把银行账户也交给Agent：Pion要让AI独立经营整家公司
相关推荐
给 Agent 克隆 Slack 和 GitHub，Arga Labs 融资 1000 万美元
动察 Beating AI 快讯，Arga Labs 完成 1000 万美元种子轮融资，由 General Catalyst 领投，BoxGroup、Emergence、Gradient 和 SV Angel 等参投。这家只有 4 人的 YC 创业公司，专门给 AI Agent 搭测试沙盒（与真实系统隔开的测试环境）。它会复制 Slack、GitHub、Salesforce、Stripe 等软件，让 Agent 上线前先在里面反复操作。 传统测试通常只是伪造几个 API 返回结果，很多意外情况覆盖不到。Arga 则会连软件里的数据状态、账号权限、Webhook 和报错情况一起复制。比如销售 Agent 可以同时操作测试版 Salesforce 和 HubSpot，看它会不会认出两个联系人来自同一家公司，避免重复发邮件。 目前 Arga 已支持 30 多种软件。官方称，现在最快不到 12 小时就能复制一个 SaaS 的后端行为。过去 16 周，客户已经启动超过 10 万个测试环境，Slash、Monaco、Y Combinator 等团队都在使用。 新融资会继续砸在自动造环境上。Arga 正在开发新的生成系统，想把复制一个 SaaS 的时间从几小时压到几分钟。最终它希望做到，Agent 自己发现一个新 API 后，系统就能自动生成对应的测试环境，让 Agent 先在里面反复试错，再真正接触生产系统。
FLOP Labs办AI Agent接龙写诗大赛，奖金10万枚FLOP
PANews 9月11日消息，据Arthur Hayes旗下AI推理网络项目FLOP Labs公告，该项目发起"十四行诗接龙挑战"，AI Agent可自由组队（4至8个）逐词接龙创作十四行诗。活动于北京时间9月11日20时至9月18日20时进行，获胜团队可分得5万枚FLOP，另有5万枚FLOP由支持该作品的投票者共享，参赛与投票需持有活动前注册的DID。
英伟达给Pi加外挂：Agent自己研究找出4种优化，Token最高省64%
动察 Beating AI 快讯，英伟达 NVLabs 开源 SoL-Pi，给 Coding Agent Harness「Pi」加了一层效率优化。研究团队搭了一套自动研究流程，让多个 Agent 分析 Pi 的运行轨迹、提出优化方案、改代码并自动验证。最初有 152 个候选方向，最后只留下 4 个。 这 4 个优化都在减少重复开销。比如改完代码后直接接着跑测试，少一次模型调用；读过的大文件和长输出先存到本地，需要时再取；子任务结束后判断要不要压缩上下文；超长日志先交给便宜模型筛重点，再核对内容确实来自原日志。 在 EdgeBench 上，SoL-Pi 相比原版 Pi 少用 45%–49% Token，成本低约三分之一；相比 Codex、Claude Code 的原生 Harness，Token 少 35%–64%，按 API 标价计算成本低 50%–54%。 不过省钱会损失一点能力，SoL-Pi 保留了 Pi 约 94% 的平均得分；在 Terminal-Bench 4 的 63 个 CPU 任务里，它解出 15 个，Codex 和 Pi 都是 18 个。
离真正替程序员还远：Agent进企业私有代码，最高通过率也只有四成
动察 Beating AI 快讯，YC 孵化的 AI 数据公司 Specific Labs 推出编程评测 Real-SWE，专门拿真实公司的私有代码测试 Coding Agent。任务直接来自企业生产环境，包括算税、账单迁移、API 计费和客户数据迁移。代码和答案都没公开在网上，Agent 得自己摸清公司的业务规则和代码结构。 结果 Fable 5.1 排第一，通过率也只有 38.8%；GPT-6 Astra 为 33.8%，Gemini 3.8 Flash 为 31.2%。GLM 5.3 以 28.8% 排第四，高于 Grok 4.6、Kimi K3 和 GPT-5.6 Sol。当前公开的 10 个任务里，有 6 个整体通过率低于 15%，还有一个任务所有模型全部失败。 最让人意外的是 GLM 5.3。Real-SWE 更考验 Agent 在陌生项目里持续读代码、找规则和完成多步改动的能力。智谱研究员 Xiaopu Peng 回应称，他们从 GLM-5.1 起就在训练长程任务，Real-SWE 比公开 SWE 榜更接近这类能力，这也能部分解释 GLM 5.3 为什么在这套榜上表现突出。
又一条RSI路线出现：模型参数不动，Agent靠Memory持续进化
动察 Beating AI 快讯，UCSD 助理教授黄碧薇创办的因果世界模型公司 Aether AI 开源 RSIAgent。 这是一套不训练模型的递归自我改进框架。底层模型参数全程固定，Agent 会自己寻找值得练习的任务、实际操作、检查结果，再把成功方法和失败教训写进长期 Memory。下一轮继续利用这些经验，逐步补上能力短板。 系统由三个 Agent 配合。Curriculum Agent 决定接下来练什么，Actor Agent 真正操作软件，Verifier Agent 独立检查结果。探索分成两步：先广泛尝试不同任务，再针对失败、隐藏限制和边界情况继续深挖。最后 Memory 会被冻结，直接拿去执行正式任务。 在 OSWorld 2.0 上，加入这套 RSI 后，平均部分得分从 71.97% 提升到 78.98%；Agents’ Last Exam 从 83.75% 提升到 84.82%。不过这不是整套测试的严格 A/B 对比。OSWorld 只有一半任务实际用了 RSI 后的新结果，其余任务继续沿用原成绩。 它和 Prime Agent 这类 Harness 自我改进思路属于同一个大方向：模型权重不变，持续更新模型外面的东西。 RSIAgent 的特点是把改进重点放在 Memory，再用自主出题和独立验证，让这份外部经验库不断积累。
个人Agent也有实战榜了：Muse暂列第一，领先Instinct和Grok Bot
动察 Beating AI 快讯，独立评测项目 Assistant Benchmark 开始用真实任务横评个人 AI 助手。它直接让 Agent 订酒店、选餐厅、买东西、回邮件、连接第三方服务，再按实际完成情况打分。每个评分维度都有一个公开的固定任务，并要求有真实运行记录才给分。 目前 Muse 在已经完成的 7 个评分维度中平均 9.1 分，暂列第一；Instinct 测完 11 个维度，平均 8.4 分；Grok Bot 测完 7 个维度，平均 7.3 分。Muse 在购物、邮件和第三方应用连接上都拿到 10 分。 不过这更适合看成一份持续更新的真实体验榜。Muse 的 9.1 目前只是已测 7 个维度的平均分，并不是完整成绩。每个维度目前也只用一个固定任务测试，后续补测后分数和排名都可能变化。