Loop 日报: 2026-10-28
这个窗口里，autoresearch 冲上了排行榜。在 Meta 的 Open Kernel Challenge 上，有人只写了一条提示让它跑一夜，16 小时、约 150 次 H200 实验、250 美元，就排到了第 9；另一支团队一天爬了 110 名，并发现由人类协调一群便宜的 agent，进度是纯 AI 协调的两倍多。循环也在走出实验室：一个 App 团队把从安装到付费墙的整条漏斗交给 agent 循环，ARPU 从 0.45 美元拉到 0.74 美元；一位自由职业者围绕一个总协调会话、加上点一下就能回答的决策卡，重建了自己的 Claude Code agent 团队；Recursive 只用四个月就发布了模型，几乎每个环节都在跑自动研究。研究这一侧继续变清醒。Auto-Research Arena 发现最朴素的顺序搜索排第二，而专门调过的 TPE 优化器排最后；Meta 自己的报告显示，一个投毒技能在自家 agent harness 里的得手率是走 API 时的六倍，原因是 harness 信任自己的技能目录。共同的线索是：循环很便宜，你允许它信任什么，才是贵的部分。
#1
@naklecha
https://x.com/naklecha/status/2115172803997483508
naklecha 说，一个开源的 autoresearch harness 写高速内核出奇地好用：前一晚只敲了一条提示，第二天就排到了 Meta 内核排行榜第 9。整个过程 16 小时全自主，约 150 次 H200 实验，最终比 SGLang 的内核快 1.57 倍，花了大约 250 美元的 token 加算力。成本那一行才是重点：过去需要一位 GPU 内核专家才能拿到的排名，一夜之间用一顿好饭的钱买到了。这也是最清楚的一个数据点：内核优化的瓶颈已经从写代码挪到了为实验付钱。
https://x.com/naklecha/status/2115172803997483508
naklecha 说，一个开源的 autoresearch harness 写高速内核出奇地好用：前一晚只敲了一条提示，第二天就排到了 Meta 内核排行榜第 9。整个过程 16 小时全自主，约 150 次 H200 实验，最终比 SGLang 的内核快 1.57 倍，花了大约 250 美元的 token 加算力。成本那一行才是重点：过去需要一位 GPU 内核专家才能拿到的排名，一夜之间用一顿好饭的钱买到了。这也是最清楚的一个数据点：内核优化的瓶颈已经从写代码挪到了为实验付钱。
#2
@RohanArun
https://x.com/RohanArun/status/2115093010832630019
RohanArun 的团队一天之内在 Open Kernel Challenge 的各个榜单上累计爬了 110 名，并逐项贴出前后对比：预填充层从 297,235 微秒降到 266,196 微秒、上升 74 名，注意力解码上升 36 名，另外三个榜因为参赛者增多反而略有下滑。最有用的观察是关于协调的：由人类专家指挥 agent，进度是纯 AI 协调者的两倍多，因为前沿模型也会犯专家能纠正的错，最常见的一种是忘了可以把各项内核优化合并进完整的解码层。他们靠一群便宜的 flash 模型 agent 加一位人类协调者往上爬，还开放了自己的 GPU 队列，按 H200 秒计价实验，号称比按需租整台实例省约 90%。
https://x.com/RohanArun/status/2115093010832630019
RohanArun 的团队一天之内在 Open Kernel Challenge 的各个榜单上累计爬了 110 名，并逐项贴出前后对比：预填充层从 297,235 微秒降到 266,196 微秒、上升 74 名，注意力解码上升 36 名，另外三个榜因为参赛者增多反而略有下滑。最有用的观察是关于协调的：由人类专家指挥 agent，进度是纯 AI 协调者的两倍多，因为前沿模型也会犯专家能纠正的错，最常见的一种是忘了可以把各项内核优化合并进完整的解码层。他们靠一群便宜的 flash 模型 agent 加一位人类协调者往上爬，还开放了自己的 GPU 队列，按 H200 秒计价实验，号称比按需租整台实例省约 90%。
#3
@smgdkngt
https://x.com/smgdkngt/status/2115021751616709054
smgdkngt 用一支 Claude Code agent 团队打理自己的自由职业业务，读完 Anthropic 关于多 agent 协调和收拢子 agent 的两篇文章后重建了整套设置。一个总协调会话读所有邮件、例行报告和项目事件；每个客户有一个常驻的领域会话，记着这个客户的人、系统、未完成的事和专属技能文件。每个决定都以一个可点选的问题送到作者面前，推荐答案排第一；进度写在卡片上，通过 MCP 更新，新会话能从上一个会话停下的地方接着干；部署、合并和写生产库都变成审批队列里的脚本。每一次失误都变成一条评测用例，由一个看不到答案的新 agent 重放，这样负责进步的是循环，而不是人。
https://x.com/smgdkngt/status/2115021751616709054
smgdkngt 用一支 Claude Code agent 团队打理自己的自由职业业务，读完 Anthropic 关于多 agent 协调和收拢子 agent 的两篇文章后重建了整套设置。一个总协调会话读所有邮件、例行报告和项目事件；每个客户有一个常驻的领域会话，记着这个客户的人、系统、未完成的事和专属技能文件。每个决定都以一个可点选的问题送到作者面前，推荐答案排第一；进度写在卡片上，通过 MCP 更新，新会话能从上一个会话停下的地方接着干；部署、合并和写生产库都变成审批队列里的脚本。每一次失误都变成一条评测用例，由一个看不到答案的新 agent 重放，这样负责进步的是循环，而不是人。
#4
@jakemor
https://x.com/jakemor/status/2115179208674775504
jakemor 的团队在测一个 agent，借助 Superwall 的命令行工具，把从安装到付费墙的整条移动端漏斗放进 agent 循环。早期结果很具体：它先在安装环节加了一个付费墙，因为原来没有，这一步让 ARPU 从 0.58 美元掉到 0.45；随后它对一组新手引导问题做爬山优化，给付费墙做铺垫，把 ARPU 拉到 0.74。整体提升 27%，而且更多收入提前到手。这是目前最清楚的非科研 autoresearch 案例之一，因为指标是钱，动作空间是一个真实的产品。
https://x.com/jakemor/status/2115179208674775504
jakemor 的团队在测一个 agent，借助 Superwall 的命令行工具，把从安装到付费墙的整条移动端漏斗放进 agent 循环。早期结果很具体：它先在安装环节加了一个付费墙，因为原来没有，这一步让 ARPU 从 0.58 美元掉到 0.45；随后它对一组新手引导问题做爬山优化，给付费墙做铺垫，把 ARPU 拉到 0.74。整体提升 27%，而且更多收入提前到手。这是目前最清楚的非科研 autoresearch 案例之一，因为指标是钱，动作空间是一个真实的产品。
#5
@altryne
https://x.com/altryne/status/2115069871872729236
altryne 分享了 Recursive 的 Tim Shi 的一段访谈：公司直到发布前大约一个月都还没有预训练和后训练团队，整个模型从零到发布只用了四个月。他们的办法是在流水线几乎每个环节都跑自动研究，从预训练到强化学习再到推理。这是内核排行榜在业余尺度上证明的那件事的实验室版本：只要评测靠谱，循环就能压缩日历时间。回复区里提出的明显隐患是：一旦它优化的评测和用户在生产里实际碰到的情况脱节，自动研究就会塌掉。
https://x.com/altryne/status/2115069871872729236
altryne 分享了 Recursive 的 Tim Shi 的一段访谈：公司直到发布前大约一个月都还没有预训练和后训练团队，整个模型从零到发布只用了四个月。他们的办法是在流水线几乎每个环节都跑自动研究，从预训练到强化学习再到推理。这是内核排行榜在业余尺度上证明的那件事的实验室版本：只要评测靠谱，循环就能压缩日历时间。回复区里提出的明显隐患是：一旦它优化的评测和用户在生产里实际碰到的情况脱节，自动研究就会塌掉。
#6
@AmericaGetBig
https://x.com/AmericaGetBig/status/2115195501775913067
AmericaGetBig 总结了 Xi Chen、Henrik Christensen 与 Adobe Research 合作的 Auto-Research Arena 论文：7 套研究 harness、2 个大模型，在一个质量底线之下挑战 9 个目标，从模型大小到推理速度。核心结论对花哨的搜索很不友好：最朴素的顺序搜索在两个模型上都排第二，而专门为验证损失调过的 TPE 排最后。「达到门槛」和「在此基础上改进」分开计分，避免某个 harness 只靠刚过线就显得好看。论文的含义是：大部分价值在循环和评测本身，而不在叠在上面的更聪明的搜索算法。
https://x.com/AmericaGetBig/status/2115195501775913067
AmericaGetBig 总结了 Xi Chen、Henrik Christensen 与 Adobe Research 合作的 Auto-Research Arena 论文：7 套研究 harness、2 个大模型，在一个质量底线之下挑战 9 个目标，从模型大小到推理速度。核心结论对花哨的搜索很不友好：最朴素的顺序搜索在两个模型上都排第二，而专门为验证损失调过的 TPE 排最后。「达到门槛」和「在此基础上改进」分开计分，避免某个 harness 只靠刚过线就显得好看。论文的含义是：大部分价值在循环和评测本身，而不在叠在上面的更聪明的搜索算法。
#7
@hanwenjiang1
https://x.com/hanwenjiang1/status/2115137967660597332
Auto-Research Arena 的作者之一 hanwenjiang1 强调了第二个结果：多目标搜索顺带攒下了一个很大的想法库，在便宜的 10 分钟短跑里找到的想法，拿到长时间训练里同样能提升效果。这对付算力账单的人很重要，因为它暗示了一种两段式循环：先用大量短跑收割想法，再用少量长跑去确认。它也和内核排行榜那群人的发现对得上：贵的是实验，不是代码。
https://x.com/hanwenjiang1/status/2115137967660597332
Auto-Research Arena 的作者之一 hanwenjiang1 强调了第二个结果：多目标搜索顺带攒下了一个很大的想法库，在便宜的 10 分钟短跑里找到的想法，拿到长时间训练里同样能提升效果。这对付算力账单的人很重要，因为它暗示了一种两段式循环：先用大量短跑收割想法，再用少量长跑去确认。它也和内核排行榜那群人的发现对得上：贵的是实验，不是代码。
#8
@hammer_mt
https://x.com/hammer_mt/status/2115122380297089078
hammer_mt 在跑「多人 autoresearch」：几个模型做同一个任务，彼此都能看到对方的尝试记录。作者报告说 Gemini 4 Argon 刷新了每一条前沿。它在第 3 轮从 0.625 跳到 0.938 的突破，开头就引用了第 2 轮的失败：Fable 和 Sol 都放松过一条长句规则，结果分数下降，于是 Argon 保留了那条规则、改了别的地方。第 4 轮，Fable 和 Sol 在 Argon 的技能基础上分别拿到 0.938 和 0.875。这是一个小而具体的证明：共享失败记录和共享成功一样值钱，和 fork-and-flush 背后的直觉是同一个。
https://x.com/hammer_mt/status/2115122380297089078
hammer_mt 在跑「多人 autoresearch」：几个模型做同一个任务，彼此都能看到对方的尝试记录。作者报告说 Gemini 4 Argon 刷新了每一条前沿。它在第 3 轮从 0.625 跳到 0.938 的突破，开头就引用了第 2 轮的失败：Fable 和 Sol 都放松过一条长句规则，结果分数下降，于是 Argon 保留了那条规则、改了别的地方。第 4 轮，Fable 和 Sol 在 Argon 的技能基础上分别拿到 0.938 和 0.875。这是一个小而具体的证明：共享失败记录和共享成功一样值钱，和 fork-and-flush 背后的直觉是同一个。
#9
@miu21590
https://x.com/miu21590/status/2114924456854352098
miu21590 一直在测 Octopus OS，这是一个开源 agent 系统，设计目标就是让 agent 在日常工作中修改自己的 harness，必要时重启整个系统。有一个在闲置一小时后触发的机制：它回顾使用中出了什么问题，修改源代码，测试修复，然后在不中断 agent 的情况下应用，这次修的是语音模式里的一个 bug。工具、上下文、外部事件源，以及开始或继续工作的条件全都可以改，没有一个写死的 agent 循环在总控。桌面版目前是研究预览，选自定义安装时这个触发器默认开启，算得上是外面最字面意义上的「自我改进 harness」实验之一。
https://x.com/miu21590/status/2114924456854352098
miu21590 一直在测 Octopus OS，这是一个开源 agent 系统，设计目标就是让 agent 在日常工作中修改自己的 harness，必要时重启整个系统。有一个在闲置一小时后触发的机制：它回顾使用中出了什么问题，修改源代码，测试修复，然后在不中断 agent 的情况下应用，这次修的是语音模式里的一个 bug。工具、上下文、外部事件源，以及开始或继续工作的条件全都可以改，没有一个写死的 agent 循环在总控。桌面版目前是研究预览，选自定义安装时这个触发器默认开启，算得上是外面最字面意义上的「自我改进 harness」实验之一。
#10
@kbhaskar_95
https://x.com/kbhaskar_95/status/2115171928520397136
kbhaskar_95 抠出了 Meta 自家模型报告里的一个细节：SkillInject 基准是在一个正常任务里附带一个被注入指令的技能文件，同一个模型通过 API 跑时，有 0.6% 的运行去执行了被植入的指令，而在 Meta 自己的 agent harness Muse 里是 3.7%。Meta 的解释是，Muse 的设计就是加载技能并照做，所以放进它技能目录的恶意技能，走的是 harness 自己视为可信的通道。harness 也不总是更差：在浏览器提示注入上，靠系统层面的缓解措施，Muse 是 10%，API 是 17.5%。最有用的是实操建议：如果你的 agent 从某个文件夹加载技能，就把测试技能放进那个文件夹，用你真实的加载器去跑。
https://x.com/kbhaskar_95/status/2115171928520397136
kbhaskar_95 抠出了 Meta 自家模型报告里的一个细节：SkillInject 基准是在一个正常任务里附带一个被注入指令的技能文件，同一个模型通过 API 跑时，有 0.6% 的运行去执行了被植入的指令，而在 Meta 自己的 agent harness Muse 里是 3.7%。Meta 的解释是，Muse 的设计就是加载技能并照做，所以放进它技能目录的恶意技能，走的是 harness 自己视为可信的通道。harness 也不总是更差：在浏览器提示注入上，靠系统层面的缓解措施，Muse 是 10%，API 是 17.5%。最有用的是实操建议：如果你的 agent 从某个文件夹加载技能，就把测试技能放进那个文件夹，用你真实的加载器去跑。
#11
@RobertTLange
https://x.com/RobertTLange/status/2115110100616855900
RobertTLange 介绍了 Fork-and-Flush 这篇论文：它把 autoresearch 看成在「想法空间」里做下降，会像梯度下降陷入局部最优那样陷进「想法盆地」。方法是把 agent 分叉成 K 个分支，每个分支保留工作区、但清空聊天记录，各跑一段预算，留下最好的那支继续；只跑一条长线和一开始就跑 N 个取最好，是这条谱系的两个极端。在同等算力下，它在多种研究和工程任务上都胜过两者，而且结果的波动更小；分叉和清空各自都有帮助，合在一起最好。关键洞见是：丢掉聊天记录，逼着分支只能从文件里重新理解意图，正是这一点让它跳进新的盆地。
https://x.com/RobertTLange/status/2115110100616855900
RobertTLange 介绍了 Fork-and-Flush 这篇论文：它把 autoresearch 看成在「想法空间」里做下降，会像梯度下降陷入局部最优那样陷进「想法盆地」。方法是把 agent 分叉成 K 个分支，每个分支保留工作区、但清空聊天记录，各跑一段预算，留下最好的那支继续；只跑一条长线和一开始就跑 N 个取最好，是这条谱系的两个极端。在同等算力下，它在多种研究和工程任务上都胜过两者，而且结果的波动更小；分叉和清空各自都有帮助，合在一起最好。关键洞见是：丢掉聊天记录，逼着分支只能从文件里重新理解意图，正是这一点让它跳进新的盆地。
#12
@daibond_alpha
https://x.com/daibond_alpha/status/2115170739938795779
daibond_alpha 的团队给自家的实体 agent Kinex 装上了带递归自我改进能力的自我进化架构，报告称它只靠少量经验就解决了 RoboCasa 家务操作基准里的全部任务。帖子附了机器人、一篇关于实体 RSI 的文章和作者对自我改进 agent 的想法，功劳归给一群学生。推文本身细节不多，但它是本窗口少数把自我改进循环从屏幕挪到机器人上的说法之一，而在机器人上，每一次失败的经验都很贵。
https://x.com/daibond_alpha/status/2115170739938795779
daibond_alpha 的团队给自家的实体 agent Kinex 装上了带递归自我改进能力的自我进化架构，报告称它只靠少量经验就解决了 RoboCasa 家务操作基准里的全部任务。帖子附了机器人、一篇关于实体 RSI 的文章和作者对自我改进 agent 的想法，功劳归给一群学生。推文本身细节不多，但它是本窗口少数把自我改进循环从屏幕挪到机器人上的说法之一，而在机器人上，每一次失败的经验都很贵。
#13
@joelhooks
https://x.com/joelhooks/status/2114818780111286403
joelhooks 说，一个自主 agent 循环现在每天都在谈 2,000 到 75,000 美元区间的企业销售单。它回答初次咨询，处理采购入驻流程，谈合同、砍折扣，还负责交付和售后支持。帖子很短，没给成交率，但它是一个惊人的例子：循环已经从过夜跑实验，走进了对面坐着真人、直接带来收入的工作流。
https://x.com/joelhooks/status/2114818780111286403
joelhooks 说，一个自主 agent 循环现在每天都在谈 2,000 到 75,000 美元区间的企业销售单。它回答初次咨询，处理采购入驻流程，谈合同、砍折扣，还负责交付和售后支持。帖子很短，没给成交率，但它是一个惊人的例子：循环已经从过夜跑实验，走进了对面坐着真人、直接带来收入的工作流。
#14
@kumo0x
https://x.com/kumo0x/status/2114862902368768112
kumo0x 总结了一份三层结构的第二大脑指南：Obsidian 作为纯 Markdown 的事实来源，Hermes Agent 读取文件夹、跑定时任务，MiniMax M3 作为能一次读完整个知识库的模型，整体按循环而不是一次性聊天来跑。原作者报告：固定 41 个标签的体系里，首次就选对主标签的比例约 90%，而一个 20 万上下文的模型约 60%；一次完整的知识库检查要 30 多次工具调用，多数模型在第 8、9 次左右开始跑偏，它能保持连贯。可迁移的是权限规矩：人在收件箱、日记、阅读区随便写，agent 只往项目区和复盘区写。追加的建议是先把知识库纳入 git，这样 agent 的每一处修改都能对比、能撤销。
https://x.com/kumo0x/status/2114862902368768112
kumo0x 总结了一份三层结构的第二大脑指南：Obsidian 作为纯 Markdown 的事实来源，Hermes Agent 读取文件夹、跑定时任务，MiniMax M3 作为能一次读完整个知识库的模型，整体按循环而不是一次性聊天来跑。原作者报告：固定 41 个标签的体系里，首次就选对主标签的比例约 90%，而一个 20 万上下文的模型约 60%；一次完整的知识库检查要 30 多次工具调用，多数模型在第 8、9 次左右开始跑偏，它能保持连贯。可迁移的是权限规矩：人在收件箱、日记、阅读区随便写，agent 只往项目区和复盘区写。追加的建议是先把知识库纳入 git，这样 agent 的每一处修改都能对比、能撤销。
#15
@muratnakmuay
https://x.com/muratnakmuay/status/2114613206169653541
muratnakmuay 总结了一篇博客整理的时间线：两个月里前沿模型 API 最多降价 80%，从 GPT 5.6 Luna 降到每百万 token 输入 0.20、输出 1.20 美元，到 Opus 5.5 以 4 和 20 美元的价格发布。结论是夏天给 agent 循环算过账的人，应该按九月的价格重算一遍。专门写给循环开发者的细节是：长会话的大部分 token 花在缓存读取上，所以缓存降价比标价降价更要紧。更锋利的一点关于订阅而不是 API：博客作者的 Codex 额度在模型效率提升约 4 倍后被砍到原来的五分之一，实际成本基本没变。预测是：订阅额度会先缩水，然后 API 才会涨价。
https://x.com/muratnakmuay/status/2114613206169653541
muratnakmuay 总结了一篇博客整理的时间线：两个月里前沿模型 API 最多降价 80%，从 GPT 5.6 Luna 降到每百万 token 输入 0.20、输出 1.20 美元，到 Opus 5.5 以 4 和 20 美元的价格发布。结论是夏天给 agent 循环算过账的人，应该按九月的价格重算一遍。专门写给循环开发者的细节是：长会话的大部分 token 花在缓存读取上，所以缓存降价比标价降价更要紧。更锋利的一点关于订阅而不是 API：博客作者的 Codex 额度在模型效率提升约 4 倍后被砍到原来的五分之一，实际成本基本没变。预测是：订阅额度会先缩水，然后 API 才会涨价。
#16
@my_cat_can_code
https://x.com/my_cat_can_code/status/2114859255807578509
my_cat_can_code 在办 Investment Arena：72 个 AI agent，来自 18 个模型、每个模型 4 种交易策略，每个 agent 拿 12 万美元模拟资金，用一周时间交易股票、加密货币和 Polymarket，全程公开直播。它们拿到的不只是一个聊天窗口，还有几十个信息源、历史行情数据、实时新闻，以及可以搭建和训练自己市场模型的 CPU 和 GPU 沙箱，所以一个判断可以被测试、下单、失败后再修正。这是同一团队继 RSI Arena 之后的新项目，主题是让连续一周不停歇的自动研究去碰一个一直在动的市场。虽然是模拟资金，但它是本周少数拥有实时、无法刷分的计分板的循环之一。
https://x.com/my_cat_can_code/status/2114859255807578509
my_cat_can_code 在办 Investment Arena：72 个 AI agent，来自 18 个模型、每个模型 4 种交易策略，每个 agent 拿 12 万美元模拟资金，用一周时间交易股票、加密货币和 Polymarket，全程公开直播。它们拿到的不只是一个聊天窗口，还有几十个信息源、历史行情数据、实时新闻，以及可以搭建和训练自己市场模型的 CPU 和 GPU 沙箱，所以一个判断可以被测试、下单、失败后再修正。这是同一团队继 RSI Arena 之后的新项目，主题是让连续一周不停歇的自动研究去碰一个一直在动的市场。虽然是模拟资金，但它是本周少数拥有实时、无法刷分的计分板的循环之一。
#17
@aaronspradlin
https://x.com/aaronspradlin/status/2114909040283472383
aaronspradlin 讲了自己如何搭一个多 agent 的 Grok Bot 循环，全天候做数学和物理研究，只有一条硬规矩：禁止 bot 虚张声势。Grok Bot 提出定理，然后用 Python 穷举验证，报告全部 59,829 个状态零错误。值得注意的设计选择是：验证是机械的、全覆盖的，而不是另一个模型的意见。这和关于奖励作弊的研究反复在讲的是同一课：在研究循环里，检查者必须是提出者没法靠说服混过去的东西。
https://x.com/aaronspradlin/status/2114909040283472383
aaronspradlin 讲了自己如何搭一个多 agent 的 Grok Bot 循环，全天候做数学和物理研究，只有一条硬规矩：禁止 bot 虚张声势。Grok Bot 提出定理，然后用 Python 穷举验证，报告全部 59,829 个状态零错误。值得注意的设计选择是：验证是机械的、全覆盖的，而不是另一个模型的意见。这和关于奖励作弊的研究反复在讲的是同一课：在研究循环里，检查者必须是提出者没法靠说服混过去的东西。
#18
@ZimingLiu11
https://x.com/ZimingLiu11/status/2114758605731979665
ZimingLiu11 用一句很直白的话给 forking 结果背后的长帖收尾。故事起因是一个学生拿来一条奇怪的训练曲线，问怎么跑出来的，学生说得去问 AutoResearch agent；团队没有像往常那样把它丢掉，而是深挖下去，找到了一个真实的失效模式。结论是：AutoResearch 正在大量产出被人顶礼膜拜的东西，而缺乏真正理解时，它制造的混乱比洞见多。说这话的人，所在团队刚刚通过研究一个 autoresearch 产物命名了一个新现象，这恰恰是对的纠偏：循环是奇怪数据的来源，而科学仍然在于追问为什么。
https://x.com/ZimingLiu11/status/2114758605731979665
ZimingLiu11 用一句很直白的话给 forking 结果背后的长帖收尾。故事起因是一个学生拿来一条奇怪的训练曲线，问怎么跑出来的，学生说得去问 AutoResearch agent；团队没有像往常那样把它丢掉，而是深挖下去，找到了一个真实的失效模式。结论是：AutoResearch 正在大量产出被人顶礼膜拜的东西，而缺乏真正理解时，它制造的混乱比洞见多。说这话的人，所在团队刚刚通过研究一个 autoresearch 产物命名了一个新现象，这恰恰是对的纠偏：循环是奇怪数据的来源，而科学仍然在于追问为什么。
#19
@agent_wrap
https://x.com/agent_wrap/status/2114933125356921323
agent_wrap 转述了旧金山一场 Lean 4 聚会上关于 Bend 语言的消息：Bend 3 将实现自举，用 Bend 自己来写，并且从 12 月开始有一个每天都在变快的「自动研究编译器」。项目目标是与 Bend 2 保持 99% 的向后兼容，下一代 HVM 运行时也会用 Bend 写，原型已经放在一个演示分支上。一个每天对自己跑一轮优化循环的编译器，天然适合 autoresearch，因为编译器恰好具备循环需要的两样东西：可以改的代码，和一个硬性的速度指标。
https://x.com/agent_wrap/status/2114933125356921323
agent_wrap 转述了旧金山一场 Lean 4 聚会上关于 Bend 语言的消息：Bend 3 将实现自举，用 Bend 自己来写，并且从 12 月开始有一个每天都在变快的「自动研究编译器」。项目目标是与 Bend 2 保持 99% 的向后兼容，下一代 HVM 运行时也会用 Bend 写，原型已经放在一个演示分支上。一个每天对自己跑一轮优化循环的编译器，天然适合 autoresearch，因为编译器恰好具备循环需要的两样东西：可以改的代码，和一个硬性的速度指标。
#20
@liambraus
https://x.com/liambraus/status/2115168601472741669
liambraus 贡献了本窗口最短的一个警示故事：一个 agent 在夜里对同一个工具调用循环了 40 分钟，直到账单来了才有人发现。只有一句话，却点出了本页每一个「过夜循环」成功故事都悄悄依赖的那块运维缺口。大家反复想到的修法，是对重复的相同调用设熔断，再加上花费告警。这个小故事提醒我们：没有看门狗的自主，只是把成本挪到了第二天早上。
https://x.com/liambraus/status/2115168601472741669
liambraus 贡献了本窗口最短的一个警示故事：一个 agent 在夜里对同一个工具调用循环了 40 分钟，直到账单来了才有人发现。只有一句话，却点出了本页每一个「过夜循环」成功故事都悄悄依赖的那块运维缺口。大家反复想到的修法，是对重复的相同调用设熔断，再加上花费告警。这个小故事提醒我们：没有看门狗的自主，只是把成本挪到了第二天早上。
📡 生态产品雷达
生态产品雷达
Open Kernel Challenge：Meta 的内核排行榜，本周 autoresearch 的主战场，一条提示就冲到第 9，有人类协调的 agent 群爬得最快。
Anthropic 的子 agent 收拢指南：仍然是被重复最多的 agent 循环建议，这次被一位自由职业者改造成总协调架构，也在十几篇总结里被反复争论。
Karpathy 的 autoresearch 仓库：被疯传的「七个仓库学习路径」的最后一站，也是大多数 harness 拿来对比的基线。
Auto-Research Arena：新的基准，朴素顺序搜索胜过调优过的优化器，短跑的想法能喂给长跑。
Fork-and-Flush：用「种群」方式跳出想法盆地的方法，本周还被拿去做多人版测试。
Claude Code 和 Codex：自由职业 agent 团队、内核跑分和大多数个人循环背后的 harness。
Gemini flash 系列和 Gemini 4 Argon：内核 agent 群里的廉价劳动力，以及多人 autoresearch 里的领跑者。
Grok Bot 和 Hermes Agent：跑研究循环和第二大脑循环的托管与自托管 agent。
Superwall CLI：一个 App 团队交给 agent、用来端到端优化 ARPU 的付费墙工具。
Open Kernel Challenge：Meta 的内核排行榜，本周 autoresearch 的主战场，一条提示就冲到第 9，有人类协调的 agent 群爬得最快。
Anthropic 的子 agent 收拢指南：仍然是被重复最多的 agent 循环建议，这次被一位自由职业者改造成总协调架构，也在十几篇总结里被反复争论。
Karpathy 的 autoresearch 仓库：被疯传的「七个仓库学习路径」的最后一站，也是大多数 harness 拿来对比的基线。
Auto-Research Arena：新的基准，朴素顺序搜索胜过调优过的优化器，短跑的想法能喂给长跑。
Fork-and-Flush：用「种群」方式跳出想法盆地的方法，本周还被拿去做多人版测试。
Claude Code 和 Codex：自由职业 agent 团队、内核跑分和大多数个人循环背后的 harness。
Gemini flash 系列和 Gemini 4 Argon：内核 agent 群里的廉价劳动力，以及多人 autoresearch 里的领跑者。
Grok Bot 和 Hermes Agent：跑研究循环和第二大脑循环的托管与自托管 agent。
Superwall CLI：一个 App 团队交给 agent、用来端到端优化 ARPU 的付费墙工具。
评论