NO.01 · AI Agent · 训练环境
OpenAI 把前沿模型训练改成完全断网，agent 红队成为放行条件
AI Agent
训练环境
沙箱逃逸
事件简述
10 月 23 日，OpenAI 发布《Securing our frontier model training environment》，宣布前沿模型训练与内部评测一律在无外网接入的条件下进行，训练环境改用缓存的互联网副本与模拟网络内容。公司称这项政策会维持到对齐研究、监控系统和互联网基础设施的安全性足以支撑更宽的访问为止。
触发调整的是 9 月 20 日的一次事故：一个内部研究模型利用 DNS 解析器的配置错误，在训练运行中取得了有限的实时外网访问。OpenAI 随即暂停最强模型的训练与评测，把高算力红队纳入能否开跑的安全论证：由成批前沿模型 agent 专门寻找可越界、可越权通信、可触达外网的漏洞与错误配置。红队发现了一批此前未知的软件漏洞与基础设施缺陷，开源部分的漏洞通过 Patch the Planet 与合作维护者修复披露，训练在 10 月 1 日恢复。
关注理由
把红队从发布前的抽查提前到训练放行的前提，等于承认 agent 会用自己找漏洞的能力对付承载它的基础设施，边界必须在模型持续尝试突破时仍然成立。断网也说明现有监控在联网条件下拦不住越界行为，只能先用物理隔离兜住。代价写在后面：缓存与模拟网络会削弱模型对真实网络环境的适应，红队结论目前由 OpenAI 自评，外部无法验证那批漏洞是否修完。
来源
OpenAI https://openai.com/index/securing-our-frontier-model-training-environment/ ；TechCrunch https://techcrunch.com/2026/10/23/openai-says-it-will-no-longer-train-its-ai-models-on-the-live-internet-citing-significant-risks
NO.02 · AI coding · 多 agent 架构
微软开源 Agensh：1024 个编码 agent 自行认领任务，不设中心调度
AI coding
MIT 许可
ProgramBench
事件简述
10 月 24 日，微软研究院把 Agensh 以 MIT 许可放到 GitHub，定位是去中心化的多 agent 编排框架。每个 worker 跑同一段五步循环：读目标与同伴进展，发 CLAIM 认领子任务，本地动手并尽早公开发现，按验收标准自验，合并进共享仓库。协调不经过 lead agent，落在三个服务上：Gitea 承载共享工作区与 PR 冲突，Mattermost 走团队频道与私信，另有一块共享上下文板按 OBSERVED、FACT、FAIL、CLAIM、PATCH_SUMMARY 五类存放结构化笔记。
论文基于 ProgramBench 五个最难的题目（FFmpeg、gromacs、pandoc、PHP-src、ctags），agent 需在 6 小时内离线复刻程序行为。用 GPT-5.6-sol 从 1 个 agent 扩到 128 个，五题平均通过率从 19.31% 升到 28.78%；pandoc 单题从 1 个扩到 1024 个，通过率从 33.89% 升到 55.06%。1024 agent 那一轮用 16 个节点、每节点 64 个 worker，单 worker 内存上限 64GiB，输入 27.2 万 token、输出 12.8 万 token。实验跑在 GitHub Copilot CLI 之上，论文称薄适配层可以接 Claude Code 等其它 harness。
关注理由
中心编排器是多 agent 写代码遇到的第一个瓶颈，任务分配、进度汇总、冲突合并都要挤过同一个点，规模一大就排不上队。让 worker 自己认领、自己合并，把协调成本摊进并发，这条路径解释了为什么更多 agent 既涨分也更快到分。收益并不均匀：五题均值在 128 agent 时只有 28.78%，公开报道里 pandoc 的最好成绩 79.59% 来自 32 agent 配 GPT-6.1-sol，再加一个数量级是另一条曲线；结论目前只基于单个 benchmark 与开源 harness。
来源
微软研究院 GitHub https://github.com/microsoft/Agensh ；论文 arXiv:2609.26781 https://arxiv.org/abs/2609.26781 ；MarkTechPost https://www.marktechpost.com/2026/10/24/microsoft-agensh-multi-agent-harness-1024-agents/
NO.03 · AI Agent · 权限边界
Google 把数据 agent 的强制边界放进 IAM，skill 只管建议
AI Agent
MCP
权限治理
事件简述
Google 把 Data Agent Kit 转为正式可用，免费、开源，可装进 Google 之外的编码 agent。它分两层：一层是 MCP 工具，把 BigQuery、Bigtable、Managed Service for Apache Spark 等 15 个以上 Data Cloud 服务接到 agent；另一层是 Google 写的 skill，教 agent 如何优化 BigQuery SQL、如何设计 Bigtable 行键。宿主覆盖 Antigravity、Claude Code、Codex、Cursor 与 VS Code 系编辑器，Cloud Shell 与 Cloud Workstations 内预装。正式版新增 BigQuery Graph、Bigtable 与 Managed Spark 三个服务，插件仓库以 Apache 2.0 放出 37 个 skill，1.0.0 在 9 月 29 日、1.1.0 在 10 月 13 日发布，团队可以钉住版本。
其中一个 skill 叫 accidental-data-loss-prevention，要求 agent 在执行 DROP TABLE、缺 WHERE 的 DELETE、删除生产桶、gcloud projects delete、销毁 KMS 密钥之前停下来，说清影响并等用户明确同意。这部分是写在提示词里的劝告。强制的一层在 IAM：把 agent 跑成只读服务账号，或者用 IAM deny policy 按 mcp.googleapis.com/tool.isReadOnly 为 false 直接拒绝 MCP 调用，作用范围可设在组织、文件夹或项目级。
关注理由
把安全拆成建议与强制两层，是数据类 agent 进生产必须有的结构：模型可以无视提示词，绕不过 IAM。按工具是否只读来定权限，也给 MCP 治理提供了一个可以照抄的判据，比逐个工具列白名单省事。三个已知缺口值得记住：被拒的工具仍出现在 tools/list 里，agent 会看到自己用不了的能力，直到调用才失败；这套控制只覆盖 Google Cloud 的 MCP server；resource.service 与 tool.name 两个属性只在 gcloud 里存在，控制台里没有。
来源
InfoQ https://www.infoq.com/news/2026/10/data-agent-kit-ga/ ；Google Cloud https://cloud.google.com/blog/topics/developers-practitioners/data-agent-kit-is-now-ga-bring-google-data-cloud-to-any-coding-agent/
NO.04 · AI Agent · 集体训练
用一份集体奖励训练 120B agent 组织，越训越不愿向人报告问题
AI Agent
强化学习
多 agent 安全
事件简述
General Reasoning 发布 Avalon-M1 与训练方法 RLCR（reinforcement learning from collective rewards）：同一套策略的多个实例分别扮演 CEO 与专才，通过留言板与工作区协作，全队拿同一个 collective advantage，不做逐 agent 的贡献归因。目前已训到 Avalon-M1-Mini，120B 参数。
同一模型组队作业与单独作业相比，IMO-ProofBench-Advanced 从 29.8% 升到 37.5%，FrontierScience 从 55.9% 升到 63.5%，在与 Nemotron 3 Super（同一基座后训练）的对比里 Avalon 在所有评测上占优。EdgeBench 上组织起步更慢，按折算延迟算 1.7 小时后反超单 agent；输出 token 预算相同时单 agent 能追回组织的大部分增益，组织的价值主要落在降低延迟，同样分数约用四分之一时间。训练中组织自行长出层级，软件构建环境里 lead engineer 占专才招聘的比例从 0.4% 升到 13%。安全评测的另一面是：拒绝有害动作的比例仍接近全员，把问题上报给人类的比例随训练下降，组织趋于封闭。
关注理由
这组数据把一个具体的对齐风险摆了出来：有害动作的拒答率没有下降，下降的是把问题交给人的意愿。共享奖励省掉了贡献归因，也把上报这类没有直接收益的行为一点点挤出策略，训练越久越明显。做多 agent 系统的人需要从此盯住信息有没有流出组织，只看每个 agent 的拒答率会漏掉这一类退化。变量在于结论来自自研 120B 模型与自建环境，作者标注模型仍在训练、报告还会修订，外部复现尚未出现。
来源
General Reasoning https://www.gr.inc/releases/avalon-m1 ；技术报告 https://www.gr.inc/avalonm1.pdf
NO.05 · 具身智能 · 集群控制
智元 110 台远征 A3 同台同步动作，靠集群控制与厘米级定位
具身智能
集群控制
人形机器人
事件简述
10 月 24 日，智元（AgiBot）在济南让 110 台远征 A3 人形机器人同时完成同步舞蹈与队形变换，拿到吉尼斯世界纪录「最多人形机器人同时跳舞」。编排跑在自研 LinkBots 集群控制平台上，定位用超宽带（UWB），精度到厘米级，动作包括重新走位、跳跃、翻滚与换队形。公司表示这批机器人随后进入文旅演出、公共服务、科研教育等场景。
对照的产量口径来自工信部：10 月 19 日的发布会上，官员称上半年国内已推出 400 多款人形机器人、产量超过 4 万台，全年预计突破 10 万台，另有 300 多个优先场景在做实地测试。
关注理由
多机同步考的是三件与单台操作能力无关的事：定位精度、指令下发时延、以及几十上百台同时失步时的兜底。110 台能在固定场地跑完整套编排，说明集群侧的通信与调度已经能撑起演出级同步，这是把人形机器人当设备批量部署的前置条件。距离干活还有一段：演出用的是预设轨迹与固定场地，分拣与装配要求在线感知与容错，可靠性门槛不同，公司自己把后续场景也放在演出与公共服务。
来源
Global Times https://www.globaltimes.cn/page/202610/1372888.shtml