AI 编程实时动态与要闻

在 GTC Berlin 大会上，NVIDIA 官方正式发布 OpenShell 智能体安全参考架构与全新的 Agent Knowledge Foundation 套件。针对自主 AI 智能体（Autonomous Agents）在拥有系统写权限、数据库查询与终端执行能力后，极易因提示词注入或失控执行产生越权访问机密数据、发起破坏性命令的行业痛点，OpenShell 基于硬件级隔离信任根（Hardware-Isolated Security）构建了严密的运行时安全边界。系统能够以纳秒级开销实时监控并拦截智能体跨越授权边界的工具调用与数据交互，成为企业级安全可靠智能体调度的基石标准。

查看大图

多所顶尖研究机构在 arXiv:2610.26825 中正式推出原生记忆基础模型架构 MemT-1.0。针对传统大模型依赖庞大外部 KV Cache 或外挂 Vector RAG 导致的长文本显存爆炸与检索断层痛点，MemT-1.0 将记忆内化为模型计算的原生组成部分。基于 Metis 框架，模型采用 Gated DeltaNet-2 结合轮内稳定的 Token 级记忆更新机制，并引入 Mixture-of-Storage 结构拓展原生记忆容量。在 340 亿 Token 数据持续预训练与对齐后，MemT-1.0-Nano 在 128K 超长历史下实现 1.86 倍推理加速与惊人的 66 倍持久存储削减，显著提升复杂智能体长程任务成功率。

查看大图

Meta AI 研究团队正式公开 Muse Glimmer 30B 技术报告（arXiv:2610.24628）。该模型包含 300 亿参数，采用因果语言模型结合视觉感知编码器，专为无须依赖云端基础设施的端侧本地自主智能体打造。模型经由 4-bit 量化后仅需 32GB 显存，即可在单张消费级 GPU（如 RTX 5090）上全速运行。在严格的智能体基准测试中，Muse Glimmer 刷新同体量端侧模型纪录：MCPAtlas 工具调用得分高达 75.5（超越 Gemma4-31B 的 54.2 与 Qwen3.6-27B 的 62.5），在 SWE-Bench Pro 实测中斩获 51.2 分，并在 Apache 2.0 协议下完全开源。

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

Salesforce AI Research 团队提出面向长链路智能体的自校准强化学习训练原则 Prospective Hindsight（PH）。传统智能体 RL 仅在环境反馈产生后进行纯回溯性（Retrospective）信用分配，导致智能体决策动作时的先验信念无法被梯度感知。PH 引入智能体动作前预测与环境后验评估之间的“惊喜残差”（Surprise Residual），通过加权梯度放大模型盲区样本，使置信度自校准作为优化的自然副产物涌现，一举攻克单轮任务盲目自信与多轮任务过度悲观的顽疾。

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

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

随着大模型智能体接管的实际任务周期拉长，传统仅依靠对话历史保留或上下文压缩记忆（Memory Compression）的做法，暴露出致命的世界认知割裂。智能体极易陷入“信念陷阱（Belief Trapping）”——在多轮工具调用中不断盲目行动，却无法对环境全局状态建立连贯感知，导致在错误假设中空转打转。清华大学与南开大学联合团队推出了革命性的推理期框架 PoS（Possibility-of-State）：彻底告别原始历史上下文的机械堆砌，在推理全程持续动态构建与维护“显式信念状态（Explicit Belief States）”。该状态将当前世界状态估计与未决任务需求严密耦合，实时校验信念一致性；一旦监测到信念陷阱立即启动自适应靶向解救。在跨越执行与系统根因诊断的 4 大权威基准上，PoS 在 3 大主流 LLM 底座上均斩获绝对领先战绩，且对超长上下文爆炸展现出极高韧性。

查看大图

随着 Agent Skills 成为智能体执行长程专业任务的标准范式，如何为大模型智能体合成高保真训练数据并系统性训练其“主动使用技能”的本能，仍是学术界与工业界未被充分探索的空白地带。最新研究提出了 SkillGym，首个实现自动化构建可验证环境、自主采集高可信执行轨迹并端到端训练技能智能体的开源管线。SkillGym 从全球代码网络自动化挖掘具有可复现工作流的技能，通过“构建者-审查者”（Builder-Reviewer）双模型流水线生成 6,800 个具备确定性可执行验证器的交互沙箱，并沉淀出 1.9 万条经过代码验证的成功微调轨迹。实验证实，SkillGym 将智能体主动阅读并激活相关技能的比例从 28% 暴拉至 96%；经其 SFT 微调的 Qwen3.5-9B 在两大权威技能评测基准上越级击败了 397B 参数规模的未微调巨型底座。

查看大图

伊利诺伊大学芝加哥分校（UIC）团队揭露了现有分析智能体由人类预先配置工具库的致命硬伤：专家挑选的 21 个通用工具反而拉低了时序异常检测等关键任务表现，盲目自修正更破坏了 38% 的原本正确答案。为此，团队提出 TimeEvo 自进化架构，通过将智能体诊断出的执行失败聚类为能力缺陷，针对性自主编写并校验纯证据型 Python 工具。实测在 10 项基准与 3 种主干模型上，从零工具库起步全面反超人类专家库。

查看大图

微软研究院（Microsoft Research）Sumit Gulwani 团队联合发表提示词自动化工程突破 CASD（Coding-Agent Skill Distillation，arXiv:2609.26261）。针对现存基于搜索的 Prompt 优化器（如 GEPA、DSPy 等）依赖昂贵在线采样回放（Rollout）、验证数据反复调优以及庞大 API 账单的痛点，CASD 提出了颠覆性范式：仅凭借已有的静态 Agent 执行轨迹库，开箱即用的 Coding Agent 即可自动编写并运行数据分析代码，全局统计失败模式并提炼出高阶行为准则。在 ALFWorld、tau2-bench 与 SpreadsheetBench 等四大基准评测中，单次 CASD 离线优化平均超越未优化基线 16.6 个百分点（大幅领先 GEPA 的 10.9 和 SkillOpt 的 5.3），生成最优 Prompt 成本仅需 1.6 美元，比验证搜索提速节约超 22 倍。

查看大图