AI 编程实时动态与要闻

Mistral 10 月 29 日发布改进版 Mistral Large 4（Le Chonk）并开放权重，已上架 Hugging Face（另有 NVFP4 量化版），API 名为 mistral-large-4。相比 10 月初的公开预览，多做了约三周强化学习：官方口径 FrontierCode 2.0 得分 19.7%、Terminal-Bench 4.0 从 28% 升到 41%，并新增 low/medium/high 三档推理。许可证为改版 MIT，商用可用，但做模型即服务需另签商业许可。

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

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

慕尼黑工业大学（TUM）研究团队在 arXiv:2610.16763 中开创性提出将关系型数据库交互建模为环境世界模型的 TabWM（Tabular World Model）框架与 WorldRel 生成器。针对现有关系型机器学习仅能静态预测表格属性、无法推演特定业务操作对数据库状态演化后果的根本缺陷，TabWM 将操作数据库视作离散“关系世界”，通过离线执行日志推演动态状态转移，为企业自主决策智能体与数据库离线强化学习铺平道路。

查看大图

亚马逊 AWS 与伊利诺伊大学厄巴纳-香槟分校（UIUC）研究团队在 arXiv:2610.22448 中正式开源 Lean4AgenticRL 框架。针对传统 Agent 强化学习过度依赖稀疏二值结果奖励（Outcome Rewards）、忽视底层工具调用与中间工作流状态的痛点，该研究首次将多级过程奖励锚定在 Lean4 交互式定理证明器的形式化模式中，提出工作流阶段归一化 GRPO 算法。训练得到的 LAR-27B 在 TerminalBench-2.1 上斩获 77.3% 高分，较基座模型提升 9.89%。

查看大图

Meta 官方正式披露其位于俄亥俄州新奥尔巴尼的吉瓦级（Gigawatt-Scale）AI 超算中心 Prometheus，拥有数十万张顶尖 GPU，在预训练中实现超 85% 的有效算力率（Goodput），在强化学习（RL）中达到 90% 以上。在此超级算力加持下，Meta 新一代代码与视觉旗舰模型 Muse Wonder Full 在 LMSYS Code Arena: WebDev 中斩获 1726 分跃居全球第 6 名（超越 Claude Sonnet 5.5 与 Gemini 4 Argon），推动 Meta 晋升全球前三大模型实验室。

查看大图

Meta 工程博客 10 月 19 日发文，首次公开训练 Muse 系列（含 Muse Wonder）的俄亥俄州 New Albany 超算集群 Prometheus。一期已建成，目前有数十万块 GPU，满配目标约 100 万块。训练 Muse Wonder 时预训练 goodput（有效训练时间占比）超过 85%、强化学习超过 90%，平均无中断时间约 4.7 万 GPU 小时，之后经固件修复提升到 5.4 万以上。硬件为 GB200 NVL72 和 GB300 NVL72 两代平台，Vera Rubin NVL72 即将到位。

查看大图

Modal 10 月 19 日发布博客，宣布将为 Modal Sandboxes 引入 NVIDIA 的 Arm 架构 Vera CPU，这是它首次走出纯 x86 机群。Modal 用 50 个 Terminal-Bench 任务自建了 Agentless Agent Bench，测得在大量并发容器下，Vera 的任务吞吐最高可达同级 x86 GNR 机器的 2 倍，单任务延迟持平或更低（厂商口径）。空载串行时 Vera 优势并不明显。这批算力主要服务后台编码 Agent 和强化学习 rollout。

查看大图

来自斯坦福大学与加州大学伯克利分校的研究团队在 arXiv:2610.22273 中提出图书管理员智能体（Librarian Agents）。针对传统 RAG 被动检索导致推理期跨文档推理瓶颈的问题，该方法利用强化学习（RL）训练 LLM 预先对杂乱的超长文档工作区进行“前瞻性主动编排”，生成由模块化文件、子目录与交叉链接构成的合成文件系统。在 BrowseComp+ 评测中准确率达 55.86%，导航 Token 消耗降低 33.8% 至 51%。

查看大图

无 Critic 群组强化学习（GRPO 等）在长程 Agent 与高难数学推理中极易陷入“采样轨迹高度同质化、全组零奖励无梯度信号”的探索死局。今日两篇前沿论文从轨迹续写与输入嵌入两端破局：SERO（arXiv:2610.19397）从策略真实到达的状态恢复环境并执行多步 Oracle 续写，使 7B 模型在 ALFWorld 分布外泛化暴涨 11.20 个百分点；UNSW 提出的 EDEN（arXiv:2610.16105）在输入末尾追加单个锚定高斯噪声嵌入位，在同等采样预算下令 Qwen2.5-Math-7B 的 AIME 2025 Pass@256 飙升 13.33 个百分点（达 66.67%）。

查看大图

现有智能体强化学习（Agentic RL）普遍假设单条轨迹在单一连续累积的上下文会话（Single-Session）中完成，但这与真实生产环境中广泛使用的上下文压缩（Context Compaction）和子智能体派生（Subagent Forking）严重脱节。研究团队提出多会话智能体强化学习框架 Mosaic（arXiv:2610.22174），通过无 Critic 的分层优化将‘会话使用信号’纳入全局优势估计，并根据估计的边际贡献（Marginal Contribution）对每个独立子会话塑形奖励。在 BrowseComp 上的实测表明，Mosaic 在上下文压缩与子智能体分叉两大场景中全面超越传统全局广播基线，且平均消耗更少的会话次数。

查看大图

基于单元测试通过与否的强化学习（Unit-Test RL）是当前后训练代码模型的标准范式，但研究发现仅靠测试通过率奖励会诱导模型‘胡乱扩大修改范围’甚至在原本正确的代码上产生幻觉式改写。研究团队提出 PreciseCoder，在单元测试奖励之上引入语义验证的局部化精准编辑奖励。在 4B、9B 与 27B 模型上将平均修改代码行数从 7–15 行压缩至仅 3 行，零样本迁移至仓库级修复解决更多 Issue，且将 9B 推理轨迹提供给 GPT-5.6 Sol 与 Qwen3.8-Max 可直接提升 4.6–12.4 个百分点的编辑精度。

查看大图