Agent开始学会自己变强，也学会少用工具

重点关注

01 训练优化 一个230B的模型，开始尝试自己修自己

大模型这两年都在卷参数和激活比，但真正难的是把模型做成能干活的agent，而不是会答题的考生。MiniMax这次的M2系列给了个挺激进的答案：总参数229.9B，每个token只激活9.8B,从数据到训练全程围绕agent场景设计——agent驱动的数据流水线产出大量可验证的编码和办公轨迹，每条都绑定一个能真跑的工作区和「产物对齐」的奖励。最让人留意的是最新的M2.7 checkpoint，已经迈出自我进化的第一步:能自主debug训练过程、修改自己的scaffold。配套的Forge是个为长程agent轨迹设计的RL系统，把训练、推理、agent三者干净解耦，白盒黑盒agent都能接。对关注开源/自研基座的团队，这是又一个「小激活撬动强能力」的样本，自我进化那部分尤其值得追踪——当然具体成色还得看实测。

原文：The MiniMax-M2 Series: Mini Activations Unleashing Max Real-World Intelligence

02 推理 几条分支一起想题，为什么还是慢

让模型并行开多条思路再选最优，是现在提升推理能力的常规操作。但有个被忽视的浪费：这些分支彼此封闭，A分支辛苦试出来的中间结论，B分支看不到，只能自己重新趟一遍——同一个发现被反复重新发现，搜索步数白白拉长。CPT（Collaborative Parallel Thinking）的思路很直接:让分支之间实时通气。它从每条进行中的分支里抽出精简的中间信息，维护一个去重的「信息池」,再把池子里的内容广播进各分支的上下文，让后续步骤直接复用别人的发现，不用重造轮子。关键是这套完全免训练，纯推理时框架。在HMMT和AIME这类数学竞赛benchmark上，它把「准确率-延迟」的帕累托前沿整体往外推了一截，跨不同rollout预算和模型规模都成立。对做推理服务、想压test-time成本的团队，这是个不用重训就能试的优化点。

原文：Share More, Search Less: Collaborative Parallel Thinking for Efficient Test-Time Scaling

03 Agent 用RL训Agent，怎么越训越爱乱调工具

给agent做RL训练有个反直觉的副作用:训着训着，模型反而开始滥用工具——明明自己知道答案，还要多调几次搜索，而且渐渐分不清「什么时候该查工具、什么时候靠自己的知识就够」。常见的解法是用奖励去压工具调用次数，但这种粗粒度信号容易被模型钻空子，干脆一刀切地少调工具，结果reward hacking了。AKBE换了个细的做法:训练时对每个问题同时跑「带工具」和「不带工具」两条轨迹，比较对错，逐题判断这道题到底需不需要工具、最少需要几次,据此给出针对性的监督信号。效果是七个QA benchmark上准确率平均涨1.85，工具调用减18%，工具效率（productivity）提25%，而且没有牺牲准确率换效率。它还能即插即用地接到不同RL算法上。对在做search agent、tool-use agent的团队，这是个直接对着「该不该调工具」这个痛点下手的方法。

原文：Efficient Agentic Reinforcement Learning with On-Policy Intrinsic Knowledge Boundary Enhancement

04 Agent Agent攒下来的「技能」，为什么用过一次就废了

现在的agent都讲究复用技能来解复杂任务，但绝大多数做法把技能当成孤立、静态的脚本——造出来用一次就扔，既不可靠也没法长期改进。MUSE-Autoskill把「技能」当成需要全生命周期管理的资产来对待:创建、记忆、管理、评估、再到精炼，形成一个闭环。Agent能按需造技能，跨任务存储复用，高效地组织和挑选，还能通过单元测试和运行时反馈不断修正。更进一步，它给每个技能配了「技能级记忆」，把这个技能在各任务中积累的经验存下来，让复用和适配越来越准。在SkillsBench上的初步实验显示，这种带生命周期管理的技能确实能提升任务成功率、效率、复用率，甚至跨agent迁移。对在搭长期运行、需要积累能力的agent系统的人，这个「技能要可测试、带经验、能长期演化」的思路值得记一笔——不过目前还是初步证据。

原文：MUSE-Autoskill: Self-Evolving Agents via Skill Creation, Memory, Management, and Evaluation