AI 编程实时动态与要闻

在通用人工智能（AGI）的核心探索中，让基于冻结底座大模型的 Coding Agent 在不进行微调的前提下，通过自主编写代码、沉淀文本笔记来跨越长程任务实现‘连续学习（Continual Learning）’，是目前最受关注的智能体范式。然而，智能体在面对未知规则的世界时，其大脑内部究竟如何形成假设、检验规则并在遭遇失败时推翻重来？学术研究团队在最新研究（arXiv:2610.11450）中公布了一项颠覆性的白盒追踪实证：团队让 Coding Agent 在没有任何人类指令提示的前提下，连续挑战前沿抽象推理挑战 ARC-AGI-3。Agent 仅通过编写运行 Python 脚本和记录纯文本 Notes 来沉淀记忆。研究团队开发了一套‘思维追踪测量协议（Measurement Protocol）’，跨越两个模型家族的 3 款主流基座、历经 7 次全量评估运行，首次全景还原了智能体‘思维从诞生、继承、修正到被彻底推翻’的完整生命周期。研究揭示：智能体在跨越关卡边界时会主动废弃 74% 的历史脚本以剥离当前关卡的过拟合噪声；其 Notes 笔记采用纯追加模式且当冲突发生时依赖完整底层 Log 裁决，从而实现了‘选择性遗忘’而非‘灾难性遗忘’；而导致 Agent 彻底崩溃的最致命硬伤，是将前序关卡中硬编码的假定常量盲目带入新任务，论文已正式公开。

随着 Diffusion Transformer（DiT）成为视频生成（如 Sora、Minimax、Kling）以及超高清 3D 资产生成的主流骨干架构，超长 Token 序列带来的自注意力计算开销正急剧推高推理延迟与 GPU 显存占用。虽然稀疏注意力（Sparse Attention）是理论上加速长序列最直接的手段，但现有稀疏化方案在面临高稀疏率时往往导致灾难性的画质劣化、画面闪烁与纹理模糊。香港中文大学（CUHK）与字节跳动联合研究团队在最新研究（arXiv:2610.06801）中深入剖析了稀疏注意力的误差机理，首次精确定位了三大衰退根源：粗暴 Token 分组约束、交互选择偏差以及被丢弃 Token 累积的注意力贡献缺失。为此，团队推出了免训练的元缓存稀疏注意力框架 MC-Sparse（项目主页：dodododddo.github.io/mcsparse-project-page/）。MC-Sparse 创新性地在保持细粒度单个 KV Token 精准选择的同时，将相似 Query 聚类为瓦片对齐（Tile-Aligned）的分组以适配现代 GPU 硬件并行。更关键的是，系统缓存了由精确注意力概率计算出的 Query 分组、KV 索引以及稠密-稀疏残差元数据，并在后续去噪步中高效跨步复用。实测表明，MC-Sparse 在 Minimax-H3-Base 视频模型上实现了 1.80 倍的端到端去噪加速，在 3D 资产生成模型上加速比高达 2.32 倍，且人眼完全无法察觉画质损失。

Arena.ai（@arena）宣布 Meta Muse Spark 1.3 已进入 Arena：Agent Arena 用海量真实长程智能体任务评测（可调用网页搜索、文件系统与终端），并以因果追踪相对平均模型衡量结果；同时覆盖 Code Arena 的 WebDev、Text、Vision 与 Document，现可投票，分数即将发布。

AI 实验平台 Weights & Biases 宣布平台记录实验次数正式突破 10 亿次大关。同步重构 Weave 生产级 Agent 会话追踪与数据治理平台，并推出 CoreWeave ARIA 引擎：可自动提出假设、拉起训练与对照打分，实现端到端 Agent 迭代闭环。