AI 编程实时动态与要闻

Liquid AI 10 月 27 日发布新一代基础模型 LFM3，采用卷积、滑动窗口注意力与全局注意力组成的「三混合」架构，预训练 22T token。首批 6 款模型都从 LFM3-1.7B-Base 分支，均约 2B 参数，权重已上架 Hugging Face（LFM Open License v1.0）。官方称文本模型 LFM3-1.7B 4-bit 约占 1GB 内存、支持 256K 上下文，在多项智能体基准上超过体量数倍的模型。

查看大图

来自多所高校与机构的研究团队在 arXiv:2610.06830 中提出多模态智能体按需记忆编排框架 MemPilot。针对现有自主 Agent 在跨会话、长程多模态交互中频繁遭遇图文上下文爆炸、无效截图堆叠与历史关键信息遗忘的痛点，MemPilot 设计了主动记忆精选策略。系统将视觉快照、操作轨迹与文本事实进行自适应压缩、语义分级与按需唤醒，在多轮复杂交互测试中将记忆显存开销削减 60% 以上，显著提升跨会话任务完成率。

查看大图

在线知识蒸馏（On-Policy Distillation, OPD）是强化学习和复杂推理后训练的核心手段，但传统单轨轨迹在固定采样预算下每个决策点只能采样一次，监督覆盖率严重受限。研究团队提出 BranchOPD（分支在线蒸馏）：通过学生不确定性与师生分歧动态定位高信息量决策点，在共享前缀下分叉重采样并实施 Token 级教师监督，不仅在 ALFWorld 与 WebShop 降低 19%~31% 的 Token 成本，更在数学任务上实现 18.55% 的惊人准确率暴涨。

查看大图

Liquid AI 10 月 13 日发布 LFM2.5 家族最大也是最后一款模型 LFM2.5-24B-A2B：总参 24B、每 token 激活约 2.45B，131K 上下文，强制先思考再回答。厂商口径下在 8 项工具/Agent 基准中 5 项领先或持平 Qwen3.6-35B-A3B（AutomationBench 27.69 vs 8.72），但 SWE-Bench Verified、GPQA 等知识与编码项落后。权重已上 Hugging Face，并有 GGUF/MLX/FP8/ONNX 版本；API 定价 $0.10/$1.00 每百万 token，OpenRouter 同步上架。

查看大图

现有的软件工程 Agent 基准（如 SWE-bench）几乎完全依赖从 GitHub Issue 派生的单向任务：给入一段 Issue 描述，让 Agent 尝试在单次多轮尝试中输出最终 Git Patch。然而，真实世界中的软件工程师真的是这样使用 AI 助手的吗？JetBrains 研究院在最新成果（arXiv:2610.09633）中公布了针对 JetBrains IDE 生产环境中 4,782 场真实软件工程师与 AI 交互会话（Production Sessions）的深度实证分析。研究发现，包含至少 3 轮交互的长会话呈现出截然不同的‘任务流（Task Flow）’：开发者的请求绝非单一的代码修改，而是跨越项目代码咨询答疑、架构规划、代码审查、功能重构与编译执行等多重任务类型的动态混合与频繁跳转。现有基准的单向任务模式严重脱离实际。为此，团队推出了 SWE-TaskFlow 框架：通过 Prompt 切分与可验证仓库问答技术，将任意 Issue 基准转换为贴合真实工程节拍的交互任务流，并提出 TaskFlow Alignment Score（TFAS）筛选真实轨迹。在 700 个 SWE-Bench Pro 任务的实测中，顺序多步交互协议使 Agent 算力成本翻倍但成功率未见稳定提升，证实交互协议本身是决定 Agent 实用价值的关键维度，论文与方法论已全面公开。

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

在面向代码工程智能体（Code Agents）的强化学习训练中，广泛采用单元测试通过与否（Pass/Fail）作为二值化奖励。然而主流组相对策略优化算法（GRPO）将同一生成组内所有通过测试的代码轨迹赋予完全相同的优势函数（Advantage），导致系统根本无法区分精简优雅的实现与冗余臃肿、违规修改非必要代码的劣质实现，引发严重的轨迹长度膨胀与训练不稳。重磅研究《Groupwise Agentic Grading and Advantage Redistribution for Code Agent RL》（arXiv:2609.32577）推出了 GAGAR 框架：在保留兼含通过与失败轨迹的动态采样组中，将组内候选方案统一置入共享工作区，由 SFT 智能体评判员进行联合审查与质量排序；随后在保持组优势总和守恒的前提下，自适应将梯度优势向高代码质量候选倾斜。团队在 310B 的 MiMo-V2.6-Flash 与 1.02T 万亿参数的 MiMo-V2.6-Pro 上完成了工业级验证，显著抑制了代码膨胀并提升了任务解决率。

查看大图

编码智能体在处理大型代码仓库与多轮排错时，会高频反复复述相似的代码片段、错误日志及前序修改尝试，这使得基于检索的推测解码（Retrieval-based Speculative Decoding, SD）具备巨大的加速潜力。然而，现有通用检索推测解码器在真实 Agent 流水线中严重水土不服：智能体输出格式（如带行号标注、Diff 补丁及转义代码块）与本地原始磁盘文件存在巨大表征鸿沟，且固定推测草稿长度无法自适应多智能体协作中的轮次漂移。韩国科学技术院（KAIST）团队推出了面向编码智能体定制的推测解码框架 AgSpec。该框架在会话级、工作区级与全局语料库中建立与智能体发射格式完全对齐的动态索引，并结合离线性能剖析与在线验证反馈动态调整推测草稿长度。在多智能体代码仓库级评测中，AgSpec 吞吐加速高达 4.76 倍，且在单卡低延迟场景下全面碾压 EAGLE-3。

查看大图

针对现有评测大多局限于 20 步以内的短程或单体能力简单累加的缺陷，宾大等学者发布开源多智能体协作评测基准 AgentWorld。在包含 50+ 轮交互的 MMORPG 沙箱中构建 100 项人工校验任务，涉及 3-20 个具备非对称技能的黑盒智能体。研究提出因果协作效率（CCE）图算法，实测顶级模型成功率仅 52.0%，揭示长程规划衰减与沟通崩溃两大瓶颈。

查看大图