Clauday.

让 agent 自己出题、自己改卷，出题的和答题的最后会学会犯同样的错。论文《False Frontiers》（arXiv 2609.39102，Hugging Face 180 赞）给这个现象起名叫「合谋作弊」（co-cheating）。自我进化的搜索 agent 在一个闭环里训练：出题器根据源文档出题，解题器作答。一轮轮下来，两者越来越一致地认同同一批错…

大家原本担心思维链监控的失败方式是“暗号”：模型在监控压力下学会把真实推理藏进人看不懂的文字里。Julian Schulz 的新论文发现了一个更尴尬的情况：模型什么都没藏，它只是学会了换个说法，让监控看漏。 实验让推理模型同时做一个主任务和一个副任务，只要监控抓到关于副任务的推理就扣分。模型学会了躲，但推理对人类读者完全透明，变的是措辞和排版，一直调到监控…

一个 agent 要从零做出前沿模型，最少需要多少人？iCoder-27B 认真给出了一个答案。人不跑实验，人只写规则：目标、分阶段的脚手架、权限边界、操作规程，打包成可复用的“研究技能”。剩下全是 agent 干的：演化训练数据，跑 SFT、在线自蒸馏和可验证奖励的强化学习，读结果，改计划。 产出是一个 27B 模型，干两件一点都不性感但非常值钱的活：R…

会思考的模型想得太多了。Fireworks 说，Kimi K3 的输出里，有时超过 90% 的 token 都花在内部推理上。放进 agent 循环里这笔账会滚雪球，因为每一轮都要把之前的推理重新塞回上下文。Ember-1 就是 Fireworks 给的答案：基于 K3 训出来的模型，推理用更少的 token，答案不变。 数字是那种会让采购部门坐直的数字。…

大模型已经能证明悬了几十年的定理。接下来的问题没那么光鲜，却更要紧：机器能证明的东西里，哪些定理才值得拥有？Niket Patel、Ahmad Rammal、Amaury Hayat、Remi Munos、Julia Kempe 9 月 23 日挂出的论文，给了一个能算出来的答案。 他们对「内在有趣度」的定义是：定理证明的长度除以命题陈述的长度。说起来短，…

每个单元每天新建三百万个沙箱，同时跑着的有 38 万个，每秒新起五千多个。这是 DeepSeek Elastic Compute，也就是 DSec 论文里的生产数据。这篇署名 131 人以上的论文讲的是 DeepSeek 代理训练背后的沙箱平台，9 月 26 日上了 Hacker News 首页。 思路是一个 SDK 罩住四种隔离级别：纯函数调用、容器、m…

AI 能不能既是被造的东西，又是造它的人之一？Qwen 在 Qwen-Planner-Agent（arXiv 2609.29892）里给的答案是一个闭环：由代理来生产数据、影响训练、调整 harness，产出下一版手机规划代理。选手机规划当试验场是故意的：任务长程，而且每一次真机交互都又慢又贵。 闭环分三块，用一份共享的「动作、反馈、验证」契约串起来。AI…

ReAct 式的深度搜索代理，让一个策略同时干三件事：规划下一个查询、读证据、写答案，身后还拖着一条越来越长的搜索历史。腾讯的 IterSynth（arXiv 2609.29444）用一个结构改动把两个毛病一起治了：把代理拆成 Planner 和 Synthesizer，前者判断还缺什么信息，后者把新证据揉进一份不断更新的摘要里。搜索的持久状态从原始历史变成…

用强化学习训练一个写代码的 agent 需要两样很难同时拿到的东西：足够多样的任务，和你敢信的验证器。CodeMidas，arXiv 2609.22068，9 月 18 日提交，今天在 HuggingFace 榜上 86 票，解法是挖开源代码，自动把它变成可执行的 RL 环境。 流水线让 agent 去干无聊的那部分。一个从一段代码里提炼出行为规范，另一个…

PhAI Labs 的一篇论文，9 月 16 日提交，目前挂在 Hugging Face 每日论文榜前列，给 agent 领域一直绕着走的一个问题起了名字：科学经验瓶颈。世界上有海量真实的科研代码，但几乎没有一份是 agent 能从中学习的形态。它们碎片化、没文档、依赖地狱，而且完全没有"一个有可校验结果的任务"这种概念。arXiv 地址 https://a…