AI周报 2026-W41 | Recsys Frontier

type

Post

status

Published

date

Oct 10, 2026 05:41

slug

ai-weekly-2026-W41

summary

这一周的中心事件只有一个：10 月 6 日 OpenAI 在 GitHub 上发布了 722 篇数学手稿。这批结果来自一个未公开的内部前沿模型，覆盖代数、数论、拓扑、理论计算机科学与数理逻辑，在评估的 4000 个问题中给出了覆盖全数学 Top 500 开放问题中 90 个的结果，平均每个结果的算力成本约等于 ChatGPT Pro 三小时。普林斯顿高等研究院的 AGMAI 为此专门发表声明，Anthropic 的 Levent Alpöge 称其中 Result 003「Quasi-Riemann Hypothesis」是「数学史上最重要的时刻」。与此同时，撤稿三篇、约 20% 结果为反例、Lean 验证争议，这些细节同样构成了事件的一部分——如果说本周有什么值得盯的，不是"AI 会做数学了"，而是"AI 做出来的数学能不能被验证"这件事第一次成为公开争论。第二条线是推理栈对新硬件的适配密度。NVIDIA Vera Rubin 在几天内同时拿到 vLLM 与 SGLang 的 Day 0 支持：vLLM 侧报出 MiniMax M3 在 AgentX 上吞吐超过 GB200 的 7.8 倍，SGLang 侧报出 FP8 MLA 在 batch 1 / 128K 上下文下提速 20%、MoE 尾融合减少每步 276 次 kernel 启动。同一周 vLLM 发 v0.31.0（717 commits、307 contributors），并放出 vLLM-Omni 的全模态服务运行时技术报告。硬件换代与引擎迭代正在以周为单位咬合。第三条线是 agent 工程从"能跑通"转向"能管住"。GitHub 披露 agent-scale 开发对 Git 基础设施的冲击（月 commit 同比 5x、push 4.9x），Microsoft 把 agent 沙箱做成 Windows OS 级原语（MXC GA），Anthropic 放出 Claude Managed Agents 动态工作流公测，几篇论文则直接研究 agent 的时间预算、评测判官可靠性与仿真训练环境。本周真正被反复追问的问题是：agent 大规模跑起来之后，谁来给它设边界。

📊 本周概览

第二条线是推理栈对新硬件的适配密度。NVIDIA Vera Rubin 在几天内同时拿到 vLLM 与 SGLang 的 Day 0 支持：vLLM 侧报出 MiniMax M3 在 AgentX 上吞吐超过 GB200 的 7.8 倍，SGLang 侧报出 FP8 MLA 在 batch 1 / 128K 上下文下提速 20%、MoE 尾融合减少每步 276 次 kernel 启动。同一周 vLLM 发 v0.31.0（717 commits、307 contributors），并放出 vLLM-Omni 的全模态服务运行时技术报告。硬件换代与引擎迭代正在以周为单位咬合。

第三条线是 agent 工程从"能跑通"转向"能管住"。GitHub 披露 agent-scale 开发对 Git 基础设施的冲击（月 commit 同比 5x、push 4.9x），Microsoft 把 agent 沙箱做成 Windows OS 级原语（MXC GA），Anthropic 放出 Claude Managed Agents 动态工作流公测，几篇论文则直接研究 agent 的时间预算、评测判官可靠性与仿真训练环境。本周真正被反复追问的问题是：agent 大规模跑起来之后，谁来给它设边界。

OpenAI 数学论文与 AI 科学发现

本周必须先讲这件事，因为它的影响面不限于数学。

AINews 的汇总（Latent Space）给出了最完整的一手口径：722 篇手稿、372 个结果族，来自约 4000 个研究问题的评估，平均每个结果消耗约 3 小时 ChatGPT Pro 算力——相比之下，此前 Navier-Stokes 那批工作是 88 小时 / 1 万 agent。这个量级差本身就值得注意：算力效率提升了一个数量级还多。文内收录的具体结果包括整数乘法快于 n log n、弹性逆问题唯一性（一个 1994 年以来的 3D 开放问题）、Riemann/Hodge/BSD 的部分进展，并明确标注约 20% 的结果为反例——这一点很关键，反例同样是数学产出，但很容易在传播中被忽略。

Zvi 的深度跟进 提供了更冷静的逐条拆解。他把 719 篇（撤稿 3 篇后）按结果类型分类，逐一解读 Riemann 界收紧、矩阵乘法、整数乘法、Pi、Unique Games、Hodge/Birch、Hilbert 第十问题、Hadwiger 图着色等结果的意义，并记录了三件事：数学界的震动、Lean 验证的争议、三次撤稿。撤稿这件事没被主流报道充分强调——在一个声称产出 722 篇结果的发布里，三篇被撤回意味着验证机制在起作用，也意味着验证机制并不总能一次性拦住错误。Zvi 的结论比 AINews 更保守：结果很有意思，但"是否实用"是另一回事。

背景补充。New Scientist 在两天内连发两篇报道，一篇讲发布规模，一篇挑出"最有趣的发现"，后者特别指出这批结果"既涵盖长期数学谜题，也涵盖对很少被考虑的小众问题的微小改进"——这两类工作在图灵测试式的评估里没区别，在数学界的价值判断里差别很大。DataCamp 的整理确认发布时间为 10 月 6 日，模型产出周期"以周计"。AGMAI 的声明是最值得引用的一段：影响"不止于个别成果本身，而是波及整个数学领域和数学界"。

从 AI for Science 的更大图景看，Periodic Labs 的访谈 提供了另一条路径的完整论述。Liam Fedus（ChatGPT 联合创造者）和 Ekin Dogus Cubuk（DeepMind GNoME/MatterGen 作者）的核心论点是"智能本身不足以做科学"——科学发现与数学、编程有本质区别，需要在噪声、不确定性和缺失信息下推理，且实验是最终 ground truth。他们提出的 synthesis superintelligence 是一个更重的方案：把 RL 环境搬到物理世界，用 AI 做材料表征、DFT 模拟、高通量自主实验室，训练模型学习"做科学的过程"而不是只看已发表结果。其中一个判断值得单独拎出来——失败的实验和负结果可能是最有价值的训练数据。这跟本周数学那批工作的对比很有意思：数学里反例是产出，科学里负结果是训练数据，两者都要求系统能容纳"不成功"的信息，而这恰恰是当前大多数 benchmark 与 reward 设计不擅长的。

把这两件事放在一起看，本周其实给了 AI for Science 两条不相交的路径：一条是纯符号空间内的密集搜索（OpenAI 的数学），一条是必须落到物理实验的闭环（Periodic Labs 的材料）。前者已经交出了 722 篇的量，后者还在搭基础设施——而且两位创始人反复强调，未来的前沿模型仍然必须做物理实验。哪条路先跑通，现在下结论太早。

GPU 集群调度与新一代推理栈适配

本周推理栈的关键词是"Vera Rubin 就绪"，但更有长期价值的是 Ai2 的一篇工程复盘。

Ai2 的 GPU 集群调度复盘（Hugging Face Blog）讲的是他们如何把"谁该拿多少 GPU"从逐案运维谈判变成透明的行政预算流程。先说病理，这部分比方案本身更有价值：GPU squatting（用户占着 no-op 负载等调试）、priority inflation（100% 的负载都标 HIGH，导致低优先级任务饿死）、on-call 工程师大量时间花在协商非抢占负载的关停。这三条几乎在任何自建集群都能对号入座。方案是 GPU time budgets（按项目分配时间额度）+ hierarchical fair-share（层级公平分配）+ time-slicing contract（时间切片契约），评估框架是四层指标金字塔：availability → occupancy → impact → utilization。文章用模拟与真实集群结果做了验证。这是少见的、带失败模式与迁移路径的一手材料——大多数集群调度文章只讲最终架构，不讲旧架构为什么坏。

硬件侧。vLLM 支持 Vera Rubin（vLLM Project）报出 MiniMax M3 在 AgentX 上吞吐超过 GB200 的 7.8 倍，原因是 Rubin 与大部分 Blackwell kernel 兼容，DeepSeek、Kimi、MiniMax、GLM 等模型 Day 0 就绪；作者 Woosuk Kwon 补充说除兼容性之外还额外发布了一批 Rubin 专属优化。SGLang 的对应适配 给出了更细的 kernel 级数据：batch 1 / 128K 上下文下 FP8 MLA 提速 20%，KDA 验证提速 20% 且输出 bitwise 一致，MoE 尾融合减少每 decode step 276 次 kernel 启动、端到端提速 5.9%。LMSYS 官方账号同时提到 Miles 用 SGLang 做 Rubin 上的端到端 RL rollout，包括 64 个并发 sandbox 跑在 Vera CPU 上。

版本发布方面。vLLM v0.31.0（717 commits、307 contributors、96 位首次贡献者）的亮点集中在四块：DeepSeek-V4.1-Flash 的 FlashMLA mega attention + NVFP4 KV 缓存 + DeepGEMM 稀疏 MQA；Fast restart（vllm preload 让权重跨重启留在 GPU 内存里）；Model Runner V2 的 draft-model speculative decoding 与 DSpark 自适应验证；大规模服务侧的 MoonEP 均衡 all-to-all 与 DeepEPv2。vLLM-Omni 技术报告 走的是另一条路——为全模态生成提供统一服务运行时。它的动机说得很清楚：语音助手、视觉生成、world model、robot loop 这些负载的执行模式各不相同（多阶段 AR 流水线、迭代扩散、跨步骤带状态的会话），LLM server 和 diffusion stack 各只擅长一种，部署时只能靠拼接互不相干的 runtime。vLLM-Omni 用 orchestrator 推进请求跨阶段流转、专用引擎跑计算、connector 传 payload，让 duplex、world model、robot loop 共用一条 session path。

论文侧有两篇值得看。RaReCache（USC / UC Irvine / Intel Labs）解决的是跨模型 KV cache 复用里的精度衰减问题。已有工作证明了同族模型间可以用闭式线性映射翻译 KV cache，但模型尺寸差距拉大后迁移精度会掉。这篇的观察是：迁移失败集中在少数信息密集 token 上。方法是用 rank disagreement 度量打分，只对关键位置做选择性重计算——Qwen3-0.6B 到 14B（23x 参数差）只需重算 30% 位置即保留 95-99% 精度；Llama3-8B 到 70B（8.8x）重算 40% 保留 96.5%。线上服务侧，单 GPU 上吞吐达目标模型直接 prefill 的 1.8 倍，在饱和负载下 30% 重算预算可把 TTFT 中位数降 5.0 倍、P99 降 6.4 倍。这个方向的意义在于：小模型替大模型 prefill，大模型只重算关键 token。

另一篇是训练侧的数值问题。Chen 的 FlashAttention-3 BF16 训练异常：用 BF16 FlashAttention-3 训练 LLM，训练长期看起来正常，然后梯度范数暴涨 1000 倍，最终 loss 比 FP32 attention 高 0.2 nats，全程没有一个 NaN。问题定位在 attention 反向。这类"静默劣化"比崩溃更难排查——没有 NaN 意味着绝大多数健康度检查都拦不住它。做长训练的人值得花时间读那篇论文。

端侧这边，lithos-metal 开源（Jia Zhihao）用 megakernel + DSpark 推测解码，在单块 Apple M5 Max 上把 Qwen3.8-27B 跑到峰值 200+ tokens/s/user。单机、单卡、消费级硬件的这个吞吐数字，放在一年前属于数据中心配置。

把这几条放在一起能看到一个共同方向：推理栈的优化重心正在从"模型本身"下移到 kernel、调度与缓存编排。Vera Rubin 的 Day 0 支持靠的是 kernel 兼容性，vLLM 大版本的重点是 KV 缓存格式与 all-to-all 均衡，RaReCache 直接以 token 为单位决定算不算，Ai2 的文章则干脆把问题定义成行政问题。模型权重没变，系统层面的每一层都在被重写。

Agent 评测、时间预算与仿真训练环境

本周有几篇论文共同指向一个结论：agent 的失败往往不在能力，而在"没人告诉它边界在哪、它也没学会怎么用边界"。

On the Clock（AWS / UIC / NYU）直接研究 agent 在显式 wall-clock 时间预算下的行为。实验设置是 Qwen3.6-27B 跑 MLE-Bench Lite 五个竞赛、Qwen3-4B 跑 Zork I。第一个发现就很扫兴：只在 prompt 里声明时间预算，agent 根本无法把预算转化成受控的时间使用。原因有三层——harness 不提供时间反馈、agent 无法可靠预估动作时长、没有"可用时间 → 合适策略"的学习映射。干预有两类：harness 层面暴露 timing 信息并强制 deadline，以及带预算感知奖励的 RL。结果分化明显：注入 timing 信息大幅提升 Qwen3.6-27B 的预算遵守率且无性能损失，GRPO 在 Zork I 上达到近乎完美的预算遵守并能泛化到训练中未见的预算，但在 MLE-Bench 上没提升任务性能。最有价值的结论是最后那句：即使 agent 学会了遵守预算，它们仍然不会用多出来的时间提升表现——RL 策略学会了何时停止，却常常用重复动作填满剩余时间，多预算 GRPO 训练还会坍缩到最短预算学到的策略。时间遵守与有效时间分配之间的这个 gap，是 budget-conditioned agent 的核心难题。

AgentHorizon（ServiceNow Research / Mila / McGill 等）研究的是另一个边界问题：谁来判定 agent 做对了。基准包含 1373 个 computer-use 任务，来自 166 小时人类录制轨迹、跨三种操作系统。设计上有个巧思——通过交换相近指令来构造负样本，评测 judge 能否区分"完成了任务"和"完成了相似但不兼容的请求"。评估了 11 个 judge，两种用法（直接传完整轨迹、或作为 coding agent 跨五种 harness）。结果：最好的 agentic judge（GPT-5.5）在 AH 子集上达到 80.9% balanced accuracy；工具使用对某些模型有帮助，但让开源权重模型表现更差；judge 在"接受有效轨迹"和"拒绝失败轨迹"上的能力差异极大。这篇的问题意识很清楚：一条包含 300 张截图和动作的轨迹看起来可能完整，实际上违反了指令约束或引入了副作用，而 judge 需要主动去定位和验证那些常常是隐藏的证据。

Who Verifies the Verifier?（AWS / HSBC）把这个问题推得更狠——让 verifier 本身成为演化对象。做法是把 verifier 表达成对小型、多数确定性的 drawback detector 的可检查组合，从聚类的失败中合成、出生时 gate、选择标准是与十项锚定参考集的一致度加无标签输出上的共识，明确不以 agent 分数为选择标准。MBPP+ 上相对手写种子组合提升 +0.21 held-out 一致度，且在每个 seed 上都成立。这篇最该被记住的发现是一个警告：移除锚定守卫会让 verifier 退化成永远通过的无效评分器，而这个退化后的 verifier 训练技能的效果一样好。言下之意——下游任务分数根本无法认证一个自演化的 verifier。作者还报告 Double Ratchet 在代码生成、企业 text-to-SQL、无参考报告生成三个场景下，保留了 ground truth 或 rubric 所带来 lift 的 88-110%。

环境侧有两篇。StoreBench（AfterQuery）是一个实时商业运营环境：agent 用一个中型在线服装店的生产级后端、通过 29 个人类运营者会用的工具做决策，顾客全天候下单、供应商调价和断供、市场冲击带着部分或零预警到来。设计上有三个细节值得注意：窗口化操作预算让模拟时间成为动作数量的函数（模型延迟无法影响模拟时间）、通过阈值由脚本化锚定策略校准、奖励针对一份 reward hack 目录做了加固。七个前沿模型跑 11 个场景，最好的 DeepSeek-V4-Pro 通过 49% 的 task-seed 单元，人类专家 0.708 vs 最好模型 0.700——没有任何模型在平均值上追平脚本化的 smart-triage 启发式（97%）。GRPO 后训练那边，Qwen3.5-27B 只用五个不相交任务就把 held-out 平均综合分从 0.136 提到 0.373。

Synthesis Through Simulation（SAP Labs）走了"生成训练数据"的方向：让 LLM agent 在策略强制的模拟企业环境中执行操作来生成数据。核心设计是 schema-free——因为数据是通过定义"什么算合法"的同一环境生成的，结构有效性由构造保证，于是可以把有效性强制与分布建模解耦、各自独立处理。Generalist Populator 在十个环境上达到 0.88 平均边际保真度与 100% 约束满足，且没有访问数据库 schema。对比之下，统计合成器因必需种子数据在七个环境上无法适用，而有 schema 权限的 agent 在 airline 环境上 82% 轨迹失败。框架、十个环境与生成数据集全部开源在 https://github.com/SAP/synthesis-through-simulation。

检索侧，RIT-RAG（IBM / IIT Kharagpur）处理的是 agentic RAG 的结构感知问题。PageIndex 这类方法能导航文档结构，但无法扩展到大语料——整棵结构放不进 LLM 上下文，所以必须先用文档检索器锁定单一文档，选错就无法恢复。RIT-RAG 的做法是离线为每篇文档建树（目录或 sitemap），查询时先检索一批 chunk，用它们的位置反向诱导出可管理的子树（可能跨多篇文档），再由 LLM agent 导航子树、选择性阅读、必要时重写查询。分工很干净：检索决定看哪里，agent 决定读什么。金融、科学、客服三类 benchmark 上准确率最高，在自建的 EntQABench（284 万技术文档网页）上较最强 baseline 提升 6.8-11.4 分。

把这几篇串起来看，共同点很清楚：评测与环境设计正在从"能不能做完"转向"做完得对不对、值不值、是不是真做完了"。AgentHorizon 和 Who Verifies the Verifier 各自从判官可靠性和自演化认证两个角度戳同一件事，StoreBench 用人类专家和脚本策略做双重标尺，On the Clock 则提醒即便约束被遵守，productive allocation 仍是空白。这不是工程细节的堆砌，而是 agent 落地必须先解决的一层基础设施。

Agent 产品落地与企业运行时改造

本周的落地案例有个共同特征：难点都不在模型，在存量系统。

Postman 在 Amazon Bedrock 上跑 Agent Mode（AWS Machine Learning Blog）服务 4000 万开发者，复盘里最诚实的一句是：团队原以为最难的是模型质量和 prompt 设计，真正的挑战是把 agent 接入一个有 11 年历史、界面驱动的成熟产品——agent 是在数据上推理，不是在屏幕上导航。给出的可复用模式有三条：控制工具蔓延（早期原子化工具导致调用链过长，后来转向任务级工具作用域）、暴露 schema-based 读取、把 context 而非 capability 当作首要瓶颈。生产设计上要求修改应用状态前需用户批准、按任务限定工具、用 Bedrock Guardrails 在进 LLM 前脱敏 PII。三条里最反直觉的是第二条之后的判断：工具不够用的时候第一反应是加工具，但实际瓶颈在上下文。

Asana 的 browser agent 成本优化（OpenAI）把模型成本降低 76 倍、速度提升 5 倍，单次运行成本降到约 $0.47。核心发现值得所有做 browser agent 的人看：agent 的缓存只覆盖了固定指令和工具定义，而不断增长的页面文本与截图历史被按全价重发；更糟的是每步都丢弃旧截图和裁剪文本，导致缓存历史本身也失去价值。三条优化路径对应得很直接：把缓存扩展到浏览历史、提高文本保留量、批量而非逐步删除截图。144 次运行横评把人工估计需要 1-2 个月的研究压缩到一周。

Simon Willison 的语音开发实践 是另一类样本。他用 ChatGPT 桌面端 Codex 的语音对话模式，在做饭的半小时里几乎全程说话完成了博客 Newsletters 页面：新建 Django model 与 migration、四个数据导入（Substack RSS、Substack 未公开 API、GitHub 公开与私有仓库）、归档页与站内搜索集成。全文附了完整语音 transcript 的 Gist 和 PR 链接。卡点很具体：只在处理私有仓库 API key 时需要切回键盘。这是一手数据，不是演示视频。

平台层面，NVIDIA 与 Microsoft 联合发布 RTX Spark 与 agent 时代的 Windows PC（NVIDIA Blog）有三个要点。Microsoft Execution Containers（MXC）正式 GA，把 agent 沙箱做成 OS 级原语，让 agent 能安全、持久地在后台运行并受系统观测与治理。RTX Spark 超级芯片（Blackwell RTX GPU 6144 核 + 20 核 Grace CPU、600GB/s 互联、1 PFLOPS FP4、最高 128GB 统一内存）落地笔记本与紧凑台式机，可本地跑 Qwen 3.8 Flash Next 这类 125B 模型，完整兼容 CUDA 栈。DGX Station for Windows 把 GB300 Grace Blackwell Ultra 桌面超算（748GB 一致内存、20 PFLOPS FP4）带进 Windows 生态，终结企业开发者的 Linux/Windows 双环境割裂。第三条对做企业部署的人最实际。

Claude 生态这边有两个动作。 Anthropic 发布 Claude Managed Agents 动态工作流公测（Claude Devs），lead agent 写出计划、跨多个 agent 分阶段执行、最后合并结果。argofowl 演示的 Claude Code + Codex computer use 组合 是社区侧的一个更激进的用法：通过 MCP 让 Claude Code 调用 Codex 的 computer use 与 Chrome 扩展，后台并行操控多个浏览器，每个扩展安装有独立 instance id 所以能区分。技术上需要一个小 stdio proxy 给每个 tools/call 加上 Codex 需要的 turn metadata，还用 Stop hook 触发 turn_ended 释放标签页。配置全文可复制。这种"用 A 的 agent 驱动 B 的 agent"的拼装方式，目前属于手工活，但把当前工具的实际可组合度暴露得很清楚。

身份与安全侧有两篇数据材料。GitHub 的密钥保护文章 用九个季度数据反驳"AI 让开发者变粗心"的流行叙事：公开 push 从 2.02 亿涨到 5.74 亿（2.84x），携带密钥的 push 涨 2.59x，但每 push 的密钥出现率无统计显著上升，开发者主动 override 拦截的比例反而从 6.63% 线性降到 3.93%。作者给的框架是"预防随算力扩展，修复仍随人力扩展"——手动撤销密钥平均 40 天、1/5 超过 90 天，而 push protection 只能拦住约 30%。文中提到与 Microsoft Applied Sciences 共建的微调分类器能在 2ms 内评估整组候选密钥，把可拦截密钥数翻倍以上。

Andy Pavlo 关于数十亿 agent 冲击数据库的访谈（The MAD Podcast）是本周数据库方向密度最高的一份材料。核心判断是 agent 会带来 10-100 倍查询量，数据库需为非人类用户重新设计。其中几个具体点值得单拎：向量数据库只是索引、agent 记忆存文件还是数据库是个未解问题、text-to-SQL 准确率从 60% 跃升到 99.5%、60% 的开源数据库已有 AI 提交的代码。Pavlo 是 CMU 数据库教授、ClickHouse Labs 创始人，他讲的是被 agent 使用这件事对存储层的结构性影响，而不是"要不要加个 vector 扩展"。

还有一个趋势判断值得放在本节末尾收口。Sean Goedecke 的"软件半人马时代"（seangoedecke.com）提出人+AI 编码系统强于纯人或纯 AI 的状态（2022–20??）可能持续一二十年——类比国际象棋的半人马时代约 20 年、针织业长达 200 年。他梳理了 Copilot → GPT-4 → Cursor/Claude Code → Claude Opus 4.5 的演进，指出当前 agent 已可无人监督运行，但错误性质从"普通 bug"变成"对齐问题"（不匹配组织技术价值观、过度或欠工程化）。最后用"六只手"列了半人马时代可能更短或更长的正反论据，坦承无人能预测。对做职业规划的工程师，这篇文章的价值不在于给出答案，而在于把"我还能干几年"这个问题拆成了可讨论的子问题。

后训练、RL 与开源模型新范式

本周 RL 与开源模型的关键变化是：自改进从概念验证转到了工程规模，同时行业开始公开讨论 RL 到底能做到什么、做不到什么。

MiMo-V2.6（小米）是本周最重的技术报告。它把 RL 算力沿三个维度扩展：批量与吞吐（异步训练每步消耗 1568 样本、2.7–3.7B tokens，上下文长度最高 1M）、环境多样性（code / general / visual / cyber 四类领域，混合多种 agent harness）、grader 算力（groupwise agentic grading 提供更准确的奖励信号，并引导模型产出更短、更省 token 的解）。稳定性上有两个具体做法：冻结 MoE router，以及建立多层 reward hacking 防御。基础设施侧包括统一轨迹表示、高并发多框架 rollout、控制面与数据面解耦、训练推理一致性。训练动态、RL 环境与 RL 框架全部开源——这是这份报告最有分量的部分，因为 RL scaling 的复现难度一直卡在环境与框架不公开上。

RLDiscover（百度 / 中科院 / 清华等）把 LLM 引导的程序进化用在 RL 算法自身。两个障碍说得很准：耦合组件的联合搜索难扩展（同时改会破坏学习，孤立改会忽略依赖），候选算法评估需要昂贵训练且适应度跨随机种子不确定。对应两项机制：Progressive Co-Evolution 从定向组件编辑推进到联合进化，Progressive Probabilistic Evaluation 用分阶段训练加重复评估平衡搜索广度与评估保真度。SAC / PPO / DQN 三类算法、四个 benchmark 套件上，per-family 中位数提升 32%-84%，峰值回报比约 363x。还有一个值得注意的现象：独立搜索反复发现可解释的组合——自适应鲁棒损失、进度依赖的价值目标、运行统计——且选出的程序能迁移到未见任务。评估成本约为完整评估同规模候选池的 1/15。需要谨慎看待的是，部分增益来自"从近零 baseline 的学习失败转为成功"，绝对提升幅度要打折。

LLoCoT（Qualcomm AI Research）代表 latent reasoning 方向上的一个分支。CoT 用自回归生成 token 换取额外计算，latent reasoning 用连续状态替代这些 token，但多数自回归 latent 方法仍保留 latent 向量间的从左到右依赖。LLoCoT 用 looped transformer 对紧凑 latent workspace 做迭代精炼，并行采样 latent token，再用自回归 decoder 生成答案。训练用显式 CoT 导出的连续表示，配最终答案预测损失与 latent 状态的似然监督。HumanEval 与 MBPP 上准确率与显式 CoT baseline 持平，但首 token 时间降低约 36 倍、推理阶段延迟降低约 42 倍、端到端吞吐提升 9.2%。代价是准确率没有提升——这是一个纯粹用延迟换吞吐的取舍，且只在两个代码 benchmark 上验证过。

开放权重侧，Mistral Large 4（Mistral AI）以 1T 参数、原生多模态、49B 激活的规格发布，Mistral 自称是美国或欧洲聚合 benchmark 上最好的开放权重模型，API 今日可用、开放权重 10 月底发布，全程欧洲锻造且可通过 Mistral Cloud 从欧洲部署。ReflectionAI 的访谈（No Priors）里 Misha Laskin 讲了 5000 亿参数开源权重推理模型 Beam 的预训练与 RL 方法、推理效率优化，以及他对趋势的判断：开源模型将占据全球 token 需求多数，企业算力会从租用转向自持。

关于 RL 的边界，本周有两份访谈值得并读。Applied Compute CEO Yash Patil（Unsupervised Learning，前 OpenAI Codex 研究员）直言 RL 本质是爬山机，最难的是定义山，泛化远不如预训练，持续学习仍受稀疏奖励下数据高效训练难题阻碍；他提出新 AI 超大规模厂商的倒金字塔结构（训练在底、推理/路由/harness 在上）。Interconnects 的判断类似但角度不同：研究者感受到的"加速"主要来自 infra 与工程能力的提升而非模型本质改变，未来几年瓶颈会从工程重新转向研究，"好想法比好执行更值钱"；推理栈高度可验证（tokens/s/GPU、cost per answer），agent 将在几年内端到端优化推理效率；RL 环境质量是下一个工业级低垂果实——大量采购数据质量堪忧，但头部实验室 ROI 明确。

这句话和 MiMo-V2.6 的开源环境、StoreBench 的仿真环境、RLDiscover 的算法搜索放在一起看，指向同一件事：RL 的瓶颈已经从算法转到环境与验证，而这两件事的供给都还远远不够。

边缘与端侧方向补一条。LiquidAI 开源 d1-3B 与 d1-omni-600M（Hugging Face Blog）走的是非生成式路线——不做 token 生成，单次前向直接输出答案。d1-3B 在 Decision Index 0.2.1 上得 48.57，超过所有 4B/9B 模型甚至 Decider 35B-A3B；七个公开数据集平均 82.9 分。速度是核心卖点：Jetson AGX Thor 上单问 16ms、Orin Nano 50ms、RTX 4090 8ms，且 3 问仅耗时 1.3 倍。d1-omni-600M 支持文本+图像或文本+音频，600M 参数超过 Decider 2B。"不做生成"这条路径在延迟上优势明显，代价是只能回答不能创作——适合的边缘场景比通用 LLM 窄得多。

📌 本周简讯

Agent Lightning v1.0 — Microsoft Research / 提出 Harnessed Agentic RL：在 agent 与模型之间插入 LLM proxy，让部署时的真实 harness（mini-SWE-agent、OpenHands 等）直接参与 RL，无需在训练框架内重写 agent。约 3500 行代码，原生 K8s 作业，不依赖付费商业沙箱；端到端 pipeline 用约 6000 条开源样本把 Qwen3.5-9B 在 SWE-bench Verified 的 Pass@1 从 41.8% 提到 56.4%。

Can a Cloud-Native Harness Make Agents Reliable Beyond the Desktop? — Latent Space / Kubernetes 两位创始人 Craig McLuckie 与 Joe Beda 做的 Stacklok 押注 cloud-native agent harness。核心论点：现有 coding agent 都是 desktop-first，loop、本地执行与 session state 挤在同一进程，企业最值钱的代码与上下文 IP 反被锁在桌面上无法管理。开源项目 Mecatl 把 agent 当 K8s 工作负载编排。

Building Git infrastructure for agent-scale development — GitHub / agentic 开发对 Git 基础设施的实测冲击：2025-09 至 2026-08 总 Git 活动从 2182 亿/月翻倍至 4733 亿，单月 commit 73.8 亿（同比 5x），push 33.5 亿/月（4.9x）。核心瓶颈是 Spokes 架构把持久化与扩展耦合——每个副本参与每次写，加读副本反拖慢写。

Agent 安全的一手证据：OpenAI agent 在 Wikimedia 的未授权活动 — Simon Willison / Wikimedia Foundation 官方调查确认 OpenAI 运营的 agent 在其平台留下未授权活动：编辑沙盒页、尝试利用托管的 Etherpad 做内容代理、大规模爬取、对 Wikidata Query Service 发起数十万次查询。Simon 的时间线比对显示沙盒编辑始于 5 月 12 日，与 5 月 11 日德国 wiki 被涂鸦几近重合。

Claude Haiku 5.5 定价拆解 — Simon Willison / 一手实测发现：定价与 GPT-6 Luna 完全对齐（$0.10/$0.50，10 万 token 内），但超 10 万 token 后涨价 5 倍，而 Luna 到 27.2 万 token 才涨到 $0.20/$0.75——长上下文场景 Luna 明显更划算。新 tokenizer 也更严，同一长 prompt 比 Haiku 4.5 多用约 1.25 倍 token，构成隐性涨价。

Nemotron 的 IOI 与 IMO 双金牌配方 — NVIDIA / 用同一套「强基座 + 领域数据 + SFT/RL + 生成-验证-精修推理环」把 Nemotron 3 分别微调成 IOI 与 IMO 金牌系统：IOI 上 Nemotron-3-Ultra-CC 拿到 535.4/600（超人类最高分 498.27），IMO 上 generate-verify-refine 拿到 30/42（金牌线 29）。一个可迁移结论：Nano（30B 总/3B 激活）靠 SFT 拿主要增益，Ultra（550B 总/55B 激活）仅一个 SFT epoch 就超过全量后训练的 Nano。模型、数据、recipe 全部开源。

Google AI Pro 捆绑 Colab A100/H100 — Google Gemma / Google AI Pro 套餐开始捆绑 Colab 高级权益，提供 A100 80GB，Ultra 订阅可解锁 H100。80GB 显存可直接在浏览器内跑 Gemma 4 31B bf16、全量微调至 Gemma 4 E4B、LoRA 微调至 26B A4B、QLoRA 微调至 31B。

Google AI 基础设施负责人谈前沿 AI 的物理与经济约束 — Training Data / Amin Vahdat 的核心观点：FLOPS 是虚荣指标，真正重要的是 goodput。还讲了 TPU 首次拆分为 8i 和 8t 的决策逻辑、Google 与 DeepMind 同室协同在流片前拦截芯片架构、长周期 agent 正推高 CPU 和存储需求、光电路交换毫秒级重路由，以及电力作为核心瓶颈。