AI 编程实时动态与要闻

让自主 AI 智能体（Autonomous Research Agents）像人类资深算法研究员一样，自主提出研究假设、编写微调脚本并迭代优化大模型后训练（Post-Training），是实现模型‘自我进化闭环’的核心愿景。近期大语言模型智能体在纯文本代码重构与单任务强化学习中展现了一定成效，但当其尝试对跨图像、音频、长视频等多模态基础模型进行自主科研后训练时，其真实能力究竟如何？学术研究团队在最新重磅研究（arXiv:2610.05398）中发布了全球首个多模态自主后训练科研基准 MMPostTrainBench。基准跨越图像、音频、视频、联合音视频理解以及图像引导软件修复等 8 大严苛任务，在固定算力预算下对 Agent 实施端到端独立考评。实测揭示了令人警醒的残酷事实：受测 Agent 的提交方案中有高达 52.1% 的平均性能甚至低于原始基座模型，模型在优化目标能力时频现严重的非目标能力退化（Non-Target Regressions），且 Agent 无法可靠挑选最优候选模型提交，最终提交版本落后最高潜力版本达 5.38 个百分点。为此，团队研发了 MMResearch 专用自主科研脚手架，通过多媒体证据锚定与分层记忆，使 Claude Code（驱动 Claude Opus 4.8）的模型交付准确率提升达 7.75 个百分点，Codex 提升 2.33 个百分点，论文已全面公开。

Marwan Atef（@Marwan_3atef）介绍 Speakeasy 开源的 MIT 编码智能体运行时 Kit：模型只见一个 compose 工具，一轮调用即可 shell、编辑、重试并拉起 Claude/Codex/Cursor 等 ACP 子智能体；在规模匹配任务上约用常规 harness 一半 token。无沙箱，需放在可信边界内运行。

AI 云算力巨头 CoreWeave 展示其全新的 Agent Sandbox 运行时。支持在具备自定义容器镜像、MCP 工具链、Slurm 集群访问权限与可配置网络策略的沙箱单元中运行 Claude，并支持工程师直接通过手机进行长任务监控与调度。

Cursor 宣布支持全新的 Agent Plugins 开放标准。该规范由 Vercel、AWS、VS Code/GitHub、Cursor 与 OpenAI 共同设计，将 Agent Skills 与 MCP 服务器打包为通用插件包，使得智能体能力可在不同编辑器与运行时无缝移植。