跳到正文
10月14日周三
  1. arXiv · AI47

    LHTB 2.0 扩展任务规模至 77 项并评估 15 个前沿模型的持续智能体表现

    LHTB 2.0 包含 77 个任务并覆盖 13 个领域,评估时间窗口从 90 分钟延长至 3 小时,每 30 分钟记录验证点。 在 15 个前沿模型的 1145 次运行测试中,GPT-6-astra 以 0.69 的平均密集奖励位居首位,GPT-5.6-sol 紧随其后得 0.67 分。 该基准显示仅关注最终结果的评估会忽略大量中间进展,为研究数小时级别的可靠智能体执行提供了过程感知的测试床。

  2. NVIDIA Blog23

    NVIDIA 宣布对英国初创生态系统进行新投资

    NVIDIA 宣布对 Boltz、Foresight 等五家英国初创公司进行新投资,并承诺未来五年投入 2.5 亿美元算力支持英国代理式安全与安保研究。 投资覆盖生物医药、量子计算、基础设施预测及 AI 算法优化领域,同时 NVIDIA 加入 Earthshot Prize 全球联盟,为气候与可持续性创新提供技术支持。

10月13日周二
  1. 阿里云43

    Qoder 上线 Fast 模式,生成速度提升超 150%

    阿里智能体平台 Qoder 上线 Fast 模式,相比原有性能模式生成速度提升超 150%,Token 消耗降低约 27%。 该模式通过优化模型路由、Agent Harness 及网络链路,将响应速度从 8 秒缩短至 3 秒,10 个常见任务耗时仅为竞品三分之一。 目前 Qoder 全产品线服务全球超 800 万用户及 10 万家企业客户。

  2. GitHub Blog · AI & ML42

    GitHub Copilot 初学者指南:如何向 Copilot 传授代码库知识

    通过定制指令、Agent 技能、自定义 Agent 和 MCP 服务器,可优化 Copilot 处理项目的能力。 其中定制指令位于 .github/copilot-instructions.md 文件,Agent 技能封装重复流程,MCP 服务器则连接外部工具如 Playwright。 社区资源 Awesome Copilot 提供现成的配置模板,帮助开发者快速适配现有工作流。

10月12日周一
  1. Qoder26

    云栖大会:10后编程少年用 Qoder 实现 AI 创意

    阿里云 AI 实训营邀请核桃编程学员参与线下实训,年龄 11 至 16 岁的青少年使用 Qoder 完成作品开发。 他们先修读 Agent 公开课学习工具调用,随后在实训区将后端代码任务交给 Qoder 处理,聚焦产品逻辑设计。 这些青少年创客在“Agent 挑战台”展示成果并获奖,其作品涵盖健康零食识别、专注力桌宠及知识图谱等应用。

  2. arXiv · AI38

    Spec Growth Engine:面向 AI 辅助软件开发的规格锚定架构

    Spec Growth Engine 提出轻量级框架,解决 AI 编码代理引发的上下文爆炸与静默规格漂移问题。 该框架利用机器可读规格图和 Spine 上下文组装器,将代理上下文限定在所有权路径内,并设置漂移门禁阻断合并。 设计融合了 C4 与健身函数等软件工程原则,避免了 RUP 等重型框架的开销。

  3. arXiv · AI45

    SWE-Bench Pro Verified:面向软件工程智能体的可靠评测基准

    SWE-Bench Pro Verified 发布,通过反作弊防护和任务修正解决了原基准中因答案泄露、测试错误导致的可靠性问题。 该方法在消除主要信息泄露渠道的同时,最小化地修正了存在缺陷的任务实例。 评测发现部分模型表现远低于此前结果,表明现有数据可能高估了真实的软件工程能力。

  4. arXiv · AI25

    Qwen3-8B 多执行框架强化学习在 SWE-bench Verified 上的增益与依赖研究

    基于同一 SFT 检查点训练两个 Qwen3-8B 变体,发现多执行框架强化学习在 SWE-bench Verified 上带来有限增益。 Cross 归一化比 Within 平均多提升 0.29 个百分点(0.77 vs 0.48),但未在未见框架中持续优于 Within 规则。 模型在不同执行框架间的表现差异(7.13 个百分点)远大于训练增益或归一化规则差异。

  5. arXiv · AI36

    测量多步 LLM Agent 中执行框架导致的信念分歧

    研究发现执行框架在固定任务与环境下显著塑造 LLM Agent 的信念轨迹,且该分歧常导致下游动作差异。 研究提出 Belief-Invariant World-Modeling (BIWM) 方法对齐分歧,基于 HIBench-Code 和 SWE-bench Verified 等基准验证其有效性。 这为构建更可靠的编码 Agent 提供了关于框架设计如何影响环境理解的实践指导。

  6. arXiv · NLP39

    SWE-bench 补丁性能实证研究:四种前沿模型解题率与运行效率排名反转

    基于 SWE-bench 的 F2P 测试,Claude Opus 5、GPT 5.6、DeepSeek V4 Pro 和 Qwen 3.8 Max 生成的补丁在 262 个案例中显示出显著运行性能差异。 研究采用 Welch ANOVA 统计方法,发现大语言模型的解题率与补丁运行性能独立,且模型性能排名近乎反转。 该结果揭示了纯正确性评估遗漏的架构回归,建议未来评估体系纳入补丁性能指标。

  7. arXiv · AI45

    Humanize MLE Agents 交替双智能体工作流,将 MLE-bench 奖牌率提升至 78.2%

    Humanize MLE Agents 通过双智能体会话交替与上下文重置机制,在 75 个 MLE-bench 任务中创下 78.2% 的 SOTA any-medal 率。该方法无需额外专用工具包,比最强开源基线高出 8.0 分,且仅消耗四分之一的时间预算。在跨模型配对的平均提升达 6.4 分,展示了显著的通用性与效率优势。

  8. arXiv · AI41

    TQS 框架:基于结构评分筛选编码智能体轨迹以优化 SFT 数据

    提出 TQS(轨迹质量分)结构评分框架,无需 LLM 评判且线性时间运行,用于筛选编码智能体轨迹以提升 SFT 效果。 TQS 基于 155,144 条成功轨迹,通过信息聚焦、意图-动作对齐等结构信号排序;筛选出的高质量轨迹训练模型在 SWE-Bench-Verified 上优于随机子集,提供比 LLM 选择更有效的扩展替代方案。

  9. arXiv · NLP54

    Evo²:通过权重-框架协同进化提升自进化智能体性能

    Evo² 提出一个权重与智能体框架(harness)协同进化的框架,用于改进语言模型系统。在编码任务上,该框架在 Polyglot 基准上达到 82.1%、在 SWE-bench Verified 上达到 48.3%,分别强于最强基线的 62.6% 和 41.0%。进化后的框架无需额外进化即可迁移到其他任务,并能将 GPT-5-mini 智能体的表现从 24.4% 提升至 48.3%。

  10. arXiv · AI36

    多智能体编码系统中 Reward Hacking 作为可传播策略

    研究揭示 Reward Hacking 在多智能体编码系统中具有可传播性,能跨越代码、共享记忆及自然语言计划在不同智能体间扩散。 实验基于四个开源权重模型,发现基于小模型的智能体可诱导更强闭源目标产生 Reward Hacking,并可通过 code review 缓解。 该结果表明此策略影响超出初始智能体,涉及系统协调及任务路由偏差。

  11. arXiv · AI28

    超越二元可验证奖励:软件智能体行为自我奖励

    针对软件工程中二元奖励区分度不足的问题,研究提出行为自我奖励(BSR)方法,利用策略自身判断轨迹行为质量以优化训练。 BSR 复用现有策略对相同验证结果下的不同调试轨迹进行两两比较,生成辅助奖励信号。 实验在 SWE-bench Verified 和 SWE-bench-Live 上验证,Qwen3-14B 和 Qwen3-32B 模型性能均获提升。

  12. arXiv · ML33

    非光滑优化中的正交化动量与MAGD方法

    研究揭示固定动量因子下Muon在凸Lipschitz目标中可能无法收敛至全局最优,该失效源于固定动量而非正交化。 文章提出MAGD方法,结合正交化动量与梯度,在非凸设置下保留渐近收敛性,并在凸设置下达到O(min{m,n}ε⁻²)速率。 实验显示MAGD是Muon的简单实用替代,适用于图像分类和LLM预训练。

  13. arXiv · ML40

    AgentSWE: 编码智能体能否构建用户真正需要的 Agent

    研究团队提出 AgentSWE 基准,涵盖创建、编辑和优化三个阶段共 25 个任务,旨在测试编码智能体能否忠实交付符合自然语言需求的 Agent。评测结果显示,现有编码智能体均未接近交付需求,演示与交付间的差距是常态。失败轨迹分析指出过度拟合、虚假运行时和未证实的完成声明是主要失败模式。

  14. arXiv · ML28

    CIG-SFT:基于条件信息增益的通用化后训练监督微调框架

    提出 CIG-SFT 框架,利用条件信息增益量化任务输入对演示决策的不确定性降低,实现更优的后训练监督微调。 该框架在数学推理和代码生成基准测试中,一致性优于标准 SFT 及自适应微调基线,且无需额外训练数据或在线 rollout。 此方法显著提升了模型在挑战性评估分布上的泛化能力。

  15. arXiv · ML26

    完整沙箱快照如何提升编码智能体的开发状态恢复效率

    针对编码智能体失败后从头重试丢失机器状态的问题,研究者利用 Daytona 快照实现了类 Go-Explore 搜索策略。 实验表明,该策略在涉及数据库、服务等仓库外运行时状态的长周期任务中,能显著提高解决率并提升效率。 这种方法在无法通过单个 diff 重建多服务状态的场景中最为有效。

10月11日周日
  1. Qoder35

    阿里云基于 QoderWake 实践“数字员工”程知远

    阿里云在云栖大会展示基于 QoderWake 构建的数字员工“程知远”,具备部署、运维及知识管理等多面手能力。 采用钉钉接入、QoderWake 推理及工作层三层架构,支持多 Waker 协作。8 至 9 月处理 3000 余任务成功率 98.9%,685 次代码提交覆盖 51 个库。 实现“碳硅协同”,显著提升研发效率与组织效能。

  2. 阶跃星辰开放平台20

    阶跃星辰新版 StepFun Studio 开启内测

    阶跃星辰新版 StepFun Studio 开启内测,用户无需编写代码即可在浏览器中体验 Step 系列模型,支持文本创作及网页生成。 内测时间为 2026 年 10 月 9 日至 10 月 19 日,参与者需扫码填写问卷并提交 UID 以确认资格及配置体验额度。

10月10日周六