AI 编程实时动态与要闻

Y Combinator 的研究项目 YC Labs 与多智能体环境公司 Olam Labs 10 月 29 日发布《Agents in Games》实验报告：50 个 GPT-6.1 Sol 智能体在 Minecraft 生存模式里「建设繁荣文明」3 小时，最后挤在避难所里配给口粮，发了约 5,900 条消息，搞出配给账本、许可证和各种岗位；9 局 Bed Wars 中 10 个 GPT-6.1 Sol 对 10 个 Claude Opus 5.5，GPT 以 6–3 获胜；Mindustry 50 对 50 共 7 局约 9.5 小时，GPT 以 6–1 获胜。报告还发现领导者几乎总是名册上排第一的智能体，GPT 卡住时会自己上网读游戏源码。Minecraft 智能体框架已开源。这是单一机构的实验观察，不是标准化跑分。

查看大图

xAI 10 月 28 日在 @grok 官方账号宣布，所有 API 客户现在都能在文本请求里加 guidelines 数组，对 nsfw、violence、profanity 三个类别逐一设为 decline，让 Grok 在写回答时自己收紧这类内容，而不是事后过滤。字段同时支持 Responses API、Chat Completions 和 xAI Python SDK；多智能体模型和延迟补全暂不支持，参数不合法时 API 会在调用模型前直接返回 400 或 422。

查看大图

Anthropic 应用 AI 团队于 2026-10-22 在 Claude 官网发布文章《Building agents: When to fold subagents into your main agent loop》，并配套开源参考实现 anthropics/single-agent-loop-kit。文章称在多个企业部署的对比中，「单一智能体 + Skills」常在质量上胜过「一个大提示词」和「多子智能体」两种设计，单任务成本和延迟往往也更低；一家客户把多智能体框架换成单循环后运行时间快了约 2 倍。Anthropic 还透露已将面向高级模型的 Claude Code 系统提示词精简 80% 以上。子智能体仍适用于上下文膨胀、需并行且用完即弃的任务、工具选择或指令冲突三种情况。该文过去两天在 X 上引发大量讨论。

查看大图

多所顶尖研究机构在 arXiv:2610.28554 中正式发布革命性多智能体世界模型架构 OverSeer。针对现存视频世界模型在扩展至多智能体协同场景时，各 Agent 视界受限（局部可观察性）、传统方案过度依赖外部地图拼接输入，导致多视角画面严重冲突与空间位置漂移的行业痛点，OverSeer 提出“将全局空间辅助流与多智能体第一人称流进行联合预测”的全新机制。在经典开放世界测试环境 Minecraft 的严格基准评测中，OverSeer 在空间定位（Grounding）、长程空间记忆（Memory）与多视角一致性（Consistency）指标上全面超越现有顶级基线，彻底消除了群体智能体在空间盲区下的物理幻觉。

查看大图

权威独立 AI 基准测试机构 Artificial Analysis 正式发布针对 Cognition 旗下最新编程智能体 Devin Fusion 的全面实测报告。Devin Fusion 采用了革命性的“异构双模型并行协同架构”：由旗舰级的 Claude Opus 5.5（Max）担任总架构师与核心决策大脑，配合轻量极速的 GPT-6 Luna（High）作为并行子智能体执行具体检索与代码试跑。在 Coding Agent Index 综合大考中，Devin Fusion 斩获 68.1 分的高分，位居全球最顶级智能体梯队；而在经济性方面，单任务综合调用成本从 Claude Code Opus 单模型的 13.04 美元骤降至 9.01 美元（成本节省达 31%），单任务平均耗时由 65 分钟缩短至 55 分钟。

查看大图

针对长链路多轮工具调用与多智能体协作中频发的“目标漂移（Goal Drift）”难题，新加坡国立大学、中科大与阿里通义千问团队联合提出 Steering Agent（arXiv:2610.22316）。该框架通过成对排序与组相对策略优化（GRPO）联合训练低成本快速判断路径（When to intervene）与高成本慢速纠偏生成路径（How to intervene），在无需重训基座模型的前提下将多跳 QA 平均基准分从 42.70 提升至 50.10，同时将平均执行轮次从 8.8 轮大幅压缩至 6.5 轮（-26.1%）。

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

OpenAI 官方连发重磅更新：ChatGPT 中的旗舰模型 GPT-6 Astra Pro 迎来全面升级，不仅响应速度更快、插件与工具调用更精准，更在 Chat 标签页中为 Pro 用户原生引入‘并行多智能体协同（Parallel Multi-Agent Execution）’，支持多个智能体同时拆解并推进复杂任务的不同部分，用户可实时追踪各分支进度并审阅交付成果。与此同时，OpenAI 开发者团队展示了内部工程师如何让常驻智能体‘dots’值守夜班（On-Call）：在凌晨 3 点发生线上故障时，dot 自动完成根因调查并拉起 Codex 编程线程，工程师仅需在手机端 ChatGPT App 上远程把关即可化解危机。

查看大图

数据分析智能体（Data Agents）需要编写代码处理异构文件并挖掘业务洞察，但真实企业数据受制于隐私合规且难以验证开放式结论。研究团队提出 Data World（arXiv:2610.21656），首创‘先显式定义底层因果世界机制，再衍生异构数据文件与评分标准’的多智能体合成引擎，构建了 1,037 个独立世界与 DataWorld-Bench。基于 Qwen3.6-35B-A3B 进行纯强化学习（RL-Zero，零蒸馏）训练出的 DataWorld-35B-A3B 在 DABstep-Hard 上狂涨 20.90 分、DAComp 提升 14.28 分；配合同日开源的多奖励逐 Token 信用分配算法 MRTPO（arXiv:2610.21439），为训练高精度工具与 SQL 智能体提供了完整利器。

查看大图

为了让编码智能体能够规模化创建可编辑、可验证的 3D 资产与场景，南加州大学（USC）、罗切斯特大学与 NVIDIA 等机构联合发布 3DCodeVerse 研究生态。该项目开源了包含 200 万个独立可执行 3D 程序的 3DCodeVerse-2M 数据集，并设计了基于有向无环图（DAG）的多智能体 3DCodeVerse Harness，融合执行检查、空间几何测量与视觉反馈实现全自动代码修正。实测同在 Claude Opus 5.5 驱动下，人类盲测击败 Claude Design 胜率高达 90%。

查看大图

当大语言模型（LLM）的输出质量超越人类专家可靠评估的极限时，如何实现不依赖外部人类标注或环境判题器的‘递归自进化（Recursive Self-Improvement, RSI）’？以往在数学、代码等领域依赖编译器（RLVR）的成功范式，在科研探索、复杂论证等无法自动验证结果的开放式非可验证任务（Non-Verifiable Tasks）中彻底失效；单个模型若既当裁判又当考生，又极易陷入同质化自我闭环与评估盲区。知名 AI 实验室 Sakana AI 在最新重磅成果（arXiv:2610.12176，项目主页：sakana.ai/mass）中推出了全新自进化框架 MASS（Multi-Agent Self-Supervision）。MASS 突破性地使用单一基座大模型（如 Qwen3.6-27B），让其同时扮演任务解决者、多智能体工作流优化器与客观评估者三大角色。系统在‘演化工作流结构优化’与‘基于自身生成的高质量轨迹实施监督微调（SFT）’之间交替迭代。经过两轮 MASS 递归自进化循环，模型在复杂科研基准（MLR-Bench、ScienceAgentBench、DSBench 等）上的每输出 Token 性能提升达 1.2x 至 1.6x，对初始基座模型的胜率从第一轮的 53.9% 飙升至第二轮的 69.9%，并证明多智能体自生成轨迹蒸馏的学生模型大幅超越消耗 1.4 倍 Token 训练的单智能体学生模型，论文与项目全貌已正式公布。

查看大图