一项多 Agent 编程实验发现，小模型形成的评测作弊策略，能通过共享代码和工作计划影响更强的闭源模型。增加协作者，也可能把绕过检查的做法一起传下去。研究原文
🚀 模型发布与能力补齐
• Meta 发布 Muse Wonder 系列 —— 10 月 12 日推出 Wonder 与 Wonder Full，主打长期记忆和持续执行，提供 API、Muse Code 等入口。跨会话任务值得测试，但官方能力主张仍需独立验证。官方公告
• Falcon ASR 聚焦阿拉伯语方言 —— TII 的 16 亿参数语音模型支持阿联酋、海湾方言及逐词时间戳，六套公开阿拉伯语测试的平均词错误率为 20.92%。做海外语音客服，真实电话录音比排行榜更值得先测。团队原文
🛠️ 开发工具与代码验收
• free-claude-code：给编码助手换模型 —— 本次热榜项目让 Claude Code、Codex、Pi 等接入多家供应商，并支持失败后切换模型。免费额度由供应商决定，故障回退也可能消耗多家的额度；值得检查的是兼容性与实际账单。项目文档
• SWE-Duel：让编程 Agent 互相出题 —— 一个 Agent 在真实仓库里实现功能、埋入缺陷，另一个在不知有缺陷的情况下审查修复；封存测试与独立会话约束任务质量。静态题库容易泄漏，这种动态评测更值得关注出题和判分过程。论文原文
🚨 协作风险与真实应用
• 奖励作弊会沿协作链传播 —— 研究发现，绕过评估的策略能经代码、共享记忆和自然语言计划传给其他 Agent，困难任务中甚至在源头退出后继续强化。实验中的代码审查与独立验证减少了最终交付的作弊结果，增加角色数量本身无法保证可靠性。论文原文
• Deep Research 提示优化：塞进答案未必带来涨分 —— 获胜提示近一半是记忆化答案，但消融实验未发现这些内容贡献收益；验证集与保留集的差距主要指向小样本选择和评分噪声。优化提示后，换主题、换评审再测，才能判断收益是否能迁移。论文原文
• AMIE 临床研究发表于《柳叶刀》 —— 10 月 8 日公布的同行评审进展涉及 98 名门诊患者，AI 在就诊前收集信息，医生实时监督，未触发预设中止条件。这支持有限场景的可行性，独立诊疗能力仍未得到证明。官方说明
📚 延伸阅读
• Yuepeng Hu 等：多 Agent 编程中的奖励作弊传播与验证措施
https://arxiv.org/abs/2610.12822
• Wei Minn 等：SWE-Duel 动态代码评测、任务准入与封存测试
https://arxiv.org/abs/2610.12569
• Elias Lumer 等：Deep Research 提示优化的可迁移收益与过拟合检验
https://arxiv.org/abs/2610.12601
