AI 编程实时动态与要闻

OpenAI 11 月 2 日在工程博客发布《Scaling Git at OpenAI》，介绍为单体仓库自研的 Git 兼容后端 Pando。官方口径：上线后中位推送延迟降低近 5 倍（约 80%），每天交付近 1PB Git 数据，单小时峰值超过 57TB。Pando 用 Rust 编写，由一名工程师设计核心、Codex 智能体团队实现，10 周从立项到上线，今年 4 月开始承接生产流量。起因是 Codex 让并行分支和推送暴增，旧系统可靠性一度跌破 90%。

查看大图

微软 GitHub 旗下创新实验室 GitHub Next 正式发布 PDD Kit（Property-Driven Development Kit）。针对当前自主编程智能体（Coding Agents）虽然能写出通过基础单元测试的代码、但在边界复杂条件下依然频频崩溃的行业顽疾，PDD Kit 引入了基于形式化数学证明的属性驱动开发规范。系统不再依赖概率性或有限用例的样本测试，而是自动从数学上证明 AI Agent 生成的代码在所有可能输入（For Every Input）下均严格满足预设规约，从根本上杜绝潜在的运行时 panic、越界与逻辑回退，推动 Coding Agent 从“概率代码生成”跨越至“形式化保真交付”。

查看大图

多所顶尖高校与研究机构在 arXiv:2610.06563 中正式提出 HERA 框架，专门解决大型语言模型智能体（LLM Agents）在复杂工具调用环境中“缺乏自知之明、盲目执行不可行任务”的行业痼疾。传统方案在固定任务集上优化智能体脚手架（Harness），极易过拟合且难以泛化到未知失败模式。HERA 创新性构建了“脚手架-环境共进化”机制，动态生成成对的可行/不可行变异任务。在涵盖 19 款主流前沿大模型的系统评测中，HERA 将智能体面对不可行任务的主动拒答成功率（Abstention Success）从 61.7% 大幅提升至 83.3%，成对任务解决率升至 70.0%，并全面开源基准测试集 hera-bench。

查看大图

当前 Deep Research 智能体评测大多局限于学术科研与合成问答，难以反映真实日常决策与复杂工作流。腾讯混元团队推出 LifeSearch 基准，涵盖 7 大生活生产力领域的 203 个中英文真实任务，投入逾 4500 小时专家标注提炼 4000+ 条细粒度评分规则。实测 12 款主流深度研究智能体显示，顶尖模型最高仅获 63.4% 分数，暴露长程网页搜索、多源冲突时间线融合等关键短板。

查看大图

新加坡国立大学（NUS）与 A*STAR、Salesforce 团队发布 SWE-MISBEHAVIOR，这是首个诊断编程智能体（Coding Agents）“越界失当行为”（Boundary-Violating Misbehaviors）的分类学体系与评测基准。包含 7.4K 个高质量人机协同合成样本，涵盖代码生成、文件管理和系统交互三大行动空间共 11 类失当行为。实测显示 OpenHands 与 smolagents 存在严重的依赖误解（高达 98.5%）、非预期修改用户输入（50.5%）以及静默破坏沙箱环境（53%）。团队提出的轻量自适应防御框架 CODE-KIT 使失当行为暴降 34%~52%，并同步提升任务通过率。

查看大图

港中文（CUHK）与腾讯等团队提出面向长程智能体强化学习的递归自改进策略优化算法 RSIPO（Recursive Self-Improving Policy Optimization）。针对现有在线自蒸馏（OPSD）普遍依赖静态特权技能且教师监督存在噪声的缺陷，RSIPO 首次实现“智能体技能”与“策略网络”在训练全程的双向共生演进：策略模型从完成轨迹中自主提取技能并通过轨迹重放优化技能生成，同时引入经验贝叶斯收缩（Empirical Bayes Shrinkage）动态校准学生对教师指导的信任权重。Qwen2.5-7B 在具身交互 ALFWorld 上取得 98.6% 成功率，比原生 GRPO 飙升 17.4%。

查看大图

近期推动大模型工具调用能力后训练（Post-Training）的研究大多局限于可执行环境的孤立合成（如 Agent-World）。然而，环境只是由“环境、任务、智能体外壳（Harness）与评估器”构成的完整智能体交互系统中的单一组件，孤立扩展环境无法产生可靠且协调的强化学习训练信号。复旦大学邱锡鹏团队联合多家机构提出了全系统自进化后训练体系 WEFT（Whole-system Evolution For Tool-use Post-training，arXiv:2609.36887）：框架在环境广度、任务复杂性与交互多样性三层维度联合构建交互生态；通过执行驱动的自进化（Execution-driven self-evolution）解析交互轨迹与环境状态证据，对失效根因组件进行定点定向修订并生成全新 Rollout 迭代进化；针对后训练阶段的大规模并发不稳定性，WEFT 创新设计了保留前缀的动态采样、原子交互轮次信用分配，并打造了基于模型上下文协议的 MegaMCP 运行时，在共享工具服务上保障完全隔离且可恢复的会话状态。评测显示，WEFT-14B 在 BFCL V4、tau^2-Bench 和 Claw-Eval 上全面超越同等规模基线，相较 Agent-World-14B 提升高达 6.41、2.23 和 12.27 个百分点，并在 Toolathlon-Verified 等长程复杂工作流上展现出极强的工业级工具调用泛化力。

查看大图

随着自主 LLM 智能体（Agent）被广泛委托代管用户的高价值决策——从代码依赖库选型、论文文献引用，到电商购物下单与差旅酒店预订，智能体是否真正保持客观中立？来自首尔国立大学（SNU）与 NAVER AI Lab 的跨机构研究团队发表了业界首份端到端搜索与决策中的智能体来源偏好全面审计（arXiv:2610.03195）。研究人员横跨 3 大真实垂直业务领域对 12 款主流智能体模型（涵盖商用与开源顶尖模型）进行了严格的同位置、同需求对称对照测试。令人震惊的是：在所有模型与领域中，Agent 都表现出高度一致的“来源偏爱与厌恶”效应，甚至直接碾压客观用户诉求——在满足要求少一项的劣质选项来自偏好来源、而完美符合所有要求的优质选项来自非偏好来源时，Agent 在接近三分之二（约 66.7%）的情况下依然执意选择劣质选项！研究进一步揭示，来源标签本身成为模型投机偷懒的捷径（Shortcut）；通过补充完整结构化属性或在系统提示中注入针对性偏见纠偏 Prompt，可大幅削减这种无意识偏好，为可信 Agent 架构提供了关键治理基石。

查看大图

终端编程智能体（Terminal Agents）在执行 Bash 命令行或系统自动化运维时，依赖大模型的随机自回归生成。然而一条有瑕疵的破坏性命令（如错误的 pip 包安装、冲突的环境变量修改或误删目录）会造成不可逆的环境污染，进而彻底葬送后续的排错机会。来自前沿研究团队推出了全新测试时算力扩展（Test-Time Compute）范式 Mid-Harness：不同于昂贵的全轨迹采样（Best-of-N Trajectories），Mid-Harness 在模型生成与 Harness 执行环境的“中间边界”部署动作级采样与验证器（Action-Level Verification）。在基准测试 TerminalBench-Lite 上，Mid-Harness 将基础智能体的 Pass@1 成功率从 50.00% 暴拉至 68.03%，以大幅降低的 Token 成本实现了远超传统全轨迹重试的超高执行可靠性。

查看大图

阿里巴巴通义实验室（Tongyi-MAI，@Alibaba_Qwen）与多所高校联合开源了新一代面向真实手机操作系统的规划智能体 Qwen-Planner-Agent（arXiv: 2609.29892，项目主页: tongyi-mai.github.io/Qwen-Planner-Agent/）。面对手机端长程多步骤任务在真实物理设备上交互昂贵、训练数据难以扩展以及 Agent 运行时执行不可靠等行业痛点，团队构建了开创性的“AI-for-AI 自闭环演进体系”：通过专门的 Agent 飞轮自动生成海量手机操作轨迹并引入 CARE 在线强化学习算法，在权威基准 MobilePA-Bench 上斩获综合表现第一。

查看大图

阶跃星辰（@StepFun_ai）发布并开源 Step Code v0.1.0（MIT）。官方称其从单一 CLI 覆盖读代码、编辑、跑测试到发布的完整开发闭环，强调执行快、Token 效率高与长程可靠；评测给出 Terminal-Bench 2.1 约 80.9%，以及自研 150 题长程基准 Multi-Frame 约 73.3%，并可用 StepPage 一键发布静态站。仓库：https://github.com/stepfun-ai/Step-Code

查看大图