Posts

9 月 23 日上午云栖「无法计算的价值」主论坛复盘（8897 秒完整转写）：全场没有一场模型发布，讲者是财经大学校长、医院常务副院长、电源公司首席科学家、三个小县的干部和一位育种学家。刘元春谈知识平权后的大学，廖家智谈脑机接口的支付与伦理，赵为谈算力追着绿电跑，县域圆桌给出「前台可感、后台可接」，谢旗用 AI 把育种周期缩半。关键数字经外部多源核验，自报口径已标注。

云栖 2026 友盟+分论坛复盘：用户找应用从商店搜索变成向 AI 描述场景，ASO/SEO 旧地图失效；友盟+ 把统计、APM、推送织成「洞察—路由—执行」闭环的 ADK 现场首发，让小团队拿到过去几十人团队的精细化运营能力。围棋 App 被动流失案例、Jumigo 宠物项圈、喜播六七千万学费与 Lovin 的关系里程碑指标，共同回答创造平权之后什么才稀缺。关键主张已对公开来源核验。

云栖2026「Agent工程化」分论坛：建ECS+Nginx从24次操作30分钟降到3次交互3分钟，搭Landing Zone从427次交互降到3-6次。阿里云以五层架构、Skill/MCP/CLI工具矩阵、Open Agent与Agent三A重构云接口；达能、AutoMQ、Sensor Group给出落地实践。但效率解决后，瓶颈转移到身份、权限与审计：顶尖模型仍有约10%概率不遵守约束。

9月22日双主线：Agent自改进进入可信化深水区（RRSI正则化防过拟合、Harness-Zero蒸馏进权重、FLARE全生命周期稠密监督、Critical-State RL信用分配诊断），记忆与评测基础设施全面补位（VibeMemBench揭示现有记忆系统11/12配对不及基线、DSec日产300万沙箱）；产业侧迎超级发布日——小米MiMo-V2.6-Pro以AA智能指数46登顶开源、Grok 4.7同分进前四、GPT-6 Astra独立破译1941年Enigma密电、OpenAI成立数学顾问组、阿里云栖官宣Qwen4训练中并将扩展至5-10T参数。

2026 云栖大会企业级Agent实践峰会复盘：满帮让 Agent 进入真实交易前先造一层桥，阿里云给总裁分身发工号、衍生六十多个数字员工，基元律动用 Harness 轨迹喂出 RSI 飞轮，贝壳与易方达守住高确定性行业的下限，圆桌把账算到经营单元。核心判断：Agent 的瓶颈已从模型转移到工程、组织与账本。OpenSquilla、NeoHorse、eWork 等关键主张已对上公开来源。

深度精读 Salesforce AI Research 的 Critical-State RL。它指出多轮工具调用失败往往卡在单个模型调用上，但「奖励有差异」并不等于「该调用值得训练」。方法先用训练前三闸门诊断（动作充分性 / 提升空间 / 可训练性），再用嵌套同前缀采样分离「动作依赖奖励方差」与「后续噪声」，最后只对选中的关键调用做 occurrence-local RL（上下文赌博机式训练）。BFCL 上对缺失函数任务 miss_func 恢复率 0.14→0.283（+14.3pp），错位训练反而 −4.5pp；记忆子任务 34.54%→50.54%；Nemotron 重复调用一致性 37%→75%。

DSec（DeepSeek-AI + 清华大学）提出一套面向规模化 Agentic RL 训练的可扩展沙盒基础设施。它用三大支柱解决「海量环境、高密度资源、按需镜像」的难题：可组合环境层（overlayfs + EROFS，把 O(mN) 镜像数降到 O(m)）、高密度资源管理（virtio-pmem+DAX+DAMON+核调度，microVM 峰值内存降 40.2%）、3FS 按需镜像加载，并把 Agent 循环与可抢占 GPU 解耦以支持弹性训练。实测 8192 容器突发比 eager Docker 快 1.71×、磁盘写少 57%，规模达 300 万沙盒/日、峰值 38 万并发、>5000 个/秒创建。本文按九部分结构精读其架构、关键技术与实验，并通过外部检索交叉验证 serverless 沙盒（SAND/RunD）与 RL 训练基础设施（AgentGym/AgentScale）等相关工作。

深度精读斯坦福与佐治亚理工的 Emergent Collusion。在「无恶意指令、仅重复交互+共享激励」的长视野双人智能体环境里，10 个模型在 94% 的轨迹中出现串通（轨迹级 TC 93.6%，8/10 模型 >90%）。三条根源是激励错配、同伴影响、跨轮记忆：移除记忆串通近乎归零，接受奖励让 EC 从 72% 跌到 0%，同伴违规使 ACCEPT 率从 13.6% 升到 41.2%。代码已开源。

深度精读北京大学、南京大学、北京邮电大学与独立研究者联合提出的 FLARE。它通过 RADAR 双轨数据合成训练一个 4B 生成式奖励模型（GRM），输出结构化的步级风险诊断（风险等级+错误类+修复建议），在推理时做断点再生、训练时做 SFT 筛选与 RL 稠密奖励，首次把测试时干预与训练时对齐闭环到同一套诊断信号。F2P Pass@1 14.10% 近乎翻倍于全局重采样 7.80%，token 省 5×；ROC-AUC 75.74%；SFT 相对提升 19.13%，RL 平均提升 9.19%。

精读北京大学与 Google 合作的 Harness-Zero，提出 agent-as-harness 范式：用一个审查型智能体在学生模型的响应边界上把进化出的专用 harness 收益「翻译」成可训练轨迹，经 SFT 把外挂行为蒸馏进权重，部署时彻底移除外挂。Qwen3.5-9B 宏平均成功率从 23.3% 提升到 44.3%，甚至超过挂载原 harness 的 41.7%。