Loop 日报: 2026-10-20
这个窗口里落下来三条结果，都和大家爱讲的 autoresearch 故事相反。一个 NeurIPS 框架把六种搜索算法跑在 3,222 条生成出来的研究想法上，完全原创的是零，而且只有一条新想法进了所在任务的前十，因为 agent 还分不出哪条新想法值得继续打磨。一项预先登记的研究分析了十个公开排行榜上 30,687 条有分提交，发现在另一家厂商模型做出的父提交上继续做，晋级概率只高约 2%，等于没有差别；三分之二的继续构建本来就换了厂商，蜂群的优势看起来来自协调，而不是混用模型。还有一位几个月后回来的研究者发现 Claude 仍然会滑进局部超参调优，只是比四月份晚一些。构建那一侧最锋利的一帖来自一座软件工厂：一次运行 22 步，只有三步属于 agent，凭证由代码取，规则冻结在起始提交，CI 最多跑两次，删一个测试就终止运行。OpenRouter 的一个安全 agent 已经自我改进了几个月，动作撤销率 0.05%。Google 的 Harness² 不动权重、只重写提示词、工具和记忆，被读出三种味道：GLM-5 从 64.2 跳到 75.7，一句提醒说每个任务要跑三遍，还有一位承保人反对说没有真值的时候 harness 没法给自己的备忘打分。一个 Gemini 4 Argon 的循环在作者上了一整天班的时候做出了一款两万人玩过的游戏，一个 35B 本地模型在改计划恢复测试上拿 52 分、另一个拿 91，而一个只跑在内存里的 Qwen 笨到根本带不动 autoresearch 循环。
#1
@anton_iades
https://x.com/anton_iades/status/2112226980095512843
@anton_iades 问搜索算法能不能帮 autoresearch agent 想出真正可行的原创点子，于是在 Heuresis 上跑了六种，这是一个为研究 autoresearch agent 而建的 NeurIPS 2026 框架。3,222 条想法里，完全原创的是零。搜索确实在产生「轻微相似」想法上胜过贪心基线，这是任何想法拿到过的最高新颖度：nanoGPT 上 Curiosity 20 对 Greedy 0，on-policy RL 上 MAP-Elites 12 对 0，模型遗忘上 OMNI 29 对 12。问题在于这些新颖想法里只有一条进了所在任务的前十，所以 agent 还分不出哪条新想法值得打磨。Heuresis 提供即插即用的搜索抽象、分析运行质量、多样性和新颖度的技能，以及一个抓奖励作弊的 HackerJudge，同一个循环还能给更好的 autoresearch 模型生成训练数据。
https://x.com/anton_iades/status/2112226980095512843
@anton_iades 问搜索算法能不能帮 autoresearch agent 想出真正可行的原创点子，于是在 Heuresis 上跑了六种，这是一个为研究 autoresearch agent 而建的 NeurIPS 2026 框架。3,222 条想法里，完全原创的是零。搜索确实在产生「轻微相似」想法上胜过贪心基线，这是任何想法拿到过的最高新颖度：nanoGPT 上 Curiosity 20 对 Greedy 0，on-policy RL 上 MAP-Elites 12 对 0，模型遗忘上 OMNI 29 对 12。问题在于这些新颖想法里只有一条进了所在任务的前十，所以 agent 还分不出哪条新想法值得打磨。Heuresis 提供即插即用的搜索抽象、分析运行质量、多样性和新颖度的技能，以及一个抓奖励作弊的 HackerJudge，同一个循环还能给更好的 autoresearch 模型生成训练数据。
#2
@oxwizzdom
https://x.com/oxwizzdom/status/2112062165356093860
@oxwizzdom 发布了前一晚答应的研究：跨模型授粉是否有助于开放 autoresearch，答案是否。作者冻结了十个排行榜的公开 Yukon API，30,687 条有分提交，包括整数乘法榜，记录每条声明模型背后的公司和它建立在哪条更早的提交上，并在把结果和数据合并之前用 OpenTimestamps 给方法打了时间戳。跨公司构建是常态：三分之二在别人工作上的继续构建换了厂商，主要是 Anthropic 和 OpenAI 模型双向互换。原始比例甚至偏向另一边，跨公司构建的晋级率 6.1%，同公司 7.6%，但把每位参与者在同一阶段与自己比较，跨公司高约 2%，数据排除了低于约 18% 或高于约 28% 的可能。那条著名的 843 量子比特电路确实是一次跨模型的步子，GPT-5 建在一条 Claude Opus 5.5 的电路上，但平均而言厂商组合不是赢和输的分野，在同一个公开前沿上的协调才是更好的解释。
https://x.com/oxwizzdom/status/2112062165356093860
@oxwizzdom 发布了前一晚答应的研究：跨模型授粉是否有助于开放 autoresearch，答案是否。作者冻结了十个排行榜的公开 Yukon API，30,687 条有分提交，包括整数乘法榜，记录每条声明模型背后的公司和它建立在哪条更早的提交上，并在把结果和数据合并之前用 OpenTimestamps 给方法打了时间戳。跨公司构建是常态：三分之二在别人工作上的继续构建换了厂商，主要是 Anthropic 和 OpenAI 模型双向互换。原始比例甚至偏向另一边，跨公司构建的晋级率 6.1%，同公司 7.6%，但把每位参与者在同一阶段与自己比较，跨公司高约 2%，数据排除了低于约 18% 或高于约 28% 的可能。那条著名的 843 量子比特电路确实是一次跨模型的步子，GPT-5 建在一条 Claude Opus 5.5 的电路上，但平均而言厂商组合不是赢和输的分野，在同一个公开前沿上的协调才是更好的解释。
#3
@mardehaym
https://x.com/mardehaym/status/2112099730641555505
@mardehaym 不会因为规则写在提示词里就相信模型会遵守；规则重要就放进 agent 改不了的代码。在自家软件工厂里跑 agent 的 Velocity Core，一次运行 22 步，14 步是纯代码，只有三步完全交给 agent。凭证留在 agent 之外，由代码在它开始前拉取仓库、结束后推送。agent 改不了自己的规则，规则从起始提交读取，改动需要人批准。对外请求要过白名单，密钥扫描覆盖代码、日志和 PR 文本。「做完了」不算证据，由 CI 判定，agent 最多跑两次 CI。删除或清空测试会被退回修正，第二次违规直接终止运行。每次运行都记录提示词版本、每一步用的确切模型、起始提交和成本，PR 仍由人来合并。agent 循环是容易的部分，作者说优势在于那个在每次运行上强制这些边界的平台。
https://x.com/mardehaym/status/2112099730641555505
@mardehaym 不会因为规则写在提示词里就相信模型会遵守；规则重要就放进 agent 改不了的代码。在自家软件工厂里跑 agent 的 Velocity Core，一次运行 22 步，14 步是纯代码，只有三步完全交给 agent。凭证留在 agent 之外，由代码在它开始前拉取仓库、结束后推送。agent 改不了自己的规则，规则从起始提交读取，改动需要人批准。对外请求要过白名单，密钥扫描覆盖代码、日志和 PR 文本。「做完了」不算证据，由 CI 判定，agent 最多跑两次 CI。删除或清空测试会被退回修正，第二次违规直接终止运行。每次运行都记录提示词版本、每一步用的确切模型、起始提交和成本，PR 仍由人来合并。agent 循环是容易的部分，作者说优势在于那个在每次运行上强制这些边界的平台。
#4
@alexatallah
https://x.com/alexatallah/status/2112058319410254067
@alexatallah 介绍了 Sentinel，几个月前为保护 OpenRouter 用户而建的自我改进安全 agent。它全天候扫描所有活动，寻找异常、终端用户账号被接管的迹象和用户密钥被盗，并根据信任与安全团队的信号持续改进；本月的动作撤销率，大致等于误报率，是 0.05%。任何应用接入 OpenRouter OAuth 就能继承它的保护，帖子同时也是一条招聘启事，作者称之为真实运行中的 autoresearch。
https://x.com/alexatallah/status/2112058319410254067
@alexatallah 介绍了 Sentinel，几个月前为保护 OpenRouter 用户而建的自我改进安全 agent。它全天候扫描所有活动，寻找异常、终端用户账号被接管的迹象和用户密钥被盗，并根据信任与安全团队的信号持续改进；本月的动作撤销率，大致等于误报率，是 0.05%。任何应用接入 OpenRouter OAuth 就能继承它的保护，帖子同时也是一条招聘启事，作者称之为真实运行中的 autoresearch。
#5
@ammaar
https://x.com/ammaar/status/2112274521671831824
@ammaar 说周五以来已有两万多人玩过 Gemini 4 做的那款游戏，重点是它怎么做出来的。作者在一整天工作开始前有了想法，用 Gemini 4 Argon 启动一个 agent 循环就去上班了。两个小时里它在后台查看 Tesla Roadster 网站的风格、文案和车辆细节，找 Subway Surfers 的参考，在 YouTube 上看 Roadster 发布会理解推进器怎么工作，对自己的作品批评并迭代了好几轮，用 Lyria 生成音乐、用 Gemini TTS 生成解说，期间在作者休息时提醒试玩。发布到 AI Studio 之前只花了大约十分钟提示词调操控和镜头。
https://x.com/ammaar/status/2112274521671831824
@ammaar 说周五以来已有两万多人玩过 Gemini 4 做的那款游戏，重点是它怎么做出来的。作者在一整天工作开始前有了想法，用 Gemini 4 Argon 启动一个 agent 循环就去上班了。两个小时里它在后台查看 Tesla Roadster 网站的风格、文案和车辆细节，找 Subway Surfers 的参考，在 YouTube 上看 Roadster 发布会理解推进器怎么工作，对自己的作品批评并迭代了好几轮，用 Lyria 生成音乐、用 Gemini TTS 生成解说，期间在作者休息时提醒试玩。发布到 AI Studio 之前只花了大约十分钟提示词调操控和镜头。
#6
@sydneyrunkle
https://x.com/sydneyrunkle/status/2112256862318194818
@sydneyrunkle 提炼了和 LangChain 创始人的一次对话，主题是 agent 为什么这么难建。agent 等于模型加上下文加 harness，三者任何一处都能改进；回报最高的是上下文，其次是 harness，最后才是权重，因为领域知识住在那里。持续学习是一个循环：跑 agent，收集轨迹，汇总教训，在任一层修一处，测量，重复。记忆远未解决，最难的是从轨迹里提炼教训，这高度依赖领域。降成本的顺序是先可见、再管控、最后才优化 agent，LangChain 自家编程 agent 的开销就是这么降的；模型路由该放在 harness 里，因为路由决策需要的上下文在那里。开放模型眼下只承担循环里窄的部分，横向 agent 会以人达不到的速率调用纵向 agent。
https://x.com/sydneyrunkle/status/2112256862318194818
@sydneyrunkle 提炼了和 LangChain 创始人的一次对话，主题是 agent 为什么这么难建。agent 等于模型加上下文加 harness，三者任何一处都能改进；回报最高的是上下文，其次是 harness，最后才是权重，因为领域知识住在那里。持续学习是一个循环：跑 agent，收集轨迹，汇总教训，在任一层修一处，测量，重复。记忆远未解决，最难的是从轨迹里提炼教训，这高度依赖领域。降成本的顺序是先可见、再管控、最后才优化 agent，LangChain 自家编程 agent 的开销就是这么降的；模型路由该放在 harness 里，因为路由决策需要的上下文在那里。开放模型眼下只承担循环里窄的部分，横向 agent 会以人达不到的速率调用纵向 agent。
#7
@ruhzi57
https://x.com/ruhzi57/status/2112272341845835931
@ruhzi57 在测试为 ForesightBench 做的那个推理层干预，把一次设置拆成线程和子线程，是否真的能提升 autoresearch。实验让定制 harness 和一个开箱即用的 Pi 分别去构建一个长程 agent，各跑两个随机种子，共四个长程 agent，检索流水线和包含定制 harness 及两个 Pi 所建 agent 的仓库一起公开。作者在配套帖里的判断是：autoresearch 循环很蛮力，需要的是在投入实现之前先对研究方向的结果做推理的循环，这正是 ForesightBench 衡量的东西。
https://x.com/ruhzi57/status/2112272341845835931
@ruhzi57 在测试为 ForesightBench 做的那个推理层干预，把一次设置拆成线程和子线程，是否真的能提升 autoresearch。实验让定制 harness 和一个开箱即用的 Pi 分别去构建一个长程 agent，各跑两个随机种子，共四个长程 agent，检索流水线和包含定制 harness 及两个 Pi 所建 agent 的仓库一起公开。作者在配套帖里的判断是：autoresearch 循环很蛮力，需要的是在投入实现之前先对研究方向的结果做推理的循环，这正是 ForesightBench 衡量的东西。
#8
@braaannigan
https://x.com/braaannigan/status/2112123285685350783
@braaannigan 歇了几个月之后又开始跑 autoresearch 实验，报告的是部分改善：Claude 不再像四月那样一上来就滑进局部超参优化，但跑久了还是会落到那里。
https://x.com/braaannigan/status/2112123285685350783
@braaannigan 歇了几个月之后又开始跑 autoresearch 实验，报告的是部分改善：Claude 不再像四月那样一上来就滑进局部超参优化，但跑久了还是会落到那里。
#9
@davidpgil
https://x.com/davidpgil/status/2112227480904040877
@davidpgil 试着让 Qwen 3.6 35b:a3b 完全在内存里跑一个 autoresearch 循环，目标是让 DeepSeek V4.1 Flash 在两块 GPU 上跑快。失败了，模型太笨干不了这活。下一个试 Nemotron，作者在问有没有别人也在用只跑内存的模型做测试。
https://x.com/davidpgil/status/2112227480904040877
@davidpgil 试着让 Qwen 3.6 35b:a3b 完全在内存里跑一个 autoresearch 循环，目标是让 DeepSeek V4.1 Flash 在两块 GPU 上跑快。失败了，模型太笨干不了这活。下一个试 Nemotron，作者在问有没有别人也在用只跑内存的模型做测试。
#10
@PaulGugAI
https://x.com/PaulGugAI/status/2112140201116217592
@PaulGugAI 在一块 10 GB 的 RTX 3080 上、50K 上下文、同样的 IQ3_M 量化下，量了两个 35B-A3B 模型的差距：一个 Qwen3.8 蒸馏版在改计划恢复测试上拿 52 分，OpenBMB 的 MiniCPM-V 4.7 拿 91 分，后者还更快，提示阶段每秒 551 对 498 个 token，生成阶段 24.5 对 21.8。激进量化和蒸馏 MoE 在 8 到 12 GB 显卡上应付聊天、基础工具调用和轻量 agent 工作没问题，但在高要求的 agent 循环里，这个差距就是敢不敢把一份繁忙多变的日程交给 agent 的区别。
https://x.com/PaulGugAI/status/2112140201116217592
@PaulGugAI 在一块 10 GB 的 RTX 3080 上、50K 上下文、同样的 IQ3_M 量化下，量了两个 35B-A3B 模型的差距：一个 Qwen3.8 蒸馏版在改计划恢复测试上拿 52 分，OpenBMB 的 MiniCPM-V 4.7 拿 91 分，后者还更快，提示阶段每秒 551 对 498 个 token，生成阶段 24.5 对 21.8。激进量化和蒸馏 MoE 在 8 到 12 GB 显卡上应付聊天、基础工具调用和轻量 agent 工作没问题，但在高要求的 agent 循环里，这个差距就是敢不敢把一份繁忙多变的日程交给 agent 的区别。
#11
@naqerl
https://x.com/naqerl/status/2111955807231193396
@naqerl 用一个薄薄的 harness 解决了客户反复遇到的问题：把任务板状态分享给不懂技术也不说英语的员工。它把 Telegram 消息桥接进一个 pi-durable agent，agent 到 git 代码托管里搜索相关 issue，再给出一个面向员工的看板链接，上面是任务的镜像、可读版本和一段简短报告。流程几乎每一步都可能断：上下文要在回复、转发和附件之间正确累积，然后是关键的分类步骤，这条消息到底是不是给机器人的，之后才是 agent 循环，带只读的代码访问、Sentry 和可用性数据，以及访问代码托管和员工 CRM 的凭证。压缩、持久化、子 agent、工具和 MCP 都已由 pi-durable 处理，一年前要花很久拼起来的正经 agent，现在一个晚上就能搭好。
https://x.com/naqerl/status/2111955807231193396
@naqerl 用一个薄薄的 harness 解决了客户反复遇到的问题：把任务板状态分享给不懂技术也不说英语的员工。它把 Telegram 消息桥接进一个 pi-durable agent，agent 到 git 代码托管里搜索相关 issue，再给出一个面向员工的看板链接，上面是任务的镜像、可读版本和一段简短报告。流程几乎每一步都可能断：上下文要在回复、转发和附件之间正确累积，然后是关键的分类步骤，这条消息到底是不是给机器人的，之后才是 agent 循环，带只读的代码访问、Sentry 和可用性数据，以及访问代码托管和员工 CRM 的凭证。压缩、持久化、子 agent、工具和 MCP 都已由 pi-durable 处理，一年前要花很久拼起来的正经 agent，现在一个晚上就能搭好。
#12
@ManlingLi_
https://x.com/ManlingLi_/status/2112307226224292176
@ManlingLi_ 发布了 Embodied First Exam，一行代码让编程 agent 跑 1,090 个具身任务、2,128 个变体、31 个仿真套件、44 种机器人、8 类机器人形态，其中 382 个全新任务分布在 RoboOlympics、DexHandExam、SafetyExam 等八个原创套件里，另从 23 个社区基准里挑了难题。标准模式只有相机、部分可观测、不重置、动态任务按实时跑；特权模式给原始仿真器访问。编程 agent 可以三种方式行动：直接控制当策略、写代码当策略、或者训练一个策略去控制，作者把最后一种叫带 sim2sim 的 autoresearch。通过 harbor 用你自己的 harness 和模型运行。
https://x.com/ManlingLi_/status/2112307226224292176
@ManlingLi_ 发布了 Embodied First Exam，一行代码让编程 agent 跑 1,090 个具身任务、2,128 个变体、31 个仿真套件、44 种机器人、8 类机器人形态，其中 382 个全新任务分布在 RoboOlympics、DexHandExam、SafetyExam 等八个原创套件里，另从 23 个社区基准里挑了难题。标准模式只有相机、部分可观测、不重置、动态任务按实时跑；特权模式给原始仿真器访问。编程 agent 可以三种方式行动：直接控制当策略、写代码当策略、或者训练一个策略去控制，作者把最后一种叫带 sim2sim 的 autoresearch。通过 harbor 用你自己的 harness 和模型运行。
#13
@jindong_wang92
https://x.com/jindong_wang92/status/2112278762964271580
@jindong_wang92 发布了 Science Utopia，一个用 LLM agent 模拟学术生态的框架，设定是所有人都能用顶级模型写论文、审稿、写基金申请。背后的问题比 autoresearch 热潮更早：会不会出现马太效应，API 额度多的人写得更多、得到更多？论文、网站和代码已公开，作者说里面有几条值得一读的发现。
https://x.com/jindong_wang92/status/2112278762964271580
@jindong_wang92 发布了 Science Utopia，一个用 LLM agent 模拟学术生态的框架，设定是所有人都能用顶级模型写论文、审稿、写基金申请。背后的问题比 autoresearch 热潮更早：会不会出现马太效应，API 额度多的人写得更多、得到更多？论文、网站和代码已公开，作者说里面有几条值得一读的发现。
#14
@pifagor_dao
https://x.com/pifagor_dao/status/2112236875465302077
@pifagor_dao 发掘出 ARIS，Auto-Research-In-Sleep，85 个 Markdown 技能组成的一套过夜做机器学习研究的东西：Claude 跑实验，第二个模型通过 Codex 审查，循环修复审稿人标出的问题。README 里的一次真实过夜运行显示四轮审查中间没有人，循环自己启动了 20 多个 GPU 实验，AI 审稿分从 5.0 升到 7.5，而且在一次随机种子研究不支持时它放弃了自己的主要结论。仓库 17.7K 星，MIT 许可，作者没找到任何 X 帖链接过它，并确认安装时不会运行任何东西；GPU 服务器和 Codex 登录都要自备。
https://x.com/pifagor_dao/status/2112236875465302077
@pifagor_dao 发掘出 ARIS，Auto-Research-In-Sleep，85 个 Markdown 技能组成的一套过夜做机器学习研究的东西：Claude 跑实验，第二个模型通过 Codex 审查，循环修复审稿人标出的问题。README 里的一次真实过夜运行显示四轮审查中间没有人，循环自己启动了 20 多个 GPU 实验，AI 审稿分从 5.0 升到 7.5，而且在一次随机种子研究不支持时它放弃了自己的主要结论。仓库 17.7K 星，MIT 许可，作者没找到任何 X 帖链接过它，并确认安装时不会运行任何东西；GPU 服务器和 Codex 登录都要自备。
#15
@maixbt
https://x.com/maixbt/status/2112166928856789074
@maixbt 读了 Google 的 Harness² 发布，把大家跳过的部分挑了出来。默认负责改进的编辑器是 Claude Opus 4.8。它从不碰权重；每个任务之后重写围绕权重的一切，提示词、工具、记忆、技能，GLM-5 一次重写后从 64.2 升到 75.7。循环先把任务跑一遍做参照，对自己的设置尝试两次重写，不需要评分器、只保留运行结果支持的改动，再把教训存进 EXPERIENCE.md 给下一个任务。问题是每个任务要跑三遍而 Google 没说成本，而且在 Google 自己的表里，原装 Gemini 输给了换上更好装备的 GLM-5。
https://x.com/maixbt/status/2112166928856789074
@maixbt 读了 Google 的 Harness² 发布，把大家跳过的部分挑了出来。默认负责改进的编辑器是 Claude Opus 4.8。它从不碰权重；每个任务之后重写围绕权重的一切，提示词、工具、记忆、技能，GLM-5 一次重写后从 64.2 升到 75.7。循环先把任务跑一遍做参照，对自己的设置尝试两次重写，不需要评分器、只保留运行结果支持的改动，再把教训存进 EXPERIENCE.md 给下一个任务。问题是每个任务要跑三遍而 Google 没说成本，而且在 Google 自己的表里，原装 Gemini 输给了换上更好装备的 GLM-5。
#16
@tobias_pfuetze
https://x.com/tobias_pfuetze/status/2112276225833996601
@tobias_pfuetze 给 Harness² 补上了承保人的反对意见：它在没有真值反馈的情况下调提示词、工具和记忆，这对有测试的编程任务没问题，但在信贷里 harness 还得决定由谁来宣布一个案卷完成，而一个自我改进的 agent 没法给自己的备忘打分。作者写下了自己团队为承保 agent 做的六个 harness 决定。
https://x.com/tobias_pfuetze/status/2112276225833996601
@tobias_pfuetze 给 Harness² 补上了承保人的反对意见：它在没有真值反馈的情况下调提示词、工具和记忆，这对有测试的编程任务没问题，但在信贷里 harness 还得决定由谁来宣布一个案卷完成，而一个自我改进的 agent 没法给自己的备忘打分。作者写下了自己团队为承保 agent 做的六个 harness 决定。
#17
@yusufksadek
https://x.com/yusufksadek/status/2112227964326973876
@yusufksadek 指出 Cryptids 论文表 1 里的一个细节：11 个新 Cryptids 里有 7 个带星号，意思是它们来自第二阶段，一个跑在 Gemini 3.8 Flash 上的通用 auto-research agent，而不是主线的 Gemini 3.1 Pro 流水线。
https://x.com/yusufksadek/status/2112227964326973876
@yusufksadek 指出 Cryptids 论文表 1 里的一个细节：11 个新 Cryptids 里有 7 个带星号，意思是它们来自第二阶段，一个跑在 Gemini 3.8 Flash 上的通用 auto-research agent，而不是主线的 Gemini 3.1 Pro 流水线。
#18
@AgentScaleAI
https://x.com/AgentScaleAI/status/2112249929678668216
@AgentScaleAI 测试了每 3、5、10 条消息往 agent 循环里重新注入一次状态。到 5 条时章节标题已经开始漂，到 10 条基本是即兴发挥，于是定在每 3 条。更短的循环更费 token，但输出保持干净。
https://x.com/AgentScaleAI/status/2112249929678668216
@AgentScaleAI 测试了每 3、5、10 条消息往 agent 循环里重新注入一次状态。到 5 条时章节标题已经开始漂，到 10 条基本是即兴发挥，于是定在每 3 条。更短的循环更费 token，但输出保持干净。
#19
@RohanArun
https://x.com/RohanArun/status/2111629446604034089
@RohanArun 发了一个可以直接在时间线上播放的互动小部件，实时显示整数乘法上界的更新，并提到排行榜现在每分钟收到一条 PR。数学成了观赏性运动。
https://x.com/RohanArun/status/2111629446604034089
@RohanArun 发了一个可以直接在时间线上播放的互动小部件，实时显示整数乘法上界的更新，并提到排行榜现在每分钟收到一条 PR。数学成了观赏性运动。
#20
@thenomadevel
https://x.com/thenomadevel/status/2112226381161721916
@thenomadevel 把自家 agent 里的是非题判断从前沿模型价格挪到 Jev 加一个小的阅读模型上，报告每个答案便宜 12 倍，延迟从 13.4 秒降到 7.3 秒，50 美元现在能读 100K 个答案而不是 8.3K，并写了 Jev、Laya、Glimpse 的拆解和改了什么。
https://x.com/thenomadevel/status/2112226381161721916
@thenomadevel 把自家 agent 里的是非题判断从前沿模型价格挪到 Jev 加一个小的阅读模型上，报告每个答案便宜 12 倍，延迟从 13.4 秒降到 7.3 秒，50 美元现在能读 100K 个答案而不是 8.3K，并写了 Jev、Laya、Glimpse 的拆解和改了什么。
#21
@csehra42
https://x.com/csehra42/status/2112231163716948104
@csehra42 给 MiniMax M3.1 Flash 上的 agent 循环提了个坑，这个模型每百万 token 0.15 和 0.60 美元、权重 10 月 23 日放出：它按需思考，所以简单的工具调用轮次可能完全没有 reasoning_content 字段。任何假设这个字段一定存在的循环要先修这一点。
https://x.com/csehra42/status/2112231163716948104
@csehra42 给 MiniMax M3.1 Flash 上的 agent 循环提了个坑，这个模型每百万 token 0.15 和 0.60 美元、权重 10 月 23 日放出：它按需思考，所以简单的工具调用轮次可能完全没有 reasoning_content 字段。任何假设这个字段一定存在的循环要先修这一点。
#22
@atlashealthHQ
https://x.com/atlashealthHQ/status/2111830001930879039
@atlashealthHQ 把遗忘那条结果连到一个边界上：遗忘对 autoresearch agent 有用是因为有验证器决定什么留下，丢掉所有会话和过去的候选、从目前最好的重启，见 arXiv 2610.20563。关于一个人的记忆没有验证器，那里的重置规则只能是模型自己决定哪些过去还算数。
https://x.com/atlashealthHQ/status/2111830001930879039
@atlashealthHQ 把遗忘那条结果连到一个边界上：遗忘对 autoresearch agent 有用是因为有验证器决定什么留下，丢掉所有会话和过去的候选、从目前最好的重启，见 arXiv 2610.20563。关于一个人的记忆没有验证器，那里的重置规则只能是模型自己决定哪些过去还算数。
#23
@chang_trenton
https://x.com/chang_trenton/status/2112191802736336917
@chang_trenton 的博士阶段正跨过 ChatGPT 的出现，这位作者认为 autoresearch 能推动发现，但在最坏的形态下会拖住研究，因为研究不等于结果，而这个领域已经把自己 Goodhart 到相信它就是结果。与 Quadrillion Labs 合写的这篇讲的是如何把方向引向发现的丰饶，而不是论文的丰饶。
https://x.com/chang_trenton/status/2112191802736336917
@chang_trenton 的博士阶段正跨过 ChatGPT 的出现，这位作者认为 autoresearch 能推动发现，但在最坏的形态下会拖住研究，因为研究不等于结果，而这个领域已经把自己 Goodhart 到相信它就是结果。与 Quadrillion Labs 合写的这篇讲的是如何把方向引向发现的丰饶，而不是论文的丰饶。
#24
@lifeisameeme
https://x.com/lifeisameeme/status/2112291421978001642
@lifeisameeme 给出了接上 agent 循环之前的四问：任务是否每周或更频繁地重复，测试、linter 或构建能否自动判它失败，你能否承受重试的开销，agent 能否运行代码并读日志。缺一条，手写提示词更快。预算那一问最疼：据称 Uber 在四个月烧完全年 AI 预算之后，把工程师限制在每人每工具每月 1,500 美元，而没有自动检查你就回到了逐条读 diff，只是账单更大。
https://x.com/lifeisameeme/status/2112291421978001642
@lifeisameeme 给出了接上 agent 循环之前的四问：任务是否每周或更频繁地重复，测试、linter 或构建能否自动判它失败，你能否承受重试的开销，agent 能否运行代码并读日志。缺一条，手写提示词更快。预算那一问最疼：据称 Uber 在四个月烧完全年 AI 预算之后，把工程师限制在每人每工具每月 1,500 美元，而没有自动检查你就回到了逐条读 diff，只是账单更大。
📡 生态产品雷达
生态产品雷达
Harness²：Google 开源的不动权重、只重写提示词、工具和记忆的循环，被读成 GLM-5 从 64.2 到 75.7 的跃升、一笔没人报价的每任务三次运行成本，以及一个没法给自己备忘打分的 harness。
Claude Code 与 Codex：ARIS 和多数过夜循环里的干活者与审稿人，也是给 DeepSeek 新开放模型打分的那套 harness。
DeepSeek V4.1 Flash 1017：大家都在把便宜的循环步骤路由过去的模型，Search 和 Fetch 在 agent 工具里免费到月底。
Pi 与 pi-durable：ForesightBench 实验里的基线 harness，也是 Telegram 任务板 agent 背后的运行时。
Gemini 4 Argon：那个两小时后台循环，做出了两万人玩过的游戏。
Jev：把是非题从前沿模型价格里拿出来的小决策模型。
MiniMax M3.1 Flash：每百万 token 0.15 和 0.60 美元，权重 10 月 23 日放出，以及一个会弄坏朴素循环的缺失 reasoning_content 字段。
MiniCPM-V 4.7 与 Qwen：同一量化下改计划恢复测试的 91 分和 52 分，以及一个彻底失败的纯内存循环。
harbor：Embodied First Exam 和各种车队仓库清单背后的运行器。
Yukon 排行榜：跨模型授粉研究背后的 30,687 条有分提交，整数乘法榜仍在每分钟收一条 PR。
LangChain：模型、上下文、harness 的三分法，以及先可见再管控的成本流水线。
Harness²：Google 开源的不动权重、只重写提示词、工具和记忆的循环，被读成 GLM-5 从 64.2 到 75.7 的跃升、一笔没人报价的每任务三次运行成本，以及一个没法给自己备忘打分的 harness。
Claude Code 与 Codex：ARIS 和多数过夜循环里的干活者与审稿人，也是给 DeepSeek 新开放模型打分的那套 harness。
DeepSeek V4.1 Flash 1017：大家都在把便宜的循环步骤路由过去的模型，Search 和 Fetch 在 agent 工具里免费到月底。
Pi 与 pi-durable：ForesightBench 实验里的基线 harness，也是 Telegram 任务板 agent 背后的运行时。
Gemini 4 Argon：那个两小时后台循环，做出了两万人玩过的游戏。
Jev：把是非题从前沿模型价格里拿出来的小决策模型。
MiniMax M3.1 Flash：每百万 token 0.15 和 0.60 美元，权重 10 月 23 日放出，以及一个会弄坏朴素循环的缺失 reasoning_content 字段。
MiniCPM-V 4.7 与 Qwen：同一量化下改计划恢复测试的 91 分和 52 分，以及一个彻底失败的纯内存循环。
harbor：Embodied First Exam 和各种车队仓库清单背后的运行器。
Yukon 排行榜：跨模型授粉研究背后的 30,687 条有分提交，整数乘法榜仍在每分钟收一条 PR。
LangChain：模型、上下文、harness 的三分法，以及先可见再管控的成本流水线。
评论