跳到正文
#Agent
10月6日周二
  2. TechCrunch · AI71

    Reflection 发布开源权重模型 Beam，对标中国开源模型

    Reflection AI 发布首款前沿开源权重模型 Beam，称其在高级推理基准上追平 Z.ai 的 GLM-5.2，且推理算力消耗少 3-4 倍。Beam 是 5010 亿参数、230 亿激活参数的文本 MoE 模型，预训练 23.8 万亿 token，上下文窗口 100 万 token。Reflection 称本月将公开 Beam 的权重和完整技术细节，并通过超大规模云厂商和新云分发。

  3. Hacker News72

    Reflection 发布 501B 开源权重模型 Beam

    Reflection 发布首个开源权重模型 Beam，采用稀疏 MoE 架构，总参数 501B、激活 23B，面向编码、推理和智能体任务。该模型在 23.8 万亿 token 上预训练，并用 10.5K 张 NVIDIA GB300 GPU 进行四周高算力 RL，生成超 1 亿次 rollout。官方称其推理效率优于同规模模型，权重将于本月以 Apache 2.0 协议发布。

  5. TechCrunch · AI62

    Instinct 将 AI 智能体引入群聊，好友无需注册账号

    估值 100 亿美元的 AI 智能体 Instinct 宣布支持将智能体加入好友群聊，用于旅行规划、抢票、组队和分工等场景，好友即使没有注册 Instinct 也能参与。该功能今日起向早期访问用户开放，之后将扩展到全部用户。创始人 Noah Shinn 表示，个人智能体在连接群组智能体前会先征求用户许可，群组智能体与个人账号隔离且无法访问，用户可随时选择信任或取消信任某个群组。

  7. TechCrunch · AI22

    Hot Girl Hotline：面向 AI 时代的“Dear Abby”恋爱建议应用

    两姐妹创立 Hot Girl Hotline，把 AI 引入年轻女性的恋爱与关系建议场景，采用行为科学支撑的苏格拉底式提问，并设置安全机制，触发风险时转介 988 危机热线。该应用已在 iOS 和网页端上线，订阅价 $9.99/月，已有数百名活跃用户付费，数据加密且不用于训练或出售，并计划拓展至美妆与生活方式领域。

  9. AWS Machine Learning Blog26

    Amazon SageMaker AI 推出 aws-ai-ml 技能，为 Kiro、Claude Code、Codex 等编码智能体提供生成式 AI 推理优化能力

    Amazon SageMaker AI 通过 Agent Toolkit for AWS 推出 aws-ai-ml 技能，让 Kiro、Claude Code、Codex 等支持 MCP 的编码智能体具备推理优化与基准测试能力，可对端点做基准测试、推荐部署配置、对比性能并生成可执行的 SageMaker Python SDK v3 代码。

10月5日周一
  1. GitHub Blog · AI & ML60

    GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准

    GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，研究预览版已上线，可对比不同审查系统并提交自己的智能体。基准基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR，采用多来源 golden set 与统一评分标准，发布前由资深工程师独立复核，与基准判定一致率 96.6%。

    推荐理由：GitHub 公开了代码审查基准的构建方法与离线到线上的验证数据，可据此判断评测信号是否可信。

  7. TechCrunch · AI38

    研究人员追踪到一支中国 AI「智能体集群」

    独立研究人员在 urlquery 流量记录中发现一支 AI 智能体集群，其运行在腾讯基础设施上，目标指向阿里巴巴地图服务高德（Amap），查询内容为公园、动物园、医院等公共场所不同入口的路线。研究人员拒绝使用「swarm」一词，称其为「agent fleet」，因为多个并行智能体执行同类任务但彼此之间没有通信迹象。相关研究仍在进行中，细节有限。

  9. MIT Technology Review · AI10

    从预测到自主决策：预测分析如何进入智能体 AI 时代

    企业 AI 的焦点已从预测模型能否超越统计预测转向让预测系统自主决策而不偏离业务意图。深度学习与生成式 AI 驱动的智能分析支持实时训练，使 AI 持续演进而非等待季度刷新，其数据来源也从规整数值记录扩展到非结构化交互数据。Everest Group 合伙人 Vishal Gupta 称，"analytics"一词正让位于 AI。

  10. 掘金22

    315 之后 AI 改规矩了：怎么让豆包和 DeepSeek 认得出你

    315 AI 投毒风波后，豆包、DeepSeek、元宝、讯飞星火改信源规则，不再只认单一自媒体平台，改为政府网站、行业垂直网站、带 ICP 备案的官网交叉验证，信源不足直接判定投毒，严重者品牌封杀。这套让 AI 在回答中引用到你的做法叫 GEO，但单价 50 元以下的商品意义有限，高客单价、决策慎重的生意更适用。

  20. 掘金62

    Agentic RAG 三种架构对比：检索自纠错、CRAG 与 Self-RAG

    文章对比 Agentic RAG 的三种架构演进形态：基础检索自纠错（本地循环重搜）、标准 CRAG（双阈值打分加联网兜底与句子级去噪）和带回环的 Self-RAG（前置门控加本地与网络两段式加质检回环）。文中给出三者的状态流转逻辑、核心实现代码与生产避坑指南，并建议将 CRAG 作为企业主力架构，仅在法律、医疗等场景开启带计数器的 Self-RAG 质检回环。

  22. arXiv cs.AI24

    用程序精化与 LLM 智能体发现认知算法

    研究者提出一种混合系统，将认知算法发现视为程序精化问题：人类构建的认知模型以概率程序形式交给一组 LLM 智能体，由其识别模型与行为的不匹配、在研究者设定的约束内提出代码级修改并验证结构保真度，修改结果再传入概率推理模块完成隐变量推理与数据似然计算。在暴露多种认知算法的问题解决范式人类行为数据上，修订后的模型拟合度持续优于原始模型，并揭示出一小组反复出现的创新。

  24. arXiv cs.CL32

    语言智能体为何无法将历史转化为经验：动作校准研究

    语言智能体在任务中难以有效利用交互历史，即使打乱过往动作顺序，任务成功率也仅小幅下降，说明智能体未能可靠地将过去动作与其结果关联。将每个返回的观测显式标注为前一动作的结果，可在不引入新环境信息的情况下提升任务成功率并减少下一步动作重复。基于此，研究者提出一种学习型校准器，通过重新评估过往动作并选择性记录经验来指导后续决策，效果优于单纯的结果标注。

  25. arXiv cs.CV24

    基于仿真的智能体 VLM 框架用于野火监测与报告

    研究者提出一种基于仿真的 VLM 框架，可将 2D 野火模拟自动转换为带标注的视频片段，并作为免训练多智能体 VLM 系统的可复用多模态记忆。在留出生成片段上，视频记忆的四标签精确准确率达 51.5%，直接查询 VLM 为 22.6%，纯文本记忆仅 16-17%；完整系统在六个模拟器报告字段上准确率为 77.3%。该框架还通过组件消融、跨生成器测试和三次真实无人机评估验证了检索与报告能力。

  26. arXiv cs.CL24

    EpiWorld：将 LLM 政策智能体锚定在流行病学世界模型中

    EpiWorld 是一个闭环框架，将 LLM 政策智能体锚定在动作条件流行病学世界模型和分层技能库上，通过反事实推演为政策选择提供反馈。在 COVID-19 和 Influenza 回顾性数据集上，该世界模型取得所有预测基线中最佳的分布外 Peak-MAE，闭环框架将累计住院率最多降低 59%，在六个 LLM 骨干上平均降低约 16%，优于强化学习和最优控制基线。

  28. arXiv cs.AI32

    OEB（Open-Endedness Bench）：从智能体执行记录评测其认知过程

    研究者提出 OEB（Open-Endedness Bench），一种只读取智能体执行记录、不依赖参考答案或结果分数的基准方法，将记录编译为认知事件图，从证据、实验、修正、无奖励黑客四个维度打分。在三个基准的 12 项任务、119 次已有运行中，智能体声称的改进只有 16-29% 属实；10 项任务中有 9 项的最佳运行在后半程尝试了更多新想法。

  30. arXiv cs.CL22

    PlanPool 如何解决 Agentic Text-to-SQL 中的欠规范问题

    针对 Agentic Text-to-SQL 系统过早终止澄清、静默做出未验证假设的问题，研究者提出 PlanPool，将澄清计划外化为可变问题池，每个计划问题必须显式提问或丢弃后才能提交，交互中新发现的歧义可随时加入。在 BIRD-Interact 和 Spider 衍生的三个基准上，PlanPool 持续提升歧义覆盖率并减少静默失败，同时保持有竞争力的执行准确率。