HZ.

Agentic Manipulation | World Model | Unsupervised Learning

[HZ. @S7even_HZ]

Meet RoboHarn-Evo, our self-evolving robot harness!
🔁 Inner loop: Task experience tells it WHAT to do. Action experience tells it HOW.
🔁 Outer loop: Learn from mistakes, keep what works, and fix what doesn't.

And yes, it works from simulation to real robots! 🎬
🌐 https://t.co/BBc6e5hxKJ
💻 https://t.co/1sY1igciYb

[hiko @tianmakibo]

这就是大部分人吧

[高松燈全肯定码农 @quantum_soul1]

冷知识：这张图的发言人是南大jyy老师.....
虽然我很尊敬jyy老师并且认为jyy老师是大陆目前为数不多真正的好老师，但是这个观点确实无法苟同。

[Max For AI @MaxForAI]

有意思，最近越来越觉得，RSI这个方向正在被越来越多的实际研究一点点推进。

刚看到UCLA和Adobe Research发了一项很有意思的工作Tev，专门研究怎么规模化训练长任务Agent。

他们直接训练出了一个27B模型，在Agents'LastExam的计算和数学科学任务上，Pass@5达到了28%，和GPT-6Astra、Claude Opus5持平？？？

当然，这只是特定子集上的结果，但考虑到模型只有27B，还是挺有意思的。

而且他们这个思路我觉得比成绩更值得关注。

具体是：现在很多Agent已经可以连续工作几个小时，甚至更长，但怎么通过强化学习去训练这种Agent，其实是一个很麻烦的问题。

首先，你很难大规模构造这种复杂任务。
其次，即使你构造出来了，模型也很难学。
因为一个任务可能需要连续执行几十步，最后失败了，传统的结果奖励往往就只能给零分。
模型即使前面90%的工作都做对了，最后一步出了问题，整个过程也可能得不到有效的学习信号。

Tev的思路是先构造一个完全正确的任务世界，里面有完整的工作流程、正确答案和每个阶段应有的状态。

然后反向生成一个有问题的环境，让Agent自己去修复（这个非常关键）。

这样训练系统就知道Agent每一步究竟做对了多少，即使最终没有完成任务，也能根据中间进度提供奖励。

他们用这种方法构造了1170个可验证的长任务环境，覆盖软件工程、数据工程、AI研究、数学、安全、基础设施等7个领域。

更有意思的是，这套方法还可以迁移到不同规模的模型上。

他们拿GLM-5.3-Flash继续训练，得到Tev-320B，在Terminal-Bench4.0的计算与数学子集上，Pass@1从29%提升到了37%。

我觉得这个事情其实很能说明问题。

我们一直在讨论怎么让Agent持续变强，怎么让能力提升越来越少地依赖人类参与。

但这背后需要解决大量非常具体的工程和研究问题。

训练数据从哪里来，复杂任务怎么自动生成，中间状态怎么验证，失败轨迹怎么变成有效的学习信号。

Tev恰好在解决其中非常关键的几个问题。

而且它已经能够通过实际训练，让不同规模的模型在长任务能力上取得提升

RSI的很多基础能力，就是这样一点点被做出来的。

[猎牛骑士苍鸦酱 @ravendying]

未成年人中最恶心的群体就是初中生 如果你上过学你就不会否定我说的话

[Mr Panda @PandaTalk8]

我老婆说， 她曾经在高考的重点班上过， 里面很多人都是学习成绩好, 但是他们很多人内心阴暗，嫉妒之心很重， 如果你在班里考试排名靠后，连朋友都没有。

她在重点班过的很压抑， 后来回到的普通班， 她觉得普通班的同学性格很好，还交到了好朋友。

[Jay Chooi @chooi_jeq]

Gemini 4 Argon achieves SOTA on real robot capabilities, tied with Opus 5.5 and above GPT-6 Astra. 🧵

[马识途 @shitunote]

周受资说的太对了：写代码本来就只占工程师约30%的时间 🤣

最近的星展亚洲未来前瞻大会上，提到AI技术的影响以及对软件工程师的“替代”这个议题，TikTok CEO周受资说： 我们谈到AI编程，在我们这个行业里，写代码过程本身是被AI颠覆了；但写代码只占大多数工程师30%的时间，其他很多工作依然非常依赖人——规划、与产品经理沟通、各种协调 等等，而且现在人的检查复核依然不可或缺。

周受资老板是真了解程序员工作的😂

我记得10多年前我在国内某一互联网大厂，码农们上午基本开会，下午很晚或者晚上才会有时间写代码，哈哈！而且当时这种现象在互联网大厂中是普遍的，事实上大家白天工作时间本来就没有多长时间写代码 🤣

[HZ. @S7even_HZ]

Robot Harness Self-Evolution with Frontier Foundation Models!
What if an agent could self-evolve at both the task and action levels?
https://t.co/O7JGKo3rEZ

[khazzz1c @Chonghan_Liu]

你说的 Temperature 设置成 0，那是最最最最基础的回答，三年前的回答，但这并不能保证你是用贪心算法的方式去把问题回答出来的。

首先你要看它是官方的 API 接口还是本地部署：

1. 官方的 API 接口：就算设置了 Temperature 为 0，你就算走了 Greedy 的贪心算法，但在不同的 Batch 里面，它的 Logprobs 还是会有不同的影响。
2. 本地部署：这会牵扯到更多的问题。你要保持相同的 Kernel，Batch Size 要为 1，Seed 数要相同，关掉 prefix caching，还有 GPU 的型号，以及各种所有的 Setting 都要完全一致

[月球大叔 @uncle_moon_x]

Underdog，寻找非共识，素人的反击，找回年少时候的意气风发，这才是创业的好戏码

把纳斯达克，标普，独角兽拉出来看一下，没上市之前的明星占比例多少，一目了然

[Holegots @holegots]

牢田这个事情 ，真实是字节法务太菜了，那么多实锤证据，但凡有华为/腾讯法务一半的实力， 牢田都不会在这里装模作样，还能发誓做英雄了。
https://t.co/S1FqV6vdQE

[AYi @AYi_AInotes]

Anthropic 这篇官方檄文可以说是彻底撕破脸了，
直接公开点名智谱和月之暗面，把大模型圈工业级偷思维链的黑产老底全掀了。

A社刚发了今年火药味最浓的一篇官方研究，
直接公开点名智谱和月之暗面，把大模型行业暗流涌动的工业级蒸馏偷家产业链掀到了台面上。

很多人一直在好奇，为什么海外大厂砸几十亿美金苦练的顶级推理能力，一些团队只要花几分之一的时间和成本就能迅速追平。

Anthropic 这次拿出的数据极其吓人，
他们发现有大量黑产和机构控制着几十万个虚假账号，
通过代理网络疯狂给 Claude 发送数百万次请求，
核心目标根本不是偷答案，而是偷 Claude 在输出前的完整思维链。

数据表明，拿完整的推理思考过程去训小模型，
代码评测能直接冲到 80.4%，而只拿精简答案去训只有 71.8%，这十个点的差距就是大模型最值钱的核心资产。

为了防住这种工业级抽血，Anthropic 这次直接上了三套极其绝情的硬手段：

一是锁死推理上下文，新 API 账号彻底禁止篡改对话历史，把思维链只留给本机构；
二是把防蒸馏的安全分类器直接拉到了防生物武器的同等级别，误伤率低于千分之一；
三是把被拦截的恶意请求照样扣费，并在几小时内封掉了几万个洗白账号。

这一套组合拳打下来，官方统计直接把被偷走的数据量砍掉了 90% 到 99%，为此 Anthropic 宁可主动拒掉数万亿 Token 的真金白银收入。

说白了，以前大模型赛道表面拼的是参数和跑分，暗地里拼的是谁能更隐蔽地把前沿大模型当免费老师来抽血，

当思维链的输血管道被巨头彻底焊死，真正拼底层原生内功的淘汰赛也许才刚刚开始啊～～

[思维怪怪 @0xLogicrw]

曾因破坏字节跳动模型训练被辞退的田柯宇，在播客《elsewhere 别处发生》中首次详细回应两年前的争议。他称，当时一名新实习生经常超额占用算力，甚至停止其他同事的实验，自己向上级反馈无果后，选择「以暴制暴」。他承认曾用 ChatGPT 编写程序，在约 10 天内手动干扰对方实验 5 次，但否认持续数月攻击训练集群，强调自己并非为了争夺算力，也承认做法不当。

然而，一份题为《实习生 A 视角来了》的反驳材料，给出了完全不同的说法。材料列出多段据称来自字节内部的代码记录，指控田柯宇的破坏行为始于 2024 年 3 月，持续数月，涉及多个项目。他先向 LlamaGen 项目的模型参数混入随机噪声，随后又篡改视频生成项目 Goku 使用的 PyTorch 底层代码，让模型训练结果出错、程序随机中断。这些故障极难复现，甚至出现过 100 台机器运行相同程序，只有一台异常、重启后又恢复正常的情况。中美团队为此长期轮流排查，直到当年 7 月底才发现异常代码。田柯宇在此期间还会根据同事的排查进展调整攻击方式。

更严重的是另一项科研诚信指控。材料称，田柯宇当时负责一个使用上千张 GPU 训练的 VAR 文生图项目，但展示给同事测试的成果，其实来自已经开源的 PixArt 模型。他还在用户输入的 Prompt 前偷偷添加「City」，让同事难以通过相同提示词发现两个模型的关联。此前测试人员就发现，生成图片中经常莫名出现城市建筑，却一直找不到原因。事后团队检查发现，真正的 VAR 模型远未达到展示效果。文末还列出多名相关项目研究人员，称他们愿意为亲历部分作证。

字节跳动早在 2024 年就确认，田柯宇曾通过编写、篡改代码恶意干扰内部研究项目训练，随后将其辞退，并起诉索赔 800 万元及合理支出。田柯宇此次透露，一审法院判赔约 50 万元，其余诉请被驳回，但字节已提起上诉，目前仍在二审。他表示认可赔偿，也为自己的行为道歉，但坚持认为外界严重夸大了他的行为。

[卡比卡比 @jakevin7]

田柯宇投毒记录网站又更新了。
感兴趣的人可以看看这个网站，了解一下上下文
https://t.co/QHBKYP9iGT

[Rainier @mtrainier2020]

睡之前，看了公众号文章对实习生搞破坏的详细复盘，看的人血压升高。
这人太恶毒了。
这人技术不算差 ，但是品质方面极其恶毒。
各种破坏迷惑性非常强。
比如下面这个破坏，伪装成分布式网络问题 ，而且是随机的，间歇性发作的。
aka在你耗费大量计算资源之后，然后捅一刀。
这还是十几种不同破坏方式对一种。
我能想到调试人员在调试这些问题时候有多崩溃与绝望。

事情暴露后，字节同事没刀🔪他，
已经是很有素质了。
这太可恨了。

[Tykoo @0xTykoo]

看完了文章，按田柯宇自己的说法，事情大概是这样的：

他本来是字节组里待得最久的实习生。后来来了另一个实习生恶霸，占着超额的算力，还会直接关掉其他实习生的程序，受影响的主要是一些比较内向的人。大家找领导反映，但没得到解决。

他自己的程序其实没被关过，也不缺算力，但他觉得自己作为组里的老大哥，看不下去别人被欺负，于是决定以暴制暴：让 GPT 帮忙写了个程序，手动把对方的任务卡住或者关掉，让超额占用的算力被收回，其他人就能用了。他说自己大概在十天里做了五次，只动了那个人的任务。

后来事情被发现，他被开除了，网上又传出了“为了抢算力给大模型投毒”“持续攻击集群”“被发现后嫁祸别人”等说法。他否认这些描述，但承认自己确实违规，也浪费了公司的时间和资源。按访谈里的说法，字节索赔八百多万，一审判赔五十万，他接受这个赔偿，但字节又上诉了。

[Zhaoyang @zhaoyangwang_]

This perfectly illustrates the importance of research taste and why we shouldn't blindly trust authority.

[HZ. @S7even_HZ]

@Chonghan_Liu 大融城也是🤣，和朋友一块吃饭前后桌经常都是具身和world model