AI周报 2026-W42 | Recsys Frontier

type

Post

status

Published

date

Oct 17, 2026 05:41

slug

ai-weekly-2026-W42

summary

本周最清晰的信号是：agent 的产能已经超过为人类设计的开发基础设施。Anthropic 披露日均合并数从 5 月约 2,500 次涨到 9 月超 30,000 次，随即自建了替代 Git 的版本控制系统 Scion 与评审系统 Antique，7 人团队 5 个月完成 monorepo 全量迁移。Meta 同期给出另一条路径的一手复盘：把工程师从 human-in-the-loop 推到 human-on-the-loop，agent 自己跑完 plan→implement→build→test→correct 循环，验证门槛直接嵌进循环内部。两条案例指向同一结论——瓶颈不在模型写代码的能力，而在测试、评审、源码托管这些原本按人类节奏设计的环节。第二条主线是开源权重模型开始按部署梯队分层。NVIDIA 一次放出 Nemotron 3.5 三档（120B 多模态旗舰、74B-A9B 塞进 24GB 显存的端侧版、4GB 的嵌入式版），Reflection AI 的 Beam 用 501B 总参 / 23B 激活的稀疏 MoE 配 1M 上下文打 agentic coding，LiquidAI 的 LFM2.5-24B-A2B 把激活参数压到 2B，在 Apple M5 Max 上跑到 184 tok/s。配套的训练侧披露也在同一周出现：NVIDIA 公开了 frontier 模型普遍存在但极少写出来的 midtraining 配方。第三条是评测与可靠性终于被当成工程问题而非跑分问题。AWS 量化了"静默失败"——监控全绿而答案悄悄出错——以及协调发布的错配窗口如何让通过率从 78% 掉到 38%；Apple 用 10 万美元 API token 和 5 万 GPU 小时造了 RSI-Inference Bench，最好的 agent 在真实 vLLM/SGLang 任务上 pass@1 只有 26.7%。这两个数字放在一起，比任何能力宣称都更能说明当前 agent 的位置。

📊 本周概览

第二条主线是开源权重模型开始按部署梯队分层。NVIDIA 一次放出 Nemotron 3.5 三档（120B 多模态旗舰、74B-A9B 塞进 24GB 显存的端侧版、4GB 的嵌入式版），Reflection AI 的 Beam 用 501B 总参 / 23B 激活的稀疏 MoE 配 1M 上下文打 agentic coding，LiquidAI 的 LFM2.5-24B-A2B 把激活参数压到 2B，在 Apple M5 Max 上跑到 184 tok/s。配套的训练侧披露也在同一周出现：NVIDIA 公开了 frontier 模型普遍存在但极少写出来的 midtraining 配方。

第三条是评测与可靠性终于被当成工程问题而非跑分问题。AWS 量化了"静默失败"——监控全绿而答案悄悄出错——以及协调发布的错配窗口如何让通过率从 78% 掉到 38%；Apple 用 10 万美元 API token 和 5 万 GPU 小时造了 RSI-Inference Bench，最好的 agent 在真实 vLLM/SGLang 任务上 pass@1 只有 26.7%。这两个数字放在一起，比任何能力宣称都更能说明当前 agent 的位置。

Coding Agent 重构研发流程与自建源码控制

本周两篇一线工程复盘值得放在一起读，因为它们从不同侧面描述了同一件事：当代码变更的吞吐量提高一个数量级，出问题的不是模型，是周边。

Meta 的 Forum 复盘（Meta Engineering）讲的是人机分工怎么改。核心不是"agent 帮你写代码"，而是把工程师的角色从 human-in-the-loop 换成 human-on-the-loop：agent 自己跑 plan→implement→build→test→correct 的完整循环，人只负责设目标、盯运行、把质量关。这里有个判断标准的变化值得注意——衡量产出不看代码量，看"通过测试与评审的已验证产出"。因此 build、单测、UI spec 匹配这些验证手段被直接嵌进 agent 循环内部，而不是留到循环外做。Meta 还部署了 navigation agent，像真人一样操作 app 去报回归问题，把 UI 层的验证也纳入自动闭环。

操作层面，Meta 给出的模型是五件套：Rules、Skills、Agents、Commands、Hooks。这套东西可以照搬。但文章里最反直觉的一句是，最大收益来自改代码库和工具链——架构可读性、模块化程度——而不是改 prompt。这和很多人对 agent 工程的默认假设相反：如果你想让 agent 少犯错，先让代码库对 agent 友好。

Anthropic 的源码控制重构（Simon Willison 转述 Anthropic 工程博客，原始公告见 Anthropic 推文）讲的是基础设施那一侧。数据很硬：5 月日均约 2,500 次合并，9 月超过 30,000 次；主分支历史接近 100GB，压缩工作副本超过 25GB，每天约 2,500 万次 CI checkout。按这个规模，naive 拉取会产生 600PB/天的流量——Git 的协议和对象模型从未被设计成这个量级的读多写多混合负载。Anthropic 的解法是自建 Scion（版本控制）与 Antique（代码评审），7 人 5 个月迁移完 monorepo。

Simon 在文章里做了一件有意思的事：把 Claude 各代模型的发布时间线叠加到变更量曲线上，指出提速的关键拐点对应 Fable/Mythos 级模型。这是推测，但至少给出了一个可检验的假说——变更量不是一个平滑的指数曲线，而是阶梯式的，每一级台阶对应一次模型能力跃迁。他也分享了自己踩的坑：用对抗式评审时容易陷入过度工程，评审者（无论人或模型）倾向于提出超出任务范围的改动。

把这两篇放在一起，一个结构性判断浮出来：agent 规模化之后，软件工程的重心从"写"移向"验"。Meta 把验证嵌进循环，Anthropic 把评审系统重建，方向一致。这与中文技术社区今年的讨论能对上——InfoQ 那篇一线负责人对谈里提到质量保障范式向"SPEC+Testing"哑铃结构迁移，代码质量重心前移到需求规格、后延到端到端测试验证；美团在 31 万行代码 AI 重构的实践里也演化出两条 AI 辅助自测路线，一条全自动生成用例、人只把关，一条由人界定测试范围和风险级别、AI 填代码与步骤。各家路径不同，但都在往同一个方向挤：把人类注意力从逐行检查挪到边界定义和结果验收。

值得留意的是这两家的规模差异。Meta 的做法不依赖替换基础设施，改的是流程和代码库结构，中小团队可以直接抄；Anthropic 的做法是特定规模的产物——日均三万次合并这个量级，绝大多数团队短期内碰不到，但它的数据给了所有人一个坐标：什么时候 Git 会成为瓶颈，大概在什么数量级。25GB 压缩工作副本和 2,500 万次 checkout 这两个数字，比"Git 不够用"这种定性说法有用得多。

另外注意 Anthropic 那条推文里的一句话：他们被"为人类而非 agent 规模设计的开发者基础设施"卡住了。这句话实际上定义了一个新的基础设施品类——agent-scale dev infra。本周的 Scion 是这个品类的第一个公开案例，大概率不会是最后一个。

开源 Agent 模型家族与端侧小模型部署

这周开源权重侧最值得看的是分层。厂商不再发一个通用模型然后让下游自己想办法塞进不同硬件，而是直接按部署梯队出系列。

NVIDIA 的 Nemotron 3.5 家族（NVIDIA）一次放了三档，覆盖从数据中心到桌面到嵌入式。旗舰 Nemotron 3.5 Super VL 是 120B 开源多模态，主打指令跟随、工具调用、多步业务流和视觉理解，官方称吞吐达次优模型 5 倍，精度接近其最大推理模型但参数只约五分之一。中间档 Nemotron 3.5 Bolt 74B-A9B 用原生 2-bit 量化塞进 24GB 显存，可以在 RTX 或 DGX Spark 上本地跑 web 研究、写作、调试代码，PinchBench 上同级开源第一。再往下是 4GB 的 Bolt E4B，面向 GeForce RTX 和 Jetson 的语音与嵌入式 agent。

这份规格底稿的价值不在于跑分，在于它把"要在什么硬件上跑"作为第一性约束来设计模型。2-bit 量化不是事后压缩，是原生设计选择。对做端侧 agent 的团队，这是一个可以直接对表选型的参照系。文中还列了 Scale AI、AI21、Perplexity、Salesforce、CrowdStrike 的后训练与集成案例，说明这套模型的下游生态已经铺开。

Reflection Beam（Reflection AI / AWS）走的是另一条路：不为端侧妥协，而是把单点能力拉满。501B 总参、23B 激活的稀疏 MoE，报告有效上下文 1M token，Apache 2.0 权重在 Hugging Face 提供 BF16/FP8/NVFP4 三种 checkpoint。这篇文章真正的信息量在部署侧：它拆解了 501B 总参如何决定 checkpoint 存储、权重显存、分片与并行，23B 激活如何决定单 token 算力，然后给出 SageMaker JumpStart 全托管实时端点与 HyperPod Inference（JumpStart 容器或自管 SGLang/vLLM）两条路径，附 H100/H200/B200 机型选型与并发-延迟容量规划步骤。想自托管大号 coding agent 的团队，这是少数把 500B 级 MoE 的显存账算清楚的材料——总参和激活参数的分工在这里不是概念，是决定你买几张卡的东西。

LFM2.5-24B-A2B（LiquidAI）则是端侧私有 agent 这条线上的极端压缩。24B 总参、2B 激活的 MoE，架构延续 LFM2-24B-A2B：40 层、64 experts top-4 路由、gated short convolution 与 GQA 混合。这次把上下文从 32K 扩到 131K，并用 in-place tokenizer expansion 把词表从 65K 翻倍到 128K——词表扩展不重训 embedding，是个省算力的工程手法。在 agentic 与工具调用任务上它对标参数量多约 50% 的 Qwen3.6-35B-A3B，LiveClaw 得分 48.09 对 38.19。效率数据：Apple M5 Max 上 184 tok/s，单张 NVIDIA B300 上最高 21K output tok/s。

这两条路线合起来看，本周开源侧的格局是：要么用 MoE 稀疏性把激活算力压到极低以换端侧可行性（LFM2.5、Bolt），要么把总参堆到 500B 级但用 23B 激活控制推理成本（Beam）。两种解法的共同前提都是 MoE——dense 模型在这个参数区间已经很难同时满足能力和成本。

训练侧的配套披露也在本周出现。Priming Base Models for Agentic Post-Training（NVIDIA）公开了 frontier 模型普遍存在但极少写出来的 midtraining 阶段配方：在 pretraining 与 post-training 之间，用 256K 上下文、数百 B token，训练数据以自然软件工程语料为主（packed repositories、pull request、commit history、build logs），混入少量 agentic traces。效果在两个规模上验证：Nemotron 3.5 Lightning 用 500B midtraining token，SWE-bench Verified 从 60.7 到 64.5，Multilingual 55.8 到 62.8，Pro 32.0 到 35.5；更大的 Nemotron 3.5 Super 用 280B token，DeepSWE 从 11.7 到 15.7，Verified 从 72.9 到 74.3，且在跨 agent harness 上更稳健。论文还提了一个方法论要点：base model 的 proxy 指标与 post-training 结果不可靠相关，所以改用短固定 SFT 跑法做评估协议。这条对做训练的人有直接价值——midtraining 不是可有可无的过渡，它有独立的、量化的贡献。

Nemotron 后训练为自主 ML 研究员（Alex Dimakis / NVIDIA）给出了这套模型的另一个用法：把 Nemotron-3.5-Super-VL 后训练成自主 ML 研究员，AutoResearchExam 从 28% 升到 35%，匹配参数量 20 倍的 Qwen 3.8 Max。任务设定值得注意——长时程、开放式，包括给 transformer 计算图写更快的 executor、训练 RL 控制策略、设计新的不确定性量化方法，模型只能提交一次，中途看不到分数。方法上两步：先用 Self-context distillation，让模型带提示解题、再在无提示轨迹上做 SFT，+11%；再加 reflection，让模型回顾自己的尝试并写出具体教训，再对教训做 SFT，相对 base 提升 +25%。这里有个反直觉的点——训练在"教训"上比训练在"解法"上更有效。

硬件侧补一块。wafer 的 Blackwell 调优指南（wafer_ai）是这个系列的第 14 部分，覆盖寄存器预算与常驻 warp、attention 和 matmul tile 的 shared memory 上限、thread-block cluster 与分布式共享内存、8-block 可移植 cluster 与 B200 可选 16-block cluster 的并行度权衡、L1/shared 切分、推理 kernel 的 L2 persistence、模型并行推理中的 NVLink peer access。这类材料不产生话题，但它把硬件限制和 kernel 设计决策（tile 尺寸、block 协作、张量复用）连起来，是调优时的查表依据。

Agent 静默失败、白盒过程与生产级评测

本周这条线上最实的材料来自 AWS。

AgentCore Evaluations 的生产评估框架（AWS SMGS）服务的是全球 AWS 销售场景，多 agent 持续质量闭环。文章把"静默失败"讲透了：监控全绿，但答案悄悄出错——把 410.08 美元报成 410.08 百万美元，把含调整的营收标成不含调整，凭空编造 ARR，把自算结果当作有据事实。这些错误不触发任何技术指标告警，因为系统确实正常运行，只是结论错了。

更有价值的是它量化了协调发布的风险：当数据、工具、prompt 三类变更错峰落地，错配窗口本身就让通过率从 78% 掉到 38%。这个数字的含义是，多 agent 系统的失败有相当一部分不来自单个组件质量，而来自组件版本之间的时间错位。对做生产落地的人，这提示了发布流程本身需要被当作一个可观测对象——不能只看各组件是否健康，要看它们是否在同一条时间线上。

Diviner（Meta）把同类问题放到了根因分析场景，且是在 Meta 大规模推荐/排序基础设施上实际运行的系统。论文对通用 agent 做 RCA 的失败模式枚举很到位：使用过期或时机错位的上下文、把失败的查询解释成"症状不存在"、报告无支撑的系统状态、把为人类节奏设计的可观测性服务打爆。Diviner 的组织方式是四阶段生命周期——Encode 把已复核事故与 owner expertise 编成版本化的 skills、workflow、typed tools 和事故知识图谱；Execute 用自适应 Lead 加 context-isolated worker，把知识应用到时间点证据上，维持与证据链挂钩的假设；Evaluate 用保存的调查轨迹与响应者复核后的结论比对，衡量 exact cause、useful direction 和 groundedness；Adapt 从反复出现的缺口和 on-call 反馈中提炼运维知识更新，且必须经过 replay、质量检查和 owner 批准才准入库。

部署数据：检测到缓解时间降低 52%，运维工作量降低 15%，精确根因命中 45%，Groundedness 80%。需要说明的是这是观察性队列对比而非严格 A/B，所以这些数字应当看作方向性证据。但 human-governed adaptation 这个设计选择值得单独拎出来——知识更新必须人工批准，这在运维场景里是必要的保守。

RSI-Inference Bench（Apple ML Research）给了另一类数字，也更刺眼。问题是：AI agent 能不能改进运行 AI 的系统本身？Apple 花了 10 万美元 API token 和 5 万 GPU 小时，基于真实 vLLM 与 SGLang 任务建了环境和基准，覆盖模型推理工程的完整生命周期——Day-0 模型支持、推理优化、bug 修复。结果：最好的 agent pass@1 只有 26.7%，基准未饱和。奖励有二元和连续两种，可验证。

26.7% 这个数字应该跟本周其他"agent 能力"叙事一起读。当任务是真实系统软件工程、需要理解一个陌生的大型推理栈时，当前 agent 的成功率仍然低。这不否定 coding agent 在生产代码库上的价值（Meta 和 Anthropic 的案例是真的），但说明能力分布极不均匀——在自己熟悉、有清晰验证信号的代码库里，agent 表现好；在需要跨越陌生抽象层的系统任务里，还差得远。

Steering AI Beyond Automation（Arvind Narayanan、Gabriel Unger）提供的是议程层面的反思。主张 AI 不应被默认等同于自动化人类劳动，而应开辟人机协作这条被主流忽视的路线。四条研究方向里最核心的是 white-box agents：让 agent 显式暴露中间过程——来源、假设、方法、不确定性、过程产物——而不是只给最终输出。文章指出根因在训练数据：当前语料里几乎没有 process traces，所以模型没有学过怎么表达过程，只学过怎么给答案。

这个诊断跟本周其他材料能对上。AWS 讲的静默失败、Diviner 的 groundedness 指标、Meta 把验证嵌进 agent 循环，本质上都是在一个黑箱范式的产物外面加检测层。如果 Narayanan 的判断成立，那么这些外加的检测层是在补训练范式的欠账，而不是在解决根本问题。这条路线短期不会有产品，但值得放进视野。

播客侧，Diogo Almeida（RLHF 共同发明人、TypeSafe CEO）在两期节目里讲同一套东西。Jev: The AI That Makes Decisions, Not Text 和 "95% Einstein, 5% Mr. Bean"（均为 The MAD Podcast）里，他主张 Jev 不做文本生成，而是在软件内做快速、廉价、校准的决策；批判 RLHF/RLVR 导致谄媚、拒绝和基准虚高；提出 RLCD（校准决策强化学习）作为替代路径。核心论点是"分类即 AI 完备"，主张先定义任务再扩规模。

这个观点跟 Narayanan 的文章指向同一处——都认为通用生成式范式在可靠性上存在结构性缺陷。分歧在于解法：Narayanan 要白盒过程，Almeida 要换任务类型。两者都还没有大规模验证，但放在同一周出现，说明"生成范式是不是唯一路径"这个问题在认真起来了。

Agent 自我改进、经验记忆与 RL 训练环境

这周 arXiv 上的密度很高，且有一个共同主题：如何让 agent 从交互中积累可复用的东西——经验、记忆、环境、harness。

MetaExp（University of Macau、Georgia Tech、Alibaba Token Hub、SIAT）问的是经验学习本身能不能成为一个可迁移的模型能力，而不是依赖外部脚手架或特定任务分布。做法是构造可验证的任务族，保持跨任务结构受控：Shared-Tool 族固定黑箱工具、变化任务，诱导操作经验；Shared-Workflow 族保持潜在流程、变化具体实现，诱导程序性经验。然后收集过滤序列交互轨迹，在 Qwen3.5-122B-A10B 上微调 1,000 个任务族的 4,956 条轨迹。下游演化时参数冻结，结果 SpreadsheetBench +8.5、APEX-Agents 峰值 +2.3、AutomationBench +14.8，且在域排除训练下增益仍存。APEX-Agents 那 2.3 分偏薄，是这个结果里最弱的一环。

MemComposer（UIUC、Amazon）处理的是记忆检索之后的一步：选出来后怎么组装。核心观察是语义相似度不保证记忆有用，下游表现取决于记忆如何被选择、数量多少、以什么顺序呈现。MemComposer 同时看当前 query 和候选，决定这三个量。训练用 Experience Policy Optimization（ExPO），基于 GRPO，用完整 agent 交互的任务成功反馈优化组装策略。在 τ²-bench 三个域、两个冻结 executor 上超过最强 baseline，同时降低平均 memory token 用量 16.9% 和 4.9%，且策略可迁移到未见域、executor 和 memory bank。用更强模型生成的记忆还能进一步提升、不需重训——这个性质有实用价值。

Athanor（ByteDance、University of Wisconsin-Madison）是本周最激进的实验设定：让前沿 agent 自主做后训练研究。四个 Claude Opus 5.5 agent，每个占一个 8 卡节点，104 小时，在沙箱里、不能用外部 teacher 模型，把 Qwen3-4B-Base 从 15.9 提到 67.3（六任务 dev suite），held-out suite 从 9.2 到 48.2，对照官方 Qwen3-4B-Instruct-2507 是 66.5 和 47.9。系统侧提供了冻结评估、托管作业、去污染数据、持久研究记录，以及一个 agent 不知道的 held-out suite。

值得注意的诚实之处：论文明确说 agent 达到这个水平靠的是重组已知方法——在公开推理数据上做 SFT、用某个 agent 引入的 rollout 改动做 RL、跨 agent 权重合并、以及轮次自我蒸馏。也就是说能力不在"发明新算法"，而在工程编排。这个区分很重要：它说明当前 agent 的自我改进上限受限于人类已有的方法库，而不是它可以自己发明方法。论文自己的表述也是"执行问题被解决之后，今天的 agent 已经具备攻克这个任务的工程与研究能力"。

Harness^2（Google Cloud AI Research、Northwestern）针对 RSI 在开放世界里的两个具体障碍：测试时的任务是没见过的，没有 ground-truth verifier 指导在线 harness 编辑；RSI 过程高度任务特定，不泛化。解法是双层递归——任务级递归用 contrastive Propose-Probe-Compose，在没有验证器的条件下靠对比来引导编辑；harnessing 级递归从这些编辑中提取经验，更新一个持续改进的 harness。在三个专业基准、四种 model-harness 配置上，单步就能让 GLM-5 和 Gemini 3.5 Flash 超过 base harness，WorkBuddy-Bench 最高 +11.5，JobBench +4.5，LAB +11.8 个百分点，且任务级递归预算增加还能继续涨。无验证器的 harness 编辑这个设定，比有验证器的场景更接近真实开放世界。

环境侧有三篇。Cowork-Gym（Alibaba Token Foundry）用 build-execute-revise 循环合成 cowork 环境，用执行证据和审查反馈来验证与修复生成的环境，并引入有状态用户模拟器——通过对话和直接编辑共享工作区来响应 agent 动作。合成了 64.9K 环境、覆盖 14 个应用场景，用来后训练 Qwen 9B/27B/35B-A3B，六个 agentic 基准平均分别提升 8.7、6.4、4.1 分；27B 版本综合排名第二，在 PawBench 和 ClawEval 上超过 100B+ 参数模型。

GRADS（JHU、Nanjing、Amazon）处理合成数据的难度控制问题。观察是：现有 pipeline 通过扩展 seed 任务来增加深度和广度，但新引入的证据可能与答案弱耦合，导致意图难度与经验难度不匹配。GRADS 维护一张证据-推理依赖图，每一步都以相关子图作为生成条件，保持必要推理而不堆积无关上下文。在安全、软件工程、科学文档三个域上生成的难度分布可被独立 solver 区分。训练效果：SFT 把终止率提到 95% 以上同时减少最多 75% 的工具调用与轮次，RL 再降 19.5%；得到的 4B 模型在软件工程上匹配 Sonnet 4，在科学和安全域超过。

MAI-Gym（Alibaba 通义 MAI-UI）是本周唯一一个既开源平台又给出真机迁移证据的。统一评估、数据采集、在线 RL 训练的共享 rollout 管线，支持 10 个 GUI 基准，可扩到 20,000 并行环境实例；能自动合成可重置的 mocked app 和跨应用 coherent world，带执行验证的 task verifier。训出的 MAI-Gym-9B 在 10B 以下开源 GUI agent 里达到 MobileWorld 78.4%、OSWorld-Verified 76.2%。最关键的一条是在 mocked 购票 app 上做 RL 能迁移到物理手机的真实 app，任务成功率从 28.8% 提到 48.1%。从模拟到真机的迁移幅度接近 20 个百分点，这个数字比 SOTA 排名更有说服力。

Sakana 的 MASS（Sakana AI，与 UC Berkeley 合作）把自我监督放到多 agent 团队层面。一个共享模型通过虚拟 subagent 团队解题，搜索更好的多 agent workflow，然后用自己的判断选出最好的；在最佳团队的执行轨迹上训练，把集体经验蒸馏回共享模型。用 27B 开源权重模型在合成开放式研究任务上跑两轮，四个研究基准上单位输出 token 的得分达到 base 的 1.2-1.6 倍。三个结论值得记：只在解题数据上训练，optimizer 和 evaluator 的能力都自然提升（角色泛化）；多 agent 轨迹比单 agent 轨迹更适合 RSI 训练数据；瓶颈可能是 optimizer 容量而非 evaluator 容量。Sakana 也主动提了安全问题——同质 RSI 里模型同时是评估者时，共享盲点会让错误被当成进展固化下来。

QwenGyre（阿里 Qwen）是系统层的，针对极长时程 agent 训练的弹性。两个设计：Elastic Scheduler 按需在 rollout 与训练之间重分配 GPU，且不中断正在执行的 live execution，比 Colocate 快 1.85 倍、比 Async 快 1.78 倍；Trajectory Processor 把分叉执行（compaction、sub-agent、retry）转成前缀共享的轨迹树，训练样本有界且去重，超时后的部分进展也给分。扩到 Qwen3.8-2.4T-A95B、每次 rollout 约 70 万 token 时，48 步内把 NL2RepoBench 从 52.5% 提到 58.5%，端到端训练时间比 Async 省约 44%。

这批工作合起来呈现一个分工：环境合成（Cowork-Gym、MAI-Gym、GRADS）解决"练什么"，harness 与经验结构（Harness^2、MetaExp、MemComposer）解决"怎么把经验留下来"，系统层（QwenGyre）解决"跑得动"。Athanor 和 MASS 则是在问上限在哪。这个分工本身说明 agentic RL 已经从单点方法竞争进入工程体系竞争。

Gemini 4 Argon 上线与物理具身智能

Google 本周把前沿模型和机器人两条线合并发布，这是这批材料里最值得注意的结构性变化。

Gemini 4 Argon 全球上线（Google DeepMind），Sundar Pichai 同步确认了分发路径：付费层的 Gemini API 与 Gemini platform、Ultra 订阅者的 Google Antigravity、Ultra 与 Pro 订阅者的 Gemini app 与 Search。定位是编码、企业工作流、网络防御三块。官方博客里给的一个具体案例值得看：Argon agent 拿 libgav1（Google 的开源视频解码器）已有的 Rust 移植版，替换掉 32K 行 SIMD 代码，通过多轮 profile 引导的试验、研究编译器输出、产出 safe Rust 让编译器自动向量化，最终得到一个内存安全的视频解码器，比原 Rust 移植快 2.7 倍，视频输出完全一致，接近优化后的 C++。同时输出 token 上限从 64K 提到 1M。

这个案例的价值在于它展示了 agent 在什么类型的任务上真的能产出工程价值：有明确可验证目标（输出一致）、有可测量的优化指标（速度）、有成熟的反馈机制（profiler）。跟 Apple 的 RSI-Inference Bench 结果对照着看——同样是系统软件，26.7% 的整体 pass@1 和这个 2.7 倍的具体成果并不矛盾，前者是平均，后者是在可验证环境里反复迭代的结果。

Gemini 4 Argon for Robotics（Google DeepMind）把它定位成通用物理推理模型，在 ERQA 具身推理基准上用纯推理拿到 87%，超过所有前沿模型。文章给出的是四类覆盖机器人全生命周期的 prompt：MuJoCo 数字孪生里练习的 Spot 移动操作（踩垃圾桶踏板丢易拉罐，含 2-agent 验证 swarm）、零样本机械臂控制（视觉坐标 harness 加 curl 闭环 turn 工作流）、从相机/人类视频/手绘草图重建物理校准仿真孪生、以及基于仿真的动作改进与硬件自迭代。官方博客的另一段描述是，它原生对多视角视频、3D 几何、接触力学和本体感知遥测做推理，理解的不只是场景里有什么物体，而是这些物体如何与 agent 物理交互。

把具体 prompt 和闭环控制协议公开，这份材料可以直接当工程底稿用。对做 Real2Sim、多模态 agent、具身推理的团队，它是本周信息密度最高的一篇。

四个 Argon agent 通关 Minecraft（Google DeepMind）是长时程多 agent 协调的端到端验证。四个 agent 各自通过开源的 Mineflayer 库控制一个玩家，靠游戏内聊天和共享记忆协调，没有人分配角色、没有人写游戏逻辑、没有预侦察种子。agent 自己规划、编写、调试每一个程序。结果：写了 2,783 个程序，27 小时 14 分击败末影龙，过程中死亡 605 次。研究者可以在 dashboard 上看直播并随时暂停，但没有需要介入的理由。

这个结果的意义不在游戏。论文自己指出的对应关系是：复杂真实软件工程和企业任务需要的正是同一种长时程编码与多 agent 协调能力——在数千个有依赖关系的步骤上保持一份连贯的计划超过一天。605 次死亡这个数字反而让它更可信，说明这不是一次幸运的长链，而是靠反复失败、恢复、共享经验推过去的。论文也列了团队的具体策略：分工、分享学到的东西、互相捡回掉落的物品。

机器人侧的另外两条也指向同一个方向——减少对示范数据的依赖。

RAX（Yilun Du 团队）的核心主张是 scaling exploration 而不是 scaling demonstration。一个 coding agent 直接接机器人的感知与控制 API，从反馈中学习，构建能感知、规划、执行的程序，模型本身保持冻结；随着探索规模扩大，agent 改进程序并积累可复用技能。结果：真实机器人上零遥操作、零动作示范，任务覆盖 0.1mm 间隙的插入、空气炸锅操作、可变形物体、长时程移动全身控制；五个仿真基准（RoboDojo、BEHAVIOR-1K、HumanoidArena、DexJoCo 双臂任务、LIBERO-Pro）平均超过领先学习策略 37 个百分点；同一框架覆盖单臂、双臂、灵巧手、人形、移动机器人。真机上每个 embodiment 从零到掌握任务约两小时，不微调模型。框架和全部实验 session 开源。模型冻结这一点是关键——它把"学习"从权重更新挪到了程序生成。

T2-z（与 Fei-Fei Li、Jiajun Wu、Yejin Choi 等合作）处理世界模型的环境适配。同一个观测、同一个动作，在不同环境下结果不同——摩擦、质量、物理规则这些隐变量决定了预测是否准确。T2-z 让世界模型以可优化的环境隐变量为条件，通过世界预测直接优化这些隐变量，不需要监督信号告诉它有哪些因素、取什么值、有几个。有意思的观察是：即使模型不知道存在几个因素，在质量×摩擦的复合环境下对学到的隐变量做 PCA，会浮现出与底层因素分布对应的二维结构。7 个仿真设置、4 个真实机器人任务上，物体预测误差从 15.20 降到 7.00（降 54%），动作成功率从 33.73% 提到 72.96%。

Dyna-2（Latent Space，嘉宾 Jason Ma / Dyna Robotics）给的是产业侧的另一套数字。世界动作模型在百万小时人类视频上预训练，结合未来视频预测与机器人动作，实现跨具身迁移。机器人只需 45 分钟演示即可学新任务，在鼎泰丰连续 24 小时折餐巾纸成功率 99.4%。节目里还讨论了扩散 Transformer、流匹配、合成环境与自生成训练数据、端侧推理与蒸馏、自研硬件而非采购现成人形机器人，以及灵巧手过热这类硬件瓶颈。99.4% 这个数字建立在单一重复任务上，不能外推，但 24 小时连续运行的稳定性本身是产线部署的必要条件。

把这几条放在一起，物理具身领域的路线分歧比语言侧更明显。Gemini 4 Argon 走的是通用物理推理——一个模型理解物理，然后由 prompt 和 harness 驱动各种机器人。RAX 走的是冻结模型加程序合成——能力来自探索生成的代码，不来自权重。Dyna-2 走的是大规模视频预训练加少量真机示范。三条路的共同点是都在减少遥操作数据，分歧在于把智能放在哪里：模型权重、生成的程序、还是预训练的物理先验。本周没有哪条路给出决定性证据，但三条同时有实质进展，说明这个分歧正在被并行验证而不是被某一条统一。

📌 本周简讯

GPT-6 Astra Pro 升级 — OpenAI / ChatGPT Pro 用户的 Astra Pro 提速并改进插件与工具使用，新增多 agent 并行处理同一任务的不同部分，可跟踪每个 agent 的进度并打开已完成任务复核。多 agent 并行的产品化是这周值得记的一笔。

Greg Brockman 谈安全与药物研发的物理变化 — No Priors / OpenAI 总裁谈前沿模型进展：agent 已解决近 400 个百年数学难题，加速生物医药突破数据瓶颈，提出"最好的 UI 是没有 UI"，并认为网络安全正处于用峰值智能发现修复漏洞的窗口期。

David Silver 与 Lasse Espeholt 谈超级学习者 — Training Data / Ineffable Intelligence 主张抛弃预训练与人类语言先验，构建从零通过直接经验自我发现科学与语言的系统。Silver 认为人类语言推理是天花板而非基础，CoT 监控式对齐已近极限。

Anthropic 季度营收 168 亿美元 — Simon Willison 摘录 FT 报道 / 营收从 Q1 约 48 亿、Q2 115 亿到 Q3 168 亿，环比近 50%；Q3 每花 1 美元算力换回 1.70 美元收入，调整后营业利润率 11%。蒸馏占营收比例从 5%-7% 降至"实质性"削减，Simon 据此推算未具名实验室单季为蒸馏 Claude 花费超 5 亿美元。

Anchor Browser 与 AgentCore payments — AWS / 让 agent 通过 HTTP 402 与 x402 开放协议在预设预算内自主完成机器对机器支付，拆解了支付协议处理、密钥管理、运维韧性、可观测与合规四类复杂度。

Grok 4.7 长时程 agent 实测 — AWS / 72 次 agent run 测 reasoning effort 档位权衡：xhigh 档 18/18 全对，low 档 15/18 但输出 token 仅约 1/8。Grok 4.7 相对 4.6 在 Terminal-Bench 4.0 上从 20.3% 到 37.6%。

Meta GEM 生成式广告模型 — Meta Engineering / 从按域独立优化转向单一中央基础模型，与 GPU 协同设计的 Kunlun 架构实现 2.5 倍模型复杂度增长并观察到 LLM 式 scaling law，总训练 FLOPs 扩 4 倍同时 MFU 翻倍至 20-25%。业务侧 18.9% 转化提升、12% CTR 提升。

Claude 的 dynamic workflows — Latent Space / Anthropic 在 AI Engineer NYC 2026 公开 Claude Managed Agents 新特性：不再由开发者手工配置 coordinator 与 subagent roster，改由 lead agent 自己写编排程序、启动 agent、收集结果，用户仍可注入预置 specialist sub-agent，全部能力在 Claude Console 可用。