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

BenchFlow 团队于 11 月 5 日公开 FrontierPhysics（arXiv:2611.06910）：由 42 位物理学家基于本人研究贡献 56 项任务，覆盖 9 个领域；智能体需完成文献、计划、实验与可验证产出及论文。22 个模型、26 种配置下，没有任何配置在 168 次 rollout 中通过超过 46 次；最高约 27.4%（Claude Opus 5.5 + Claude Code）。人工复盘显示主要短板是严谨推理与专家直觉，而非缺物理知识。Artificial Analysis 表示将合作托管评测。

查看大图

Hugging Face、BitRobot、新加坡具身智能中心和 NUS 等 11 月 4 日推出 RoboColosseum，一个分布式真机评测框架，覆盖 SO-101、Franka、双臂 YAM 和 Unitree G1 四种机器人。首轮在 124 个站点做了 5,699 次盲测对比，测了 5 个 VLA 策略和 3 个前沿大模型：Claude Opus 5.5 和 GPT-6 Astra 的平均任务进度分别比 VLA 高 12.1 和 11.0 个百分点，Grok 4.7 落后 7.5 个点。所有 rollout 数据公开在 Hugging Face，并向学术界提供 10,000 小时免费评测。

查看大图

Cursor 10 月 26 日宣布 Agent SDK 正式可用：Agent 的系统提示写成 Markdown，工具用 TypeScript 定义，可以部署在 Cursor 的托管基础设施上，也可以在自己的机器上运行，并内置评测来衡量每次改动。官方文档称它使用的是驱动 Bugbot、Security Review、Approval Bot 和 Rollouts 的同一套 Cursor SDK 运行框架，可以由代码仓库事件、Issue 跟踪器、Slack 或定时任务触发，部署后在 Deployed Agents 中管理。官方未公布定价和跑分。

查看大图

腾讯优图实验室（Tencent ARC）联合清华大学在 arXiv:2610.29989 正式发布并开源基于自回归（AR）架构的长视频生成新范式 Looking Ahead（TencentARC/Looking-Ahead）。针对传统自回归视频模型采用逐帧、逐 Token 单向外推导致误差呈指数级累积、在数十帧后画面严重变形崩溃的行业顽疾，Looking Ahead 提出前瞻注意力（Lookahead Attention）机制。系统在保持自回归高效流式生成特性的同时，引入全局规划前瞻流对未来时空锚点进行宏观锁定，反向约束当前局部帧的微观生成，全面终结自回归视频的时空漂移与纹理闪烁，树立了开源自回归视频生成新标杆。

查看大图

微软 VS Code 团队在最新发布的 VS Code Preview（v1.142）中正式推出了里程碑式功能 Canvases（智能体画布）。针对传统仅依赖侧边栏狭窄聊天框与智能体交流导致的信息碎片化、上下文展示不直观以及无法掌控智能体多文件并发编辑状态的行业痛点，Canvases 引入了无限延展的人机共享交互白板。开发者与 Coding Agent（如 GitHub Copilot、Claude Code、Cline 等）可以在画布上并排布局架构流程图、交互式代码 Diff、调用堆栈树与动态单元测试运行视图，实现真正的可视化多维对齐与协作式结对编程。

查看大图

针对小语言模型（SLMs，0.6B~8B 参数量）在通过监督微调（SFT）蒸馏大模型智能体能力时，普遍存在多轮长程交互容易陷入无效循环、动作重复及进度停滞（Progress Stagnation）的严重问题，研究团队在 arXiv:2610.19439 中提出了 ProD（Progress-Aware Distillation）蒸馏框架。ProD 建立了精确的单轮与轨迹级停滞评估指标，在蒸馏优化过程中动态监测并重罚学生的无生产力动作，通过自适应边界机制强制对齐教师模型的积极进展策略。跨越 8 款 SLM 的详尽实验表明，ProD 显著消除了智能体卡死现象，在大幅缩减无效 Token 开销的同时全面提升了任务完成率。

查看大图

ControlNet 作者张吕敏（Lvmin Zhang）团队在 arXiv:2610.23751 中正式开源 MTEdit 框架与大规模多轮图像编辑数据集。针对传统扩散模型采用单步滚雪球式 Rollout 导致误差累积、图像画质严重漂移（Visual Drift）的核心瓶颈，研究提出打包轨迹画布（Packed Trajectory Canvas, PTC）技术，一次性构建包含 50 万条长轨迹、269 万次高质量连续编辑的超大数据集，实现长达 8 轮连续编辑依然保持像素级构图与光影一致性。

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

现有 3D 世界模型多直接采用几何基础模型（GFM）特征作为状态，但视角依赖性导致相机运动与场景演变相互纠缠，长链路外推极易发生尺度漂移崩溃。同济大学与腾讯团队发表 GeoState（arXiv:2610.22343，项目主页上线）。该框架利用场景 Tokenizer 将多视角几何特征聚合为视角解耦的世界状态，自回归模型仅推演绝对场景状态，在 Waymo 自动驾驶长程深度预测中全程保持单一上下文尺度，且零样本泛化至 KITTI 与 nuScenes。

查看大图

现有连续扩散语言模型（CDLM）普遍直接套用自回归 LLM 或图像 DiT 架构，存在特征尺度失控与梯度路由紊乱问题。小红书、北京大学、香港中文大学（深圳）与 UCLA 团队联合发表 LangDiT（arXiv:2610.22330）。通过骨干网与 Q/K RMSNorm、展宽噪声条件调制、词表头残差截断解耦及置信度门控自条件引导，在 OpenWebText 基准上将 LangFlow 生成困惑度压至 21.72，适配 Plaid 架构后进一步取得 11.33 的全新 SOTA 困惑度记录。

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

在长链路自主智能体系统中，决定在每一步信任智能体、放弃执行还是人工接管，依赖于精准的单步置信度信号。纽约大学（NYU）研究人员提出基于最终结果锚定（Outcome-Grounded）的智能体置信度校准框架。针对传统 RL 仅对齐单步决策正确性的死穴，该方法在 GRPO 框架下利用多轨迹结果标签与适度评分规则（Proper Scoring Rule），对单步口头置信度与最终全局成败直接对齐。在 ALFWorld、TextWorld 和 WebShop 上，单步置信度 AUROC 跃升至 0.68~0.85，最高置信度前 10% 步骤的成功率高达平均值的 4.3 倍，期望校准误差从 0.42 骤降至 0.12 以下。

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

微软研究院（MSR）与斯坦福大学联合发布 AutoEnvScaling，首次将强化学习交互环境的设计本身转化为终端任务，利用提案智能体（Proposer）与求解智能体（Solver）的协同构建自动化数据飞轮。相比纯 Prompt 生成，环境有效率暴增高达 25 倍，单环境构建成本降低 75%。更关键的是，让单一模型（Qwen3.6-35B-A3B）同时扮演设计者与求解者，实现递归自我提升（RSI），在 Terminal-Bench 2.1 提升 12.2 分，Terminal-Bench 4.0 跑分翻倍。

查看大图