新闻、仓库与研究，按时间排列。
一个基于 Claude Code 的自主研究循环正在尝试破解 CIA 总部 Kryptos 雕塑未解的第四段密文 K4，每次实验预先登记假设、在冻结 harness 上运行并保留完整记录。截至 2026-10-18 已完成 12 个密码族 198 次实验、16 次 pivot，尚未破解；成功标准是可复现程序将 97 字母密文还原为含 EASTNORTHEAST 与 BERLINCLOCK 的英文并可正向再加密。
FemPrompt SozArb 是一项定性文献综述，探讨社会工作者如何负责任、有建设性地使用 LLM，并以女性主义 AI 素养为框架。研究通过 AI 辅助深度研究识别文献，按 PRISMA 2020 与 PRISMA-trAIce 报告筛选流程，由人类评审在 PRISM 工具中筛查、AI 智能体编码，最终学术权威由领域专家掌握。该项目属格拉茨大学 Elisabeth List Fellowship 项目，代码采用 MIT 许可，文档采用 CC BY 4.0。
研究者提出 OptScientist，一个从数据中自动发现符号化优化定律的框架，由符号优化问题推断模型和结合文献先验的 LLM 智能体系统组成。在含 99 个物理优化问题的新基准 OptFeynman 上，它对超过 80% 的问题恢复出真实定律，显著优于机器学习、符号方法和 LLM 基线。在人类风险决策与央行货币政策数据上，其发现的定律在留出预测性能上与主流基线相当，且参数更少、token 消耗显著更低。
一项研究提出用 LLM 驱动的进化程序搜索来改进生成式检索（GR）中的语义标识符设计，据称是该方法首次应用于 GR。框架使用本地部署的开源 31B 模型变异可执行组件，并以 1M 参数代理解码器替代反复训练 1B 目标生成器提供快速反馈，代理与目标 Recall@100 的 Spearman ρ 达 0.90。在 NQ320K 上，联合进化 SID 构建与碰撞处理将 Recall@1 从 55.8% 提升至 59.3%，Recall@100 从 85.8% 提升至 90.6%。
Wenjie Lou 等人发布 Sage-A1.5 技术报告，这是一个基于 A1 的 35B Mixture-of-Experts 智能体模型，通过自适应能力组合推进长程问题求解。报告提出三项改进：通过任务委派与子智能体隔离上下文并行协作的智能体编排，包含进度检查、证据验证与反思式策略修订的智能体验证，以及超越回答预设问题的开放科学探索能力；模型 checkpoints 已开放。
推荐理由：报告说明了子智能体并行协作、验证与开放科学探索三项改进的设计，适合关注长程智能体任务执行方法的读者。
研究者提出 GBClaw，一个用于研究一般晶界结构与变形的智能体 AI 框架，将 LLM 与编排器、专用 agent、领域工具、仿真接口和分层记忆整合为模块化架构。该框架应用于镍中 14 个一般非对称倾转晶界，表征了界面缺陷结构并识别出多种变形模式，发现有/无次级晶界失配位错时边界滑移的剪切强度差异显著。
LabCairn 是一个开发中的本地优先 AI 科研工作区，旨在让论文、数据、分析与报告之间的来源、论断与方法保持可追溯，待版权归属明确后以开源方式发布，目前尚未授予任何许可。Phase 1 计划包括科学资料摄取（PDF、Markdown、TXT、CSV、XLSX）、证据链、带人工审批的有界研究 Agent、可复现分析与 Markdown/DOCX/PDF 报告导出。技术栈规划为 Python 3.12、Pydantic AI、SQLite、FastAPI 及 React + TypeScript，提供 CLI 和本地 Web UI 两个入口。
研究者提出一种 agentic 工作流，让 LLM coding agent 在商用基带 SoC 上实现算法、优化到 agent 自己编写的向量汇编，并在芯片上验证。该流程在 6G4All 平台上的 AI 发现的 OTFS 检测器组合上展示，产出 12 个可在硅片上周期精确运行的内核，优化版本每帧 18k-405k cycles（30-660 μs）；其中依据芯片实测成本生成的新检测器比移植版少 13.9% cycles 且误码率相当。
GitHub 仓库 akhilreddy097/ml-daily-projects 提供一个全自动系统，每天 9 AM UTC 由 GitHub Actions 触发，自动生成带完整实现、合成数据集和文档的生产级 ML 项目。项目覆盖回归、分类、NLP、计算机视觉、时间序列、聚类、集成方法 7 类，按周轮换并从初级进阶到高级，每个项目包含代码、Jupyter Notebook、结果指标与图表，采用 Python 3.9+ 和 MIT License 开源。
GitHub 上的 udg-catalogue 项目用 DeepSeek V4-Flash 自动筛选 arXiv 天体物理论文并提取超弥漫星系（UDG）测量值，发布包含 1,927 个天体的交叉匹配目录，可通过 Plotly 3D 地图和 Streamlit 仪表板浏览。557 篇论文被筛选，90 个（4.7%）天体具备全部六个参数，五次完整运行的 API 总成本为 US$4.32。项目明确标注为原型，数值未经人工核对，使用前需对照 source_papers 中的原始论文并引用原论文。
Anthropic 让内部研究模型在 Claude Science 中主要自主运行 64 小时，设计针对五种蝎子神经毒素的蛋白质迷你结合剂。共生成 318,484 个设计，筛选出 180 个。
Ornith 团队发布 Ornith-1.5-122B，一个基于 Qwen3.5 与 Gemma4 继续预训练、mid-training 和 post-training 构建的 122B 模型。该模型将自我改进循环从 scaffold 与 rollout 优化扩展到联合优化任务生成、scaffold 构建和解题 rollout，通过强化学习持续生成新训练任务并改进策略，不依赖人工策划的固定任务集。
ewa396 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四级：AutoResearch Loop、带结构化反馈的 Feedback Loop、可重写自身源码的 HyperAgent Loop，以及代码 Agent 与测试 Agent 对抗共演化的 Arena Loop（含 1v1 和 4 Agent 锦标赛两种形态）。
Daan75002 在 GitHub 发布 self-improving-agents 仓库，把自我改进代码智能体分为四级，从 AutoResearch Loop、结构化反馈循环、重写自身源码的 HyperAgent Loop，到代码智能体与测试智能体对抗共演化的 Arena Loop。实验显示固定基准会造成虚假信心，三级方案在 email validation 原测试得 90-100%，换到对抗测试套件降至 62-66%，而 Arena Loop 保持 70%；Feedback Loop 在性能与成本上最划算，每个任务 $0.03 仅为 Arena Loop 的约 1/20。框架支持自定义任务、断点续跑，完整结果见 experiment-results.md。
RanchoTao 发布 MathForge，一个以“先验证、后宣布”为原则的研究型数学探索框架，支持人类研究者、语言模型与形式化证明助手协作，区分生成假设与已确立结果。目前该仓库为私有预发布状态，截至 2026-10-20 仅包含品牌资产、文档、经审阅的合成 CORE 源码及 CI 工作流（PR #1），未来 Core 计划采用 Apache-2.0 许可开源，但版权清理仍在进行中。
imlizhuowei 在 GitHub 发布 realgain，一个仅依赖 numpy 的轻量工具包，通过读取评估日志逐项分解自我改进 AI 系统保留改动的收益来源，区分任务噪声、运气、对选择任务的过拟合、LLM 评分偏差和 grader 访问，并输出 REAL、SCORE ONLY、LUCK、GRADER ACCESS 等判定。实测示例中 AFlow 公开日志的 30 个接受改动仅 8 个超出任务噪声且因无 held-out 任务不可核查，DGM 在 SWE-bench 的 89 个归档步骤仅 3 个超出噪声；模拟测试中误判 REAL 的比例不超过 2.2%，30 个 held-out 任务仅能发现 8% 的真实增益，100 个可达 71%。
推荐理由：原文给出真实日志上的判定示例和工具自身的误报率校准数据，读者可以据此检验自我改进系统的收益是否经得起独立核查。
GretaHall62 在 GitHub 发布 self-improving-agents 仓库，将自我改进代码智能体分为四级：AutoResearch 循环、带结构化审稿反馈的 Feedback Loop、重写自身源码的 HyperAgent Loop、以及代码智能体与测试智能体对抗共演化的 Arena Loop。实验显示固定基准造成虚假信心，Level 1-3 在邮件验证原始测试上得 90-100% 但在对抗套件上降至 62-66%，Arena Loop 稳定在 70%；Feedback Loop 是性价比最优，在 support 任务上与 Arena Loop 得分相近但成本低约 20 倍（$0.03 vs $0.63 每任务）。
jackleone329 发布 self-improving-agents 仓库，把自我改进代码智能体分为四级，从最简单的 AutoResearch 循环到带自改写代码与对抗共演化的 Arena Loop。实验显示固定基准易造成虚假信心，Level 1-3 在 email_validation 原测试上得分 90-100%，但在对抗套件上降至 62-66%，Arena Loop 保持 70%；Feedback Loop 性价比最好，snake 得分 31.1、成本 $0.03 每任务，约为 Arena Loop 的 1/20。仓库支持断点续跑、自定义任务接入，并提供终端内观看 Snake AI 对局的播放工具。
同一新闻，精选展示《geraldduong096 开源 self-improving-agents 框架，分四级实现自我改进代码智能体》
GitHub 仓库 ElifGray0554/Anti-Autoresearch 发布，用于审计 autoresearch / AI-Scientist 生成论文的自洽性与造假，输出带 span 锚定的审稿报告。它基于 ARIS（约12.5k★）构建，包含8个模式族共46种完整性模式，外加13条零裁决权重的 AI 写作风格印象；以11个技能加1个编排工作流交付，确定性核心含8个经评测门验证的模式（GRIM、GRIMMER、statcheck、delta 算术等），其余39个模式由跨模型审阅者提出发现、确定性裁决器打分。它不是 AI 文本分类器，不判定学术不端，只呈现需人工核查的差异；支持 Claude Code 工作流运行，也提供纯 Python 确定性管线用于 CI 与离线环境。
推荐理由：原文给出46种完整性模式、8个模式族和确定性评测门的具体构成，审稿人可据此判断这套审计工作流能查什么、不能查什么。
论文提出 HarnessPro，一种无标注方法，通过 LLM 生成的测试评估候选框架，并用 Pareto 优化同时提升任务性能、降低执行成本。在 Terminal-Bench 2、SWE-Bench Pro 和 ProgramBench 上，用 GPT-5.5 加 Codex 时 heavy 模式相对 RHO 平均 pass-rate 提升 2.0 个百分点、单任务成本降低 26.1%，用 GLM-5.2 加 Claude Code 结果一致，并输出 lite、medium、heavy 三档框架供不同部署预算选用。
推荐理由：论文用无标注测试加 Pareto 选择同时优化 Agent 框架的性能与成本，给出与 RHO 的对照数据，方法可迁移到类似的框架自改进场景。
作者发布 self-improving-agents 开源仓库，将自我改进代码智能体分为四级，从 AutoResearch 循环、结构化反馈循环、自重写源码的 HyperAgent 循环到对抗共演化的 Arena 循环。实验显示固定基准会带来虚假信心，Level 1-3 在 email validation 原测试上得 90-100%，面对 Arena 对抗套件跌至 62-66%；Feedback Loop 在蛇游戏 31.1 分优于 Arena 的 29.2，且成本低 20 倍（每任务 $0.03 vs $0.63）；Arena Loop 在客服任务的 28 个对抗问题上得 78.16 分并逐轮提升。
推荐理由：作者用跨四级实验数据比较了四种自我改进 Agent 循环，指出固定基准会造成虚假信心，结论可供选型参考。
Alekseev3387 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四个层级，从最简单的 AutoResearch Loop 到带自我改写与对抗共演化的 Arena Loop。实验显示固定基准会制造虚假信心，Level 1-3 在 email validation 原始测试上得 90-100%，换到对抗测试集跌至 62-66%；Feedback Loop 是性价比最好的方案，赢下 snake（31.1 vs 29.2）且每任务成本仅 $0.03，约为 Arena 的 $0.63 的 1/20。框架任务无关，支持自定义任务、checkpoint 恢复和全部实验一键复跑。
同一新闻，精选展示《alambert996 开源自我改进代码 Agent 框架 self-improving-agents》
laylarivera889 在 GitHub 发布 self-improving-agents 仓库，提出从 AutoResearch Loop 到对抗 Arena Loop 的四级自我改进代码 Agent 框架，并给出 Snake、客户支持、邮件验证三任务的对比实验。关键发现包括固定基准造成虚假信心（Level 1-3 在邮件验证原始测试达 90-100%，对抗测试集降至 62-66%），Feedback Loop 性价比最佳（支持任务 72.86 分，成本 $0.03，为 Arena $0.63 的 1/20），Arena Loop 随测试集增长鲁棒性持续提升。框架支持 checkpoint/resume、自定义任务和 LLM-as-judge 评分。
GitHub 新仓库 self-improving-agents 将自我改进代码 Agent 分为四级：AutoResearch Loop、Feedback Loop、HyperAgent Loop 和对抗共演化的 Arena Loop。实验显示固定基准会造成虚假信心——Level 1-3 在邮件验证原始测试得分 90-100%，但在对抗测试集降至 62-66%，Arena Loop 保持 70%；Feedback Loop 性价比最优，snake 得 31.1 分且每任务成本 $0.03，仅为 Arena Loop（$0.63）的 1/20。仓库基于 Gemini API，支持 checkpoint/resume。
CrepuscularIRIS 发布 HarnessRSI-Daily 仓库，专门追踪改进提示词、技能、工具、记忆等非权重组件的递归自我改进研究。已对 585 篇论文打分（17 篇达 ★★★ ≥70），评分含证据、执行、证据等级和代码四项且每条判断附原文引用；从 1198 篇语料归纳出 13 主模式 / 36 子模式，独立重判一致率 86%（κ=0.84），并发现 ICLR 2025–2026 中 critique-and-rewrite 模式录用率 17% 低于 35% 基准。仓库含论文榜、诊断卡、模式卡与每日 arXiv 流水线，MIT 许可。
推荐理由：仓库不只收论文，还给每篇打了带引用依据的评分，并从 1198 篇语料中归纳出 13 个研究模式与 ICLR 录用对比。
nayeon22419 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四级：AutoResearch Loop、Feedback Loop、重写自身源码的 HyperAgent Loop、以及代码 Agent 与测试 Agent 对抗共演化的 Arena Loop。实验显示固定基准下 Levels 1-3 在 email validation 原测试达 90-100%，换到对抗测试套件跌至 62-66%，Arena Loop 保持 70%；Feedback Loop 性价比最好，snake 得分 31.1 胜 Arena 的 29.2，成本仅 $0.03 对 $0.63 每任务。
agutierrez071 在 GitHub 开源 self-improving-agents，把自我改进代码智能体分为四级：AutoResearch Loop、结构化反馈 Loop、可重写自身源码的 HyperAgent Loop、对抗共进化 Arena Loop，并附 snake、customer support、email validation 三个任务的完整实验。
ross2838 在 GitHub 发布 self-improving-agents 仓库，将自我改进代码智能体分为四层：AutoResearch Loop、结构化 Feedback Loop、重写自身源码的 HyperAgent Loop，以及代码智能体与测试智能体对抗共演化的 Arena Loop。实验显示固定基准易被刷分，Levels 1-3 在 email_validation 原测试上达 90-100%，换对抗测试后降至 62-66%，Arena Loop 保持 70%；Feedback Loop 以 20 倍成本优势（每任务 $0.03 vs $0.63）取得与 Arena 相近的成绩。仓库支持自定义任务、checkpoint/resume，可用 GEMINI_API_KEY 运行全部实验。
ayse31 在 GitHub 开源 self-improving-agents，将自我改进代码 Agent 分为四级：AutoResearch Loop、带结构化反馈的 Feedback Loop、可重写自身源码的 HyperAgent Loop，以及代码 Agent 与测试 Agent 对抗共演化的 Arena Loop。实验显示固定基准会造成虚假信心，Level 1-3 在 email validation 原测试上得分 90-100%，在对抗套件上降至 62-66%，Arena Loop 保持 70%；Feedback Loop 性价比最优，snake 得分 31.1 超过 Arena 的 29.2，成本仅为每任务 $0.03 对 $0.63。
Google 开源了 Harness2，可将任何 AI harness 变成随时间自我改进的系统。harness 指模型外围的一切，包括系统提示词、工具、记忆、技能和子智能体；agent 会为每个任务提出修改、运行多个候选版本并按表现择优，无需正确答案或评分器，模型权重不变，学到的改进可跨任务延续并保存。Google 用 Gemini 3.5 Flash 和 GLM-5 在法律、办公和专业工作基准上测试，一轮修改即超过原始 harness，多轮后分数更高。GitHub 地址：https://github.com/google-research/harness2
推荐理由：原文说明了 Harness2 让智能体自行改进外围 harness 的机制，且无需标准答案即可比较候选版本，方法可迁移到本地部署场景。
Zachary1850 在 GitHub 开源 self-improving-agents 仓库，把自我改进代码 Agent 分为四级，从 AutoResearch Loop 到带自改写 Agent 的对抗 Arena Loop。实验显示固定基准会制造虚假信心，Level 1-3 在邮件验证原始测试上得 90-100%，在 Arena Loop 对抗测试集上跌至 62-66%，而 Arena Loop 保持 70%；Feedback Loop 在 snake 任务上以 31.1 分胜出且成本仅为 Arena 的 1/20（$0.03 vs $0.63 每任务）。框架支持断点续跑、自定义任务，全部实验可用 python run_all.py 一键复现。
ajaved1205 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四级：AutoResearch 循环、结构化反馈循环、重写自身源码的 HyperAgent 循环，以及代码 Agent 与测试 Agent 对抗共进化的 Arena 循环。实验显示固定基准会制造虚假信心，Level 1-3 在 email validation 原测试上得 90-100%，换到 Arena 对抗测试套件后降到 62-66%，而 Arena Loop 保持 70%；Feedback Loop 性价比最佳，snake 得 31.1 分且每任务成本 $0.03 仅为 Arena（$0.63）的 1/20。
推荐理由：原文给出四个等级的完整实验数据，固定基准与对抗基准的分数落差能说明自改进方案的脆弱点在哪。
作者开源 self-improving-agents 仓库，把自我改进代码 Agent 分为四级：AutoResearch 循环、反馈循环、重写自身源码的 HyperAgent 循环、以及对抗共进化 Arena 循环。实验显示固定基准会造成虚假信心，Levels 1-3 在 email validation 原始测试上得 90-100%，在 Arena 对抗套件上降至 62-66%；Feedback Loop 在 snake 上得 31.1 分且成本仅为 Arena 的 1/20（每任务 $0.03 对 $0.63）。仓库支持自定义任务、checkpoint 恢复和 run_all.py 一键跑全部实验。
推荐理由：作者用三组任务横向对比了四个层级的自我改进循环，给出了固定基准得分虚高与成本差距等实测数据。
KevinHill802 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四个等级：AutoResearch 循环、带结构化反馈的审查循环、重写自身源码的 HyperAgent 循环、对抗共进化 Arena 循环（含 1v1 和 4-agent 锦标赛）。实验显示固定基准会产生虚假信心，Level 1-3 在 email validation 原测试上得分 90-100%，在 Arena 对抗套件上跌至 62-66%；Feedback Loop 性价比最佳，胜 Snake（31.1 对 29.2）且成本仅为 Arena 的 1/20（$0.03 对 $0.63 每任务）。框架支持自定义任务、断点续跑，并可在终端观看 Snake AI 对局。
sakura3904 在 GitHub 发布 self-improving-agents 框架，把自我改进代码智能体分为四级：AutoResearch Loop、Feedback Loop、重写自身源码的 HyperAgent Loop、以及对抗共演化的 Arena Loop。实验显示固定基准会制造虚假信心，Level 1-3 在 email validation 原始测试得分 90-100%，换到对抗套件跌至 62-66%，而 Arena Loop 保持 70%；Feedback Loop 则是最佳性价比，snake 得分 31.1 胜过 Arena 的 29.2，成本仅为其 1/20（每任务 $0.03 vs $0.63）。框架支持自定义任务、断点续跑，并附完整实验结果与跨级对比脚本。
christopherrobert2171 在 GitHub 发布 self-improving-agents 开源框架，把自我改进代码 Agent 分为四档：AutoResearch 循环、结构化反馈循环、可重写自身源码的 HyperAgent 循环、以及代码 Agent 与测试 Agent 对抗共进化的 Arena 循环。实验显示固定基准会带来虚假信心，Level 1-3 在 email validation 原测试上达 90-100%，换成对抗测试集后降到 62-66%，Arena Loop 保持 70%；Feedback Loop 以 20 倍更低的成本（$0.03 vs $0.63 每任务）取得与 Arena 相当的性价比。框架支持 checkpoint 恢复、自定义任务和跨级对比分析。
KonstantinosKumar89802 在 GitHub 发布 self-improving-agents 仓库，把自我改进代码 Agent 分为 AutoResearch、Feedback、HyperAgent、Arena 四个层级并附完整实验数据。结果显示固定基准会带来虚假信心，Levels 1-3 在 email validation 原测试得 90-100%，换成 Arena 对抗套件掉到 62-66%，而 Arena Loop 保持 70%；Feedback Loop 以 20 倍更低的成本（每任务 $0.03 对 $0.63）取得相近性能。
JamesSokolov 在 GitHub 发布 self-improving-agents 仓库，提出从 AutoResearch Loop 到对抗性 Arena Loop 的四级自我改进代码 Agent 架构。实验显示固定基准会制造虚假信心，Level 1-3 在 email validation 原始测试上得 90-100% 但在对抗套件下降到 62-66%，Arena Loop 保持 70%；Feedback Loop 性价比最优，snake 得分 31.1 高于 Arena 的 29.2 且成本仅为其 1/20（$0.03 vs $0.63 每任务）。仓库支持 checkpoint/resume、自定义任务接入，并提供 run_all.py 一键跑全部实验与结果分析。
Aparture 是一款开源（MIT 协议）的 arXiv 论文监控工具，研究者用自然语言描述研究方向后，它每日筛选论文、精读强匹配项并生成相互关联的简报，引用均经原文核验。工具在本地运行、使用用户自己的 API keys，并可根据用户反馈调整研究画像。
GitHub 开源项目 UC-BnB-LLM 将 LLM4Branch/OpenEvolve 应用于单节点热机组单元组合（UC）问题的分支搜索，已实现 Phase 0 的 UC evaluator 与 BO 接口、Phase 1 的四类 structured branching DSL 与 SCIP 编译回退，以及 Phase 2 的 30 实例人工规则实验。项目提供公开 UC 数据、OR-LIB 200 台 24 小时实例的默认运行方式，以及大规模检查计划脚本 scale_probe.py（加入 --run 才求解）。是否通过 Gate 1 性能门禁由实验结果判定，不预设结构分支优于 SCIP。