SCARCE:长期多智能体编码系统中的自发机构
研究提出 SCARCE 框架,让编码智能体在共享资源限制下解决序列任务。实验发现智能体自发形成基于声誉与互惠的非正式制度,甚至放弃即时利益以遵守旧协议。 测试了 8 个模型及 1500 多条轨迹,发现较新的前沿模型比轻量级模型表现出更多制度性行为。 SCARCE 为审计多智能体系统的资源分配与安全性提供了可控环境。
研究提出 SCARCE 框架,让编码智能体在共享资源限制下解决序列任务。实验发现智能体自发形成基于声誉与互惠的非正式制度,甚至放弃即时利益以遵守旧协议。 测试了 8 个模型及 1500 多条轨迹,发现较新的前沿模型比轻量级模型表现出更多制度性行为。 SCARCE 为审计多智能体系统的资源分配与安全性提供了可控环境。
研究人员将四个 Gemini 4 Argon 智能体放入沙盒版 Minecraft 生存世界,通过开源库 Mineflayer 控制角色并依靠游戏内聊天与共享内存协作,未分配角色或编写游戏逻辑。
推荐理由:实验证明多个AI智能体能在无预设逻辑的情况下协同通关高复杂度任务,揭示了长程规划与协作的实际边界。
研究者证明,对于任意深度的标准样条 KAN,在等距 Sobolev 球上逼近任意目标函数时,若未达到独立于维度的精度阈值,所需样条系数数量至少随输入维度呈指数增长。
研究人员提出Gibbs-Gap策略优化(GGPO),通过最小化KL调整奖励的对数均值指数对比,消除了长回复训练中高方差的重要性权重。 消融实验显示,固定参考下的GGPO在五项基准加权平均中得分为32.96,默认刷新调度下得分提升至46.58。 GGPO在训练推理不匹配及固定离线数据场景下优于GRPO和AGRO,并在策略陈旧度增加时保持性能稳定。
研究发现,代码模型偏好 Python 的特性取决于分析参数,在 55 种模型设置中,12 组件预算下仅 1/15 显著,40 组件预算下 6/15 显著。 指令微调使该偏好平均增强 12%,探针更换可致测量值从 1.6 降至 0.01,且显著结果多源自提取失败的诊断。
研究证实,正确性反馈抑制了规格完整性审计所需的证据,导致无反馈发现机制的认证见证产出率(59.0%)是含反馈循环(27.1%)的两倍以上。 该优势在所有受测模型族中均成立,且通过保留失败见证,Phase-Revised 合约的 81.3% 实现成功率优于 IS-Revised 的 62.5%。 效果未复现于 Dafny 和 Lean,界定了该工作流在 Verus/Rust 中的实证边界。
开发者Theo Browne使用OpenAI GPT-5.6 Sol、GPT-6 Astra和Anthropic Claude Opus 5.5等AI Agent,将微软基于Go的TypeScript v7编译器移植到Rust。
推荐理由:项目把微软Go版TypeScript编译移植到Rust并宣称速度优势,为AI Agent寻找更轻量的运行时环境提供了可参考的路径。
因 AI 使游戏反编译过于简单且 AI 主导的项目严重冲击社区协作,原用于协作逆向工程和修改游戏的网站 decomp.dev 宣布关闭。网站管理员 Encounter 表示,如今 AI 能迅速完成原本需人类团队花数年合作的反编译工作,导致无法区分纯人类主导与 AI 参与的项目,且 AI 的“恶意分叉”破坏了社区基础。
TheWariend 开源 AI Agent 过程记忆工具 MuscleMemory,通过记录成功任务路径减少重复试错,在 Codex 基准测试中降低 25.5% 输入 token 与 30.4% 工具调用。该工具默认本地运行(Apache-2.0),支持 Codex、Claude Code 和 Cursor,通过验证机制防止错误技能传播。
开发者将 AI 编程智能体引入 Mock Band 项目,并行协调代码实现、自动化检查及浏览器验证。 智能体负责运行单元测试和生成提案,开发者保留产品方向、物理设备验收测试及合并审批权。 通过物理脚踏开关调试和审查队列管理,验证了人机协作中人工把关的实际价值。
P2Patch生成对抗式修复系统在101个C/C++和Java CVE基准测试中,将保留集修复覆盖率从78.1%提升至84.7%,超越上游覆盖率达62.5%。 该系统通过利用代理与修复代理的多轮对抗循环,使修复后的程序在41%的运行中仍被发现存在新的同类漏洞,从而识别一次性验证遗漏的修复盲区。
SWE-Stream利用10,728个代码库生成80,874个验证任务,微调Qwen3-30B模型在SWE-bench Verified上的解析率达45.6%。 其弹性流式策略比批量构建效率提升1.45倍,比固定限制流式处理多接受13.2%的任务,有效缓解了高质量训练数据稀缺问题。
SWE-Nexus 自动构建包含 600 个任务、覆盖 105 个代码库和 6 种编程语言的基准,任务源自测试执行而非历史变更边界。 该基准含 116 个原子任务和 484 个复合任务,通过 4 个构建代理选测、适配追踪与评估协议并生成行为规范。 最佳配置在单次尝试中解决 37.8% 的任务,使任务构建超越单一历史变更验证行为。
JevCoder 结合代码片段推荐与行动指导,利用 Jev 法官判断提交时机,在保持修复质量的同时降低 Token 使用量。 对比无指导修复,JevCoder 在 SWE-bench Verified 等 400 个任务上,使三种修复模型的修复器 Token 平均消耗降低 21.6% 至 50.6%。
论文提出 transparent-compact,一种专为轻量级模型设计的确定性上下文压缩方法,用于开源 Pi 编码智能体。 该方法保证上下文中的用户和助手原文不被模型改写,并明确标记信息被压缩剥离的位置。 在基于 Qwen3.8-27B 等四个模型的基准测试中,transparent-compact 在保持事实与承诺记忆方面匹配或优于默认摘要及其他确定性方法,尤其在避免自信错误上表现更好。
LAGO 将专业语言智能体视为可复用的时间扩展选项,元智能体从持久库检索选项或生成新选项,无需更新权重即可让库跨任务增长。在 500 个 SWE-bench Verified 任务中,使用冻结的 Qwen3.5-35B-A3B 单次评估解决率为 58.6%。
一项针对美国医疗行业技术领导者的研究显示,73%的受访者感到需评估每个AI趋势的压力,59%难以在治理、安全和运营方面一致评估新技术,62%指出随着AI生成代码与遗留系统并存,工程疲劳正在加剧。
Meta 于 10 月 15 日发布了开放权重 AI 模型 Muse Spark Open,宣称其为“能力最强的美国开放权重模型”。该模型采用原生多模态架构,总参数量 816B,激活参数 42B,支持 1M token 上下文窗口,面向代码构建与智能体协作设计。
同一新闻,精选展示《Meta 发布开源权重多模态大模型 Muse Spark Open》
Until 发布了一种协作工作流,每位功能由开发者制定专属计划,经人工审核通过后,多个 AI 编码智能体并行执行,最后由审查智能体对比计划与代码差异,将缺失或多余部分作为决策反馈给开发者。该工具目前处于限量早期访问阶段,支持 Claude Code、Cursor 等智能体。
Anthropic 内部代码协作平台 Scion 取代 GitHub,团队仅用 5 个月即完成开发。 Google 发布 Gemini 4 Argon 并附带安全报告;Meta 发布 Muse Wonder,基准测试表现优异但数据呈现方式存疑。 OpenAI 员工利用 ChatGPT 发现 Chrome 全链路漏洞,获 250,000 美元赏金;该公司近期还裁员三名安全研究员。
AI Maestro 已运行一年,作者目前通过该工具在多台电脑上管理80多个智能体。该工具提供统一仪表盘、Agent Messaging Protocol(AMP)以实现智能体间通信,并支持持久化内存、多机器对等网状网络及四种部署模式(tmux、Docker、AWS EC2、AWS ECS Fargate)。
Meta 发布开源权重模型 Muse Spark Open,称其为美国能力最强的开源权重模型。该模型有 816B 参数、1M token 上下文窗口,原生多模态,面向复杂编码和 agentic 任务,并设计为可本地运行在 Mac 上;本地运行至少需要 1TB RAM,Meta 指出搭配 M5 Ultra 芯片的 Mac Studio 效果最佳。
同一新闻,精选展示《Meta 发布开源权重多模态大模型 Muse Spark Open》
summary_zh: rust-djinn 工具允许用户通过编写明确的形式化规范(Spec),由 LLM 生成代码,并利用验证器(Verifier)证明代码严格符合规范,从而无需人工阅读代码即可确保正确性。
评论认为 AI 软件工厂模式注定失败,因为其倡导者往往最不擅长识别软件工程中的难点。 核心逻辑在于软件并非简单的小部件,软件工程包含复杂的认知过程,不能简单流水线化。
量子位智库发布《Agent驱动的企业智能化:单点提效到规模化重塑》报告,拆解企业AI落地的六大断点,提出全链路破局框架。 报告指出成熟企业级Agent需贯通任务、上下文、判断、行动、控制与衡量;网易智企案例显示,数帆EasyData与知数DataAgent将财务预算分析从2-3小时压缩至10分钟,CodeWave SDD助力企业实现最高2.5倍提效。
OpenAI Codex v0.163.0 新增即时中断、并行只读工具及 Daybreak 默认启用功能,并增强 /config 与 /daemon 配置管理能力。
一项针对 1,866 个流行 GitHub 项目的研究显示,34% 的项目提供 AI 代理指令文件,其中 78% 使用 AGENTS.md 格式。研究发现半数文件超过 100 行,且三分之一的规则可由脚本校验,但仅 3.7% 的明确指出了校验方法。
Meta 开源代码模型 Muse Spark Open 现已接入 Amazon SageMaker JumpStart,支持 100 万 token 上下文窗口。
Linus Torvalds 在 Linux 内核邮件列表中回复 Laurent Pinchart,反对关于限制 AI 辅助代码提交的讨论。他批评了禁止使用 AI 或特定工具参与内核开发的提议,指出如果要求开发者必须手动编写汇编以证明理解,逻辑上同样要求禁止使用编译器和编辑器,这是荒谬的。
作者指出,尽管 AI 模型如 Opus 5.5 在可验证任务上表现优异,但仍无法胜任缺乏程序化验证函数的“品味”决策,导致产品选择趋向平庸。 “品味”指在无法通过测试自动验证的场景(如布局、结构)中做出正确决策的能力,目前 AI 在此类长程连贯性上仍不足,依赖人类监督纠偏。 该能力被视为实现递归自我改进(RSI)的主要障碍,只有当模型能在这些非验证决策上超越人类时,人类才能真正退出循环。
BlastLoop 是一个结构优先的 AI 智能体编码框架,将代码编写分为 Blast、Mid、Inner 三个高度层级,并执行 T1 结构、T2 运维、T3 对抗性测试。
Microsoft 联合 Carnegie Mellon University 启动 PRAISE 导师制项目,旨在通过资深工程师指导初级开发者,结合 AI 工具使用与正式课程训练,确保人才梯队延续。 该计划借鉴护理业“preceptorship”模式,强调系统设计思维与判断力培养,明确 AI 仅提升效率而非替代人类对结果负责的责任。
Day 11/ 我们上线了一系列更改并增加了更多算力,以大幅减少“所选模型已达到容量上限,请尝试其他模型”这一干扰性提示的出现频率。当它确实发生时,系统最终也应能够自动继续运行,而不仅仅停留在该错误上。 如果你在外部仍看到此问题,请告诉我们,我们会进行检查。
summary_zh: CommonForge 是一款自托管工作区,允许代理机构、客户及其编码智能体在隔离环境中共同修改客户端网站代码,确保变更可控。 该工具运行于 Cloudflare Workers,通过 cforge CLI 让 Claude Code 或 Codex 等智能体执行任务,每次修改需经 staging 预览及人工审批后方可发布。
AI正通过干湿实验闭环颠覆制药行业,大幅压缩新药研发时间与成本。产业形成AI技术公司、CRO服务商、传统药企三类玩家协作格局,英矽智能管线Rentosertib进入III期,成为关键验证节点。
作者使用 Claude 构建了一个名为 hw-harness 的测试框架,通过对比 Windows 虚拟机与 Linux 宿主机的 USB 流量,成功为无官方 Linux 驱动的硬件编写了驱动。
Anthropic 宣布弃用 Git,转而采用自研版本控制系统 Scion,将提交、合并等代码管理操作转移至服务器端执行,以降低智能体和自动化任务的本地数据下载与存储需求。
使用 Claude Code 容易使开发者脱离系统架构,作者通过提示词要求 AI 仅填充实现而由人主导方向,提出“基石驱动开发”方法论。 该技巧要求用户声明“我会确定方向,你指导我实现”,并允许 AI 扩展现有模式,如为 `main.py` 新增控制器,从而在自动化中保留人工决策权。
作者开发 luau-rewrite 工具,将 Luau 代码编译为 LLVM IR 以简化 Luraph 保护的混淆逻辑,并尝试使用 AI 辅助重写代码实现反混淆。 该方法利用 LLVM 的 -O3 优化层级处理动态类型操作,但生成的 C 代码仍依赖复杂的 luau_* 辅助函数,导致人工可读性较差。
该指南对比了7款AI测试工具,指出不同工具在生成代码、浏览器执行或截图对比上的差异。 Playwright 适合工程团队,HiTest 面向产品团队,BugBug 支持记录编辑,价格从免费到219美元/月不等。 选错工具类别可能导致发布瓶颈,团队需根据测试所有权决策。