AI 编程实时动态与要闻

2026-11-06 Reflection 官方账号发布 Beam 模型技术报告（156 页 PDF），完整披露这款 501.3B/23.4B 激活 MoE 开源模型的训练方法：23.8T Token 预训练、6,144 张 GB300 不到 4 周完成，后训练在约 10.5K 张 GB300 上跑 4 周、生成超 1 亿条 rollout 的全异步 RL。报告称 FP8/NVFP4 量化分别保留 99.93%/98.98% 的中位分数，1.93B 草稿模型 DFlash 2 单请求解码提速 1.96–3.03 倍（均为厂商口径）。

查看大图

马里兰大学与 Google、MBZUAI 研究人员在 arXiv:2610.18082 中提出长程智能体故障自愈框架 BeliefWeaver。针对自主 Agent 在复杂任务中因数步之前的隐蔽错误导致后期崩溃、传统局部反思或简易回滚无法定位根因的痛点，该框架维护跨尝试周期的关系型全局信念状态（Relational Belief State），引入隐式世界模型（IWM）预测修复收益并门控执行。经在策略蒸馏（OPD）微调后，9B 轻量学生模型在终端基准上超越基线 9.8 个百分点，且 API 成本大幅缩减 54.8%。

查看大图

Arena 官方发布基于 90,000+ 真实智能体会话的 Arena Alignment Index 最新榜单更新：Meta 旗舰 Muse Wonder (Max) 以 77.5% 位列实验室总榜第 6（越权操作率仅 2.09%、欺骗性完成率 14.41%）；美国榜首开源智能体模型 Reflection AI Beam-1.0-501B-A23B 以 75.3% 位列第 7（虚假归因率低至 4.50%）；阶跃星辰开源模型 Step 5 Preview 以 75.1% 位列第 8（越权操作率 2.11%）。

查看大图

Google AI Studio 正式宣布向 Google AI Pro 订阅开发者全面开放旗舰模型 Gemini 4 Argon 的 Build 与 Playground 交互构建能力；与此同时，Hugging Face Transformers 连发 v5.20.0 与 v5.20.1，免远程代码原生集成 Reflection AI 编码大模型 Beam、Meta 816B（42B 激活/1M 上下文）全模态编程模型 Muse Spark Open、蚂蚁 Ling 3.0 Flash 及面壁 MiniCPM-V 4.7。

查看大图

高人气开源终端编程智能体 OpenCode（@opencode）连续发布重磅福利：正式向全量开发者免费开放智谱高速编码模型 GLM 5.3 Flash 以及 Reflection AI 最新开源的 501B/23B MoE 旗舰模型 Beam（支持完整 100 万 Token 上下文窗口）。其中 GLM 5.3 Flash 免费官宣推文在 X 平台单日狂揽逾 192 万次浏览与 1.75 万点赞，成为近期最受开发者追捧的零成本 AI 编程组合。

查看大图

大语言模型（LLM）智能体是否真正具备从环境试错中归纳因果并自主进化的能力，一直是人工智能领域最具争议的核心命题。现有的各类 Agent 评测基准大多基于现实世界的标准任务（如编写 Python 脚本、操作标准操作系统），但由于这些知识早在预训练语料中被大模型反复咀嚼，导致评测极易产生‘模型究竟是在实时学习，还是在从记忆中检索已知答案’的严重数据混淆。由学术研究团队在最新成果（arXiv:2610.08215）中正式发布了开源基准 Learn2Play-Bench（开源代码：github.com/liushiliushi/Learn2Play-Bench，主页：liushiliushi.github.io/learn2play-bench-website）。Learn2Play-Bench 专门构建了一系列规则全新、反常识且高度异构的交互式文本世界，强制智能体必须完全摆脱先验记忆的庇护，仅通过执行动作与反馈闭环来探索并领悟隐藏的运行法则。评测揭示了颠覆性的核心发现：保留全量交互原始动作与反馈日志（Full Log Retention）在促进规则学习上决定性地优于大模型自主归纳提炼的文本规则摘要；与此同时，驱动 Agent 的‘脚手架框架（Harness）’设计对学习成败的影响甚至超过了底层基座模型本身的参数规模，官方代码与全量游戏环境现已开源。

查看大图

随着 LLM 智能体在真实生产环境中接管长流程（Long-Horizon）复杂任务，面对持续涌入的任务流，如何让智能体在部署运行期实现终生自进化，已成为具身智能与智能体系统的前沿圣杯。现有上下文自适应（In-Context Adaptation）方案仅将经验转化为文本记忆或外部向量库，极度依赖脆弱的检索机制，且无法改变冻结的底座权重；而若直接对单次尝试的生成 Token 施加模仿学习或强化微调，又会因稀疏单次反馈导致模型策略瞬时崩溃。研究团队首次形式化定义了“在线智能体测试时训练”（Online Agentic Test-Time Training, OaTTT），并提出了创新自蒸馏框架 ASCENT（arXiv:2610.05303）：智能体在单遍任务流中仅执行一次任务，将冻结的初始版本模型作为具备后见之明（Hindsight）的稳定导师，输入已验证成功的完整轨迹作为特权信息，计算沿轨迹的 Next-Token 概率分布；随后将这些特权经验高效蒸馏进持久化的轻量 LoRA 快速权重中。通过进一步剪除无效动作轮次，ASCENT 在无需任何外部教师模型或标准参考答案的前提下，在 ALFWorld、WebShop 和 AppWorld 等跨模态长程基准上实现了任务成功率与交互步数效率的持续单调提升，并强力迁移至未见过的全新场景。

查看大图

2026-10-16 Hugging Face 与 Reflection 确认 Beam 权重已开放下载：稀疏 MoE 总参约 501B、每 token 激活约 23B，上下文 1M，Apache 2.0。提供 BF16/FP8/NVFP4 检查点，transformers≥5.20.1、vLLM、SGLang 当日可用；模型卡自报 SWE-bench Verified 81.6%（BF16）、Terminal-Bench 2.1 80.1%、MCP Atlas 80.8%（厂商口径）。此前 10 月 5 日官宣「本月放权」的等待已结束。

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

在以长思考链（CoT）为核心的测试时缩放（Test-Time Scaling）浪潮中，4B~8B 的轻量化小推理模型（sRM）因低延迟与低部署成本而备受关注。然而韩国科学技术院（KAIST）团队研究发现：小模型的测试时自我反思（Self-Refinement）主要是在当前状态已能触达的解空间中重新聚合概率，无法凭空创造未知的参数化知识；当遭遇“知识瓶颈”时，一味增加思考 Token 反而会导致严重的幻觉与算力浪费。为此，KAIST 团队推出 FlyBy 选择性查询架构：通过中间状态干预精准切分“执行瓶颈”（靠反思修复）与“知识瓶颈”（靠外呼获取），利用成本感知强化学习（Cost-Aware RL）训练小模型自主权衡查询决策。在 6 项权威硬核基准 1,158 道挑战题上，FlyBy-4B 取得 45.96% Pass@8，全面超越 14B 参数的 Qwen3-14B（41.64%），而综合服务成本狂降 2.7 倍（立省 63%）。

查看大图