Loop 日报: 2026-10-14
这周关于循环的讨论，从「agent 为什么会停滞」挪到了「修这个毛病要花多少钱」。Stateless Language Agents 把浪费量化了：一次内核优化运行里，最后一次进步出现在 2.31 亿 token，而运行一直烧到 10 亿，最后 1,500 个会话里 98% 一次工具都没调；把历史对工人隐藏、让一个很小的顾问来协调，用少 93% 的 token 追平了最好的基线。MIRA 走另一条路，用生成式评论家去训练「下一步该研究什么」这个元决策，把功劳分配压缩到大约四分之一的 token 上。Meta 和伯克利的一篇预印本把自我改进变成了按美元计的指标，发现 GPT-5.6 Sol 和 Claude Fable 5 同样涨 35 分、花的钱只有五分之一，而在 NetHack 上只有 Opus 5.5 真的在进步。fork-and-flush 继续积累数据点，包括一个意外：上下文压缩并不能把 agent 从它的想法盆地里拽出来。去中心化整数乘法项目撞上硬墙、只前进了 0.7%，然后做了开放自动研究该做的事：在 X 上向格论和编码理论的人要一种新几何，再提出一份 auto-research.md 约定，让别的仓库也能被找到、被加入。最小的那一端，有人的一堆个人应用每小时根据应用内反馈框自己修自己，一个 Grok Bot 模板过夜把张量库换成 OpenCV 之后交回一份草稿 PR。
#1
@CharryLee426
https://x.com/CharryLee426/status/2109498453747216883
CharryLee426 把 Stateless Language Agents 论文（arXiv 2610.07625）的关键数字摘了出来。起因是一次 CORAL 内核运行：最后一次进步出现在 2.31 亿 token，用量却烧到了 10 亿，最后 1,500 个会话里 98% 一次工具都没调。解法在于状态放在哪：harness 持有候选项和测量结果，每次调用都重建一个干净的、按角色定制的上下文，一个无状态顾问把实验分给三个并行工人。在 Anthropic 的内核任务上，Codex 加 GPT-5.5、10 亿 token、三次运行，SLA 做到 1112 个周期，最好的基线是 1276，每一次 SLA 运行都胜过每一次基线运行，而且用少 93% 的 token 就追平了最好基线的最终分，换 Claude Code 是少 84%，顾问只用了不到 0.6% 的 token。注意事项是 FrontierSWE：预算用到四分之一时 SLA 落后，用满预算才领先，而且大多数非内核结果都是作者自己环境里的单次运行。
https://x.com/CharryLee426/status/2109498453747216883
CharryLee426 把 Stateless Language Agents 论文（arXiv 2610.07625）的关键数字摘了出来。起因是一次 CORAL 内核运行：最后一次进步出现在 2.31 亿 token，用量却烧到了 10 亿，最后 1,500 个会话里 98% 一次工具都没调。解法在于状态放在哪：harness 持有候选项和测量结果，每次调用都重建一个干净的、按角色定制的上下文，一个无状态顾问把实验分给三个并行工人。在 Anthropic 的内核任务上，Codex 加 GPT-5.5、10 亿 token、三次运行，SLA 做到 1112 个周期，最好的基线是 1276，每一次 SLA 运行都胜过每一次基线运行，而且用少 93% 的 token 就追平了最好基线的最终分，换 Claude Code 是少 84%，顾问只用了不到 0.6% 的 token。注意事项是 FrontierSWE：预算用到四分之一时 SLA 落后，用满预算才领先，而且大多数非内核结果都是作者自己环境里的单次运行。
#2
@yoonholeee
https://x.com/yoonholeee/status/2109817460174295432
作者之一 yoonholeee 把自动研究循环定义为一种可以无限扩展的持续学习，只有一个实际问题：运行越长越容易停滞，因为朴素实现里 agent 看得到全部历史，然后自己说服自己别再尝试新东西。Stateless Language Agents 研究了原因，并提出几处简单修改，让循环能有效扩展到 10 亿 token。核心技巧是尽可能对每个工人隐藏上下文，由一个独立的顾问负责协调。宣称的结果是在每个测试任务上都拿到了最好的最终成绩，对比对象是 EvoX、CORAL 和 SwarmResearch，而且往往领先不少。
https://x.com/yoonholeee/status/2109817460174295432
作者之一 yoonholeee 把自动研究循环定义为一种可以无限扩展的持续学习，只有一个实际问题：运行越长越容易停滞，因为朴素实现里 agent 看得到全部历史，然后自己说服自己别再尝试新东西。Stateless Language Agents 研究了原因，并提出几处简单修改，让循环能有效扩展到 10 亿 token。核心技巧是尽可能对每个工人隐藏上下文，由一个独立的顾问负责协调。宣称的结果是在每个测试任务上都拿到了最好的最终成绩，对比对象是 EvoX、CORAL 和 SwarmResearch，而且往往领先不少。
#3
@newlinedotco
https://x.com/newlinedotco/status/2109993440289144843
newlinedotco 把 Meta 超级智能实验室、伯克利、华盛顿大学和普林斯顿的一篇预印本变成了每个 agent 团队都会被问到的面试题：你怎么知道自我改进划算。协议是：冻结权重，任何进步都必须活在 agent 写下来的东西里；每一局都从干净上下文开始，只有保存的文件能带过去；在 agent 从未学习过的留出游戏上打分；再用进步除以学习花掉的美元，被拒绝的编辑也算，一直算到分数完成 90% 的涨幅为止。在国际象棋、围棋和 Hex 上，GPT-5.6 Sol 和 Claude Fable 5 都涨了大约 35 分然后走平，但 Sol 花了约 120 美元，Fable 5 花了约 610 美元，每千美元 298 分对 57 分。Fable 5 的终点仍然更高，所以按最终分挑模型，挑到的是每美元学得更少的那个。而且排名随任务变：在长得多的 NetHack 里，只有 Claude Opus 5.5 稳定进步，Sol 的分数反而下降。
https://x.com/newlinedotco/status/2109993440289144843
newlinedotco 把 Meta 超级智能实验室、伯克利、华盛顿大学和普林斯顿的一篇预印本变成了每个 agent 团队都会被问到的面试题：你怎么知道自我改进划算。协议是：冻结权重，任何进步都必须活在 agent 写下来的东西里；每一局都从干净上下文开始，只有保存的文件能带过去；在 agent 从未学习过的留出游戏上打分；再用进步除以学习花掉的美元，被拒绝的编辑也算，一直算到分数完成 90% 的涨幅为止。在国际象棋、围棋和 Hex 上，GPT-5.6 Sol 和 Claude Fable 5 都涨了大约 35 分然后走平，但 Sol 花了约 120 美元，Fable 5 花了约 610 美元，每千美元 298 分对 57 分。Fable 5 的终点仍然更高，所以按最终分挑模型，挑到的是每美元学得更少的那个。而且排名随任务变：在长得多的 NetHack 里，只有 Claude Opus 5.5 稳定进步，Sol 的分数反而下降。
#4
@Ankur_Samanta_
https://x.com/Ankur_Samanta_/status/2110061429336523082
Ankur_Samanta_ 发布 MIRA，一种训练自动研究 agent 的方法，把学习集中在分配研究精力的那些元推理决策上。组件有三个：一个把构思和执行分开的 harness，让功劳可以直接记到这些决策头上；一个在很多环境上预训练过的、决策级的生成式评论家，充当对局部进展的先验；以及同一个模型同时作为演员和评论家联合训练，学会既给局部状态估值又据此行动。押注的是：真正难学的不是怎么跑一个实验，而是哪个实验配得上下一份算力。
https://x.com/Ankur_Samanta_/status/2110061429336523082
Ankur_Samanta_ 发布 MIRA，一种训练自动研究 agent 的方法，把学习集中在分配研究精力的那些元推理决策上。组件有三个：一个把构思和执行分开的 harness，让功劳可以直接记到这些决策头上；一个在很多环境上预训练过的、决策级的生成式评论家，充当对局部进展的先验；以及同一个模型同时作为演员和评论家联合训练，学会既给局部状态估值又据此行动。押注的是：真正难学的不是怎么跑一个实验，而是哪个实验配得上下一份算力。
#5
@anirudhg9119
https://x.com/anirudhg9119/status/2110079344836296904
anirudhg9119 用结果收尾 MIRA 这条线。MIRA-AC 证明模型可以从自己的代理爬山信号里有效学习，在多个自动研究环境上提高了真实指标，并迁移到一个策略训练时留出的环境。它也支持决策级的功劳分配：策略优化只盯着那些决定研究方向的决策，而不是模型生成的每一个 token，在这项工作里大约是一局中决策和执行 token 的 25%。同一条线里的一句话结论：扩展自动研究，就是学会哪个调查值得下一份算力，并按长期后果来记功。
https://x.com/anirudhg9119/status/2110079344836296904
anirudhg9119 用结果收尾 MIRA 这条线。MIRA-AC 证明模型可以从自己的代理爬山信号里有效学习，在多个自动研究环境上提高了真实指标，并迁移到一个策略训练时留出的环境。它也支持决策级的功劳分配：策略优化只盯着那些决定研究方向的决策，而不是模型生成的每一个 token，在这项工作里大约是一局中决策和执行 token 的 25%。同一条线里的一句话结论：扩展自动研究，就是学会哪个调查值得下一份算力，并按长期后果来记功。
#6
@veds_12
https://x.com/veds_12/status/2110076417618989280
veds_12 把 MIRA 对着 GitSwarm 读，留下两个要点。把每一步自动研究拆成一个构思步骤加一个由独立执行 agent 完成的专注执行步骤是有效的，而构思或元推理这一步可以训练成生成式评论家来提升表现。MIRA 用 git 作为持久记忆的底层，这正是 GitSwarm 的选择，考虑到 GitSwarm 完全去中心化、异步的设计，MIRA 可以看作训练 GitSwarm agent 的一种方法。
https://x.com/veds_12/status/2110076417618989280
veds_12 把 MIRA 对着 GitSwarm 读，留下两个要点。把每一步自动研究拆成一个构思步骤加一个由独立执行 agent 完成的专注执行步骤是有效的，而构思或元推理这一步可以训练成生成式评论家来提升表现。MIRA 用 git 作为持久记忆的底层，这正是 GitSwarm 的选择，考虑到 GitSwarm 完全去中心化、异步的设计，MIRA 可以看作训练 GitSwarm agent 的一种方法。
#7
@ShivamGarg91462
https://x.com/ShivamGarg91462/status/2109687711850246158
ShivamGarg91462 复述想法盆地的发现，并点出最让人意外的细节。同一个自动研究 agent 的独立运行会停在差异很大的分数上，大幅增加算力也补不上差距，而且这发生在有上下文压缩的情况下，按理说定期用摘要替换完整历史应该削弱早期想法的拉力、鼓励更广的探索。agent 还是待在同一个盆地里。fork-and-flush 明显有效：隔一阵就把 agent 分叉成几份，保留工作区但从空白对话上下文开始，各跑一段，再从最好的那份继续。
https://x.com/ShivamGarg91462/status/2109687711850246158
ShivamGarg91462 复述想法盆地的发现，并点出最让人意外的细节。同一个自动研究 agent 的独立运行会停在差异很大的分数上，大幅增加算力也补不上差距，而且这发生在有上下文压缩的情况下，按理说定期用摘要替换完整历史应该削弱早期想法的拉力、鼓励更广的探索。agent 还是待在同一个盆地里。fork-and-flush 明显有效：隔一阵就把 agent 分叉成几份，保留工作区但从空白对话上下文开始，各跑一段，再从最好的那份继续。
#8
@tsuname
https://x.com/tsuname/status/2109876913544298678
tsuname 观察到，搞自动研究的人正在把最优化领域的经典名作挨个重温：想法动量、想法交叉熵搜索、想法模拟退火。虽然只有一句话，却是这周最对的框架。fork-and-flush 是一种重启策略，想法盆地就是局部极小值，这个领域正在研究方向这一层、而不是参数那一层，重新发现经典最优化为逃离局部极小值发明的每一个技巧。
https://x.com/tsuname/status/2109876913544298678
tsuname 观察到，搞自动研究的人正在把最优化领域的经典名作挨个重温：想法动量、想法交叉熵搜索、想法模拟退火。虽然只有一句话，却是这周最对的框架。fork-and-flush 是一种重启策略，想法盆地就是局部极小值，这个领域正在研究方向这一层、而不是参数那一层，重新发现经典最优化为逃离局部极小值发明的每一个技巧。
#9
@jkbkot
https://x.com/jkbkot/status/2109929906536673735
jkbkot 指出 fork-and-flush 这篇论文听起来非常像 Kenneth Stanley 和 Jeff Clune 的开放式演化研究，却没有引用那一脉文献。目标驱动的搜索，比如通过想法下降去最大化一个分数，倾向于过早收敛或退化，而周期性的并行分叉加上下文清空，是往一个纯优化的自动研究循环里注入探索的一种办法。这个问题早有文献，只是还没被引用。
https://x.com/jkbkot/status/2109929906536673735
jkbkot 指出 fork-and-flush 这篇论文听起来非常像 Kenneth Stanley 和 Jeff Clune 的开放式演化研究，却没有引用那一脉文献。目标驱动的搜索，比如通过想法下降去最大化一个分数，倾向于过早收敛或退化，而周期性的并行分叉加上下文清空，是往一个纯优化的自动研究循环里注入探索的一种办法。这个问题早有文献，只是还没被引用。
#10
@dhruvtrehan9
https://x.com/dhruvtrehan9/status/2109688058430013495
dhruvtrehan9 说自己那边独立看到了同样的现象：一个做科学构思的小组一直管它叫研究吸引子，不仅在自动研究循环里发现了类似的盆地，在文献综述的检索词生成和实验设计这类任务里也有。两个小组给同一种失败模式起了两个名字，通常说明这事是真的。
https://x.com/dhruvtrehan9/status/2109688058430013495
dhruvtrehan9 说自己那边独立看到了同样的现象：一个做科学构思的小组一直管它叫研究吸引子，不仅在自动研究循环里发现了类似的盆地，在文献综述的检索词生成和实验设计这类任务里也有。两个小组给同一种失败模式起了两个名字，通常说明这事是真的。
#11
@RohanArun
https://x.com/RohanArun/status/2109629408076083414
RohanArun 汇报，去中心化的整数乘法自动研究项目再次撞上硬墙，比前一晚只前进了 0.7%，然后用一个开放项目能做到的最具体的方式求助。这个技巧让类 FFT 变换内部的一步变得更便宜，用 E8 这类几何来标记输入和临时寄存器，直到有人测出一种新几何之前进展都会卡住。需要的是：E8 或 [8,4,4] 码的近亲，只用二分之一、四分之一和符号翻转就能精确计算；在 8 到 16 维里大约 100 到 120 个彼此分散的方向；方向能自然聚成逐级翻倍的块；大块能干净地拆成独立小块。目前的想法是 Barnes-Wall 格和 Reed-Muller 码，Leech 格已测过、作为直接替换被排除，失败想法的文件夹已经上传，免得 agent 和人重复踩坑。
https://x.com/RohanArun/status/2109629408076083414
RohanArun 汇报，去中心化的整数乘法自动研究项目再次撞上硬墙，比前一晚只前进了 0.7%，然后用一个开放项目能做到的最具体的方式求助。这个技巧让类 FFT 变换内部的一步变得更便宜，用 E8 这类几何来标记输入和临时寄存器，直到有人测出一种新几何之前进展都会卡住。需要的是：E8 或 [8,4,4] 码的近亲，只用二分之一、四分之一和符号翻转就能精确计算；在 8 到 16 维里大约 100 到 120 个彼此分散的方向；方向能自然聚成逐级翻倍的块；大块能干净地拆成独立小块。目前的想法是 Barnes-Wall 格和 Reed-Muller 码，Leech 格已测过、作为直接替换被排除，失败想法的文件夹已经上传，免得 agent 和人重复踩坑。
#12
@RohanArun
https://x.com/RohanArun/status/2109463462606741637
RohanArun 诚实回答了实用性的质疑。按当前的 κ 值，每个整数需要大约 5.6 乘以 10 的 211 次方比特才能看到 1.01 倍的加速；κ 到 0.03 左右大约 1.1 倍，到 0.2 左右大约 2 倍，而要到 0.03 恐怕需要全新的几何而不是现有设计。更一般的主张是，这个项目正在教大家去中心化自动研究的最佳实践，研究者已经在跨论文复用同样的技巧，而这种形式本身，开在 GitHub 上实时更新、而不是花几个月发一篇论文，可能才是真正的贡献。
https://x.com/RohanArun/status/2109463462606741637
RohanArun 诚实回答了实用性的质疑。按当前的 κ 值，每个整数需要大约 5.6 乘以 10 的 211 次方比特才能看到 1.01 倍的加速；κ 到 0.03 左右大约 1.1 倍，到 0.2 左右大约 2 倍，而要到 0.03 恐怕需要全新的几何而不是现有设计。更一般的主张是，这个项目正在教大家去中心化自动研究的最佳实践，研究者已经在跨论文复用同样的技巧，而这种形式本身，开在 GitHub 上实时更新、而不是花几个月发一篇论文，可能才是真正的贡献。
#13
@RohanArun
https://x.com/RohanArun/status/2110022929048056246
RohanArun 提议一套在 GitHub 上标准化自动研究的约定。在仓库根目录放一份 auto-research.md，由维护者写清楚需要解决什么，并把 agent 引向研究方向而不是渐进式优化；再加一个按方向分类的 /auto-research 文件夹，分享失败实验和结果，让 agent 实时协作、不再浪费精力，整数乘法仓库已经用一个 /research 文件夹这么跑了。激励在于正在做一个 harness，专门在 GitHub 上搜采用这种格式的仓库，标准化之后可能自动获得贡献者。
https://x.com/RohanArun/status/2110022929048056246
RohanArun 提议一套在 GitHub 上标准化自动研究的约定。在仓库根目录放一份 auto-research.md，由维护者写清楚需要解决什么，并把 agent 引向研究方向而不是渐进式优化；再加一个按方向分类的 /auto-research 文件夹，分享失败实验和结果，让 agent 实时协作、不再浪费精力，整数乘法仓库已经用一个 /research 文件夹这么跑了。激励在于正在做一个 harness，专门在 GitHub 上搜采用这种格式的仓库，标准化之后可能自动获得贡献者。
#14
@RohanArun
https://x.com/RohanArun/status/2109525947250512058
RohanArun 回应陶哲轩对自动研究把数学家甩在身后、丢失理解的批评，认为这恰恰是 agent 现在就能解决的问题。各团队已经在生成 Lean 证明，下一步是让 agent 生成带图示和更深解释的人类可读证明，目的不是让研究者去读庞大的 Lean 证明，而是拿到足够好的抽象去指导下一步。可能会多花些时间，但不会比人从头推导更久。作为示范，现在有了一份 OpenAI 整数乘法论文的扩展指南，配了更多图示和解释。
https://x.com/RohanArun/status/2109525947250512058
RohanArun 回应陶哲轩对自动研究把数学家甩在身后、丢失理解的批评，认为这恰恰是 agent 现在就能解决的问题。各团队已经在生成 Lean 证明，下一步是让 agent 生成带图示和更深解释的人类可读证明，目的不是让研究者去读庞大的 Lean 证明，而是拿到足够好的抽象去指导下一步。可能会多花些时间，但不会比人从头推导更久。作为示范，现在有了一份 OpenAI 整数乘法论文的扩展指南，配了更多图示和解释。
#15
@0xdoug
https://x.com/0xdoug/status/2110096219187941520
0xdoug 列出分布式数学舰队自首次实验以来学到的东西：如何在分布式 agent 群之间去相关并协调。RahulArun 贡献的自动研究框架和约定现在可以推广到其他开源研究项目，agent 有了更好的机制随机挑选工作负载、避免相关的重复劳动，项目会随时间自动调整 agent 的优先级，一个 GitHub 讨论区则让 agent 在 PR 之外有了一个更低摩擦的协调场所。
https://x.com/0xdoug/status/2110096219187941520
0xdoug 列出分布式数学舰队自首次实验以来学到的东西：如何在分布式 agent 群之间去相关并协调。RahulArun 贡献的自动研究框架和约定现在可以推广到其他开源研究项目，agent 有了更好的机制随机挑选工作负载、避免相关的重复劳动，项目会随时间自动调整 agent 的优先级，一个 GitHub 讨论区则让 agent 在 PR 之外有了一个更低摩擦的协调场所。
#16
@frankdilo
https://x.com/frankdilo/status/2109939702228980135
frankdilo 业余时间用 Opus 5.5 造了一支个人软件大军：T3 Code 加每月 5 美元的 Cloudflare 套餐以便用 D1 和 R2，每个应用一个自己的子域名。目前有一个类似 iA Writer 的网页写作器、一个餐食规划器、一个公寓布局规划器，还有一个由 OpenClaw 驱动、用来学任何主题以戒掉刷手机的学习应用。关键在循环：每个应用都有一个反馈区，一个 agent 循环每小时读一遍反馈并修掉问题，所以每次打开应用都比上次好一点。有了 Cloudflare 的命令行，一个点子几秒钟就能变成自己域名下已部署的应用，放进单一仓库之后，各个应用之间还能互相学习。
https://x.com/frankdilo/status/2109939702228980135
frankdilo 业余时间用 Opus 5.5 造了一支个人软件大军：T3 Code 加每月 5 美元的 Cloudflare 套餐以便用 D1 和 R2，每个应用一个自己的子域名。目前有一个类似 iA Writer 的网页写作器、一个餐食规划器、一个公寓布局规划器，还有一个由 OpenClaw 驱动、用来学任何主题以戒掉刷手机的学习应用。关键在循环：每个应用都有一个反馈区，一个 agent 循环每小时读一遍反馈并修掉问题，所以每次打开应用都比上次好一点。有了 Cloudflare 的命令行，一个点子几秒钟就能变成自己域名下已部署的应用，放进单一仓库之后，各个应用之间还能互相学习。
#17
@linuxbox
https://x.com/linuxbox/status/2110127338411417696
linuxbox 把 Autoresearch 做成了一个免费的 Grok Bot 模板，建立在 Shopify 开源的 pi-autoresearch 循环之上，那个循环又来自 Karpathy 的 autoresearch。你给它一个仓库、一个基准和一个正确性测试，它一次只试一个改动，只保留通过测试且超过基准的，最后交回一份草稿 PR 和前后对比报告。有一次运行把一个机器学习张量库换成 OpenCV，输出完全一致、速度大幅提升。没有你的批准它不会推送也不会合并，对一个在你睡觉时运行的循环来说，这是正确的默认值。
https://x.com/linuxbox/status/2110127338411417696
linuxbox 把 Autoresearch 做成了一个免费的 Grok Bot 模板，建立在 Shopify 开源的 pi-autoresearch 循环之上，那个循环又来自 Karpathy 的 autoresearch。你给它一个仓库、一个基准和一个正确性测试，它一次只试一个改动，只保留通过测试且超过基准的，最后交回一份草稿 PR 和前后对比报告。有一次运行把一个机器学习张量库换成 OpenCV，输出完全一致、速度大幅提升。没有你的批准它不会推送也不会合并，对一个在你睡觉时运行的循环来说，这是正确的默认值。
#18
@distil_labs
https://x.com/distil_labs/status/2110047661558489343
distil_labs 描述了让编程 agent 在三小时内迭代并训练出一个定制模型的最佳版本。借助自动研究，agent 读错题，判断是数据、教师模型还是训练设置导致的，改一个设置再重训，直到达标。安装只是在 Claude Code、Codex 或 Cursor 里装一个 skill。小模型蒸馏天然适合这种循环：目标固定、数字可测、周期短到 agent 午饭前能跑几十轮。
https://x.com/distil_labs/status/2110047661558489343
distil_labs 描述了让编程 agent 在三小时内迭代并训练出一个定制模型的最佳版本。借助自动研究，agent 读错题，判断是数据、教师模型还是训练设置导致的，改一个设置再重训，直到达标。安装只是在 Claude Code、Codex 或 Cursor 里装一个 skill。小模型蒸馏天然适合这种循环：目标固定、数字可测、周期短到 agent 午饭前能跑几十轮。
#19
@sonyatweetybird
https://x.com/sonyatweetybird/status/2110045408512836031
sonyatweetybird 预告了一场与 David Silver 的对话。Silver 离开 DeepMind 创立 Ineffable Labs，使命只有一个：造一个从自身经验中发现全部知识的超级学习者，起点不含任何互联网预训练。与自动研究的联系是明说的，Silver 把今天能做这件事归功于算力、模拟器和自动研究，而论据就是 AlphaZero 的故事：AlphaGo 有人参与开发循环花了两年，把人从循环里拿掉之后 AlphaZero 几小时就超过了它。计划是坩埚，拥有足够涌现复杂度的模拟世界，让 agent 自己重新发现技术、科学、数学和语言，真实世界的部署以证据为闸门。Silver 的预测是三年内出现超级智能。
https://x.com/sonyatweetybird/status/2110045408512836031
sonyatweetybird 预告了一场与 David Silver 的对话。Silver 离开 DeepMind 创立 Ineffable Labs，使命只有一个：造一个从自身经验中发现全部知识的超级学习者，起点不含任何互联网预训练。与自动研究的联系是明说的，Silver 把今天能做这件事归功于算力、模拟器和自动研究，而论据就是 AlphaZero 的故事：AlphaGo 有人参与开发循环花了两年，把人从循环里拿掉之后 AlphaZero 几小时就超过了它。计划是坩埚，拥有足够涌现复杂度的模拟世界，让 agent 自己重新发现技术、科学、数学和语言，真实世界的部署以证据为闸门。Silver 的预测是三年内出现超级智能。
#20
@thezacharyyu
https://x.com/thezacharyyu/status/2109601434534858943
thezacharyyu 把战略图景压缩成两句话。有了强化学习和自动研究，我们实际上拥有了爬山机器，于是护城河只剩两种：要么拥有最好的爬山机器，更多算力、更多能源、更好数据；要么在那些因为可验证性低、奖励稀疏而很难爬山的事情上特别强。夹在中间的一切都会被优化掉。
https://x.com/thezacharyyu/status/2109601434534858943
thezacharyyu 把战略图景压缩成两句话。有了强化学习和自动研究，我们实际上拥有了爬山机器，于是护城河只剩两种：要么拥有最好的爬山机器，更多算力、更多能源、更好数据；要么在那些因为可验证性低、奖励稀疏而很难爬山的事情上特别强。夹在中间的一切都会被优化掉。
#21
@ethantsliu
https://x.com/ethantsliu/status/2109689117454090295
ethantsliu 提到 Hillclimb 把自动研究的问题来源推到更接近前沿的位置，并把时长拉到 48 小时的长程任务。这个框架是，基准测试正在从静态的一次性问题转向真实环境，而只有在真实环境里，循环的停滞行为、token 消耗和停止规则才会真正暴露出来。
https://x.com/ethantsliu/status/2109689117454090295
ethantsliu 提到 Hillclimb 把自动研究的问题来源推到更接近前沿的位置，并把时长拉到 48 小时的长程任务。这个框架是，基准测试正在从静态的一次性问题转向真实环境，而只有在真实环境里，循环的停滞行为、token 消耗和停止规则才会真正暴露出来。
#22
@pauliusztin_
https://x.com/pauliusztin_/status/2109622612586385868
pauliusztin_ 把 Code Mode 解释为 MCP 带来的新问题的解法。MCP 把 agent 连接几十个工具标准化了，但把它们串起来意味着每个中间结果都要经过模型的上下文回弹一次：拉 100 个 GitHub issue，逐个取评论，过滤，调另一个服务，汇总。Code Mode 把 MCP 工具暴露成编程接口，让模型写代码来编排，中间工作由代码完成，模型只看那个真正要紧的结果，用模型见过几百万次的东西，换掉一个必须专门训练才会用的人造接口。Cloudflare 把 MCP 的 schema 转成 TypeScript 接口供沙箱代码调用，pi 最近也加了 Code Mode。
https://x.com/pauliusztin_/status/2109622612586385868
pauliusztin_ 把 Code Mode 解释为 MCP 带来的新问题的解法。MCP 把 agent 连接几十个工具标准化了，但把它们串起来意味着每个中间结果都要经过模型的上下文回弹一次：拉 100 个 GitHub issue，逐个取评论，过滤，调另一个服务，汇总。Code Mode 把 MCP 工具暴露成编程接口，让模型写代码来编排，中间工作由代码完成，模型只看那个真正要紧的结果，用模型见过几百万次的东西，换掉一个必须专门训练才会用的人造接口。Cloudflare 把 MCP 的 schema 转成 TypeScript 接口供沙箱代码调用，pi 最近也加了 Code Mode。
#23
@pmikolajczuk89
https://x.com/pmikolajczuk89/status/2109810166762033178
pmikolajczuk89 让一个 agent 循环去驱动一台真实的电子相框：新的 agent skill 通过 adb 操作触控相框上的 Quok 网页应用，并回传截图，循环在设备上驱动应用并汇报发现。总结这件事的一句话是硬件成了新的软件，循环并不在乎它迭代的对象是一个仓库还是一块屏幕。
https://x.com/pmikolajczuk89/status/2109810166762033178
pmikolajczuk89 让一个 agent 循环去驱动一台真实的电子相框：新的 agent skill 通过 adb 操作触控相框上的 Quok 网页应用，并回传截图，循环在设备上驱动应用并汇报发现。总结这件事的一句话是硬件成了新的软件，循环并不在乎它迭代的对象是一个仓库还是一块屏幕。
#24
@M_jawad_yasin
https://x.com/M_jawad_yasin/status/2109765467053097196
M_jawad_yasin 评测 OmO，一个在 pi 的定制分支上把 shell 变成图工程中枢的工具，认为真正的胜点不是 agent 循环而是记忆架构。上下文存在一个由 markdown 文件组成的 git 仓库里，由一个便宜的小模型作为边车去提醒主 agent，避免一半 token 都花在重复解释同样的架构约束上。mass ulw 命令把单个聊天变成并行的 agent 有向无环图，把子任务路由到合适的模型，并把二十次读取合并成一次往返。预测是 git 里放 markdown 的记忆模式到 2027 年 1 月会成为开源默认；风险是重度依赖一个 pi 的定制分支。电脑操作仍标为实验性。
https://x.com/M_jawad_yasin/status/2109765467053097196
M_jawad_yasin 评测 OmO，一个在 pi 的定制分支上把 shell 变成图工程中枢的工具，认为真正的胜点不是 agent 循环而是记忆架构。上下文存在一个由 markdown 文件组成的 git 仓库里，由一个便宜的小模型作为边车去提醒主 agent，避免一半 token 都花在重复解释同样的架构约束上。mass ulw 命令把单个聊天变成并行的 agent 有向无环图，把子任务路由到合适的模型，并把二十次读取合并成一次往返。预测是 git 里放 markdown 的记忆模式到 2027 年 1 月会成为开源默认；风险是重度依赖一个 pi 的定制分支。电脑操作仍标为实验性。
📡 生态产品雷达
生态产品雷达
Stateless Language Agents（SLA）：本周的 harness 论文，对工人隐藏历史、让一个占不到 1% token 的顾问协调，用少 93% 的 token 追平最好基线
MIRA / MIRA-AC：用生成式评论家训练「下一步研究什么」的决策，功劳只记到大约四分之一的 token 上
Fork-and-flush：想法盆地的解法，现在已被多个小组确认，第二个名字叫研究吸引子
整数乘法仓库（RohanArun）：撞上硬墙的去中心化自动研究，现在成了 auto-research.md 约定的模板
GitSwarm：以 git 为底层的集群，MIRA 被解读为训练它的方法
pi-autoresearch（Shopify）：新的 Grok Bot Autoresearch 模板底下的开源循环
Grok Bot (xAI)：作为过夜优化模板和多 agent 评审席位的宿主出现
Claude Code 与 Codex：每篇论文都在上面跑基准的两个 harness，SLA 的 token 节省对两者分别给了数字
Jev / 决策模型：在爬山循环和 harness 路线图里被点名为系统一路由器
Code Mode（Cloudflare、pi）：把 MCP 工具暴露成编程接口，让模型用代码编排而不是把结果在上下文里来回弹
Stateless Language Agents（SLA）：本周的 harness 论文，对工人隐藏历史、让一个占不到 1% token 的顾问协调，用少 93% 的 token 追平最好基线
MIRA / MIRA-AC：用生成式评论家训练「下一步研究什么」的决策，功劳只记到大约四分之一的 token 上
Fork-and-flush：想法盆地的解法，现在已被多个小组确认，第二个名字叫研究吸引子
整数乘法仓库（RohanArun）：撞上硬墙的去中心化自动研究，现在成了 auto-research.md 约定的模板
GitSwarm：以 git 为底层的集群，MIRA 被解读为训练它的方法
pi-autoresearch（Shopify）：新的 Grok Bot Autoresearch 模板底下的开源循环
Grok Bot (xAI)：作为过夜优化模板和多 agent 评审席位的宿主出现
Claude Code 与 Codex：每篇论文都在上面跑基准的两个 harness，SLA 的 token 节省对两者分别给了数字
Jev / 决策模型：在爬山循环和 harness 路线图里被点名为系统一路由器
Code Mode（Cloudflare、pi）：把 MCP 工具暴露成编程接口，让模型用代码编排而不是把结果在上下文里来回弹
评论