AI 编程实时动态与要闻

随着具身智能机器人（Embodied Agents）从简单的抓取放置迈向几十步的厨房烹饪与装配长程任务，单纯依赖任务终态（成功/失败）的结果奖励模型（Outcome Reward Models, ORMs）已经完全失效——稀疏的单一信号无法告知智能体在漫长执行轨迹中究竟哪一步做对了、哪一步开始偏航。引入细粒度过程奖励模型（Process Reward Models, PRMs）以实时评估任务完成进度百分比成为行业共识。然而，来自美国西北大学与卡耐基梅隆大学（CMU）的研究团队在最新论文（arXiv:2609.36684）中揭示：现有的具身进度评估器如果缺乏完备的上下文（Right Context），其预测精度将如同无头苍蝇一般崩溃。团队推出了 ProgressCompass 理论框架与基准评测，系统性证明：精确评估具身动作进度必须联合输入历史执行轨迹、初始环境基态与清晰的任务目标表征；缺乏前置动作记忆将导致进度评估器发生灾难性的单步盲区。项目已正式发布（andyzworks.github.io/progresscompass/）。

学术界与产业界联合发布 Android Bench 2.0 评测基准。随着 Coding Agent 轻松突破简单单元测试与单函数修复，新版本全面引入需耗时数天才能完成的「长程任务（Long-Horizon Tasks, LHT）」，重点考察智能体从零搭建完整 App、多模块大版本依赖平滑升级以及跨端联调的架构鲁棒性。

xAI 正式为 Grok Build 平台推出原生 Memory 长程记忆系统，支持跨项目、多会话沉淀团队开发习惯与架构偏好。同时宣布大规模部署 NVIDIA 最新 Vera CPU 加速服务器集群，为 Grok Agent 的高并发环境执行与长程推理提供算力底座。

LMArena（@arena）详解 Gemini 3.8 Flash (High) 相对 3.7 Flash (High) 在 Agent Arena 的跃升：净提升从 +0.84%（总榜 #32）升至 +5.94%（总榜 #14）。Agent Arena 用网页/文件系统/终端等真实长程任务衡量相对平均模型的净改进；五维信号里 Praise vs Complaint 改善最猛（+14.78% vs -1.60%），Confirmed Success 与 Bash Recovery 也明显变好，Steerability 仍弱但已好转。