AI 编程实时动态与要闻

在通用人工智能（AGI）的核心探索中，让基于冻结底座大模型的 Coding Agent 在不进行微调的前提下，通过自主编写代码、沉淀文本笔记来跨越长程任务实现‘连续学习（Continual Learning）’，是目前最受关注的智能体范式。然而，智能体在面对未知规则的世界时，其大脑内部究竟如何形成假设、检验规则并在遭遇失败时推翻重来？学术研究团队在最新研究（arXiv:2610.11450）中公布了一项颠覆性的白盒追踪实证：团队让 Coding Agent 在没有任何人类指令提示的前提下，连续挑战前沿抽象推理挑战 ARC-AGI-3。Agent 仅通过编写运行 Python 脚本和记录纯文本 Notes 来沉淀记忆。研究团队开发了一套‘思维追踪测量协议（Measurement Protocol）’，跨越两个模型家族的 3 款主流基座、历经 7 次全量评估运行，首次全景还原了智能体‘思维从诞生、继承、修正到被彻底推翻’的完整生命周期。研究揭示：智能体在跨越关卡边界时会主动废弃 74% 的历史脚本以剥离当前关卡的过拟合噪声；其 Notes 笔记采用纯追加模式且当冲突发生时依赖完整底层 Log 裁决，从而实现了‘选择性遗忘’而非‘灾难性遗忘’；而导致 Agent 彻底崩溃的最致命硬伤，是将前序关卡中硬编码的假定常量盲目带入新任务，论文已正式公开。

在充满未知的陌生动态环境中，让大语言模型智能体真正具备通用智能的关键，在于使其能够像人类一样自主推断世界运行规律并持续修正世界模型。然而，传统微调成本极高且易导致灾难性遗忘。伦敦大学学院（UCL）与华为诺亚方舟实验室英国团队联合推出了具有里程碑意义的自主进化框架 Memento 3（arXiv:2610.11794）。Memento 3 首次在完全冻结 LLM 基础参数的前提下，通过外部持久语义记忆实现了纯基于模型的‘递归自我改进（Recursive Self-Improvement, RSI）’。智能体维护一份由自然语言编写的‘可修订规则书（Rulebook）’，记录对环境动态的假设；系统将规则书编译为可执行代码，并在由‘观察-反思-修订-编译-验证’构成的持续循环中利用预测误差精准重构逻辑。只有经过 LLM 语义忠实度审查与单元级精确重放（Cell-Exact Replay）双重校验的代码才会被采纳。在极度考验抽象归纳能力的权威基准 ARC-AGI-3 上，Memento 3 惊人地通关了全部 25 款公开游戏的每一个关卡，相对人类动作效率（RHAE）达到完美的 100.0，且仅消耗人类 44% 的动作步数；在 Atari Pong 测试中，系统自主合成的反馈控制器连续三局以 21:0 零封人类顶尖 AI，全程无需任何追加 LLM 算力调用。

OpenAI 正式发布 GPT-6 Astra，称其为全球最智能、最对齐的模型，可在电脑上替用户完成几乎任何操作。该模型在 FrontierMath Tier 4、ARC-AGI 3、TerminalBench-4.0 等基准上刷新纪录，并在软件工程、网络安全、科学发现与职业工作流上达到新的 SOTA。目前已向 Pro、Enterprise、Business 及 API 用户开放，Plus 用户正在滚动上线。

ARC Prize 公布对 OpenAI GPT-6 Astra 的实测：在 ARC-AGI-3 Semi-Private 上，标准 harness 约 62.7%（约 $26k），Provider Adapter harness 可达 99.9%（约 $19k）；并称在 96% 关卡上动作效率优于人类基线。分析强调 Astra 会自建符号记法与自定义工具。

OpenAI 称 GPT-6 Astra 在 Agents’ Last Exam、AutomationBench 与 ScreenSpot Pro 上取得 SOTA，这三项评测覆盖跨职业的电脑工作流与屏幕定位/操作能力，补齐其已公布的 TerminalBench / ARC-AGI / FrontierMath 之外的“电脑使用”侧证据。

OpenAI 称 GPT-6 Astra 在 FrontierMath Tier 4、ARC-AGI 3 与 TerminalBench-4.0 达到 SOTA；在科学发现方向亦称在 Terminal-Bench Science 0.1 与 HealthBench Pro 上取得领先，强调代理式终端与科研任务能力。