LLM-DailyDigest
LLM-DailyDigest

2026-08-31 科研追新

LLM-DailyDigest
  约 100 字 预计阅读 1 分钟 

当日精选（由提交工具自动创建）。

Claude Chat与Cowork打通共享记忆

Anthropic打通Claude Chat与云端Cowork的长期记忆，使聊天与任务执行共享可查看、编辑和删除的用户上下文。

子主题：长期记忆 新智元  MemoryEvolve

 智能体记忆 智能体 状态持久化 用户保护 长程任务

  • Claude Chat与云端Cowork开始共用记忆，Chat中积累的项目、偏好和协作对象等上下文可直接用于任务执行，Cowork产生的新信息也会回流至Chat。
  • 记忆以按话题组织的Topics形式持续更新，用户可在设置中查看、修改、删除、暂停或彻底重置，并为不同项目维护相互隔离的记忆空间。
  • 系统采用分层存储策略：常规工作上下文默认保存，健康、宗教和性别认同等敏感信息需主动开启，证件号码、金融账户等高风险信息永不保存。
  • 共享机制目前仅适用于云端Cowork，不覆盖本地会话；组织管理员关闭记忆可能永久删除全组织条目，而删除原始对话不会自动清除已生成的记忆。
用途与启示
  • 展示长期记忆如何从聊天功能升级为贯穿智能体任务执行的基础上下文层，降低跨场景协作的冷启动成本。
  • 为记忆系统设计提供可借鉴的治理机制，包括项目隔离、条目可编辑、敏感信息分级和组织级权限控制。
  • 提醒开发者将原始对话与派生记忆分别纳入数据生命周期管理，避免用户误以为删除会话即可清除全部信息。
  • 表明智能体产品竞争正从单次任务能力转向持续理解用户、复用经验及降低迁移成本。
📝 原始笔记（逐字保留）
MemoryEvolve｜丢给Claude一个活，它连你老板都记得！聊天干活记忆全打通https://mp.weixin.qq.com/s/C5xKMUTHB_UpHpm8_yOZQw

OpenAI Astra 一次生成类 GTA 游戏

消息称 OpenAI Astra 可一次生成类 GTA 游戏，展示了生成式 AI 在开放世界游戏内容构建方面的潜力。

子主题：游戏生成 语鲸  LogicEvolve

 游戏生成 人工智能 视觉生成

消息标题指出，OpenAI Astra 能够一次生成类似《GTA》的游戏。该演示涉及生成式 AI 在游戏场景、内容与交互体验构建中的应用潜力。链接抓取正文未提供模型架构、生成流程或评测结果等进一步技术细节。

用途与启示
  • 关注生成式模型从单一素材生成向完整可交互游戏生成的发展趋势。
  • 可用于观察 AI 在游戏原型制作、场景生成和开发成本降低方面的应用潜力。
  • 后续需核实 Astra 的具体技术方案、可玩性、生成一致性及是否支持持续交互。
📝 原始笔记（逐字保留）
LogicEvolve｜《OpenAI Astra一次生成类GTA游戏》 https://h5.lingowhale.com/s/vsGwYV4

Meta^n：通过涌现深度实现递归自我改进

Meta^n 通过固定通用元操作递归处理求解轨迹与代码，以收敛性决定改进深度，并在八个模型家族及 ARC-AGI-2 上展现出优于既有自我改进智能体的表现。

子主题：递归自我改进 小红书  Awesome-RSI

 递归自我改进 智能体 自我改进 执行轨迹 进化搜索

Meta^n 使用固定的通用元操作 Ω，递归读取求解器运行轨迹及其生成代码，并构建下一层处理程序与可调用辅助函数库。固定元操作保障系统稳定，而持续增长的输入使后续层能够从更高元层级审视和改进此前过程。系统不预设递归深度，而是以收敛性作为停止依据，并通过演化档案搜索有效的图层链。实验显示，该方法在八个模型家族中均优于既有自我改进智能体，并成为 ARC-AGI-2 上唯一取得非零分数的系统；消融实验还表明，跨层条件传递是性能提升的主要来源，图层角色会随深度自然涌现。

用途与启示
  • 将优化对象从最终答案扩展至生成答案的程序、轨迹和辅助工具，为智能体递归改进提供通用框架。
  • 以固定元操作配合递归增长的输入，在维持稳定性的同时突破传统元系统约两层的深度限制。
  • 可借鉴演化档案与收敛停止机制，构建无需预设深度的开放式智能体脚手架搜索流程。
  • ARC-AGI-2 结果表明，该方法可能获得超越技能记忆的过程改进能力，适合用于检验真正的任务泛化。
📝 原始笔记（逐字保留）
强烈推荐论文Recursive Self-Improvement 论文提出了一种名为 Meta^n 的方法，用于实现大语言模型智能体的递归自我改进（Recursive Self-Improvement through Emergent Depth） 背景与痛点 传统的自我改进型大语言模型智能体通常只优化答案，而不优化生成答案的过程。现有的元级别（meta-level）系统为了保持固定，其编辑机制必须保留一部分不被修改，这导致其元深度（meta-depth）通常被限制在二左右。 方法介绍 论文提出了 Meta^n，它使用一个固定且对输入进行递归的单一通用元操作（Ω）。该操作会重复应用于自身的产物，读取求解器的运行轨迹以及生成该轨迹的代码，然后编写下一个图层、预处理程序和可调用辅助函数库。由于该元操作保持不变，因此不会破坏系统稳定性；同时由于其输入不断增长，每一层都能以比上一层更高的视角运行。深度是由收敛性而非预先设定决定的，并且通过演化档案来搜索图层链。 实验结果 在所有八个模型家族中，Meta^n 的表现均优于先前的自我改进智能体。其中最显著的例子是 ARC-AGI-2（专门用于抵御技能记忆），Meta^n 是唯一得分大于零的系统。消融实验表明，递归的大部分动力来自于每一层传递给下一层的条件作用，并且随着深度的增加，即使没有人工提示的规定，图层角色也会自然涌现69 【强烈推荐论文Recursive Self-Improvement - 硅谷刘老师 | 小红书 - 你的生活兴趣社区】 😆 y8EbuyI9n13lSge 😆 https://www.xiaohongshu.com/discovery/item/6a94581e000000002a03d453?source=webshare&xhsshare=pc_web&xsec_token=CBSTDFa43CwygjsCrbZfisTrbJ98pMB5J-E0NPhMy5J2g=&xsec_source=pc_share
0%