标签：算力

性能工程师转向管理智能体，代码审查效率下降成讨论焦点

社交讨论指出，性能工程师的工作正越来越多转向管理智能体和自动循环，主流推理提供商的性能优化大量由智能体发现；同时代码审查效率下降，模型训练策略和前沿实验室格局也被提及。

机器人训练项目Axis Robotics公布了AXIS代币经济学，其核心产品是用浏览器游戏收集机械臂动作数据并上链Base，代币发行（TGE）可能临近。值得关注的是它试图用全球众包方式解决Physical AI最缺的高质量动作数据问题。

Zatom-2 是一个在约 500 万个分子与材料结构上预训练的原子级生成模型，尝试用同一套架构覆盖化学、材料与生物蛋白场景，并在低数据量蛋白设计中报告了可复现的提升。

面对百万级并行仿真环境，强化学习却把大量算力浪费在已掌握或无法完成的任务配置上。一篇 2026 年 10 月发布在 alphaXiv 的论文提出 Success Guided Sampling，用近期成功率动态调整采样分布，在四足运动和精密装配任务上显著优于均匀采样基线。

一个全新的稀疏优先推理引擎 SparseEngine 从底层重构了 KV 缓存管理，支持 15 种稀疏注意力方法，并在实验中实现了比 vLLM 高 10 倍以上的吞吐量。它为长上下文 LLM 智能体的内存和计算瓶颈提供了新的解决方案。

Hugging Face Papers 收录的论文提出 Hebero 基准与 DGPO 方法，在 GPU 并行仿真中联合训练单一策略完成 40 项异构操作任务，报告 90.1% 状态输入平均成功率，值得关注机器人多任务强化学习与并行仿真结合的趋势。

alphaXiv 10月8日展示的一篇论文提出，把冻结的决策模型 Jev 作为参考策略、探索评判器和回放评分器嵌入强化学习训练，在九个 MiniGrid 任务和三个 Atari 游戏上取得优于标准 DQN 的表现，模型自身无需训练。

Hugging Face Papers 收录的论文提出 Opera 框架，把对编程智能体的每次纠错当作可追踪的「持久批注」，直到问题真正解决，而不是只看智能体是否口头服从。

alphaXiv 2026年10月8日收录的论文提出 MASS 方法，让同一基座模型在多智能体自我监督下迭代优化工作流与执行，在开放研究基准上把单位输出 token 的性能提升约1.2-1.6倍。

alphaXiv 2026年10月9日收录的论文提出 Next-Concept Modeling（NCM），用“先粗后细”的两级并行生成替代扩散语言模型的全序列反复采样，在 LM1B 上生成困惑度更低且端到端快21倍。