AI 编程实时动态与要闻

微软研究院、微软安全团队与 UC Berkeley 在 GitHub 开源 TokenEconomizer（Apache 2.0，v0.1.0 于 10 月 26 日发布），它是 Claude Code、Codex、GitHub Copilot CLI 和 Pi 的插件，opencode 为实验支持。插件从同一仓库的历史会话中学习，用「微技能」记住仓库事实、裁掉长期不用的工具定义、在 Agent 原地打转时提醒换路。论文称在 277 个 SWE-Bench 任务上，五种 Agent 与模型组合的平均成本降低 18.4%–30.9%（论文口径）。

查看大图

微软亚洲研究院（MSRA）研究团队在 arXiv:2610.26828 正式发布并开源通用智能体世界模型 WildAWM（MSR-Orchard/WildAWM）。针对当前跨平台 GUI 与网页浏览智能体（Computer-Use Agents）在训练和评测中高度依赖昂贵、慢速且不可撤销的真实物理沙盒环境的痛点，WildAWM 首创可适应野外复杂异构环境的多模态自回归世界模型架构。模型能够在接收任意智能体动作（点击、输入、滚动）后，极其逼真地预测网页与桌面操作系统下一帧的高保真视觉状态演化与 DOM 结构变化，成功替代物理沙盒，为大规模自主智能体的离线强化学习与安全预演树立了全新基座。

查看大图

阿里巴巴淘天集团发表生产级多智能体商业视觉生成系统 CommerceGen-Studio（arXiv:2610.20603，HF 52 赞），通过 PERL-Agent 闭环自进化与 6B 参数 SKU-DiT（RDR 三阶段强化蒸馏），支撑日均数百万张秒级生成，并在真实流量基准 CommerceGen-Bench 上以 9.43/9.45 分击败 20B Qwen-Image-Edit 及闭源 Nano Banana Pro；同期微软研究院提出 Mine, Sample, Render（MSR，arXiv:2610.21185），在测试时外置统计采样彻底解决大模型生成同质化（Mode Collapse）。

查看大图

微软研究院（MSR）与斯坦福大学联合发布 AutoEnvScaling，首次将强化学习交互环境的设计本身转化为终端任务，利用提案智能体（Proposer）与求解智能体（Solver）的协同构建自动化数据飞轮。相比纯 Prompt 生成，环境有效率暴增高达 25 倍，单环境构建成本降低 75%。更关键的是，让单一模型（Qwen3.6-35B-A3B）同时扮演设计者与求解者，实现递归自我提升（RSI），在 Terminal-Bench 2.1 提升 12.2 分，Terminal-Bench 4.0 跑分翻倍。

查看大图

随着 Coding Agent 在 SWE-bench、HumanEval 等基准上的跑分屡破新高，工业界普遍陷入一种误区：认为只要给智能体挂载终端工具与代码搜索器（如 grep、ripgrep），代码解决能力就仅取决于修改规模的大小。然而，真实工业软件交付中，Agent 常常在微小的代码改动上遭遇溃败。微软研究院（Microsoft Research）在最新重磅研究（arXiv:2610.10610）中发布了严苛的评测蓝图基准 CABRA（开源代码：github.com/microsoft/CABRA）。CABRA 彻底剥离了传统基准中任务难度与代码修改行数的混乱交织，将程序建模为有向无环图（DAG），并沿四大正交维度（函数跨度遍历、噪声函数搜索、运行时依赖解算、复杂指令遵循）以参数 n 进行精确复杂度缩放。评测揭示了颠覆性的核心真相：智能体在处理简单语法修改时极为熟练，但在需要深度代码理解（Code Understanding）的复杂依赖追踪时表现断崖式暴跌；且统计证明，Agent 在‘代码理解类工具（READ、ANALYZE）’上消耗的 Token 数量和调用频次，比修改的代码行数更能精准预测其在 SWE-bench Verified 真实场景下的表现，官方代码与评测集现已开源。

查看大图

智能体在推理部署时的自我迭代升级能力（Test-Time Self-Improvement），是当前迈向 AGI 的核心演进方向。这一能力依赖两大互补支柱：能够敏锐识别错误并产出更优解的“反思（Reflection）”，以及能支撑算法经历多轮长时间交互而不发生上下文崩溃的“长程执行（Long-Horizon Execution）”。中国人民大学、微软亚洲研究院与中国科大团队联合推出了 AREX-2 框架：研究团队发现这两种核心能力具备极强的领域无关通用性（Domain-Agnostic），并通过在具备确定性结果校验的机器学习工程（ML Engineering）与算法编程任务中，合成了极具挑战的长程反思训练轨迹。基于 Qwen3.8-27B 打造的 AREX-2 智能体在 MLE-bench Lite 上斩获 81.8 的超高分，并零样本跨域迁移至深度研究（Deep Research）任务，在 BrowseComp 斩获 84.0 分、GAIA 斩获 92.2 分、DeepSearchQA 斩获 93.8 分，展现出随着迭代轮数增加而持续单调提升的强大自进化力。

查看大图

在大规模企业私有知识库与多文档代码工程中，回答复杂多跳问题通常需要将分散在不同文件中的碎片化证据严密串联（如将立项审批、需求设计与最新上线状态三者关联）。当代大模型检索智能体（Search Agent）在面对扁平化的海量文档时，只能盲目发起多轮关键词或向量检索，由于单个文档无法提供与其他文件的关联脉络，智能体在每次遇到新问题时都被迫重新穷举探索，不仅频繁遗漏关键互补证据，更在冗余交互中烧毁海量 Token。韩国科学技术院（KAIST）联合微软研究院团队推出 CorpusMap 实体图谱导航层：在离线阶段自动抽取并对齐整个文档集中反复出现的核心实体（Entity），为每个实体构建聚合页面（Entity Page）并双向链接所有提及它的原始文档。在检索时，智能体只需沿着实体图谱进行拓扑漫游，即可一站式捞取分散在全库的关联事实。实测表明，CorpusMap 在显著减少 Token 消耗的同时大幅提高证据召回完整度，全面击败包含纯扁平检索在内的 4 种替代导航架构。

查看大图

在长达数小时的长视频理解与长程时序智能体决策中，模型必须通过数十步推理连续收集跨片段证据。然而现有方法普遍采用“仅追加”（Append-Only）的工作记忆模式，随着上下文不断塞入新观测，核心证据的注意力迅速坍缩，智能体无法有效调取先前已发现的关键事实——这种系统性记忆失调现象被正式命名为“语义抖动”（Semantic Thrashing）。罗切斯特大学与微软研究院团队推出 VideoLoop 双循环工作记忆智能体：设计了外层全局推理循环与内层工作记忆重写循环。内层循环在每一步后从无边界文件系统中按需检索历史观测与中间分析，并在有限大小的工作记忆中动态执行提炼与覆写。VideoLoop 作为即插即用框架覆盖四大主流大模型底座，在 VideoMME（长视频）基准上平均提升 4.2 个百分点，配合 Gemini 3.1 Pro 达到 88.3% 历史新高，彻底根治了超长时序智能体的上下文注意力崩溃难题。

查看大图

微软研究院与 ServiceNow Research 联合团队正式发布专为端侧低资源环境打造的轻量级代码智能体 FrogNano（arXiv:2609.07925）。不同于传统依赖千亿大模型蒸馏（Distillation）小模型的做法，FrogNano 仅含 40 亿（4B）参数，且完全仅通过强化学习（RL）在约 1,500 个复杂的软件工程沙箱环境中后训练完成。其核心技术突破在于构建了一套自适应在线任务合成流水线（Online Task Synthesis），能够根据当前 Checkpoint 的学习能力边界动态生成难度恰到好处的合成代码任务。实验证明，小型模型完全无需依赖大模型输出即可自主进化出极高水平的软件工程代码调试与工具调用能力。

查看大图

微软研究院（Microsoft Research）Sumit Gulwani 团队联合发表提示词自动化工程突破 CASD（Coding-Agent Skill Distillation，arXiv:2609.26261）。针对现存基于搜索的 Prompt 优化器（如 GEPA、DSPy 等）依赖昂贵在线采样回放（Rollout）、验证数据反复调优以及庞大 API 账单的痛点，CASD 提出了颠覆性范式：仅凭借已有的静态 Agent 执行轨迹库，开箱即用的 Coding Agent 即可自动编写并运行数据分析代码，全局统计失败模式并提炼出高阶行为准则。在 ALFWorld、tau2-bench 与 SpreadsheetBench 等四大基准评测中，单次 CASD 离线优化平均超越未优化基线 16.6 个百分点（大幅领先 GEPA 的 10.9 和 SkillOpt 的 5.3），生成最优 Prompt 成本仅需 1.6 美元，比验证搜索提速节约超 22 倍。

查看大图

微软亚洲研究院（MSRA）研究员、论文共同一作 Zhihao Zhan 于 10 月 24 日在 X 上宣布开源 Agensh（MIT 协议）。它是一套没有中心调度 Agent 的多智能体编码框架，各 Worker 自行认领子任务、验证并异步合并进度；官方口径下，在 pandoc 任务上从 1 个扩到 1,024 个 Agent，最终测试通过率由 33.89% 升至 55.06%。

查看大图