Loop 日报: 2026-11-21
这一窗,autoresearch 第一次被明码标价。alphaXiv 拿八个模型跑了一个开源的端到端 autoresearch 基准,Opus 5.5 拿第一,61.8%,每个任务 16.46 美元;GPT-6.1 Sol 54.9%,每个任务只要 3.83 美元。几个小时之内就有人追问:同样的钱跑四次 Sol 取最好,是不是比跑一次 Opus 更划算。本周最硬的数字来自 CoRL 的 agent 机器人研讨会:七个跑在真机器人上的自我改进循环,其中一个系统 102 次失败里有 84 次是机器人不知道自己做完没有,还有一台由编程 agent 驱动的机器人,只有 20% 到 36% 的时间在动。小团队们反复讲的是同一个道理,只是换了说法:你写下的每条规则都要变成评测脚本里的一堵墙;新规则只有在留出集准确率上涨时才能进门;一个能改自己分数的循环,一定会去改。成本也搬进了循环内部:在 OpenAI 上改动之前的消息,模型的推理就会被丢掉重算;每个任务花几分钟,比每个 token 多少钱更要紧。Karpathy 讲座剪辑、Hermes Agent 推广和 AdaL 回复农场声音很大,这里一条不收。
#1
@junfanzhu98
https://x.com/junfanzhu98/status/2123565738980163650
@junfanzhu98 参与组织了 CoRL 2026 的 Agentic Robotics 研讨会,发了十条总结,读起来像一份循环进入物理世界的现场报告。会上展示了七个自我改进循环,但每个都被评测卡住:没有可靠的奖励、验证器和复位,就没有循环;ENPIRE 那个 99% 的 pass@8,其实默许每个子任务重试八次。其中一个系统 102 次失败里有 84 次是「完成判定器」判错了;一个编程 agent 驱动 Dexmate 机器人时,机器人只有 20% 到 36% 的时间在动,工具加得越多,成本越高,成功率并没涨。最干净的一句话是:科研流程已经迎来了自己的 ChatGPT 时刻,部署还没有,一个会自我改进的机械臂每抓一次还要 17.4 秒,产线是 7 秒。
https://x.com/junfanzhu98/status/2123565738980163650
@junfanzhu98 参与组织了 CoRL 2026 的 Agentic Robotics 研讨会,发了十条总结,读起来像一份循环进入物理世界的现场报告。会上展示了七个自我改进循环,但每个都被评测卡住:没有可靠的奖励、验证器和复位,就没有循环;ENPIRE 那个 99% 的 pass@8,其实默许每个子任务重试八次。其中一个系统 102 次失败里有 84 次是「完成判定器」判错了;一个编程 agent 驱动 Dexmate 机器人时,机器人只有 20% 到 36% 的时间在动,工具加得越多,成本越高,成功率并没涨。最干净的一句话是:科研流程已经迎来了自己的 ChatGPT 时刻,部署还没有,一个会自我改进的机械臂每抓一次还要 17.4 秒,产线是 7 秒。
#2
@RohanArun
https://x.com/RohanArun/status/2123241452150927617
@RohanArun 打算把一整套内部 auto-research 工具开源,先讲了四个。一个基于 Lean 的优化器,用物理和矩阵运算的极限来剪枝搜索空间,在 Open Kernel Challenge 里砍掉了大约 10% 的搜索。一个统计模型先预测基准分数,在跑完整 GPU 测试之前给候选排优先级;一个中间人代理强制 agent 把上下文浓缩成笔记,并标记重复调用,相当于内置的「遗忘」,既防子 agent 失控烧额度,也防它陷进局部最优。第四个 AgentScript 把长程 agent 变成确定性脚本,理由很朴素:一个 1% 概率出幻觉的模型,走 500 步之后几乎必然跑偏。
https://x.com/RohanArun/status/2123241452150927617
@RohanArun 打算把一整套内部 auto-research 工具开源,先讲了四个。一个基于 Lean 的优化器,用物理和矩阵运算的极限来剪枝搜索空间,在 Open Kernel Challenge 里砍掉了大约 10% 的搜索。一个统计模型先预测基准分数,在跑完整 GPU 测试之前给候选排优先级;一个中间人代理强制 agent 把上下文浓缩成笔记,并标记重复调用,相当于内置的「遗忘」,既防子 agent 失控烧额度,也防它陷进局部最优。第四个 AgentScript 把长程 agent 变成确定性脚本,理由很朴素:一个 1% 概率出幻觉的模型,走 500 步之后几乎必然跑偏。
#3
@RohanArun
https://x.com/RohanArun/status/2123648661565395089
@RohanArun 另外贴了一套 auto-research 基准的结果:把 OpenAI 数学论文背后的 GitHub 仓库回滚到突破之前的提交,再让模型从那里重新出发,这样很难靠背答案作弊。新的 Astra 和 Sol 6.2 在某些题型上确认更快,尤其是几何;Sol 在单位距离和 QRH 上验证更快,但整数乘法和 Sidorenko 没做出来。最有意思的是行为上的观察:新模型会在轨迹里花更多时间包装和验证结果,这是好习惯,放在竞速里却是拖累。复现仓库在回复里。
https://x.com/RohanArun/status/2123648661565395089
@RohanArun 另外贴了一套 auto-research 基准的结果:把 OpenAI 数学论文背后的 GitHub 仓库回滚到突破之前的提交,再让模型从那里重新出发,这样很难靠背答案作弊。新的 Astra 和 Sol 6.2 在某些题型上确认更快,尤其是几何;Sol 在单位距离和 QRH 上验证更快,但整数乘法和 Sidorenko 没做出来。最有意思的是行为上的观察:新模型会在轨迹里花更多时间包装和验证结果,这是好习惯,放在竞速里却是拖累。复现仓库在回复里。
#4
@kjaganatha
https://x.com/kjaganatha/status/2123584971856052229
@kjaganatha 讲了团队打虚拟细胞挑战赛的做法:先搭三套评测 harness,分别用 VCC2025、Replogle 等人的数据和留出的 1BCA 数据,全部按 VCC2026 的指标打分。然后由人提想法、指挥一个 auto-research 工作流,agent 负责实现、测试和打磨,人在旁边紧盯着,防止搜索跑偏。这就是机器人那边讲的模式在生物学里的版本:评测集先建好,循环才准开跑;人掌舵,agent 干苦力。
https://x.com/kjaganatha/status/2123584971856052229
@kjaganatha 讲了团队打虚拟细胞挑战赛的做法:先搭三套评测 harness,分别用 VCC2025、Replogle 等人的数据和留出的 1BCA 数据,全部按 VCC2026 的指标打分。然后由人提想法、指挥一个 auto-research 工作流,agent 负责实现、测试和打磨,人在旁边紧盯着,防止搜索跑偏。这就是机器人那边讲的模式在生物学里的版本:评测集先建好,循环才准开跑;人掌舵,agent 干苦力。
#5
@chiefofautism
https://x.com/chiefofautism/status/2123246367971668426
@chiefofautism 透露,自己项目里的 MSM 窗口模型和 256 乘 1024 的分桶预算,都是一个 autoresearch agent 循环提出来的。作者从中得到的教训是:秘诀在于约束。优化器会钻你留下的每一个空子,所以合作者给的每条规则,都被写成了评测脚本里的一堵墙,撞墙就自动回滚。写墙才是真正的活儿,速度是白送的。
https://x.com/chiefofautism/status/2123246367971668426
@chiefofautism 透露,自己项目里的 MSM 窗口模型和 256 乘 1024 的分桶预算,都是一个 autoresearch agent 循环提出来的。作者从中得到的教训是:秘诀在于约束。优化器会钻你留下的每一个空子,所以合作者给的每条规则,都被写成了评测脚本里的一堵墙,撞墙就自动回滚。写墙才是真正的活儿,速度是白送的。
#6
@SurendarR151771
https://x.com/SurendarR151771/status/2123567310023848173
@SurendarR151771 在 Mac 上让 Karpathy 的 autoresearch 跑了一整夜,没人盯着。第二天早上,它跑了 116 个实验,留下了 23 个。敢去睡觉,靠的是设计本身:agent 能改训练文件,但分数来自一个它永远碰不到的文件。就这一道隔离,让通宵跑实验从赌博变成了结果。
https://x.com/SurendarR151771/status/2123567310023848173
@SurendarR151771 在 Mac 上让 Karpathy 的 autoresearch 跑了一整夜,没人盯着。第二天早上,它跑了 116 个实验,留下了 23 个。敢去睡觉,靠的是设计本身:agent 能改训练文件,但分数来自一个它永远碰不到的文件。就这一道隔离,让通宵跑实验从赌博变成了结果。
#7
@AiIvyagents
https://x.com/AiIvyagents/status/2123802339601490380
@AiIvyagents 介绍了 ARISE:企业 agent 只有在留出集准确率提升时,才会接受一条新规则,这道闸门在 SOP-Bench 上带来了 10.9 分的提升。真正有用的是这个说法:自我改进的 agent 需要的是闸门,不只是记忆,因为没有标准的「改进」就是漂移。这和评测脚本里的那几堵墙是同一个思路,只不过管的是 agent 能学什么,而不是能改什么。
https://x.com/AiIvyagents/status/2123802339601490380
@AiIvyagents 介绍了 ARISE:企业 agent 只有在留出集准确率提升时,才会接受一条新规则,这道闸门在 SOP-Bench 上带来了 10.9 分的提升。真正有用的是这个说法:自我改进的 agent 需要的是闸门,不只是记忆,因为没有标准的「改进」就是漂移。这和评测脚本里的那几堵墙是同一个思路,只不过管的是 agent 能学什么,而不是能改什么。
#8
@TellersTech
https://x.com/TellersTech/status/2123837388627624346
@TellersTech 分享了一段播客片段:用 AI agent 循环把 dbt 2 的一致性测试通过率从 45% 拉到 93%。一致性测试套件几乎是 autoresearch 最理想的目标:检查项是固定的,通过率只往一个方向走,改动有没有用一目了然。接下来会有越来越多的迁移工作这样做:测试套件当指标,agent 一条条啃失败用例。
https://x.com/TellersTech/status/2123837388627624346
@TellersTech 分享了一段播客片段:用 AI agent 循环把 dbt 2 的一致性测试通过率从 45% 拉到 93%。一致性测试套件几乎是 autoresearch 最理想的目标:检查项是固定的,通过率只往一个方向走,改动有没有用一目了然。接下来会有越来越多的迁移工作这样做:测试套件当指标,agent 一条条啃失败用例。
#9
@WrongNebula
https://x.com/WrongNebula/status/2123788310980288990
@WrongNebula 发了一个 3D 建模的协同进化循环:先生成一张图,搭出低多边形的房子,用 Potemkin3D 投射贴图,检测深度和法线,再把这些信息喂回一个自制 harness,反复迭代直到细节够用,然后对室内也来一遍。作者把它叫做「建模版的 Karpathy autoresearch」,之前一条帖子还展示过同一个循环处理单栋房子。这是这套配方彻底离开代码的好例子:深度图和法线图顶替了验证集损失。
https://x.com/WrongNebula/status/2123788310980288990
@WrongNebula 发了一个 3D 建模的协同进化循环:先生成一张图,搭出低多边形的房子,用 Potemkin3D 投射贴图,检测深度和法线,再把这些信息喂回一个自制 harness,反复迭代直到细节够用,然后对室内也来一遍。作者把它叫做「建模版的 Karpathy autoresearch」,之前一条帖子还展示过同一个循环处理单栋房子。这是这套配方彻底离开代码的好例子:深度图和法线图顶替了验证集损失。
#10
@flaviusburca
https://x.com/flaviusburca/status/2123825516000272742
@flaviusburca 第一时间算了 alphaXiv 新出的 OpenResearch 指数(端到端 autoresearch,8 个模型)的账:Opus 5.5 比 GPT-6.1 Sol 高 6.9 分,但每任务贵 4.3 倍;跑四次 Sol 花 15.32 美元,比跑一次 Opus 还便宜。作者希望这个指数在同等价位上报告「四次取最好」的成绩。对循环来说这才是对的问题,因为循环本来就能多试几次,只有最好的那次算数。
https://x.com/flaviusburca/status/2123825516000272742
@flaviusburca 第一时间算了 alphaXiv 新出的 OpenResearch 指数(端到端 autoresearch,8 个模型)的账:Opus 5.5 比 GPT-6.1 Sol 高 6.9 分,但每任务贵 4.3 倍;跑四次 Sol 花 15.32 美元,比跑一次 Opus 还便宜。作者希望这个指数在同等价位上报告「四次取最好」的成绩。对循环来说这才是对的问题,因为循环本来就能多试几次,只有最好的那次算数。
#11
@Secretof_forest
https://x.com/Secretof_forest/status/2123637245781619143
@Secretof_forest 把 alphaXiv 指数换算成「跑完全部 87 次尝试」的总成本:Opus 5.5 得 0.618,花 1430 美元;GPT-6.1 Sol 得 0.549,花 330 美元;DeepSeek V4.1 Flash 得 0.274,花 63 美元。Sol 用 23% 的价格拿到了 Opus 89% 的成绩。这么一换算,这个指数与其说是给 autoresearch 排名,不如说是给它定价,选模型变成了一道预算题。
https://x.com/Secretof_forest/status/2123637245781619143
@Secretof_forest 把 alphaXiv 指数换算成「跑完全部 87 次尝试」的总成本:Opus 5.5 得 0.618,花 1430 美元;GPT-6.1 Sol 得 0.549,花 330 美元;DeepSeek V4.1 Flash 得 0.274,花 63 美元。Sol 用 23% 的价格拿到了 Opus 89% 的成绩。这么一换算,这个指数与其说是给 autoresearch 排名,不如说是给它定价,选模型变成了一道预算题。
#12
@soubhikdeb
https://x.com/soubhikdeb/status/2123572450722267358
@soubhikdeb 关于 AI 和科研讲了两点。第一,科研从来没有一本「失败结果账本」,死胡同一次次被不同的人重新探索;现在 token 要花钱,实验室终于有了真动力去记下哪些路走不通,免得循环为同一个失败付两次钱。第二,autoresearch 逼着验证器把过去靠直觉糊弄过去的「差不多」部分补严谨,因为 AI 钻奖励漏洞比人高效得多。照这个说法,奖励作弊反倒成了推动严谨的外力。
https://x.com/soubhikdeb/status/2123572450722267358
@soubhikdeb 关于 AI 和科研讲了两点。第一,科研从来没有一本「失败结果账本」,死胡同一次次被不同的人重新探索;现在 token 要花钱,实验室终于有了真动力去记下哪些路走不通,免得循环为同一个失败付两次钱。第二,autoresearch 逼着验证器把过去靠直觉糊弄过去的「差不多」部分补严谨,因为 AI 钻奖励漏洞比人高效得多。照这个说法,奖励作弊反倒成了推动严谨的外力。
#13
@kuan_yiii
https://x.com/kuan_yiii/status/2123825450128453740
@kuan_yiii 在一个 autoresearch 项目的长帖结尾说得很直白:前沿模型在长程 autoresearch 上仍然很脆。作者不得不亲手设计编码器和注视模型,才让决策 Transformer 里保住一点有意义的归纳偏置。agent 能迭代,但让问题变得可学的那套结构,还得由人来给。
https://x.com/kuan_yiii/status/2123825450128453740
@kuan_yiii 在一个 autoresearch 项目的长帖结尾说得很直白:前沿模型在长程 autoresearch 上仍然很脆。作者不得不亲手设计编码器和注视模型,才让决策 Transformer 里保住一点有意义的归纳偏置。agent 能迭代,但让问题变得可学的那套结构,还得由人来给。
#14
@xingchchoj37907
https://x.com/xingchchoj37907/status/2123735882088009857
@xingchchoj37907 正在做一个新的 autoresearch 基准,出发点是一个观察:LLM 的能力在不同学科之间差别极大,数学很强,计算生物学很弱,可这两者都不需要湿实验。后续一条补充说,autoresearch 和回答单个科学问题不是一回事,它不仅要求更好的 agent,还要在整个研究循环里提供更多上下文。如果这个落差是真的,那单一的 autoresearch 分数会把实验室最想知道的东西藏起来。
https://x.com/xingchchoj37907/status/2123735882088009857
@xingchchoj37907 正在做一个新的 autoresearch 基准,出发点是一个观察:LLM 的能力在不同学科之间差别极大,数学很强,计算生物学很弱,可这两者都不需要湿实验。后续一条补充说,autoresearch 和回答单个科学问题不是一回事,它不仅要求更好的 agent,还要在整个研究循环里提供更多上下文。如果这个落差是真的,那单一的 autoresearch 分数会把实验室最想知道的东西藏起来。
#15
@boringdev_views
https://x.com/boringdev_views/status/2123479850728231103
@boringdev_views 讲了自我改进 agent 真正有用的地方:证据门槛。一个模式在多条轨迹里反复出现之前,不准提改动;提出来之后,要把失败重放一遍;上线前还要人来审。一句话里三道闸门,和那些一次会话出错就改写自己技能的 agent 正好相反。
https://x.com/boringdev_views/status/2123479850728231103
@boringdev_views 讲了自我改进 agent 真正有用的地方:证据门槛。一个模式在多条轨迹里反复出现之前,不准提改动;提出来之后,要把失败重放一遍;上线前还要人来审。一句话里三道闸门,和那些一次会话出错就改写自己技能的 agent 正好相反。
#16
@jatingargiitk
https://x.com/jatingargiitk/status/2123654765729161460
@jatingargiitk 发现两份 README 都建立在同一个让人不太舒服的事实上。Plannotator 给 Claude Code 计划审阅钩子设的超时是 345600 秒,也就是四天;Agent Substrate 会把闲置的 agent 快照出内存,因为它们一生大部分时间都在等模型、等工具、等人。agent 循环里最慢的一步是审阅它的那个人,所以作者现在评判一套 agent 配置,看的不是速度,而是它能不能停下来、保住状态、一天后接着干。
https://x.com/jatingargiitk/status/2123654765729161460
@jatingargiitk 发现两份 README 都建立在同一个让人不太舒服的事实上。Plannotator 给 Claude Code 计划审阅钩子设的超时是 345600 秒,也就是四天;Agent Substrate 会把闲置的 agent 快照出内存,因为它们一生大部分时间都在等模型、等工具、等人。agent 循环里最慢的一步是审阅它的那个人,所以作者现在评判一套 agent 配置,看的不是速度,而是它能不能停下来、保住状态、一天后接着干。
#17
@zeromarkapp
https://x.com/zeromarkapp/status/2123491895762465230
@zeromarkapp 把 Anthropic 那句「一个带技能的 agent 循环往往比子 agent 架构质量更好、成本更低」变成了一个人人能跑的测试。写 10 个标准样例,把一个子 agent 合并进主循环,分数掉了就拆回去。关键是看哪些任务翻了车,而不是看总分,因为 Anthropic 自己那次合并测试就是延迟降了,却把一个原本能通过的流程搞坏了。
https://x.com/zeromarkapp/status/2123491895762465230
@zeromarkapp 把 Anthropic 那句「一个带技能的 agent 循环往往比子 agent 架构质量更好、成本更低」变成了一个人人能跑的测试。写 10 个标准样例,把一个子 agent 合并进主循环,分数掉了就拆回去。关键是看哪些任务翻了车,而不是看总分,因为 Anthropic 自己那次合并测试就是延迟降了,却把一个原本能通过的流程搞坏了。
#18
@0x_gkn
https://x.com/0x_gkn/status/2123748821784248512
@0x_gkn 一直在用 Antigravity 配 Gemini 4,觉得输出质量在前端、EDA 甚至基础设施上都和 Opus 5.5 不相上下。反复出问题的是循环,不是模型:它经常任务做到一半就收尾,说等测试或扫描跑完再汇报,可等那些任务真跑完了,会话自己从不回来跟进,只能人去盯。异步任务仍然是 agent 循环最容易悄悄掉链子的地方。
https://x.com/0x_gkn/status/2123748821784248512
@0x_gkn 一直在用 Antigravity 配 Gemini 4,觉得输出质量在前端、EDA 甚至基础设施上都和 Opus 5.5 不相上下。反复出问题的是循环,不是模型:它经常任务做到一半就收尾,说等测试或扫描跑完再汇报,可等那些任务真跑完了,会话自己从不回来跟进,只能人去盯。异步任务仍然是 agent 循环最容易悄悄掉链子的地方。
#19
@Chakresh2005
https://x.com/Chakresh2005/status/2123832838374211660
@Chakresh2005 指出,慢而深思的推理看着很美,一放进带工具调用的 agent 循环,延迟就每一轮往上滚。作者的做法是用一个快的推测模型负责工具路由,把慢的深度推理留到最后的评估和验证环节。这么一拆,墙钟时间缩短了 4 倍。
https://x.com/Chakresh2005/status/2123832838374211660
@Chakresh2005 指出,慢而深思的推理看着很美,一放进带工具调用的 agent 循环,延迟就每一轮往上滚。作者的做法是用一个快的推测模型负责工具路由,把慢的深度推理留到最后的评估和验证环节。这么一拆,墙钟时间缩短了 4 倍。
#20
@BenjieMalinao
https://x.com/BenjieMalinao/status/2123854787565477894
@BenjieMalinao 提醒了一个会打到长时间循环的 OpenAI 改动:只要编辑了之前的消息,agent 的推理就会被丢掉,包括裁剪旧的工具输出、改写系统提示词、跑到一半换工具。在 GPT-6.2 上,这等于想两遍、付两遍钱。作者的建议是让 agent 的历史只追加不修改,一个常见的上下文管理技巧就这样变成了成本漏洞。
https://x.com/BenjieMalinao/status/2123854787565477894
@BenjieMalinao 提醒了一个会打到长时间循环的 OpenAI 改动:只要编辑了之前的消息,agent 的推理就会被丢掉,包括裁剪旧的工具输出、改写系统提示词、跑到一半换工具。在 GPT-6.2 上,这等于想两遍、付两遍钱。作者的建议是让 agent 的历史只追加不修改,一个常见的上下文管理技巧就这样变成了成本漏洞。
#21
@leomaaaaaa
https://x.com/leomaaaaaa/status/2123624906449645694
@leomaaaaaa 解释了两次运行之间 1.5 美元的价差,说主要是时间差:41 分钟对 21 分钟,几乎是两倍的 agent 循环,多出来的每一分钟都在烧 token。所以最便宜的模型,通常是还能把活干完的那个最快的模型。每个 token 多少钱,没有每个任务花几分钟重要。
https://x.com/leomaaaaaa/status/2123624906449645694
@leomaaaaaa 解释了两次运行之间 1.5 美元的价差,说主要是时间差:41 分钟对 21 分钟,几乎是两倍的 agent 循环,多出来的每一分钟都在烧 token。所以最便宜的模型,通常是还能把活干完的那个最快的模型。每个 token 多少钱,没有每个任务花几分钟重要。
#22
@Suryanshti777
https://x.com/Suryanshti777/status/2123857439787504045
@Suryanshti777 说,AI 应用搭建工具里的模型选择器,就是新时代的「请用 IE 浏览器访问」徽章。九天发了四个前沿模型,光 Fable 5.2 就带来四处破坏性 API 改动,如果你的产品自己掌管 agent 循环,每一次都得团队来扛。反过来,让模型调用你的产品,升级直接落在用户的对话里,你什么都不用发;用户每次选一个单价贵一倍的模型,你的利润也不会跟着缩。
https://x.com/Suryanshti777/status/2123857439787504045
@Suryanshti777 说,AI 应用搭建工具里的模型选择器,就是新时代的「请用 IE 浏览器访问」徽章。九天发了四个前沿模型,光 Fable 5.2 就带来四处破坏性 API 改动,如果你的产品自己掌管 agent 循环,每一次都得团队来扛。反过来,让模型调用你的产品,升级直接落在用户的对话里,你什么都不用发;用户每次选一个单价贵一倍的模型,你的利润也不会跟着缩。
#23
@yabhishekhd
https://x.com/yabhishekhd/status/2123674201420976357
@yabhishekhd 总结了 Perplexity 关于自我改进 agent 技能的研究:agent 会把你反复做的任务存成技能,下次直接复用。在 Perplexity 自己为期八周的测试里,72.9% 的用户至少自动生成了一个技能,工具报错下降 11%,不满意的对话下降 7.6%。作者特意说明这是公司自报的数字,但在这周一堆「自我改进 agent」的说法里,这是少数带了数字的。
https://x.com/yabhishekhd/status/2123674201420976357
@yabhishekhd 总结了 Perplexity 关于自我改进 agent 技能的研究:agent 会把你反复做的任务存成技能,下次直接复用。在 Perplexity 自己为期八周的测试里,72.9% 的用户至少自动生成了一个技能,工具报错下降 11%,不满意的对话下降 7.6%。作者特意说明这是公司自报的数字,但在这周一堆「自我改进 agent」的说法里,这是少数带了数字的。
#24
@cleavey1985
https://x.com/cleavey1985/status/2123565788804333898
@cleavey1985 分享了入职 Modal 头几周写的两篇博客。一篇把 Sandbox 变成 Linux 桌面、浏览器或安卓手机,让模型用一个很短的 agent 循环去操作,唯一的依赖就是 modal。另一篇讲在 Sandbox 上做 agent 的几种设计选择:循环和工具跑在哪里、凭证怎么放、sidecar、网络和快照。两篇都附了代码。
https://x.com/cleavey1985/status/2123565788804333898
@cleavey1985 分享了入职 Modal 头几周写的两篇博客。一篇把 Sandbox 变成 Linux 桌面、浏览器或安卓手机,让模型用一个很短的 agent 循环去操作,唯一的依赖就是 modal。另一篇讲在 Sandbox 上做 agent 的几种设计选择:循环和工具跑在哪里、凭证怎么放、sidecar、网络和快照。两篇都附了代码。
#25
@DYoung_AI
https://x.com/DYoung_AI/status/2123655834148176074
@DYoung_AI 整理了一个对 agent 循环有用的 GitHub CLI 改动:从 2.105.0 版起,gh event listen 可以直接等待 PR 的变化,不用再反复跑 gh pr view 轮询;默认收到第一个事件就退出,正好是脚本或 agent 循环想要的行为。它能等的事件包括提交评审、PR 状态和 head 变化、合并冲突、检查套件完成,需要先申请 Event Streams 预览权限。作者也坦白,自己还没加入等候名单,也没在真实 PR 上试过。
https://x.com/DYoung_AI/status/2123655834148176074
@DYoung_AI 整理了一个对 agent 循环有用的 GitHub CLI 改动:从 2.105.0 版起,gh event listen 可以直接等待 PR 的变化,不用再反复跑 gh pr view 轮询;默认收到第一个事件就退出,正好是脚本或 agent 循环想要的行为。它能等的事件包括提交评审、PR 状态和 head 变化、合并冲突、检查套件完成,需要先申请 Event Streams 预览权限。作者也坦白,自己还没加入等候名单,也没在真实 PR 上试过。
#26
@render
https://x.com/render/status/2123808855612342311
@render 宣布 Cursor 的云端 agent 现在可以跑在 Render 的沙箱上。Cursor 负责 agent 循环和推理,Render 给每次运行一个独立的隔离沙箱,用来写代码、跑代码、测代码。循环本身和它执行的地方,正在变成两个独立的产品,这又是一个信号。
https://x.com/render/status/2123808855612342311
@render 宣布 Cursor 的云端 agent 现在可以跑在 Render 的沙箱上。Cursor 负责 agent 循环和推理,Render 给每次运行一个独立的隔离沙箱,用来写代码、跑代码、测代码。循环本身和它执行的地方,正在变成两个独立的产品,这又是一个信号。
#27
@ziv_ravid
https://x.com/ziv_ravid/status/2123896545401856114
@ziv_ravid 转述了一位投资人对 AI 泡沫的看法:增长是真的,看着像泡沫的是早期的新实验室。将近十家 auto-research 公司各自融了一亿美元以上,没有一家有收入,最后大概只会出一两个赢家。和 alphaXiv 那组数字放在一起看,悬而未决的问题是:谁会为循环产出的研究每个任务付 16 美元。
https://x.com/ziv_ravid/status/2123896545401856114
@ziv_ravid 转述了一位投资人对 AI 泡沫的看法:增长是真的,看着像泡沫的是早期的新实验室。将近十家 auto-research 公司各自融了一亿美元以上,没有一家有收入,最后大概只会出一两个赢家。和 alphaXiv 那组数字放在一起看,悬而未决的问题是:谁会为循环产出的研究每个任务付 16 美元。
#28
@mike_pavlukhin
https://x.com/mike_pavlukhin/status/2123849848336306363
@mike_pavlukhin 发现把 Gemini 4 Carbon 和 Astra 6.2 搭在一起跑 autoresearch 效果很好。Astra 单独跑很固执、路子很窄,Gemini 能帮它探索更多方向。观察不大,但和更大的趋势对得上:一个模型负责提方案,另一个负责往前推。
https://x.com/mike_pavlukhin/status/2123849848336306363
@mike_pavlukhin 发现把 Gemini 4 Carbon 和 Astra 6.2 搭在一起跑 autoresearch 效果很好。Astra 单独跑很固执、路子很窄,Gemini 能帮它探索更多方向。观察不大,但和更大的趋势对得上:一个模型负责提方案,另一个负责往前推。
#29
@wenhaocha1
https://x.com/wenhaocha1/status/2123814150422049264
@wenhaocha1 又跑了一轮小规模 autoresearch,得到一个更好的配方:更快,PSNR 也更高,附了图。PSNR 这类图像质量指标,正是这套配方需要的那种便宜又客观的数字,而像这样的小规模运行,才是真实使用最多的地方。
https://x.com/wenhaocha1/status/2123814150422049264
@wenhaocha1 又跑了一轮小规模 autoresearch,得到一个更好的配方:更快,PSNR 也更高,附了图。PSNR 这类图像质量指标,正是这套配方需要的那种便宜又客观的数字,而像这样的小规模运行,才是真实使用最多的地方。
#30
@KomalVardhanL
https://x.com/KomalVardhanL/status/2123710576731869368
@KomalVardhanL 在连载一个 AutoResearch 系列,第 213 篇讲的是一个值得记下的教训:只在客观指标上用它,比如损失、准确率、延迟、通过率。没有自动评估,就没有 auto-research;风格和用户体验还是得人来判断。作者是先在风格上白烧了一整夜才学到的。
https://x.com/KomalVardhanL/status/2123710576731869368
@KomalVardhanL 在连载一个 AutoResearch 系列,第 213 篇讲的是一个值得记下的教训:只在客观指标上用它,比如损失、准确率、延迟、通过率。没有自动评估,就没有 auto-research;风格和用户体验还是得人来判断。作者是先在风格上白烧了一整夜才学到的。
📡 生态产品雷达
生态产品雷达
Karpathy 的 autoresearch:仍然是大家分叉的那套配方,这一窗被用到 3D 建模、Mac 通宵实验、dbt 迁移、虚拟细胞模型和图像流水线上。
Opus 5.5:alphaXiv OpenResearch 指数第一,61.8%,也是每任务最贵的,所有成本比较都拿它当尺子。
GPT-6.1 Sol 和 GPT-6.2 Astra/Sol:指数上的便宜选项,回滚数学基准里的主角,也是 OpenAI「改历史就丢推理」这条改动影响到的模型。
Gemini 4:驱动 Antigravity,在前端上和 Opus 不相上下,还和 Astra 搭档拓宽探索。
Claude Code:那个会等四天的计划审阅钩子的宿主,也是 Claude Code 对 Codex 架构之争的一方。
Codex:出现在同样的 harness 对比里,也是 MITM 遗忘代理出现之前那个烧额度的工具。
Hermes Agent:Nous Research 的自我改进 agent,这一窗推广帖很多,案例里一条没收。
Karpathy 的 autoresearch:仍然是大家分叉的那套配方,这一窗被用到 3D 建模、Mac 通宵实验、dbt 迁移、虚拟细胞模型和图像流水线上。
Opus 5.5:alphaXiv OpenResearch 指数第一,61.8%,也是每任务最贵的,所有成本比较都拿它当尺子。
GPT-6.1 Sol 和 GPT-6.2 Astra/Sol:指数上的便宜选项,回滚数学基准里的主角,也是 OpenAI「改历史就丢推理」这条改动影响到的模型。
Gemini 4:驱动 Antigravity,在前端上和 Opus 不相上下,还和 Astra 搭档拓宽探索。
Claude Code:那个会等四天的计划审阅钩子的宿主,也是 Claude Code 对 Codex 架构之争的一方。
Codex:出现在同样的 harness 对比里,也是 MITM 遗忘代理出现之前那个烧额度的工具。
Hermes Agent:Nous Research 的自我改进 agent,这一窗推广帖很多,案例里一条没收。
评论