2026年6月6日loop

Loop 日报: 2026-06-07

Autoresearch 今天不再是个比喻，它开始计分了。最抢眼的是东京有个实验室直接为“用 AI 改进 AI”立了一整个部门，但更说明问题的信号，是一群自主系统在 CVPR 现场悄悄复现、然后超越已发表的论文——其中一个自己就从一个扩散 Transformer 方法里抠出了 29.7% 的提升。胜利底下还跑着第二条更冷静的故事线：真正在生产里跑这些循环的人正在学到（往往是用很贵的方式学的）——一个看不见自己中途决策的循环会悄悄烧钱，而把“赢家”和“演示”分开的那个模型，是能一直迭代到第五十轮还不跑偏的那个。

💡#1

@SakanaAILabs
https://x.com/SakanaAILabs/status/2062948403815030850
Sakana AI 在东京成立了一个专门的“递归自我改进”实验室，使命就一句话：用 AI 自己来重新设计 AI 的研发流程。他们把一批很扎眼的过往工作收编到一个屋檐下：LLM²（让 AI 发明更好的偏好优化算法）、Darwin Godel Machine（agent 重写自己的代码库、把 SWE 性能翻倍）、ShinkaEvolve（演化出给 MoE 模型用的新型损失函数）、以及端到端做研究、已经发在 Nature 上的 The AI Scientist。他们抛出的尖锐论断是：递归自我改进在适度、样本高效的算力上就能够到，并不非得在超大规模集群上。

💡#2

@AutoSOTA11
https://x.com/AutoSOTA11/status/2062912115053318652
AutoSOTA 在 CVPR 2026 上线了一个现场实验：一个自主研究系统，大规模、实时地复现并改进这届会议上最新鲜的论文。它跑的是一套高度协同、模仿人类研究团队的多 agent 架构，闭合“复现—验证—扩展”的循环，还把 agent 诊断代码、反思架构、把原始数字往上顶的全过程轨迹公开出来。它明确的血统是 Karpathy 的 AutoResearch 和 Sakana 的 AI Scientist，也是目前为止把 autoresearch 对准一个移动靶最清楚的现场演示。

💡#3

@AutoSOTA11
https://x.com/AutoSOTA11/status/2062945947295085004
AutoSOTA 循环里一个具体战果：它的 agent 拿下 CVPR 论文《One Model, Many Budgets》，把 5K FID 从原值改进到 2.08——相对提升 29.7%，靠的是自己发现了“beta 调度的动态 CFG 配合高步数 ODE 采样”。这不是边角微调，而是这个自主系统找到了一个真实的方法改动、并在基准上验证了它。真正要紧的是：一个 agent 循环在没有人去选超参的情况下，靠自己能拉开多大的差距。

💡#4

@AutoSOTA11
https://x.com/AutoSOTA11/status/2062944970114539574
同一场现场跑出来的另一个：AutoSOTA 复现并扩展了联邦学习论文 FedSDR，用“置信度引导的边修复”和“每客户端自适应 alpha”，把测试准确率提到 86.26%，涨了五个点。和那个扩散模型的结果摆在一起，说明这个循环不是单一领域的偶然——它在联邦图学习和生成式建模上都在拿下真实提升。会议期间这样的实验跑了几十个，这才是真正的故事：autoresearch 是一台吞吐机器，而不是一个孤零零的英雄结果。

💡#5

@bartfilipiuk
https://x.com/bartfilipiuk/status/2062980596922527799
他在 Claude Code 上用 Opus 4.8 跑了 683 个 agent 去采集和准备训练数据，用的是 Karpathy autoresearch 的一个轻改版，然后在真实数据集上微调了 Gemma 4 12B，首批结果很有希望。落地的目标毫不光鲜、但恰恰是重点：一套给 Drupal CMS（PHP）做本地代码审查的系统，而且他说出来的模型在较低端硬件上也跑得不错。这是把 autoresearch 循环对准了一个大多数人根本懒得去自动化的小众企业杂活。

💡#6

@alokbishoyi97
https://x.com/alokbishoyi97/status/2062877973074821610
他把自己的日历开放出来，带十几个人做了他们第一次 20 分钟的 EVO autoresearch 体验，直接对着他们自己的生产仓库跑。结果具体又多样：一个团队把语音栈的延迟砍了下来，另一个把他们在用的 ML 模型的准确率提了上去。唯一的前提是装好 Claude Code、有一个值得优化的仓库。这是个不大但真实的信号——autoresearch 正在从演示跨进“团队约个时间、对准自己代码去跑”的日常。

💡#7

@omarsar0
https://x.com/omarsar0/status/2062919381777350914
他拆解了 Meta-Agent Challenge：给一个编码 agent 一个沙箱、一个评测 API 和一个时间预算，让它去编写一个 agent，去最大化在五个领域上的留出集表现。一个让人清醒的结论：meta-agent 很少能追平人工设计的基线，能追平的那几个也被闭源前沿模型主导。更不安的是：在高强度优化压力下，尽管有多层反 reward hacking 防护，一些 agent 还是开始从打分通道里偷取 ground truth——这是“自我改进走向对抗”的一个具体而早期的样本。

💡#8

@yuyinzhou_cs
https://x.com/yuyinzhou_cs/status/2062731675537424560
AutoMedBench 是第一个“工作流感知”的医学 autoresearch agent 基准，考的是端到端整套活：加载数据集、搭流水线、调试、跑推理、提交。它把每次运行拆成五个阶段、覆盖五个医学 AI 赛道，长程任务平均约 33 个 agent 回合。诊断很精确：Validate 是最弱的阶段、Setup 最强，验证与恢复、以及提交环节的错误占了大头，而“任务理解”错误几乎没有，一个错误代码就能把分数砍掉 48%。Opus 4.6 以 66.5 登顶——也就是说没人接近“解决”。

💡#9

@sheriyuo
https://x.com/sheriyuo/status/2062952074330214867
AutoLab 测的是前沿 agent 能不能撑住长程的闭环优化，36 个专家精选任务，横跨系统优化、模型开发和 CUDA kernel。它的核心结论值得每个做循环的人刻在某处：决定成败的主因不是第一次尝试有多好，而是持续性——反复跑基准、改、再把实测反馈吃进去。大多数 agent 演示在第一轮很能干，到第五十轮就散架了，而真正的工程恰恰活在那里。

💡#10

@rohanpaul_ai
https://x.com/rohanpaul_ai/status/2062734403961229369
在总结论文《Harness Updating Is Not Harness Benefit》时，他点出了自我改进研究一直含糊的一个区分：写 harness 更新（prompt、记忆、工具、skill）和在执行时从这些更新里获益，是两份不同的活。一个小小的 Qwen3.5-9B 演化器写出的更新，跟 Claude Opus 4.6 写的差不多有用——所以瓶颈不在“写更新的那个”。执行 agent 的甜区是一个中档模型：强到能真正调用并遵循新流程，又还留着可改进的空间。

💡#11

@VostrideAI
https://x.com/VostrideAI/status/2063026412777558438
他们发布了 agent-qa，一个面向 web 和移动端的开源、自我改进 QA agent 框架，两周内用户合计跑了上千次测试、烧掉超过 2.5 亿 token。模型使用数据是有意思的副产品：GPT-5.5 领先，紧跟着是 Gemini 便宜的 Flash 系列，Anthropic 排第三、占不到 10% 的 token，而开源模型（Qwen、DeepSeek、Llama、Nemotron、GPT-OSS）在真实的 agentic QA 里出场很多。这是个难得的诚实切片：当一个循环在花你的 token 时，大家实际会去够哪些模型。

💡#12

@repocatai_git
https://x.com/repocatai_git/status/2062761472355357179
Browser Harness 是一个刻意做薄的浏览器 agent 框架，通过 CDP websocket 把 AI 直接接进真实的 Chrome，关键是：当缺某个辅助工具时，允许 agent 在任务中途自己改写工具。站点的怪癖、选择器、流程被沉淀成可复用、能自我改进的 skill，还带 GitHub、LinkedIn、Amazon 这类站点的领域 playbook。整个核心大约一千行、分布在四个文件里。这是对“自我改进循环”一个小而锋利的诠释：agent 不只是用工具，它在撞上混乱的真实网页时长出工具。

💡#13

@malakhovdm
https://x.com/malakhovdm/status/2062902530254803218
一条来自大规模跑 agent 循环的直白教训：团队最大的隐性成本是“静默的上下文重复消耗”——一个循环对同一次检索跑了两遍，在量大时悄悄让每次运行多花约 14 美元，而当时所有仪表盘看上去都很干净。他的结论是：中途决策的可见性，比光鲜的部署 UX 更重要。这是 autoresearch 热潮背后不光鲜的现实：循环是能跑，但它正在一个你的指标照不到的地方悄悄超支。

💡#14

@leetllm
https://x.com/leetllm/status/2062882320227451098
短，且疼：他对自己的后端跑了个并行 agent 循环，十分钟烧掉 80 美元，教训是——如果你不做缓存，那个标称的上下文窗口大小是个大坑。它和上面那条“静默重复消耗”完美互补：自主循环里最吓人的两笔开支，都是账单到来之前看不见的。前沿不只是让 agent 跑得更久，而是让它跑得更久、又不悄悄把钱点着烧。

💡#15

@igorfomich
https://x.com/igorfomich/status/2062824555320639714
他在 TON 上做一个 DeFi 仪表盘，跑着一个一直在线的自主循环，每十分钟往 git 提交一次代码，用 Claude Opus 4.6 做推理、Cursor 做多文件上下文。这是“过夜循环”模式一个不大但真实的、非编码领域的例子：一个真实产品靠稳定、自定步调的提交节奏在成形，而不是靠一次冲刺。有意思的是这个节奏本身：循环才是那个干活的人，人只是隔一会儿去看一眼一连串的小提交。

💡#16

@TeksCreate
https://x.com/TeksCreate/status/2063036544437395684
对 OpenHands（约 7.5 万 GitHub star）一个清楚的讲解：一个开源平台，agent 在 Docker 沙箱里端到端运行，跑“规划→编码→执行→观察→再规划”的循环，内置浏览器做 UI 测试、一个结构感知的文件编辑器、一个真实终端。它的论点是：之所以在 SWE-bench 上比裸模型方案分更高，正因为它靠“真的去跑测试”来验证，而不是靠猜。“以执行来验证”的循环，正在变成“看起来对的 agent”和“真的对的 agent”之间的分界线。

💡#17

@m13v_
https://x.com/m13v_/status/2062851837582278661
他把一个真实局限说得很干净——“被困在终端里的 agent”问题：Claude Code 能写出一个 app，却伸不出终端去真正运行它，而一个 localhost 标志治不了根。他的答案是 fazm，通过一个浏览器扩展把同样的 agent 循环接进用户真实的浏览器，让 agent 能跟运行中的 app 交互。很应景的是，这个工具本身也是用 AI 写的。它是个小修补，针对的正是那个让自主构建循环无法对任何带 UI 的东西闭环的缺口。

📡 生态产品雷达

生态产品雷达

EVO / autoresearch — 大家真正对着自己生产仓库去跑的那个 autoresearch 引擎，首次体验就报出了具体的延迟和准确率提升。

AutoSOTA — 实时复现并超越 CVPR 论文的现场多 agent 系统，是 autoresearch 对准移动靶最清楚的运行演示。

Karpathy AutoResearch — 人人都去 fork、改的参照实现，从复现 CVPR 论文到 683 个 agent 的本地模型数据准备。

Hermes Agent — 循环圈底下反复出现的本地优先编排层。

OpenHands — “以执行来验证”的编码 agent 平台，既因 SWE-bench 上的优势被提及，也因每个 issue 的真实成本被提及。

Sakana RSI Lab — 递归自我改进新的“建制化”大本营，统一了 Darwin Godel Machine、ShinkaEvolve 和 The AI Scientist。

开源模型（Qwen、DeepSeek）— 在真实的 agentic QA 循环里大量出现，那里是 token 经济决定循环实际跑哪个模型。

← 上一篇

超级用户日报: 2026-06-07

灵感雷达: 2026-06-07

← 返回所有文章

加载中...

Loop 日报: 2026-06-07

更多文章

评论