AI 编程实时动态与要闻

过去一天，X 上围绕 GPT-6 Astra 能否直接当机器人策略展开热议。前 OpenAI 研究员 Will Depue（简介写明曾参与 Sora 1/2、o3/4o 后训练）说，Astra 碾压专用机器人模型「非常令人意外」，随后又称这是「专用 ML 的最终死亡」。投资人 Freda Duan 发帖称「Astra 就是机器人的 GPT-3 时刻」，约 8.4 万浏览。第三方评测给出的数字有支持也有反例：RoboDojo 论文里 Astra 平均成功率 22.48%，排在 40 个公开策略之上；另一份 EBench 报告里它是 46.7%，9 个模型中排第 3。以下是观点讨论，不是 OpenAI 官方结论。

查看大图

Mirendil 10 月 26 日发布首个模型 Fern，基于自研 Mirendil-Base（0.1–0.5T 参数）从零预训练，上下文窗口最长约 1000 万 token，约等于 50 万行代码或数天的 Agent 轨迹。Fern 0.1 只做了一轮短后训练，主打审计训练数据、看日志排查训练故障、通读 Agent 轨迹等 AI 研发场景。官方口径：SWE-Bench Verified 73.4%、RULER 单针检索在 10M 长度仍为 100%，但多跳问答在 10M 降到 45%。目前仅开放早期申请，未公布价格和权重。

查看大图

fal 于 10 月 19 日（UTC）发布 FLUX 3 Max，这是 fal Research 与 Black Forest Labs 合作、在 FLUX 3 基础模型上做后训练、强化学习和推理优化得到的视频生成模型，支持文生视频、图生视频和关键帧，最长 20 秒，可选 720p/1080p 并默认生成音频。在 Artificial Analysis 图生视频竞技场的初步榜单上它得到 1,139 Elo，与 Seedance 2.5 同分、和第一名 MiniMax H3（1,141）置信区间重叠，按厂商口径生成 10 秒视频约 12.45 秒。目前 75% 折扣至 11 月 7 日，720p 每秒 0.0425 美元。

查看大图

针对网页与多模态智能体在强化学习中奖励稀疏、外部大模型裁判昂贵以及多能力梯度冲突的痛点，今日三项重磅研究实现突破：Salesforce AI Research 推出 CLIFT（arXiv:2610.06829），将保形认证的 URL 状态自验证问题库同时用于训练稠密奖励与测试期零裁判轨迹优选（CTS），使 Gemma-4 31B 在 WebArena Infinity 9 大应用上斩获 74.6% 登顶（超越 Gemini 3 Flash 的 70.1%），迁移至 GPT-5.5 刷新 VisualWebArena 53.7% SOTA；MMSearch-OPD（arXiv:2610.22240）将 9B 多模态深度搜索准确率提至 60.2%（+15.3 分）；东北大学 SCOPED-8B（arXiv:2610.22217）通过技能解耦在线专家蒸馏斩获 73.13% 均分，越级击败 4 倍体积的 Qwen3-VL-32B（72.01%）与 Claude Opus 4.6（72.86%）。

查看大图

Ollama 官方宣布在美国与欧盟本土服务器正式上线严格“零数据留存、零训练”的 Ollama Cloud 托管服务，同步接入 DeepSeek-V4.1-Flash-1017 并支持通过 ollama launch 一键拉起 Claude Code 与 OpenCode；同日，SemiAnalysis 披露重磅内幕：智谱旗舰模型 GLM-5.3 未重新预训练，而是 100% 基于前代模型通过高 GPU 效率的后训练（Post-Training）打造，在网络安全与攻防推理上较 GLM-5.2 实现跨代质变。

查看大图

围绕人机协同办公与多智能体群体自组织两大前沿方向，阿里通义实验室提出 Cowork-Gym（arXiv:2610.17670），通过‘构建-执行-修正’闭环与会直接修改共享工作区的有状态用户模拟器，规模化合成 64,900 个交互式协同办公环境；经其后训练的 27B Qwen 模型在 PawBench 与 ClawEval 上双双夺冠，正面击败超 100B 参数大模型。同日，哈佛与 MIT（杜亦伦团队）开源市场化竞价后训练框架 MPT（arXiv:2610.22322），让去中心化智能体群通过自主出价（Bidding）同时学习动作策略与自组织分工。

查看大图

为验证前沿智能体能否自主执行完整的模型后训练研究（AutoPostTrain），研究团队构建了面向智能体原生的真实 GPU 科研系统 Athanor。在完全无人工指导、禁止调用外部教师模型蒸馏的沙盒中，4 个分别掌管 8 卡 GPU 节点的 Claude Opus 5.5 智能体协同奋战 104 小时，自主完成数据清洗、SFT、修改 RL 采样算法、跨智能体权重合并与自蒸馏，将原始 Qwen3-4B-Base 在开发集与盲测集上分别从 15.9/9.2 提升至 67.3/48.2，全面超越人类专家训练的官方 Qwen3-4B-Instruct-2507（66.5/47.9）。

查看大图

Microsoft AI 于 2026-10-15 发布技术博客与 PDF，宣布完成自研基座 MAI-Base-2 的预训练：每层 MoE（1 个共享 + 512 选 7 路由专家），80B 激活 / 2.8T 总参，102 层，原生无编码器视觉，50T token 训练混合、知识截止 2026 年 3 月。官方口径：在自建/外包的留出集 BPB 上低于所有参测开源模型，预训练 FLOPs 效率为 DeepSeek-V4-Pro-Base 的 4.2–12.3 倍。模型仍在后训练中，暂无 API、权重或发布日期，微软计划经 Foundry 向受信伙伴授权权重。

查看大图

旧金山实验室 Paper Instruments 于 2026-10-15 00:02（新加坡时间）发布 Ultramarine 1 Flash：在开源底座 GLM-5.3 Flash 上用大规模「非可验证」强化学习（任务级 rubric 奖励）后训练，面向金融、法律、咨询、运营类知识工作。官方技术报告称其在 6 项知识工作基准上平均比底座高 4.1 分、输出 token 少 6.5%；在内部 PI Knowledge Work 套件上以 $0.13/任务得 59.3 分，高于 Claude Fable 5（$8.19，57.8）。OpenAI 兼容 API（ultramarine-1-flash）已上线；CEO 称权重约两周内发布、后训练成本约 30 万美元。成本对比依赖其内部基准，尚无独立复现。

查看大图

随着 LLM 智能体从简单工具调用走向具备沙箱、文件系统与 Shell 权限的通用 Harness 环境，现有的后训练管线大多是一次性且高度依赖外部更强教师模型的。研究团队提出首个 Harness 原生自进化框架 ClawLoop：无需外部教师与过多先验，通过任务合成、SFT/RL 训练、行为诊断三阶段构筑自维持飞轮。基于 Qwen3.6-27B 在 SkillsBench、Claw-Eval-Live 等基准上取得显著提升，并能无缝向 4B/9B 模型迁移高质量训练数据。

查看大图

强化学习后训练（RL Post-Training，如 PPO、DPO 与 RLVR）是激发大语言模型复杂推理与泛化能力的核心引擎。然而，大模型强化学习对 GPU 显存的吞吐需求极其苛刻：除了模型本身的权重与激活值外，训练节点必须同时维护庞大的全尺寸梯度缓冲区与 Adam 优化器一阶、二阶矩状态，导致 27B 甚至更大参数规模的开源模型在单台标准 8 卡 GPU 节点上频频遭遇 OOM（内存溢出）崩溃。在最新发表的研究成果（arXiv:2610.06647）中，研究团队发布了轻量级强化学习缩放框架 LoGRA（代码已合入开源 Molt 库：github.com/skzhang1/labs-molt）。LoGRA 彻底推翻了保存稠密全尺寸梯度的传统做法，创新性地提出了‘低秩梯度草图（Low-Rank Gradient Sketches）’机制：在反向传播过程中将有用梯度信号直接投影并累积至低维紧凑草图中，不仅大幅缩减了显存占用，更让多卡间的策略同步通信开销急剧下降。为防止压缩梯度导致的参数突变，团队配套设计了‘预测 KL 步长控制（Predicted-KL Step Control）’，在更新前动态预估策略偏离程度并平滑校正步长。实验表明，LoGRA 在主流推理基准上将平均训练显存降低高达 45.7% 且精度毫无衰减，并首次在单台 8-GPU 节点上稳定训练 27B 模型超过 1,100 步，彻底打破了大模型强化学习的高显存硬件壁垒。

查看大图