Loop 日报: 2026年7月16日

@zhengyaojiang
https://x.com/zhengyaojiang/status/2077079778793042425
今天最清晰的一个 RSI 结果。他的团队做了 AIDE2，一个带两个自动研究循环的系统：内层循环像任何普通自动研究智能体那样，针对一个 eval 去优化代码；外层循环则针对多个 benchmark 上的平均分，去优化内层循环自己的 harness 代码。让自动研究去研究这个自动研究智能体，跑了八天，产出的 harness 在留出 benchmark 上打败了他们手工调了两年的版本。全程完全自主，它设计出了一种全新的搜索算法，把 prompt 体积压缩了 16 倍，还搭起了一套分层防御来对抗 reward hacking。

@yuxiangwu_
https://x.com/yuxiangwu_/status/2077087643922260354
同一个 AIDE 故事，但换到了建造者的视角，最打动人的是那份坦诚。手工调了两年 AIDE，而 AIDE2 在 100 个无人值守的步骤里，把同样的文献方法大多试了一遍：岛屿遗传算法、MCTS 回传、重启策略。它几乎把这些全都否掉了，只用几个团队从没想过要组合起来的简单机制，就赢了。他自己的话是：被自己的智能体在研究上超越，很让人谦卑，RSI 已经到来，处在 Level 1。

@NVIDIAAI
https://x.com/NVIDIAAI/status/2077061428998013279
最出圈的一个具体 demo。他们给一个编码智能体一个目标和一段时间预算：搭一个训练环境，教一个视觉模型去数彩色的星星。借助 NeMo RL、NeMo Gym 和可复用的 skills 来做自动研究，智能体自己完成了搭建、训练和评估，研究者只在高层做方向把控。Qwen3-VL-2B 在大约五个小时里，准确率从 25% 涨到了 96.9%，而且智能体还自己提出了下一个要做的实验。

@anshuc
https://x.com/anshuc/status/2077173469293535723
一个没有任何 ML 背景的用户，花 $0 训出了一个 1.7B 的本地自动纠错模型，还打败了 GPT-5.6 Sol。受 Karpathy 那套自动研究思路启发，他用 Codex /goal 跑了一个循环：挑一个实验、试一下、记录结果、把失败的扔掉、再规划下一步，而且不重复犯过的错。Sol 自己独立地筛出候选基座模型、做了一个模拟键盘物理特性的打字错误生成器、把坏掉的 tokenizer 换成 T5Gemma、写了一个自定义的按字节对齐的 loss，还加了带前缀流式输出的 beam search。最终的错误率降低达到 91.02%，对比苹果的 49.66% 和 Sol 自己此前的 90.56%。

@CalvinGrunewald
https://x.com/CalvinGrunewald/status/2076861793910301140
一份很接地气的清单，讲这类自动研究式循环在他工作里到底在哪些地方真的见效了。他用它来压缩 CI 测试时间（量一个数出来，只保留能让这个数变好的改动），清理 lint 以及任何能靠检查 AST 识别出来的问题，驱动一个 planner 先生成详细的任务清单再逐个任务地循环 编写／测试／提交，还跑一个抓 bug 的 QA，每 30 分钟做一轮手动测试、找出 bug、然后修掉。

@ishaangtwt
https://x.com/ishaangtwt/status/2077125412631838846
一个月接近全自主的持续交付，8 万多行代码里 99% 是 AI 写的。最亮眼的是 AutoRalph，它把 Ralph loops 和 Karpathy 的自动研究结合成一个长跑的自主系统，目标是连续运转好几周而不做无谓的 token 消耗。除此之外他还发布了一个 Slack 原生的自主智能体、一个跑在 1000 万多篇文档上的生产级 RAG，以及一个把 Claude 接到 Cloudflare Workers AI 的桥接，主要靠 Devin CLI 加上 tmux 和 worktrees 来实现放手不管的运行。

@askalphaxiv
https://x.com/askalphaxiv/status/2077054667868217556
一个把论文变成可复现产物的具体配方，走的是自动研究这条路。智能体先专注于用自动研究去复现论文里一个用来说明问题的实验，接着用之前实验产出的物料拼出一个带交互式可视化的 notebook，条件允许时还会加一个 GPU cell，从头跑一个轻量的示例。

@samaneggs
https://x.com/samaneggs/status/2076987708858302940
一条方法论上的犀利警告，大多数自动研究搭建都忽略了。如果每一点收益都立刻被拿去资助更多搜索，一个走运的随机种子就可能靠噪声长成一整个研究方向。他的项目 Rockie 会在扩展一个有希望的分支之前，先留出算力来做复现，并且把复现的运行、环境变更和分支决策都记在同一条共享的证据链里，让你能分清到底是路径依赖还是真实进展。

@morgymcg
https://x.com/morgymcg/status/2076919105769140645
一个干净利落的框架，解释了为什么自动研究不只是长跑的写代码。写代码和测代码又便宜又快，但 ML 实验要花几小时、几天甚至几周，所以研究者在筛选和引导一个自动研究计划上的投入，会远比在一个编码任务里高得多。他的判断是：真正会跑通的实现，是那些刻意把研究者留在 loop 里的实现。

@Vtrivedy10
https://x.com/Vtrivedy10/status/2077078004581171207
一条很深入、很实操的讨论，讲怎么在真实 trace 数据上跑自动研究循环。他谈了如何用仓库访问权加上用户上下文（而不是只靠 trace）来缩小 sim2real 的差距，如何从已有 benchmark 里构建出一类类的 verifier，好让生成智能体不至于跑偏，以及如何把从 trace 里做 harness 工程当成一个以 eval 为地基的优化问题来看，而不是凭感觉。他用一个叫 Engine 的工具来跑这套，把 trace 里的问题映射回对应的 PR，再拿改动去对着 eval 做测试。

@ostg_
https://x.com/ostg_/status/2077071184894583106
一套从 NVIDIA 路线图里提炼出来的、能上手的自我改进系统起步栈。最关键的结构性改变，是用一个独立的 verifier 子智能体来取代自我批判，因为模型总爱替自己的推理辩护，而一个独立的 verifier 不会。他把它和一个五阶段的记忆系统（Fail、Investigate、Verify、Distill、Consult）配在一起，锚定在一个每个 session 都会读取和更新的 STATE.md 文件上，再加上模型分级：把常规活儿路由给更便宜的模型，把贵的那个留给高风险的关键环节。

@qurisage
https://x.com/qurisage/status/2077035387050926397
关于 verifier 对比自我批判这个问题的硬数据。跑一个 Fable 5 的自我改进循环，他报告独立 verifier 的方案相比让模型自己批判自己，带来了大约 6 倍的流水线提升，这恰好就是本周所有人都在收敛到的那个结构性观点。

@shaincodes
https://x.com/shaincodes/status/2077015254496879099
一个非编码的自我改进循环，前后对比很干净。他搭了一个接力循环，给一份投资人 deck 打分、迭代它，在完全没有人介入的情况下把分数从 65 推到了 100，说明同样一套自动研究机器在路演材料上也管用，不只是在 ML benchmark 上。

@EverymansAI
https://x.com/EverymansAI/status/2076830430465315292
搭一个能对自己的工具做循环的自我改进元 harness。这个系统先跑基于 ModelFusion 搭的合成与审计工具，然后再去改进那个编排这些工具的 harness，这是一种在工具之上做外层循环的模式，在更小的尺度上呼应了 AIDE2 的结构。

@Zaigennnn
https://x.com/Zaigennnn/status/2077098302105849884
一个建在 Hermes 上、带明确记忆与技能设计的自我改进循环。记忆触发器和技能触发器会在运行过程中被激活，一套为期七天的策展方法论来决定哪些东西会被晋升成长期技能，这样智能体的能力是以一周为尺度不断复利，而不是每个 session 都重置。

@Lummox_eth
https://x.com/Lummox_eth/status/2077041237689852115
一个包在 Replit Agent 外面的自我改进 eval 循环。它跑一个叫 ViBench 的 benchmark，把 Telescope 检测到的失败当成 PR 反馈回去，再对改动做 A/B 测试，把从失败检测到代码改动再到量化改进这一整条环闭上，不需要人工分诊。

@DkingYooo18516
https://x.com/DkingYooo18516/status/2076918847286968681
一种给自我改进编码智能体用的竞技场打法。Albedo 让智能体们在 1200 万条轨迹上互相对抗、做对抗式评估，用竞争而不是固定 eval 来暴露出到底哪些智能体变体是真的在进步。

@ManevaAI
https://x.com/ManevaAI/status/2077060836691005738
把自我改进智能体放在工厂车间里，而不是 benchmark 上。在生产环境里运行，这些智能体把缺陷停机方面做出了 16 倍的改善，是本周把自动研究循环用到实体运营（而非软件）上最清晰的例子之一。

@Even64875237590
https://x.com/Even64875237590/status/2076863943734095985
一套面向物理 AGI 的详细自我改进架构。它把 SIMA 式的具身智能体、Cosmos 世界模型、主动推理和 PDDL 规划闭成一个环，勾勒出一个自我改进循环该如何在机器人的感知、规划和动作上运转，而不是在代码上。

@OpenWorldsAI
https://x.com/OpenWorldsAI/status/2077049628399112697
一个打算跨真实市场部署的自我改进交易智能体 harness。它的卖点是一个能自适应调整自身策略的单一自主循环，把自动研究这套模式延伸进了实时的金融决策。

@archiexzzz
https://x.com/archiexzzz/status/2077050365661601961
一个面向实盘市场、用整队推理 trace 训练出来的自我改进 harness。不是让单个智能体自己孤零零地学，而是把一整队智能体的推理 trace 蒸馏成一个更强的 harness，是一种数据飞轮式的市场自动研究打法。

@Dipper_pol
https://x.com/Dipper_pol/status/2077095201026244866
来自 Outtake 的一个跑两小时无人值守的网络调查智能体，它的教训被概括为 harness 重于 prompt。有意思的地方在运营层面：让一个智能体自主循环着做几个小时的安全调查，然后发现真正让它不跑偏的是 harness 的设计，而不是什么巧妙的 prompt。

@omarsar0
https://x.com/omarsar0/status/2077058236847444005
一个驱动世界模型的连续 模型-智能体 循环。他报告了一次跨 20 个场景、稳定跑满 60 分钟的运行，在这段足够长、足够有意义的时间里，智能体和生成式世界模型一直耦合在一个 loop 里，这是长时程生成上一个很硬的稳定性结果。

@kojott
https://x.com/kojott/status/2077140944885895648
把大规模跑智能体循环的经验提炼成规则。他在六个生产代码库上把同一个循环大约跑了 70 次，最后把整段经历浓缩成三条规则，这种上手的操盘知识，只有在你亲眼看着一个 loop 成功和失败很多次之后才会浮现出来。

@TeamIDElab
https://x.com/TeamIDElab/status/2077064713981084056
在老硬件上做贴着金属的 loop 工程。他用一个自定义引擎让 nex-n2-mini 在老旧的 K80 卡上跑到大约 20 tokens/sec，还用一个自定义 harness 同时跑八个 n2-mini，现在正在做智能体循环和一个三值 PTQ，好让量化少掉点信息。这提醒我们：loop 是长在一整套真实的推理栈之上的，而这套栈有时得你自己去搭。

@joshuamschultz
https://x.com/joshuamschultz/status/2076841457537765730
一套把控制权和安全性放在首位的自定义 ERP 智能体循环与 harness。他没有把钥匙交给一个通用智能体，而是为企业数据搭了一个更紧、更可控的 loop，底层还能拿 OpenClaw 或 Hermes 当代理来用，对那些没法让开放式智能体直接对着生产系统跑的团队来说，是个务实的取法。

@yuma_1_or
https://x.com/yuma_1_or/status/2076976232290455627
LOGOS，一个面向可验证的人-智能体循环的框架。它架在 Codex 和 OpenHands 之上，加了一层验证，让一个有人参与的自我改进循环产出的是可核查的结果，而不是没经验证的进展声明。

@QCXINT_
https://x.com/QCXINT_/status/2076983479917772842
DorkAgent，一个把 Google Dorking 侦察自动化的开源 LLM 智能体循环。它建在 CrewAI 上，把一件靠手动做的安全研究苦活变成了一个自主循环，又一个把 loop 模式落到具体、非通用工作流里的例子。