Lilian Weng 总结 35 篇论文：Harness 工程驱动递归自我改进

[AINews] Lilian Weng 总结了 35 篇关于 Harness 工程用于 RSI 的论文平静的一天让我们得以阅读一些浓缩的见解恭喜 Meta Superintelligence 拥有全球排名前 2/3 的图像/视频模型！

这本来可能成为头条故事，但不幸的是，这几乎是我们关于 Muse Image/Video 的全部细节——没有论文，没有任何技术细节。尽管如此，这仍然击败了上个月的 Microsoft MAI 模型，这很不错。

我们是 Lilian Weng 的忠实粉丝，因此每当她发布研究总结时我们都会关注，尤其是现在她已成为 Thinky 的联合创始人，这样的总结更显珍贵。

今天，她正在思考 harness 与 RSI 的关系：尽管我们之前写过即使 Greg Brockman 现在也 quietly 支持智能体/harness 工程，

但像 Lilian 这样受人尊敬的思想家和 neolab 联合创始人也认同“即使许多 harness 改进最终被内化到核心模型中，指定目标和上下文的需求也不会消失”，这令人耳目一新。

她的文章梳理了每个人应该了解的主要经过验证的 harness 设计趋势，然后总结了 harness 优化文献，最著名的是 ACE 论文，以及更近期的趋势如 Meta-Harnesses，我们已在 AINews 上报道过。

这无疑也暗示了 Thinky 正在思考的内容，而不仅仅是交互模型。2026 年 7 月 6 日至 7 月 7 日的 AI 新闻。我们检查了 12 个子版块、544 个 Twitter 账号，没有进一步的 Discord。

AINews 网站允许你搜索所有过往期次。提醒一下，AINews 现在是 Latent Space 的一部分。你可以选择加入/退出邮件频率！

AI Twitter 回顾智能体产品、Harness 和长时间运行的工作流Anthropic 在 Claude 之上扩展了“后台智能体”用户体验：参与度最高的产品发布是 Claude Cowork 登陆移动端和网页端，将 Claude 定位为执行任务的后台队友，

而非前台聊天 UI。相关帖子展示了围绕共享主页标签和更紧密的 Chat/Cowork 集成的产品融合，来自 @mikeyk。

另外，Anthropic 在 @claudeai 的一则高互动公告中将付费计划对 Claude Fable 5 的访问延长至 7 月 12 日，尽管许多用户在 @kimmonismus 等人的反应中指出，相对于每周限制，这个时机有些尴尬。

Harness 工程日益成为智能体设计的核心：Lilian Weng 的新帖子被广泛引用，将递归自我改进重新定义为围绕 harness 而非直接权重自我修改；

Sakana 的总结将其与 The AI Scientist、ShinkaEvolve 和 Darwin Gödel Machine 联系起来。

LangChain 通过 @LangChain 和 @hwchase17 的帖子，以新的 Deep Agents 课程和开源 harness 项目呼应了同样的转变。

Google 也在将这一方向产品化：Gemini API Managed Agents 在 @_philschmid 和 @OfficialLoganK 的帖子中增加了后台执行、远程 MCP 服务器、自定义函数调用和凭据刷新。

实用的智能体基础设施越来越有主见：有几个值得注意的面向操作员的更新：Codex Mobile iOS 在 @Dimillian 和 @reach_vb 的帖子中增加了任务管理、过滤差异、SSH 密钥登录、分支比较和附件流程；

Hermes Agent 在 @Teknium 的帖子中增加了可插拔的秘密管理器以及原生 1Password 集成，并将会话/数据集导出为包括私有 Hugging Face 仓库在内的格式；

Weaviate 1.38 使其 MCP 服务器正式可用，并带有运行时门控写入权限，特别地，在 @victorialslocum 的帖子中，MCP_SERVER_WRITE_ACCESS_ENABLED 可以在不重启的情况下实时切换。

一个更具实验性的模式来自 @omarsar0，使用 Dial MCP 服务器，以便智能体可以通过电话/SMS/iMessage 升级决策，实现人在环控制。

模型和模态发布：音频、语音、机器人和媒体生成Meta 的 Muse Image/Muse Video 将智能体生成推向媒体：Meta Superintelligence Labs 在 @AIatMeta、

@alexandr_wang 和 @_tim_brooks 的公告中推出了 Muse Image 并预览了 Muse Video。值得注意的技术角度不仅是图像质量，而且是一个明确的智能体生成循环：规划、网络搜索、工具使用、代码执行和渲染前的自我完善。

Meta 还表示，性能随着扩展测试时计算而提升，并且自我完善行为是在强化学习期间涌现的，而非手工编写脚本，详见后续报道。

在公开评估中，Muse Image 在 Image Arena 排名中迅速升至第二位，仅次于 GPT Image 2，而 Muse Video 在 Video Arena 中首次亮相即排名第三，来自另一篇 Arena 帖子。

NVIDIA 和 Cohere 都发布了强大的音频产品：NVIDIA 发布了 Audex，一个 300 亿参数/30 亿活跃参数的 MoE 模型，具有 100 万上下文，用于统一的文本+音频工作，由 @HuggingPapers 总结，

@_weiping 提供了更详细的描述。该模型的核心主张是保留文本智能，同时通过单一的 MoE 主干增加广泛的音频生成和理解能力。

Cohere 推出了 Cohere Transcribe Arabic，被描述为 Apache 2.0 下最准确的开源阿拉伯语 ASR 模型，在 @cohere 和 @JayAlammar 的帖子中强调了方言、代码切换和带阿拉伯口音的英语。

开放机器人技术持续围绕 Hugging Face + NVIDIA 整合：NVIDIA 通过将 GR00T 1.7 和 Isaac Teleop 引入 LeRobot，将其机器人技术栈扩展到 HF 生态系统，旨在支持开放的人形机器人工作流程，

详见 @NVIDIARobotics 的公告和集成指南。

在具身智能方面，UMA 展示了强大的全栈机器人叙事：@RemiCadene 描述了一个小团队在 9 个月内构建的原型，而 Northstar 的揭晓和 @psermanet 的安全说明强调了垂直集成的硬件/软件以实现值得信赖的机器人。

训练、推理和训练后技术Liquid AI 的“Antidoom”直接针对推理循环失败模式：当天最清晰的技术发布之一是 Liquid AI 的 Antidoom，一种开源训练方法，用于减少小型推理模型重复 token 直至上下文耗尽的“末日循环”。

报告中的减少幅度显著：在贪婪采样下，LFM 2.5-2.6B 从 10.2% 降至 1.4%，Qwen 3.5-4B 从 22.9% 降至 1%，并带来了下游评估收益。

该方法名为 FTPO（最终 token 偏好优化），重新标记触发循环的 token 并将概率重新分配给替代方案，@helloiamleonie 和 @LiorOnAI 对此进行了很好的总结。这是该领域近期模式的一个好例子：消除特定失败模式，而不仅仅是扩展参数。

推理效率和压缩仍然是一个主要前沿：NVIDIA 的 Puzzle-75B-A9B 压缩工作通过 @omarsar0 受到强烈关注：压缩混合 MoE 父模型，同时保留推理、编码、长上下文和智能体质量，

在 H100 上实现约 2 倍服务器吞吐量和 100 万上下文并发从 1 个请求提升到 8 个。在工具方面，Nsight Python 1.0 在 @HagedornBastian 的帖子中发布，使 GPU 性能分析可通过 Python 脚本化。

Unsloth 还为 DeepSeek-V4-Flash 发布了 GGUFs，并支持导出到 NVFP4/FP8 以及加速 GRPO 和 MoE，详见 @danielhanchen 的更新。

智能体强化学习和验证正变得更加专业化：@cwolferesearch 强调了 GRPO 风格的归一化如何被调整用于任务或环境级别的智能体强化学习，以处理多轮环境中更高的奖励方差。

另外，@omarsar0 标记了斯坦福/NVIDIA/伯克利的一篇免训练验证器论文，该论文从评分 token 的 logits 中读取校准后的连续分数，在 Terminal-Bench V2、SWE-Bench Verified、

RoboRewardBench 和 MedAgentBench 上取得了强劲的结果，表明验证正在成为一个独立的缩放轴。

可解释性、模型内部和“J-Space”争论Anthropic 的 J-space 工作主导了可解释性讨论，但也引发了尖锐批评：社区在将其视为有用的机制分析和反对意识框架之间出现分歧。

来自 @danburonline、@paul_cal 和 @scaling 的强烈批评尤为突出。