AI 编程实时动态与要闻

半导体与 AI 研究机构 SemiAnalysis 11 月 2 日发布 GDPx，用来衡量前沿模型在芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进（RSI）、硬件设计、材料科学、对齐和软件工程 11 个领域的智能体能力，共 206 道任务，由 14 家专业数据公司出题、SemiAnalysis 负责最终质检。官网榜单上 Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 10.9%、GPT-6 Astra 9.6% 紧随其后；金融和法律任务几乎所有模型都是 0 分。SemiAnalysis 称 Opus 5.5 和 GPT-6 Astra 的总分被安全分类器拖低，并计划每 3–6 个月更新一版。以上分数均为 SemiAnalysis 口径。

查看大图

视觉语言导航（VLN）严重依赖高质量自然语言指令，但人工标注昂贵且静态合成数据易与演进中的策略发生分布偏移。上海 AI 实验室、清华与上交大团队提出 RSI-Nav，在单一模型内统一‘看图走位’与‘看轨迹写指令’双向能力，采用分片式（shard-wise）边合成、边验证、边更新机制，实现在连续环境 R2R-CE 达 68.6% 成功率，RxR-CE 达 72.4%，开创具身智能递归自进化新路径。

查看大图

智能体的工程表现不仅取决于基座大模型，更深度依赖其执行外壳（Execution Harness）。传统递归自我提升（RSI）在开放世界下面临缺乏真实验证器与场景泛化差的两大死穴。谷歌云 AI 团队提出 Harness² 框架，通过两级递归机制解耦进化：任务级递归通过对比式的“提议-探针-组合”（Propose-Probe-Compose）在零 Ground-Truth 验证器下引导外壳迭代；架构级递归提取经验更新持续进化外壳。在 GLM-5 与 Gemini 3.5 Flash 上测试，LAB 提升 11.8%，WorkBuddy-Bench 飙升 11.5 分。代码已在 GitHub 以 Apache-2.0 开源（google-research/harness2），支持 OpenCode 与 Codex 执行器及 JobBench、LAB、WorkBuddy-Bench。

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

让人工智能智能体在与环境的持续交互中实现‘递归自我提升（Recursive Self-Improvement, RSI）’是实现通用人工智能的核心圣杯。然而，传统的智能体自演化范式长期受困于两大致命死穴：外部真实环境的反馈（Ground-Truth Feedback）通常极度稀缺且获取成本高昂；同时，伴随策略权重的持续迭代演化，充当模拟器的世界模型（World Models）极易因数据分布漂移而发生预测崩溃，引发灾难性的策略畸变。香港科技大学、上海人工智能实验室、北京大学与香港中文大学联合科研团队在最新力作（arXiv:2610.13912）中正式开源了领域通用的递归自我提升框架 RSI-Anything（代码仓库：github.com/Gen-Verse/RSI-Anything）。基于前沿联合嵌入预测架构 JEPA-Anything 构建，RSI-Anything 确立了‘提议 -> 预测 -> 筛选 -> 评估 -> 学习 -> 保留（Propose-Predict-Select-Evaluate-Learn-Retain）’的六阶段自我演进闭环。系统引入严格的组件与兼容性校验门禁，实现了策略模型与世界模型的动态协同适应。在跨越代码修复、GUI 桌面导航、实验室实验规划以及复杂化学反应优化的广泛实验中，RSI-Anything 展现出惊人的跨领域进化力：自动化代码修复成功率从静态验证器基线的 26.3% 跨越式跃升至 31.2%（提升近 5 个百分点）；GUI 任务完成所需操作步数大幅缩减 39.4%；实验室规划得分经 5 轮迭代从 21.80% 暴增至 46.01%（翻倍以上）；化学反应产率高达 96.15%，全面碾压传统贝叶斯优化，代码与训练管线已全量开源。

查看大图

当大语言模型（LLM）的输出质量超越人类专家可靠评估的极限时，如何实现不依赖外部人类标注或环境判题器的‘递归自进化（Recursive Self-Improvement, RSI）’？以往在数学、代码等领域依赖编译器（RLVR）的成功范式，在科研探索、复杂论证等无法自动验证结果的开放式非可验证任务（Non-Verifiable Tasks）中彻底失效；单个模型若既当裁判又当考生，又极易陷入同质化自我闭环与评估盲区。知名 AI 实验室 Sakana AI 在最新重磅成果（arXiv:2610.12176，项目主页：sakana.ai/mass）中推出了全新自进化框架 MASS（Multi-Agent Self-Supervision）。MASS 突破性地使用单一基座大模型（如 Qwen3.6-27B），让其同时扮演任务解决者、多智能体工作流优化器与客观评估者三大角色。系统在‘演化工作流结构优化’与‘基于自身生成的高质量轨迹实施监督微调（SFT）’之间交替迭代。经过两轮 MASS 递归自进化循环，模型在复杂科研基准（MLR-Bench、ScienceAgentBench、DSBench 等）上的每输出 Token 性能提升达 1.2x 至 1.6x，对初始基座模型的胜率从第一轮的 53.9% 飙升至第二轮的 69.9%，并证明多智能体自生成轨迹蒸馏的学生模型大幅超越消耗 1.4 倍 Token 训练的单智能体学生模型，论文与项目全貌已正式公布。

查看大图

随着新一代统一多模态大模型兼具图文理解与视觉生成能力，模型自身具备了自我纠错与反馈评判（Self-Critique）的潜力。然而传统的自进化管线要么依赖更大参数量的闭源商业教师模型（如 GPT-5），要么无法将离散的自评判反馈有效传导至连续的去噪扩散生成过程中。来自斯坦福大学、华盛顿大学等机构的研究学者（包括知名学者 Yejin Choi、Jure Leskovec、Li Erran Li 等）联袂推出了 UniEvo-VL 自进化框架：创造性地让单一多模态模型在不同上下文下同时兼任教师与学生角色——学生模型仅接收原始 Prompt，而教师模型额外接收模型自生成的特权纠错批判信息；通过最小化学生自采样去噪扩散轨迹上的状态散度实现同策略自蒸馏。在基于 Qwen-image-2512 的实测中，UniEvo-VL 推动 GenEval 评测从 0.747 跃升至 0.808，Soft-TIFA 评分由 32.97 升至 35.53，开创了多模态模型无需外部监督递归自进化的新路径。

查看大图

大语言模型能力的爆发越来越依赖高质量、可验证的智能体交互数据（SFT 与 RLVR），然而目前这类工业级训练数据的生产仍然极度依赖高技能人类专家的手工标注，难以实现随算力自然扩展的递归自我进化（Recursive Self-Improvement, RSI）。香港中文大学、思谋科技等联合团队推出首个直接对齐工业数据验收标准的智能体自主数据合成评测基准 AutoDataBench。与以往必须花费高昂算力训练一个完整下游模型才能检验数据质量的间接做法不同，AutoDataBench 模拟生产流水线验收准则，直接对智能体单一样本生成结果的合法性、新颖度、挑战难度以及行为覆盖度进行样本级严苛打分。实测显示：在 45 分钟默认测试时预算下，当前顶级智能体得分均未超过 20/100；然而将时间预算增加 4 倍后，优质可用样本的产出率大幅跃升且单样本生产成本保持稳定，充分证实智能体具备完全自主生产高质量训练数据的潜力，但亟待突破推理效率瓶颈。

查看大图