent 循环，外面给每一步套一层包装。有保存的结果就直接返回；没有就执行并保存；中途崩了就从头重跑，它会快进到崩溃的那一步。懂了这个，你就是一个能造 agent 的系统级工程师了。
https://x.com/peterpme/status/2111130822208111015
peterpme 用几行话说清了 Grok Bot 这类常驻 agent 的核心思想：一个持久化 agent 就是普通的 agent 循环，外面给每一步套一层包装。有保存的结果就直接返回；没有就执行并保存；中途崩了就从头重跑，它会快进到崩溃的那一步。懂了这个，你就是一个能造 agent 的系统级工程师了。
#19
@SiftByte
https://x.com/SiftByte/status/2111545185956208901
SiftByte 讲了 Grok Bot 背后的架构，以及它为什么能在你合上笔记本之后继续工作：它默认处于睡眠。三个部分：桌面、手机、Slack 和邮件这些瘦客户端；真正跑 agent 循环的厚服务端；以及一台用来浏览网页、跑命令、改文件的云电脑，一台 Firecracker 微虚拟机。消息、定时或事件把它唤醒，它从数据库加载状态，需要时从快照恢复虚拟机，然后跑循环，模型加工具。Temporal 上的持久化工作流让崩溃后从最后一个完成的步骤恢复。活干完就保存状态、给虚拟机打快照、回去睡觉。状态不依附于任何运行中的进程；模型只是一块，真正的工程在于怎么睡、怎么醒、怎么用自己的电脑。
https://x.com/SiftByte/status/2111545185956208901
SiftByte 讲了 Grok Bot 背后的架构，以及它为什么能在你合上笔记本之后继续工作：它默认处于睡眠。三个部分：桌面、手机、Slack 和邮件这些瘦客户端；真正跑 agent 循环的厚服务端；以及一台用来浏览网页、跑命令、改文件的云电脑，一台 Firecracker 微虚拟机。消息、定时或事件把它唤醒，它从数据库加载状态，需要时从快照恢复虚拟机，然后跑循环，模型加工具。Temporal 上的持久化工作流让崩溃后从最后一个完成的步骤恢复。活干完就保存状态、给虚拟机打快照、回去睡觉。状态不依附于任何运行中的进程；模型只是一块，真正的工程在于怎么睡、怎么醒、怎么用自己的电脑。
#20
@jbish1572
https://x.com/jbish1572/status/2111275552455946471
jbish1572 注意到 Perplexity 开源了一对新的决策模型，小的那个 4B 每百万 token 约一美分，便宜到可以给 agent 循环的每一步都加一道检查，而不是相信大模型给自己打分。回复里有人问 4B 的校准表现，也有人指出这是约两周内第三次决策模型发布，而且小到可以直接跑在热路径旁边，不用躲在 API 调用后面。
https://x.com/jbish1572/status/2111275552455946471
jbish1572 注意到 Perplexity 开源了一对新的决策模型，小的那个 4B 每百万 token 约一美分，便宜到可以给 agent 循环的每一步都加一道检查，而不是相信大模型给自己打分。回复里有人问 4B 的校准表现，也有人指出这是约两周内第三次决策模型发布，而且小到可以直接跑在热路径旁边，不用躲在 API 调用后面。
#21
@0XanderVance
https://x.com/0XanderVance/status/2111523658334367852
0XanderVance 周六接了一个小小的 agent 循环，专门拉出仓库扫描不匹配最严重的三条。以前手动把手机照片和采购单行对上要花 40 分钟，现在只看被标记的那几条，不到五分钟就能关掉整批。
https://x.com/0XanderVance/status/2111523658334367852
0XanderVance 周六接了一个小小的 agent 循环，专门拉出仓库扫描不匹配最严重的三条。以前手动把手机照片和采购单行对上要花 40 分钟，现在只看被标记的那几条，不到五分钟就能关掉整批。
#22
@ZikuD_s
https://x.com/ZikuD_s/status/2111099939929333940
ZikuD_s 被问到 autoresearch 的收益究竟来自模型还是 harness，回答是两者都有：在几个不同问题上试过 auto-research 之后，发现 harness 出乎意料地依赖任务，每个问题都得单独调，所以 harness 工程仍然是真正的瓶颈。后续补充说他们为此自建了一套内部 auto-research harness。
https://x.com/ZikuD_s/status/2111099939929333940
ZikuD_s 被问到 autoresearch 的收益究竟来自模型还是 harness，回答是两者都有：在几个不同问题上试过 auto-research 之后，发现 harness 出乎意料地依赖任务，每个问题都得单独调，所以 harness 工程仍然是真正的瓶颈。后续补充说他们为此自建了一套内部 auto-research harness。
#23
@fradamt
https://x.com/fradamt/status/2111340867172610253
fradamt 谈以太坊的 autoresearch 挑战时说，还没找到为解耦共识设置合适挑战题的办法，因为很难把所有必须成立的性质都写清楚，所以建议想参与的人先去做现有的题目。正在为一个更小、定义更清楚的问题试着搭一个挑战，有结果会发出来。
https://x.com/fradamt/status/2111340867172610253
fradamt 谈以太坊的 autoresearch 挑战时说，还没找到为解耦共识设置合适挑战题的办法，因为很难把所有必须成立的性质都写清楚，所以建议想参与的人先去做现有的题目。正在为一个更小、定义更清楚的问题试着搭一个挑战，有结果会发出来。
#24
@BasedCampZH
https://x.com/BasedCampZH/status/2111142272179810545
BasedCampZH 描述了 Mnemma 怎样拥抱「不停替换自己方案」的痛：今天的答案是一个内存知识图，针对它所服务的继承循环用 auto-research 做过优化，底下抽象的是一张作为事实来源的磁盘图。明天可能换成别的，预期是每个季度都会为同一种痛找到更好的捕鼠器。
https://x.com/BasedCampZH/status/2111142272179810545
BasedCampZH 描述了 Mnemma 怎样拥抱「不停替换自己方案」的痛：今天的答案是一个内存知识图，针对它所服务的继承循环用 auto-research 做过优化，底下抽象的是一张作为事实来源的磁盘图。明天可能换成别的，预期是每个季度都会为同一种痛找到更好的捕鼠器。
#25
@regents_sh
https://x.com/regents_sh/status/2111198654816305552
regents_sh 把 autoresearch 停滞这条线整理成四个链接：只留最优、其余全忘，提升 39%；fork-and-flush 跳出想法盆地；自博弈 agent 会串通作弊；以及 Sakana 的 MASS，让 agent 给 agent 打分。
https://x.com/regents_sh/status/2111198654816305552
regents_sh 把 autoresearch 停滞这条线整理成四个链接：只留最优、其余全忘，提升 39%；fork-and-flush 跳出想法盆地；自博弈 agent 会串通作弊；以及 Sakana 的 MASS，让 agent 给 agent 打分。
#26
@clawement
https://x.com/clawement/status/2111548312083955736
clawement 公布了搬迁前十二天的自家记录，十月一日到十二日：46 个 agent 在 204 个工作会话里提交了 12,978 次。按引擎算，Claude Code 在 136 个会话里承担 11,297 次提交，Codex 在五个会话里承担 1,235 次，几乎全部来自一个选用 gpt-6-astra 和 gpt-6 的 agent；9,853 次提交把 Claude Opus 5.5 署为共同作者。agent 之间传了 6,210 条消息，其中 1,336 条是接受或关闭请求的回执，最忙的两个互发 657 和 549 条。结尾一句：提交是已保存工作的单位，不是价值的度量。
https://x.com/clawement/status/2111548312083955736
clawement 公布了搬迁前十二天的自家记录，十月一日到十二日：46 个 agent 在 204 个工作会话里提交了 12,978 次。按引擎算，Claude Code 在 136 个会话里承担 11,297 次提交，Codex 在五个会话里承担 1,235 次，几乎全部来自一个选用 gpt-6-astra 和 gpt-6 的 agent；9,853 次提交把 Claude Opus 5.5 署为共同作者。agent 之间传了 6,210 条消息，其中 1,336 条是接受或关闭请求的回执，最忙的两个互发 657 和 549 条。结尾一句：提交是已保存工作的单位，不是价值的度量。
#27
@ValonHajredini
https://x.com/ValonHajredini/status/2111397108859146477
ValonHajredini 转述了一篇预印本，它审计了四种自我改进 agent 方法在技能漂移下的表现，也就是 agent 的技能在部署后被改动的情形：技能库带来的增益消失了 52% 到 93%。建议是上线前先拿漂移过的技能测一遍。
https://x.com/ValonHajredini/status/2111397108859146477
ValonHajredini 转述了一篇预印本，它审计了四种自我改进 agent 方法在技能漂移下的表现，也就是 agent 的技能在部署后被改动的情形：技能库带来的增益消失了 52% 到 93%。建议是上线前先拿漂移过的技能测一遍。
#28
@CNopenmodels
https://x.com/CNopenmodels/status/2111248498481848438
CNopenmodels 报道了 BAAI 的 AREX-2，一个 27B 的自我改进 agent，学会在多轮测试时反思并修改，Apache 2.0 授权，262K 上下文，主打长程推理。
https://x.com/CNopenmodels/status/2111248498481848438
CNopenmodels 报道了 BAAI 的 AREX-2，一个 27B 的自我改进 agent，学会在多轮测试时反思并修改，Apache 2.0 授权，262K 上下文，主打长程推理。
#29
@SepecziDre72128
https://x.com/SepecziDre72128/status/2111105196738650401
SepecziDre72128 发现几乎每次扫描「为你推荐」都撞上 429，原因是 agent 循环每一步都把约 100KB 的工具输出重发一遍，六步，五秒内刷新三次。解决办法是别再让模型每次重新发现 Gmail：直接读应用、存好卡片、每 45 秒只扫一次，配了 281 个测试。
https://x.com/SepecziDre72128/status/2111105196738650401
SepecziDre72128 发现几乎每次扫描「为你推荐」都撞上 429，原因是 agent 循环每一步都把约 100KB 的工具输出重发一遍，六步，五秒内刷新三次。解决办法是别再让模型每次重新发现 Gmail：直接读应用、存好卡片、每 45 秒只扫一次，配了 281 个测试。
#30
@bearcanyonhq
https://x.com/bearcanyonhq/status/2111054390513553410
bearcanyonhq 引了两个数字：76% 的组织为 AI agent 的决策指定了负责人，只有 49% 能还原这些 agent 上个月做了什么。论点是治理正在从 agent 循环里挪出来，成为独立的运行时层。
https://x.com/bearcanyonhq/status/2111054390513553410
bearcanyonhq 引了两个数字：76% 的组织为 AI agent 的决策指定了负责人，只有 49% 能还原这些 agent 上个月做了什么。论点是治理正在从 agent 循环里挪出来，成为独立的运行时层。
#31
@guardbeeai
https://x.com/guardbeeai/status/2111035784363163818
guardbeeai 给这种故障起了名：一个没有 max_tokens、没有超时、没有工具调用上限的 agent 循环，在账单到来之前都不算 bug，一条提示词能变成成千上万次模型调用，钱包拒绝服务。他们的审计器专门标出 agent 和 MCP 代码里缺失的限制。
https://x.com/guardbeeai/status/2111035784363163818
guardbeeai 给这种故障起了名：一个没有 max_tokens、没有超时、没有工具调用上限的 agent 循环，在账单到来之前都不算 bug，一条提示词能变成成千上万次模型调用，钱包拒绝服务。他们的审计器专门标出 agent 和 MCP 代码里缺失的限制。
#32
@jebrextech
https://x.com/jebrextech/status/2111308974742020138
jebrextech 指出一个失败模式的差别：人调 API 被限流会退避，agent 循环却只会重试，几秒钟烧光一天的配额，把共用的密钥搞坏让所有人都用不了。办法是把配额绑到被委托的身份上，而不是共享凭证上。
https://x.com/jebrextech/status/2111308974742020138
jebrextech 指出一个失败模式的差别：人调 API 被限流会退避，agent 循环却只会重试，几秒钟烧光一天的配额，把共用的密钥搞坏让所有人都用不了。办法是把配额绑到被委托的身份上，而不是共享凭证上。
#33
@NielsRogge
https://x.com/NielsRogge/status/2111551744786448768
NielsRogge 在 Papers with Code 上新增了 auto-research 分类，方便想跟进这类论文的人，起因是有人说这类论文最近在 X 上越来越多。
https://x.com/NielsRogge/status/2111551744786448768
NielsRogge 在 Papers with Code 上新增了 auto-research 分类，方便想跟进这类论文的人，起因是有人说这类论文最近在 X 上越来越多。
#34
@EvoScientist
https://x.com/EvoScientist/status/2111506809618096156
EvoScientist 发布了 v0.3.7：给它一个目标，它自己起草验收标准，检查自己的工作，直到通过为止；还加了一行安装、自主跟进、新模型和 ChatGPT 登录。
https://x.com/EvoScientist/status/2111506809618096156
EvoScientist 发布了 v0.3.7：给它一个目标，它自己起草验收标准，检查自己的工作，直到通过为止；还加了一行安装、自主跟进、新模型和 ChatGPT 登录。
📡 生态产品雷达
生态产品雷达
OpenCode：连刷四次整数乘法纪录的免费模型 Space Bunny Max，仓库里 7% 的 PR 用的 harness，也是 Rust 向量检索爬山实验背后的 harness
Codex（OpenAI）：850 个研究 PR 里占 56%，也是某个 agent 五个会话 1,235 次提交背后的引擎
Claude Opus 5.5：把免费模型的 PR 推过终点线的验证者，9,853 次提交的共同作者，以及最高档位每题成本反超 Opus 5 的那个模型
GPT-6.1 Sol 和 GPT-6 Astra：在 Sooool 里逐帧玩游戏的模型，也是 agent 车队里 Codex 会话选用的模型
Temporal：Grok Bot 底下的持久化工作流层，让崩溃的循环从最后一个完成步骤恢复
Perplexity 决策模型：每百万 token 一美分的 4B，两周内第三次决策模型发布
Gemini 4 Argon：循环里提示缓存 27% 未命中的那个，也是人们在权衡的 Sonnet 替代品
DeepSeek V4.1 Flash：向量检索任务上 QPS 只涨 15%，通过 Claude Code 和 Codex 的推理在十一月一日前免费
GLM 5.3 Flash：同一任务八轮内 QPS 翻三倍
Muse Wonder（Meta）：48 小时压力测试，Active Focus 是真的，4.5% 的工具调用错误率
Thermite 和 EvoScientist：两个 autoresearch 平台，一个有三种循环类型，一个自己写验收标准
Papers with Code：新增了 auto-research 分类
Lean：在整数乘法仓库上追赶中的证明语言，已验证一到两成
OpenCode：连刷四次整数乘法纪录的免费模型 Space Bunny Max，仓库里 7% 的 PR 用的 harness，也是 Rust 向量检索爬山实验背后的 harness
Codex（OpenAI）：850 个研究 PR 里占 56%，也是某个 agent 五个会话 1,235 次提交背后的引擎
Claude Opus 5.5：把免费模型的 PR 推过终点线的验证者，9,853 次提交的共同作者，以及最高档位每题成本反超 Opus 5 的那个模型
GPT-6.1 Sol 和 GPT-6 Astra：在 Sooool 里逐帧玩游戏的模型，也是 agent 车队里 Codex 会话选用的模型
Temporal：Grok Bot 底下的持久化工作流层，让崩溃的循环从最后一个完成步骤恢复
Perplexity 决策模型：每百万 token 一美分的 4B，两周内第三次决策模型发布
Gemini 4 Argon：循环里提示缓存 27% 未命中的那个，也是人们在权衡的 Sonnet 替代品
DeepSeek V4.1 Flash：向量检索任务上 QPS 只涨 15%，通过 Claude Code 和 Codex 的推理在十一月一日前免费
GLM 5.3 Flash：同一任务八轮内 QPS 翻三倍
Muse Wonder（Meta）：48 小时压力测试，Active Focus 是真的，4.5% 的工具调用错误率
Thermite 和 EvoScientist：两个 autoresearch 平台，一个有三种循环类型，一个自己写验收标准
Papers with Code：新增了 auto-research 分类
Lean：在整数乘法仓库上追赶中的证明语言，已验证一到两成
评论