2,095 字
早报 | MORNING 2026-10-12
Meta 发布 GitSwarm,Karpathy 披露 LLM 使用漏斗
今日要点
- Meta GitSwarm 以 500 个异步 Agent 在 ProgramBench 得分 79.4%
- Karpathy:约 60 亿人几乎未接触 LLM,仅 5000 人用内部前沿模型
- HuggingFace 将 OpenAI 722 篇数学论文转为开源 RL 环境
Meta Superintelligence Labs 发布 GitSwarm,数百个异步 Agent 共享同一 Git 仓库,每份贡献为一次 commit,500 worker 在 ProgramBench 得分 79.4%;Karpathy 披露 LLM 使用漏斗,约 60 亿人几乎未接触 LLM,约 5000 人可内部访问前沿级系统;HuggingFace 将 OpenAI 的 722 篇数学论文转为开源 RL 环境 FineEnvs/openai-math。
1️⃣ Meta 发布 GitSwarm:数百异步 Agent 共享 Git 仓库复利推理#
- 核心论文:Meta Superintelligence Labs 提出 GitSwarm,为数百个异步 Agent 提供同一个共享 Git 仓库,每个贡献都是一次 commit,并记录它基于哪些分支上的先前 commit;没有中央规划者,每个 worker 自行决定探索、验证、改进或组合已有工作。
- 实测数据:使用 GPT-5.5 Codex workers,在 IMOProofBench-Advanced 上一次性解完全部 30 题;ProgramBench 得分 79.4%,而单个 Codex Agent 在相似预算下为 65.1%。分数随 worker 数量上升:100 个 worker 为 73.1%,500 个为 79.4%。
- 关键机制:后续 worker 建立在 94.7% 的已发布贡献上,70.1% 的失败研究 commit 被后来被接受的工作引用。持久记忆和失败复用成为多智能体系统的核心变量。 🔗 论文 arXiv | 解读帖
2️⃣ [持续跟踪] HuggingFace 将 OpenAI 数学题转为开源 RL 环境#
- 前情提要:OpenAI 此前发布 722 篇数学论文,引发数学界对可验证性与审查流程的讨论。
- 最新突破:HuggingFace 将这些数学题转化为开源 RL 环境,发布数据集 FineEnvs/openai-math。当前版本尚粗糙:验证器只接受原始形式化,等效证明仍可能得 0 分。
- 行业意义:研究发布正在变成可执行的训练基础设施,任何团队都可基于开放环境训练模型,而不只是阅读论文。 🔗 数据集 | 公告帖
3️⃣ Karpathy 披露 LLM 使用漏斗:60 亿人未接触,5000 人可用内部前沿模型#
- 核心观察:Karpathy 称 LLM 能力认知鸿沟已扩大为漏斗:约 60 亿人(约 75%)几乎未接触 LLM;约 10 至 20 亿人是免费层休闲用户;约 2000 万人在数学与代码领域专业使用前沿模型;约 5000 人可在内部访问前沿级系统。
- 驱动因素:影响随问题规模与时间跨度扩展;系统能力集中在数字、可验证、经济价值高的领域;免费层、付费层与内部访问造成层级分化。
- 现实影响:公众看到的是聊天机器人,多数专业人士只获得有限提升,极少数专业者正经历曲线垂直上升,三者同时存在。 🔗 Karpathy 原帖 | 中文转述
4️⃣ GitHub Security Lab 发布 Fuzzing Taskflow 智能体#
- 产品发布:GitHub Security Lab 推出 Fuzzing Taskflow,将持续模糊测试的循环交给 Agent。用户指向一个 C 或 C++ 仓库,Agent 会自动识别入口点、分析构建、编写 harness、运行 AFL++、读取覆盖率,并为每个独特 bug 创建漏洞报告。
- 行业意义:模糊测试长期依赖人工编写 harness、盯覆盖率和分类崩溃;该流程若稳定,可降低安全团队在重复劳动上的投入,把人力集中到漏洞定级与修复。 🔗 GitHub 博客 | 公告帖
5️⃣ 密歇根大学开源 Agentic 软件工程五个 Skills#
- 课程方法:密歇根大学 Applied Agentic Software Engineering 课程把方法论做成五个可复用 Skills:
/peanuts、/elephant、/goldfish、/egm-implement、/mean-review。 - 关键设计:
/peanuts自底向上为遗留代码建立 README 层级,并硬性要求人类评审门,明确警告约 50% 的叶子描述会错;/elephant先长设计再长代码,整个会话禁写代码,并设置反谄媚复位语;/goldfish用零共享上下文的评审者验证设计文档;/egm-implement设置入口门禁、文件级围栏和漂移暴露;/mean-review对代码做对抗性评审,强制扫描十行无注释、超 50 行函数、弱命名和静默吞异常。 - 落地价值:这套 Skills 把“如何与 Agent 协作完成生产级工程”固化成可安装、可重复执行的流程。 🔗 Skills 仓库 | 解读帖
6️⃣ Stripe 将 2026 年 1 月 1 日称为“奇点起点”#
- 核心事实:Stripe 联合创始人 John Collison 称 Stripe 将 2026 年 1 月 1 日定义为“奇点起点”,并称当前新公司创建率处于 Stripe 近期记忆中的最高水平。
- 判断依据:Collison 认为编程模型在去年底出现明显跃升,AI 能力正在帮助改进 AI 本身;智能成本下降使创业和成功运营公司的门槛降低。
- 数据视角:支付平台上的新公司创建数据,为观察 AI 对创业生态的影响提供了一个直接窗口。 🔗 a16z 帖子
7️⃣ Jerry Liu:前沿模型可自举 ground-truth,推动自动化研究循环#
- 核心观点:LlamaIndex 的 Jerry Liu 称前沿模型与 Agent 正越来越擅长从零自举 ground-truth,尤其在可验证任务上;单次设定可处理简单任务,模拟长程 rollout 与奖励可处理更长任务。
- 用户流程:普通用户只需定义目标与 evals,然后运行前沿 Agent 收集 ground-truth 信号,最后针对该任务训练专门模型与 harness。人类的主要工作是定义正确的评估。
- 行业含义:数据标注这一历史瓶颈可部分卸载给前沿模型,自动化研究循环不再只属于有深度 ML 团队和大量人力预算的机构。 🔗 原帖
8️⃣ LangChain 发布 Managed DeepAgents,定义未来 Agent 形态#
- 产品愿景:LangChain CEO Harrison Chase 称未来 Agent 形态与 Managed DeepAgents 一致,涵盖持久工作流、使用计算机、记忆与技能、触发器与定时任务、连接器与认证、文本与语音通道、评估与可观测性。
- 模块拆解:持久工作流基于 LangGraph/LSD;计算机能力使用 LangSmith Sandboxes;记忆与技能使用 Context Hub;调度使用 Schedules;连接器与认证、评估、可观测性均已对应文档。Harrison 指出唯一缺失的是 payments and identity。
- 平台含义:Agent 正在从单个应用功能,变成需要身份、支付、沙箱、记忆和调度的完整运行时。 🔗 Managed DeepAgents 文档 | 原帖
9️⃣ 开源项目 text-to-cad 为编码 Agent 增加 CAD 建模能力#
- 项目功能:text-to-cad 为 Claude Code、Codex 等 Agent 工具增加 CAD 建模能力,把建模、查看和导出流程整理成插件与 Skill。
- 使用方式:用户描述零件形状和尺寸,让 Agent 编写本地建模脚本,再生成三维文件;后续修改参数即可重新生成,模型源码保留以便继续调整。
- 格式支持:支持导出 STEP、STL、3MF 和 GLB,分别适用于继续在 CAD 软件处理、三维打印和三维展示;配套查看器可打开模型并检查形状。 🔗 GitHub | 介绍文章
⭐ GitHub 趋势#
1. lyogavin/airllm ⭐ 今日 +548#
语言/许可: Jupyter Notebook / Apache-2.0
总 Stars: 36.5k
仓库: GitHub
项目定位:
面向 LLM 推理与微调开发者,解决大模型在单卡低显存环境中无法直接加载或训练的问题;通过分层/按专家流式加载,把显存瓶颈转化为磁盘与 PCIe 带宽开销。
核心功能:
- 分层流式推理:将模型权重逐层或逐专家载入 GPU,支持 70B 到 671B MoE 等模型在 4GB–12GB 级显存运行。
- 训练支持:冻结权重逐层流式加载,仅将适配器保留在 GPU,README 声称 125B 模型可在 6GB 显存下微调。
- 权重压缩:支持 4bit/8bit block-wise quantization,降低磁盘加载量,README 声称最高约 3x 推理加速。
AutoModel接口兼容 Hugging Face repo id / 本地路径,覆盖 Llama、Qwen、DeepSeek、Phi、Gemma 等模型族。
技术亮点:
以 layer-wise / per-expert streaming 与 prefetch 重叠模型加载和计算,并只量化权重以规避激活值 outlier 对精度的影响;不依赖蒸馏或剪枝。实际吞吐高度受磁盘、PCIe 和模型分片策略影响。
2,678 字
晚报 | EVENING 2026-10-12
纳德拉提 AI 模型治理七原则,Codex 上下文提至 500k
今日要点
- 纳德拉发文:企业应把 AI 模型当内部风险,提出七条治理原则
- OpenAI Codex 默认上下文提至 500k,周活跃用户达 4000 万
- Amp 支持绑定 Claude 账号,订阅额度可用于第三方 Agent
微软 CEO 纳德拉发文提出企业应把 AI 模型当内部风险防范的七条原则;OpenAI 将 Codex 中 GPT-6.1 Sol 默认上下文提至 500k,并披露 Codex 与 Work 周活达 4000 万;Amp 支持绑定 Claude 账号使用订阅额度。
1️⃣ 纳德拉发文:企业应把 AI 模型当内部风险防范,提出七条治理原则#
- 核心主张:微软 CEO 纳德拉发表长文,主张企业像对待权限很大的员工一样对待 AI 模型——设身份、限权限、留记录,并且随时能叫停。
- 出发点:传统软件出问题可追溯到具体代码路径,大模型无法解释输出来自哪部分训练数据或参数;但企业已让 Agent 读取敏感数据、执行关键操作,模型厂商的安全保证不能替企业承担责任。
- 核心原则:把“提供智能”和“管控智能”分开——模型负责干活,能访问什么、能做什么由模型之外的系统决定,模型自己改不了。
- 七条原则:模型多样性(关键结果不能只依赖一个模型)、全程可观测、可验证、独立控制、独立审计、隔离控制(紧急刹车)、事故披露。
- 实践指向:权限控制和审计日志应写进智能体外层程序,仅靠提示词约束模型行为不够;对正在部署 Agent 的企业,可逐条对照检查。 🔗 纳德拉原文 | 宝玉解读 | 爱范儿报道
2️⃣ OpenAI 提升 Codex 上下文:GPT-6.1 Sol 默认 500k,最大 1M#
- 上下文扩容:OpenAI 将 Codex 与 Work 中 GPT-6.1 Sol 的默认上下文从 272k 提升至 500k,增幅约 80%,目的是减少压缩发生频率,适合需要长期保持大量上下文和细微信息的任务。
- 可调上限:用户仍可手动调整,GPT-6.1 Sol 最大上下文长度为 1M;本次扩容仅限该模型,并非所有 Codex 模型。
- 用户规模:Codex 与 Work 周活跃用户已达 4000 万,基本延续此前里程碑的增长趋势;若趋势持续,年底约 7000 万,2027 年 3 月底约 1 亿。
- 行业含义:上下文窗口和每周活跃用户同步抬升,说明编码 Agent 正从“尝鲜工具”变成高频工作台,算力供给能否跟上成为后续变量。 🔗 Tibo 推文 | 宝玉勘误 | Peter Gostev 数据
3️⃣ Amp 支持绑定 Claude 账号,Anthropic 疑似放宽 Agent SDK 订阅限制#
- 产品更新:Amp 宣布支持用户绑定 Claude 账号,直接使用 Claude 订阅额度;第三方 Agent 工具登录 Claude 账号后,消耗的是订阅额度而非按量付费。
- 政策背景:Anthropic 在 2 月曾限制第三方工具使用订阅登录;4 月起 OpenClaw 等第三方智能体工具被要求按量付费;原计划 6 月 15 日将 Agent SDK 与 claude -p 改为单独计费,当天宣布暂停。
- 当前表态:Anthropic 员工在 Hacker News 回应称 claude -p 没有从订阅中拿走,“这次没有拿掉任何东西”;Amp 创始人 Quinn Slack 称政策更新重申了 Agent SDK 和第三方应用可用订阅额度。但 Anthropic 未就“是否封号”公开表态。
- 行业影响:订阅额度与第三方 Agent 生态的边界正在松动,若成为常态,将改变 Agent 工具的分发与计费方式。 🔗 Amp 公告 | 宝玉梳理 | HN 讨论
4️⃣ [持续跟踪] REA 逆向 Claude Design 与 CapCut,Agent 逆向工程继续扩围#
- 前情提要:REA(Reverse Engineer Anything)是连接逆向分析工具与编码 Agent 的 MCP 服务,此前已被用于逆向 Claude Slides 编辑器并重写代码。
- 最新进展:宝玉逆向最新的 Claude Design,发现 GPT-6.1 Sol 接上其 Skill 后设计能力显著提升,并将相关能力集成到开源项目 BaoCut,commit 已公开。
- 另一案例:用 REA 配合 Computer Use,让 Codex 自主操作 CapCut 下载动态字幕模板;Codex 发现手动点击太慢后自行拼 URL 下载,最终抓取 2291 个模板。
- 行业意义:逆向工程正从人工读反汇编、逐层追调用,转向“Agent 追链路、人核对证据”,理解闭源软件实现的门槛被显著拉低。 🔗 BaoCut commit | 逆向 Claude Design | 逆向 CapCut
5️⃣ Grok Bot Harness 架构解析:单工具协议、动态工具发现与上下文工程#
- 单工具协议:Grok Bot 客户端与服务器之间只有 “send to user” 一个通信原语,所有重工具驻留服务器;客户端收到返回后自行决定渲染方式,兼顾架构简洁与交互丰富。
- 动态工具发现:上下文里只放工具名,模型决定使用时再从文件读取完整定义,避免把所有 MCP 连接器的完整 schema 塞进上下文。
- 编排者+子智能体:主 Agent 只做 orchestrator,上下文保持稀疏;重活交给拥有全新工作记忆的子 Agent,只回收最终结果,每个子 Agent 是独立持久化工作流。
- 上下文工程:prompt caching 是成本关键,缓存未命中按 bug 对待;压缩要抢在缓存温热窗口(约 10-60 分钟)内完成;记忆分核心事实、带日期日志、便签、文件四层,长输出写文件而非塞进上下文。 🔗 meng shao 分析
6️⃣ Addy Osmani 与 lauren:AI 让验证变廉价,工程师转向设计验证闭环#
- 核心论点:两位分别来自 Anthropic 和 SpaceXSI 的开发者认为,当 AI 让验证变得廉价,工程师的核心工作从逐行写代码、逐行审查代码,转变为设计验证闭环,并把个人品味沉淀为可复用规则。
- lauren 的观点:所有代码都是 slop,大部分人对 slop 的定义其实是“不是我写的代码”;好代码的定义是正确、无 bug、快速且成本高效,过去无法被廉价地形式化保证。
- Addy 的回应:“at scale” 的规模来自验证——测试、基准、规格、端到端运行现在可由 Agent 顺手生成,边际成本趋近于零;质量来自 Agent 能自己跑的验证闭环。
- 实践转向:审查对象从 diff 转向证据(测试结果、基准数据);当 Agent 犯错就写成共享配置、hook 或测试,让品味复利,不再重犯。 🔗 meng shao 总结 | Addy Osmani 原推
7️⃣ Meta Muse:Alexandr Wang 谈个人 Agent 如何用七个月打磨到可交付#
- 产品路径:Meta 首席 AI 官 Alexandr Wang 在播客中详述 Muse 如何从早期原型走向消费级个人 Agent;团队花了七个月打磨可靠性,因为“如果用户觉得不可靠,就会觉得它是垃圾”。
- 信任建立:用户先交给 Agent 一件小事,看到可靠结果后,再逐步托付更大任务;Muse 为模型列出 100 多项具体能力,逐项评估和训练,直到所有项目达标才发布。
- 组织方式:开发模型和产品的团队总共不到两百人,强调统一产品主张和连贯体验,避免大公司产品变成各方想法的拼接。
- 典型用例:有用户把落在飞机上的证件交给 Muse 处理,Agent 安排跑腿、联系办公室安保,最终把证件送到办公室。 🔗 播客链接
8️⃣ 腾讯元器宣布 11 月 9 日停服,腾讯智能体平台继续收缩#
- 停服安排:继 QClaw 之后,腾讯智能体平台元器公布停服计划:10 月 29 日停止创建新智能体及 API key 分发;11 月 9 日关闭应用访问、数据读写、API 和控制台,存量智能体届时不可用。
- 迁移方案:官方建议迁往腾讯云智能体开发平台 ADP,或使用公众号智能回复,并提供迁移权益及原资源退费安排。
- 数据处置:用户可导出智能体配置、工作流和对话记录;停服后数据导出控制台保留至 2027 年 1 月 9 日,此后用户数据将被删除。
- 背景:QClaw 已于 9 月 24 日宣布 12 月 24 日停止运营,腾讯相关人士称公司正进一步整合资源。 🔗 爱范儿报道
9️⃣ 模型层走向商品化,算力层的确定性反而增强#
- 核心判断:一张被传播的图表显示,模型层正在走向商品化——非前沿模型已足以覆盖大量日常需求,前沿模型之间则陷入激烈竞争。
- 确定性转移:无论最终哪家模型胜出、模型被用于什么场景,算力总需求都在快速增长;模型层的不确定性越高,算力层的确定性反而越强。
- 行业含义:这为基础设施投资提供了不同于模型层的逻辑,也解释了为何资本仍在持续涌入算力、电力和数据中心环节。 🔗 原图与讨论
🔟 斯坦福 CS329A 课程笔记:自改进 Agent 的技术脉络与验证瓶颈#
- 演进逻辑链:课程将大模型演进概括为“规模扩展 → 后训练对齐 → 推理时计算 → 智能体与自我改进闭环”,其中思维链被描述为“被发现的涌现,而非被设计的流程”。
- 推理时扩展:让模型对同一问题并行采样最多 1 万次,再用验证器挑出正确答案;覆盖率随样本数呈对数线性增长,Llama 3 8B/70B 单样本不如 GPT-4o,采样足够多次后可反超。
- 关键瓶颈:generator-verifier gap——模型生成貌似合理的内容很容易,判断对错需要反馈回路;在数学、代码等可验证领域改进可持续滚动,创意写作等领域人类反馈成为瓶颈。
- Agent 现状:多数落地系统仍是人工编排的静态工作流图,真正开放式自主循环目前只在编码和深度研究两个领域“出现生命迹象”。 🔗 课程主页 | meng shao 笔记