AI 编程实时动态与要闻

10 月 20 日，推理加速公司 Eagle 发布 EAGLE-4，这是 EAGLE 推测解码系列的第四代。它用一个草稿模型按批量、硬件和负载动态调整推测树，同时保持目标模型输出分布不变。官方口径下，Qwen3.8-27B 在 4 张 B300 上单请求达 961.6 tokens/s。代码以 eagle-harness v0.1.0 发布，支持 SGLang、vLLM 和实验性的 TokenSpeed。注意：多数转发称其“开源”，但官方许可证是源码可用（source-available）许可，并非 OSI 开源。

查看大图

传统投机解码（Speculative Decoding）依赖目标模型的静态隐层特征，无法适应草稿模型随位置变化的动态上下文需求。香港大学团队发表 ReaDy（arXiv:2610.20503，HF 6 赞）。该框架首次为混合线性注意力模型（Hybrid Linear Attention，结合 Transformer 与 Mamba/RWKV 循环层）设计了以紧凑循环隐状态为动态上下文的投机草稿机制。在 NVIDIA B200 单卡上对 Qwen3.8-27B 展开评测，投机接受长度达 4.53，单卡解码吞吐飙升至 302.78 TPS，较标准自回归提速 2.4 倍。

查看大图

终端智能体（Terminal Agents）在长程命令行交互中常难以将局部进展转化为最终任务通关。腾讯 AI Lab 与新加坡国立大学联合提出 Terminal-RSI，通过交替执行已验证轨迹的递归自重写（RSR）与继承 Critic 状态的递归策略精炼（RPR），结合跨轮次跳过观测的 TB-GAE 优势估计，基于 Qwen3.8-27B 历经五阶段演化后在 Terminal-Bench 2.1 斩获 86.52%、Hard 达 79.00%，LHTB 严格通关数从 0/46 跃升至 5/46。

查看大图

当前自主编程智能体（SWE Agents）的训练与评测大多局限于单个函数的孤立补全或现有单仓库内特定 Issue 的局部修复（如 SWE-bench），难以衡量智能体从空白工程起步、独立探索参考系统、推演架构设计并从零完整复现一个可编译可运行软件（Program Reproduction）的长程综合能力。学术研究团队在最新成果（arXiv:2610.13395）中正式开源了首个全自动工程级训练环境合成引擎与智能体工作流 ProgramGym（代码仓库：github.com/Acm1011/ProgramGym，数据集：ProgramGym/programgym-1648）。ProgramGym 包含两大核心支柱：Program-Env 流水线自动将真实开源代码库转换为具备确定性黑盒测试集的隔离执行沙箱，一举构建了涵盖 C、C++、Go、Rust 四大主流系统级语言的 1,648 个高质量可验证训练环境（ProgramGym-1648）；而 Program-Agent 则确立了‘需求分析 -> 代码实现 -> 审查反思’三权分立的迭代开发脚手架与版本控制恢复机制。在权威基准 ProgramBench 测试中，利用该引擎合成轨迹监督微调得到的 Qwen3.8-27B-SFT 模型测试通过率提升 7.97 个百分点至 42.84%，超越了 mini-SWE-agent 下的旗舰模型 GPT-5.4（37.70%）；搭配 Program-Agent 脚手架后跑分更是进一步跃升至 56.25%，全面超越 Claude Opus 4.7（50.90%）与 Gemini 3.5 Flash（53.60%），全套数据集与环境已全面开源。

查看大图

Perplexity 在 Hugging Face 发布 Apache-2.0 的 pplx-decider-v1.1-27b，基于 Qwen3.8-27B，不生成文本而是直接输出带概率的分类/路由/打分答案；Decision Index 总分 61.56（v1 为 56.4，Jev 为 57.9），并可通过 Perplexity Decisions API 调用。

查看大图

随着终端智能体（Terminal Agents）从常规软件开发向生物信息、量子化学及天体物理等复杂科学垂直领域纵深渗透，如何构建高保真且具备确定性验证能力的训练环境成为了业界最大的工程死穴。传统手工编写特定领域任务与断言不仅成本高昂，且规则极难复用。来自清华大学与腾讯的研究团队提出了革命性的自监督框架 SWR（Software-in-the-Loop Reconstruction，arXiv:2610.02710）：直接利用工业界与科研界成熟现存的软件工作流（Executable Software Workflows）作为真实真值源，通过自动化输入配置扰动将测试集切分为公开观测与隐藏评测。智能体在仅看到输入模式与部分输入输出对的黑盒条件下，自主逆向重构出全功能可编辑脚本程序；再由多级层级验证器（结合语义断言、结构合法性与防捷径反作弊检查）在隐藏配置上进行绝对真值校验。团队在跨越 6 大科学领域的 500 个真实工作流与 46 个知名软件家族上落地 SWR，采集并清洗了 1,422 条高难度通关轨迹（扩增至 3,000 条训练集）。微调 Qwen3.8-27B 后，模型在权威基准 Terminal-Bench 2 上的平均得分由 47.94% 飙升至 53.56%，在全部对比对照组中全面斩获第一。

查看大图

大语言模型（LLM）的预填充（Prefill）与解码（Decode）阶段对底层硬件提出截然相反的要求：Prefill 是典型的计算密集型，依赖超低精度算术核心（如 FP4/INT4）快速吞吐长 Prompt；而 Decode 是典型的显存带宽受限型，需要紧凑的超低比特权重（如 2-3 bit Weight-Only）减少每次访存延迟。然而传统的全流程统一量化方案迫使两者相互妥协，导致性能与精度双重折损。来自顶尖系统团队与 IST Austria 的重磅研究《Disaggregated Quantization: Specializing LLM Prefill and Decode》（arXiv:2609.26333）开创了“分离量化（DQ）”体系：为 Prefill 与 Decode 定制各自独立的计算格式、量化权重与物理存储布局。针对单卡显存受限场景，创新推出卸载式分离预填充（ODP），通过 NVMe SSD 异步流式加载 NVFP4 预填充权重，在 llama.cpp 与 8K 长文本上将 Qwen3.8-27B 首 Token 生成延迟（TTFT）暴降 1.78 倍，并在 vLLM 分布式环境中验证了高达 2.8T 参数超大规模模型的完美兼容性。

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

赋予大语言模型智能体在测试期（Test-Time）自主迭代完善解题方案的能力，是通往通用自主工程智能体的关键里程碑。来自中国人民大学等研究团队推出全新长程反思智能体框架 AREX-2。该研究发现测试期自演化依赖两大解耦的核心基石：产生优于当前方案的反思能力（Reflection）与支撑跨多轮次持续有效推进的长程执行力（Long-Horizon Execution）。由于这两项能力具备领域通用性，团队在具备严格可验证反馈的机器学习任务与算法编程领域构建了高质量长程反思轨迹合成数据。基于 Qwen3.8-27B 训练的 AREX-2 在 MLE-bench Lite 斩获 81.8 的惊人高分，Frontier-CS 达 70.7；不仅如此，该能力强力迁移至复杂深度研究场景，在 GAIA（92.2）与 DeepSearchQA（93.8）上展现出伴随测试轮次增加而持续自我变强的演进曲线。

查看大图