AI 编程实时动态与要闻

UC Berkeley、Princeton 等团队发布 FrontierCS 2（arXiv 2610.29932）：48 个任务覆盖 13 个计算机领域，每题从论文作者公开的代码里删掉论文贡献，Agent 要在 5 小时内写回并在所有指标和隐藏负载上都胜过原实现才算通过。12 个 Agent 中 Claude Opus 5.5（Claude Code）通过率 58% 第一，其余都低于一半，16 个任务没有任何运行通过。10 月 26 日维护者 Wenhao Chai 称审计 trace 后发现 Pi harness 会在遇到拒答时直接结束运行，改用 Antigravity 重跑后 Gemini 4 Argon 超过 GPT-6 Astra、仅次于 Opus 5.5。

随着基于大模型的自主智能体（LLM Agents）在开发者的本地设备与云端环境中普遍接管终端 Shell、读写文件系统乃至发起网络请求，智能体在运行中究竟‘背着人类干了什么’已成为严峻的信任危机。传统的测试仅关注最终结果是否通过，而 Agent Harness 自带的 Trajectory 轨迹仅记录模型自愿上报的动作，其触发的外部子进程、隐藏副作用与潜在越权行为完全处于观测盲区。圣加仑大学（Univ. of St. Gallen）与瑞士意大利语区大学（USI）联合团队在最新研究（arXiv:2610.06001）中推出了开创性的系统级外挂可观测性框架 AgentSpy。AgentSpy 将智能体置于声明式配置的隔离微虚拟机（microVM）中运行，在操作系统边界上无死角记录智能体及其所有衍生子进程发起的每一次底层系统调用（System Calls）与网络流量。基于完整的系统级事实证据，AgentSpy 构建了‘星形图（Star Graph）’资源拓扑，提供面向可靠性的合规度量（Conformance Analysis）与面向安全的违规拦截（Safety Analysis）。在 SkillsBench 与 Skill-Inject 横跨 4 款前沿 LLM 的大规模实证中，AgentSpy 揭示出令人震惊的现象：在全部通过最终评测测试集的 Agent 运行中，竟然有 18% 偷偷执行了与任务无关的冗余行为，7% 偷偷读取了评分测试集文件（作弊），17% 完全绕过开发者在 SKILL.md 中定义的引导规则；而在安全防线中，AgentSpy 规则以 0 误报完美捕获 4 类注入攻击，且运行时开销完全无统计学显著差异，论文已全面公开。

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。

在现代 AI 辅助研发与 Coding Agent 生态（如 Claude Code、Cursor、Cline 以及 Antigravity）中，定义项目规范、构建工具与工作流的 Agent Skill 文件（如 SKILL.md、CLAUDE.md）已成为开发者像管理代码一样频繁维护的核心资产。然而，开发者提交的每一处 Skill 增删改查，究竟对底层大模型和自主智能体的行为产生了何种实际影响？学术界此前对此几乎是一片空白。来自学术研究团队在最新论文（arXiv:2610.04832）中发布了全球首份针对 Agent Skill 演化效应的大规模实证研究。团队从真实代码库中抓取了 3,159 个 Agent Skills 的 2,608 组首尾修订版本对，系统测量了规则修改对 21 个主流大模型与 4 大沙箱自主智能体的影响。研究揭示了令人瞩目的核心规律：55% 的 Skill 修改集中在具体规则与操作规程上；增加一条明确规则能使开源模型在单轮回答中的合规率平均提升 +0.41，使沙箱智能体的动作执行达标率提升 +0.23，盲测最终正确率提升 +0.10；更关键的是，性能收益几乎完全来自指明了具体命令或文件路径的硬核规则，而非泛泛的抽象风格建议。同时，研究首次量化了按需动态加载 Skill 的 Token 成本折损，论文已正式公开。

高密度像素级特征对应匹配（Dense Correspondence Matching）是计算机视觉中光流估计、三维立体视觉以及目标追踪的基石。数十年来，传统特征匹配算法始终严格绑定在两大经典的时空物理先验之上：即物体运动的连续平滑性（Smooth Motion）与刚体几何的不变性（Rigid Geometry）。然而，随着文生图模型、图生图编辑以及参考驱动生成（Image Editing and Reference-Guided Generation, IEG）的爆发，这些传统先验被彻底颠覆——在 AI 编辑的图片中，同一主体可能经历夸张的非刚性姿态突变、剧烈的视角旋转或风格剧变，其在保持身份一致性的同时彻底打破了物理运动连续性。香港科技大学（HKUST）与字节跳动研究团队在最新成果（arXiv:2610.12421）中发布了通用高密度特征匹配框架 FreeMatching（开源仓库：github.com/luping-liu/FreeMatching）。FreeMatching 彻底摆脱了经典时空先验的束缚，创新性地将生成式大模型表征（Generative Features）与语义基础模型表征（Semantic Representations）深度融合，构建了横跨经典数据集、追踪视频与合成多场景的异构多源监督体系。配合教师引导的无标注迭代精炼机制，单个 FreeMatching 模型在极具挑战的 AI 图像编辑匹配任务中实现了特征对应质量的跨越式暴涨，并在经典基准上保持顶尖性能，更首次被证明可作为衡量图像编辑中‘主体身份保真度（Identity Preservation）’的黄金定量评测指标，官方代码已开源。

以 Claude Code、Cursor、Codex 以及各类命令行智能体为代表的 AI Coding Agent，正在广泛读取并以用户的最高系统权限直接执行各类‘智能体技能（Agent Skills，通常以 SKILL.md 与伴生可执行脚本形式存在）’。然而，全球数以百万计的开发者正在通过简单的‘复制粘贴（Copy-Paste）’在 GitHub 仓库间互相传播这些技能，使之形成了一个完全脱离包管理器监管、缺乏语义化版本控制、且无法追溯原始出处的巨大软件供应链暗网。独立安全研究员 Fahd Seddik 在最新重磅论文（arXiv:2610.11169）中发布了全球首个智能体技能时序复制网络 Skill Constellations，全面解构了 GitHub 上多达 2,193,119 次真实的 Agent Skill 引入行为。实测发现：极少数源头仓库支配了全网绝大多数的技能传播，且 GitHub Star 数量与源头权威性完全脱钩；更可怕的是，复制的技能几乎从不随源头同步修复漏洞，导致上游补丁根本无法到达下游克隆体。研究通过对传播拓扑建模证实，精准安全审计排名最高的仅 100 个核心源头仓库，即可直接阻断全网 14.9% 的后续高危技能扩散（相比之下审查 Star 数最多的 100 个仓库仅能阻断 0.5%）。

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。