Loop 日报: 2026-10-23

这个窗口最响的一课是：谁有资格说一次改进是真的。Kiro 的科研团队差点上线一个自我改进修复，后来发现全部收益都来自一次运气好的运行，于是现在的规则是模型只负责提议，确定性代码负责判定，人负责合并。一项机器人研究让 7 个前沿模型在模拟环境里练了四年多，用了五道防作弊控制，结论是尝试次数多不等于学会了，有一个模型在任务远离练习内容后从 87.8% 掉到 35.6%。还有一封写给被吓到的初级研究员的长信，从人这一侧说了同一件事：autoresearch 只在有人已经选好问题、写好评分器的地方才灵，所以判断力才是现在的工作。Recursive 的 autoresearch 系统参与打造的 Flint，也从发布走向了真正被用：笔记本和 DGX Spark 上每秒 125 到 150 个 token，OpenRouter 上免费，有人在本地跑了一个 100 次尝试的循环，把工厂排程的完工时间缩短了 26%，失败记录一起公开。底层管道继续变成熟，从带轮次上限和审计记录的生产级循环，到每一行表格都跑一整个 agent 循环的批处理 API。