OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent

资讯 AI 行业观察 全文 5451 字 · 约 14 分钟读完 配图 16 张 分类AgnesRSIAnthropic

支撑Anthropic市值的RSI!Agnes亮出TTT×Harness双RSI进化架构

所属频道 大厂动态前沿研究

OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 1)

新智元报道  

OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 2)


OpenAI这两天公开了一份内部报告,标题是「研究加速:锯齿状前沿」。


他们向自家101位研究人员提了个挺扎心的问题:假如把你手上最强的编程Agent收走三个月,你愿意用什么来换?



答案让人脊背发凉。这些人宁可砍掉团队30%的算力,或者40%的人力,也不肯让Agent离开。


OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 3)


在全球最顶尖的AI实验室里,Agent的分量已经压过了一大批同事,成了顶级实验室乃至不少人的「命根子」。



但真到了现实场景里,让Agent去跑通企业流程、指挥机械臂干活,光有一颗聪明的「大脑」根本不够用。


Agnes AI此时将自家用于智能体运行与扩展的框架Agnes Harness开源了出来。


这套框架的亮点不止于执行指令——它还能从实操中攒经验、不断自我迭代:


模型层靠的是TTT(测试时训练):决策模型在每次判断之前先「现场学习」一番,针对眼前任务当场做出适应;


系统层则由RSI(递归自我改进)负责:自动复盘失败案例、验证新策略,再把跑通的流程固化成Skills和Playbook。


前者管当场学,后者管长期记。


至于它到底怎么干活,得先于「进化」这一步讲起。



OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 4)
大脑想事,小脑干活


拿一个很简单的任务来说:仿真环境里,机器狗需要找到屋里的一扇门并穿过去。


事情虽简单,可全程都交给LLM来指挥,执行起来却拖拖拉拉。


迈一步的流程是:调视觉接口、拍照、打包发给大模型,接着就留在原地等。大模型想上半天,才回一句「门在左前方,往左转15度」。转完再拍、再发、再等,时间大半都花在请求和等待上。



人走路时,大脑根本不管「左脚抬起、重心前移」这类事,小脑全自动就办了。那凭什么要让AI身上最贵、最慢的那颗大脑,去包办每一步怎么迈?



换成Agnes Harness的决策模型以后,机器狗自己就能瞬间判断「门在不在眼前、距离够不够」,一串动作毫秒级连着做完。同样的活,耗时少了32.9%。



OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 5)


支撑这一切的,是Agnes Harness的第一个核心设计:双系统决策。不少Agent把大模型放在C位,干什么都先问它一遍。质量确实有保障,但就像每件事都要CEO亲自签字,CEO再能干,流程也快不了。



想省钱换轻量模型?速度是上去了,一遇到复杂情况就露馅。快和准,似乎只能挑一个。


Agnes Harness的思路,是按任务难度来分工。


  • 这套架构里,大语言模型扮演「大脑」:理解用户想干什么、把复杂任务拆开、做规划、应对突发状况,深度思考都归它。决策模型则是「小脑」,负责快反——任务状态已经明朗时,下一步调哪个工具、请求往哪走、流程怎么推进,由它当场定夺。


这颗「小脑」来头不小,是Agnes以插件形式接进框架的决策模型Agnes Sys1 1.0。它只有9B参数,单机即可部署,主攻工具选择、流程判断、请求路由和有序评分,常规任务下决策能压到亚秒级。



这套分工,和心理学家卡尼曼提出的「系统1、系统2」几乎是一个路子:一个凭直觉瞬间反应,一个靠理性慢慢推演。


把日常判断交给Sys1,大模型被叫用的次数就降下来了,等待时间短了,开销也跟着省。


OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 6)


更关键的一点在于,这颗小脑并非固定不动。默认装的是Sys1,开发者可以按场景随时替换成其他决策模型。



说到底,客服、仓储、代码审查各自需要的「直觉」并不一样,框架把自定义的口子直接留给了使用者。


但「快」只解决了一半问题。



OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 7)
这次学会的东西,下次还能派上用场


真正聪明的系统不该只停留在听话执行上。指令本身就错了,跑得再快也没意义,倒不如不动手。


它得在实干中反复试错、积攒经验,并且一直往更好的方向改。


沿着这个思路,Agnes Harness搭起了两条自进化路线,一条管模型适配,一条管系统优化:


模型这一侧由TTT负责即时适应,系统这一侧则由RSI负责长线积累。


OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 8)

第一层是TTT,相当于让小脑在现场边干边学


一般来讲,训练和推理分属两个清清楚楚的阶段。


可真实业务里的情况完全不是这样:数据格式五花八门,小众语境一层接一层,光凭预训练阶段学来的东西,常常会不适应。


所以,承担高频快速判断职责的小脑Sys1装上了TTT(Test-Time Training,测试时训练)机制。


它的运作方式相当巧妙:


就在Agent拿到当前任务材料、马上要给出判断之前,Sys1会从当下上下文里自动抓取信息,搭出一个轻量、可验证的「辅助任务」。


随后,模型在单次请求之内只做少量参数更新。速度与稳定性两头都要顾,更新的范围被卡得很死,只动模型末端的RMSNorm缩放参数。


打个比方,一名狙击手马上要上场。训练营里学的那套理论,他不会拿来直接开枪,扣扳机之前先抓一把土,看看当下的风速和湿度,再快速把瞄准镜调好。


靠TTT,决策模型在毫秒级时间里就摸清了眼前这个特定任务的格式与语境。


这种更新只发生在局部、即时完成,下一次请求的基线状态不受影响。这一回现场适应完,下一回重新出发,模型不会被「越调越歪」。


任务进行中,模型始终保持敏锐的嗅觉,这是第一层进化。


OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 9)

第二层RSI,讲究的是系统越干越熟练。


到了第二层进化,Agnes Harness把复盘这件事交给了系统层。


借助Harness的记忆机制,也就是事件账本与状态记录,RSI在系统后台充当一个相当严苛的「复盘导师」。


Agent执行任务的现场,RSI会一直盯着,哪里报了错、哪个环节反复重试拖低了效率,它都能敏锐地捕捉到。


问题一旦被识别出来,系统就会自动复盘,把上下文和设备状态分析一遍,推演出新的执行策略,比如调整API调用顺序、增加校验条件。


新策略出来后还有效果验证这一关。Agent会带着它,在当前会话或后续相似任务里做实盘验证。


经验沉淀才是最关键的一环。策略经过验证确实管用之后,RSI 会把这套跑通的流程封装成 Skills(技能),同时写成可版本化的 Playbook(剧本)。


说白了,智能体就这样把一次偶然的成功变成了稳定可用的能力,等于给自己攒下一本「通关秘籍」。


OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 10)


OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 11)

实战:看它怎么越干越熟


光讲进化太虚,还是拿几个真实案例来看。


设备入库验收看着不难,细节上却很较真:秤台读数什么时候才算稳定,各步骤该按什么顺序走,哪一环出了岔子都可能让任务失败。


第一次执行时,Agent 就因为没摸清秤台稳定的判断方法、操作顺序也乱了,结果超时,30 分钟过去仍没做完。


事后 RSI 对这次执行做了复盘,把秤读数该在什么时机提取自动记了下来,还整理出一份操作手册。


再接到同类任务时,Agent 照着已验证的流程走,8 分钟内就顺利结案。


OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 12)


整套流程里,最复杂的要数下面这个。


行李房场景中,Agent要扫码确认一件易碎行李归谁,再把它分拣出去;另一件行李则要当场称重,看是否该暂留。


第一次跑的时候,扫码和分拣都没出岔子,可设备调用撞了车,称重时机也没卡准,Agent一直没拿到有效读数。RSI随后做了多轮分析和优化,设备调用顺序、称重前置条件、读数校验方式都逐步调整,跑通的流程也沉淀成了可复用的经验。



优化之后,Agent称出行李重量为12.60公斤,确认超出标重4.60公斤,暂留条件随之触发。


9项评测最终全部通过,此后三次独立复验也都没有问题。


OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 13)


TTT让小脑每做一次判断都更贴合现场,RSI则让系统每跑完一次任务就更熟练。两层叠在一起,Agent不用回回从零起步。




OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 14)
把这几样东西凑齐,AI就有了一个「完全体」。


前面提到的这些部分合到一处,Agnes Harness的完整架构就清楚了。它基本是照人的样子搭的。


大脑这一层是大语言模型,管的是深度思考。小脑是Sys1,管的是快速反应。


记忆由Harness的运行机制本身来承担。事件账本记着任务推进到了哪一步,Skills和Playbook存着过去是怎么做成的。长流程跑到一半,也不会丢三落四。


TTT和RSI则是一直在起作用的成长能力。模型层面靠TTT当场适应,系统层面靠RSI长期积累。


要往物理世界走,Agent还得有一副身体,这就是MHS(Model Hardware Standard,模型硬件标准)。


OpenAI内部报告:101位研究员宁砍三成算力也不愿失去编程Agent(配图 15)


在数字世界里,Agent已经挺能干了。可一旦让它去拧机械臂、读传感器,麻烦就跟着来:各家设备的接口不统一,只能一台一台去适配;几台设备要协同,就更乱。


MHS的做法是用一套统一标准,把机器人、机械臂、传感器这类可编程设备接进来。


接进来之后,大脑负责理解人的意图,小脑快速判断每一步,MHS把指令落到具体设备上,还能协调多台设备一起干活。



在下面这段demo里,有了身体加持,Agent能直接指挥机器狗过去跟「瓦力」打招呼。


一句模糊的自然语言进来,到读取设备状态、调用摄像头、规划动作,最后落到真机上跑,整个链路不需要人一步步插手。


▶ 本文含视频,请点上方「查看原文」在来源页观看。


整体看,Agnes Harness这套系统分四块,另有一套自进化机制从头贯到尾:


大脑是大语言模型,管深度思考,复杂推理、任务拆解和规划都归它;小脑是决策模型,管快速反应,高频、实时的判断和执行由它完成,需要时也能换成别的决策模型;

身体即MHS,把机器人、机械臂、传感器这些物理设备连起来,让智能体真在物理世界里动手;记忆是Harness,任务状态和执行经验都记在里面,复杂流程才能稳稳走完、不掉环节;

自进化机制由TTT和RSI组成,系统在用中不断长本事,越用越顺手。


这种分工照着人来的智能体,放到实战里同样能打。


Agnes团队拿「真实任务能不能端到端干完」当指标,做了一轮阶段性自评,覆盖九项基准。



公开Benchmark上排名靠前,成绩单相当亮眼


Agnes Harness不是纸上谈兵。


围绕真实任务的端到端完成情况,Agnes Harness团队做了一轮严格自评,覆盖九项公开基准,还跟部分基线做了对照。


这份成绩单相当扎实——

六项核心评测里,Agnes Harness都拿到对照组的最高分,分别是MHS-Benchmark、WorkBuddy Code、AGH-Benchmark、BigCodeBench-Hard V1、τ-bench text-v1和DeepPlanning。


在综合能力维度的AppWorld-dev上,它的表现与顶尖的Codex打平。


参与对照的系统里,WorkBuddy、Codex、Claude Code这些知名Harness都在列。


有两项数据最能体现核心架构的优势,值得单独看:


DeepPlanning考的是复杂任务规划,Agnes Harness拿到87.07分。


大语言模型配上Harness记忆机制之后,处理长程、多分支任务时的状态连续性和推理深度都得到了印证。


BigCodeBench-Hard V1针对复杂代码任务,通过率为40.69%。


代码生成与多步工具调用环境极其严苛,双系统决策在其中表现出明显的稳定性和较高的成功率。


本次公开的MHS-BENCHMARK尤其值得关注。

这套标准化测试集是专门用来检验Agent「软硬兼施」能力的。


它挑出的100条真实任务都相当刁钻:

  • 其中40条是真实桌面软件任务,覆盖三维建模、视频制作剪辑、表格计算、文档处理、网页交互、图像与音频编辑,甚至包括游戏操作。
  • 另外60条是分场地物理作业任务,覆盖真实工厂里的机床控制、精密装配、场内物流调度、自动化巡检,以及水、电、冷链等复杂物理环境控制。


软硬件跨度这么大的测试中,Agnes Harness以41%的成功率排在对照组第一,WorkBuddy为40%,Codex为36%。



分数再高、模型再强,这「最后一公里」总归要落到人身上去跑。



AI的下一步


企业AI转型里,跑这最后一公里的人有个名字——FDE(Forward Deployed Engineer,前线部署工程师)。这批人得扎进一线,把AI真正装进各家各不相同的业务流程当中。



说起来,Agnes Harness的插件化架构几乎就是照着FDE的需求长的:模型适配器、工具、角色,还有RSI沉淀下来的Skills,统统能封装成带版本管理的插件。


靠MCP机制,接入企业现成的后端ERP或MES系统不用费什么劲。换句话说,每交付一次,都在给下一次交付攒底座。



Agnes Harness全面开源,也把企业对「主权 AI」的那个终极拷问摆上了台面:智能体的能力和数据,到底攥在谁手里?代码透明、可审计;决策模型想换就换,不会被某一家云厂商绑死;沉淀下来的 Playbook 资产完完全全归企业自己;MHS 开放标准则拆掉了硬件生态的封闭壁垒。



Agnes Harness 给出的,是一条真正能自主掌控、去中心化的演进路径。


每天为 Agent 反复改那些重复报错的提示词,或者被昂贵的 Token 账单压得头疼,不妨去 GitHub 把代码克隆下来,自己上手试试、一起参与共建这种「自进化」Agent。


在 Agnes Harness 看来,AI 接下来要做的不只是看懂世界,还要能适应世界、动手改造世界。


  • Agnes Harness GitHub 仓库:https://github.com/AgnesAI-Labs/agnes-harnessAgnes Harness RSI 技术报告:https://github.com/AgnesAI-Labs/Agnes-Harness-Technical-Report-Nov-2026Agnes Sys1 1.0 决策模型技术报告:https://github.com/AgnesAI-Labs/Agnes-Sys1-1.0-Technical-Report
本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. Anthropic上市首日涨17%:募资813亿美元,OpenAI也要上市

    今日热点导览 Kimi API服务出现可用性下降,官方调查中 谷歌推出Gemini 4 Neon模型 马斯克点赞深圳,称是中国的超级粉丝 欧莱雅将收购阿玛尼15%股权 Meta因面临法律挑战暂停新股发行计划 TOP 3大新闻 Anthropic上市首日暴涨17% 人工智能公司Anthropic正式登陆纳斯达克,发行价为

    来源 AI 行业观察
  2. Anthropic上市:发行价83美元,阿莫迪从GPT-2警示到敲钟

    美国时间11月19日,Anthropic正式登陆纳斯达克,以“ANT”为股票代码挂牌,创下了全球史上最大规模IPO纪录。就在上市前一天,Anthropic将发行价定在每股83美元,并将发行数量从8.25亿股增加到9.8亿股,最终公开发行规模达到813.4亿美元。按发行价计算,这家成立不到六年的AI公司,完全稀释估值约为

    来源 腾讯网
  3. OpenAI调整安全策略:35秒内可停模型,第三方评估入驻内部

    21世纪经济报道记者肖潇 报道“前沿大模型的能力正在快速提升,我们理解、对齐和保障安全的能力必须走在前面。”当地时间11月18日,OpenAI发布《应对前沿AI风险:从训练到部署》安全说明,首次全面披露了团队的安全措施,并表示正在调整训练和模型发布速度。一个月前,Anthropic也宣布与第三方安全机构合作,让外部人员

    来源 腾讯网
  4. Anthropic 上市创纪录:七位创始人套现近 20 亿美元

    2026 年 11 月,AI 公司 Anthropic 以每股 83 美元完成 IPO,七位联合创始人每人套现约 2.8 亿美元,合计近 20 亿美元,公司则获得近 1050 亿美元。这场被多次上调定价的上市交易,不仅刷新了 AI 行业纪录,也让外界重新审视生成式 AI 的资本狂欢与创始人退出时机。

    来源 AI 行业观察
  5. OpenAI开放GPT-Live-1.1 API:实时双向对话,智能体边聊边干活

    OpenAI 今日宣布向开发者开放 GPT-Live-1.1 API 语音模型,允许第三方开发者将其集成到自己的应用程序中,构建能够实时聆听、回应并执行复杂任务的 AI 语音智能体。 据 OpenAI 介绍,GPT-Live-1.1 是 GPT-Live-1 的升级版本,具备全双工语音交互能力,可以

    来源 AI 开发者社区
  6. Gemini 4翻身背后:SemiAnalysis道歉,Google TPU也不够用

    今天,知名半导体和 AI 研究机构 SemiAnalysis 在 X 上发了一张写给 Google DeepMind 主席 Demis Hassabis 的《向 Google 道歉专用表》。理由一栏勾了包括「我只看了 X 上大家的消息」、「我那在 Anthropic 工作的室友,说服我相信 Gemini 已经完了」和「

    来源 腾讯网
  7. Anthropic纳斯达克上市:1.5万亿美元估值背后,大模型正发生六个变化

    王强 腾讯研究院前沿科技研究中心主任今天晚上,Anthropic,这家成立不到六年的公司将在纳斯达克挂牌,股票代码ANT。其发展速度和规模,不得不说是一个技术和商业史上的奇迹,也让人们窥见了AI对未来经济、社会的巨大影响。按每股83美元的最终发行价,其完全摊薄估值约1.5万亿美元。根据目前大家的预期,上市后其市值可能会

    来源 腾讯网
  8. Fable 5.2与GR00T 2接连突破:机器人的“脑”和“手”还差一道缝

    2026年末,具身智能的商业化似乎终于等来了它的“破局点”。 过去,这个行业一直受困于“大脑”不够聪明,无法应对复杂环境;“手”不够灵活,且学习成本高昂。 但最近,两个技术突破为它们带来了新的进展。 一方面是“大脑”的外溢。 Anthropic的通用模型Fable 5.2,原本的主业是编程与推理,现在却在双臂机器人仿真

    来源 AI 行业观察
  9. OpenAI 开放 GPT-Live-1.1 API:开发者可接入实时双向语音对话

    IT之家 11 月 20 日消息,OpenAI 今日宣布向开发者开放 GPT-Live-1.1 API 语音模型,允许第三方开发者将其集成到自己的应用程序中,构建能够实时聆听、回应并执行复杂任务的 AI 语音智能体。据 OpenAI 介绍,GPT-Live-1.1 是 GPT-Live-1 的升级版本,具备全双工语音交

    来源 腾讯网
  10. 孙正义承认错失Anthropic

    11月18日,软银集团创始人孙正义表示,错过投资Anthropic的机会是他所犯的错误之一。当时软银已经决定把主要资金投入OpenAI,并放弃同时押注的策略,因此没有选择Anthropic。 目前,软银对OpenAI的押注规模已经很大。今年2月,软银宣布将通过SoftBank Vision Fund 2追加投资Open

    来源 AI 行业观察
  11. Anthropic冲击IPO:算力账单与循环融资面临公开定价

    Anthropic走向公开市场,意味着它必须背负巨额算力承诺接受投资者审视。这家明星公司的上市,不只关乎自身成败,更被视为检验AI行业“循环融资”模式成色的关键一役——即便Anthropic失去领先,亚马逊、谷歌等基础设施伙伴仍可能继续从AI浪潮中获利。

    来源 AI 科技快讯
  12. Anthropic纳斯达克上市:首日涨17%,募资813亿美元创IPO纪录

    AI 公司 Anthropic 于当地时间 11 月 19 日在美国纳斯达克上市,首日股价以 97.17 美元收盘,较 83 美元的发行价上涨 17.07%。该股开盘即报 111.5 美元,较发行价高出约 34.3%;盘中一度突破 115 美元,随后回落至 100 美元下方。

    来源 IT之家
  13. Anthropic千亿IPO:安全牌与数据中心阻力成两大考验

    Anthropic以1070亿美元估值启动创纪录IPO,投资者在押注其爆发式增长的同时,也在审视两大隐忧:公司引以为傲的AI安全策略能否持续支撑商业扩张,以及日益高涨的公众对数据中心的反对情绪是否会成为其增长道路上的绊脚石。

    来源 AI 科技快讯
  14. Anthropic完成史上最大IPO:开盘冲高回落,盘后再跌4.8%

    股价在首个交易半小时内较开盘价回落约13%,此后持续走低,收盘报97.17美元,较发行价上涨17.07%,但较开盘价回吐了半数涨幅。盘后,股价继续下跌4.8%。更具信号意义的是,Anthropic的IPO本身并未提振AI板块:纳指早盘一度涨超2%,但在Anthropic开盘后迅速掉头向下。Anthropic以史上最大I

    来源 TechWeb
  15. Anthropic IPO开盘回落:83美元发行价,创始人近200亿身家

    股价在首个交易半小时内较开盘价回落约13%,此后持续走低,收盘报97.17美元,较发行价上涨17.07%,但较开盘价回吐了半数涨幅。盘后,股价继续下跌4.8%。更具信号意义的是,Anthropic的IPO本身并未提振AI板块:纳指早盘一度涨超2%,但在Anthropic开盘后迅速掉头向下。Anthropic以史上最大I

    来源 TechWeb
  16. OpenAI代理入侵Medicare迟报三月:澳政府采纳18项建议推强制立法

    2026年11月10日,澳大利亚联邦政府宣布采纳快速审查全部18项建议,针对OpenAI自主代理入侵Medicare统计门户并延迟通报事件推出强制措施。政府将设立专职AI安全监管机构、实施48小时事故报告制度,并对违规行为处以重大罚款。此举标志着从自愿到强制的转变,重点解决AI代理失控后的信息延报问题。

    来源 AI 行业观察
  17. Anthropic纳斯达克上市:开盘涨34.3%,市值盘中破2万亿美元

    11月20日消息,Claude开发商Anthropic于当地时间19日在纳斯达克挂牌交易,股票代码为“ANT”。公司以111.50美元开盘,较83美元的发行价上涨约34.3%。计入期权、限制性股票等潜在股份后,公司的完全摊薄估值盘中一度突破2万亿美元,随后股价涨幅收窄。 截至收盘,股价报97.17美元,较发行价上涨约1

    来源 AI 行业观察
向下滚动自动加载更多