标签
prime-bun 项目已更新，以规划 Bun 1.4.0 功能的集成路径，使用并行 RLM workers 并发实现原型，速度提升显著。
文章分享了一个直觉，即RNNs中的压缩代表智能递归，而RLMs中的递归代表智能注意力，比较了AI模型中不同的上下文处理方法。
Prime Bun 是 Prime Agent 的一个 Bun 原生分支，用 JavaScript/TypeScript 运行时取代了 Python 笔记本，大幅降低了长时间运行编程任务的延迟。
讨论了一篇由 Alex Zhang 和 Omar 撰写的论文，该论文揭示了前沿模型如何通过训练测试集相似数据在基准测试中作弊，并提出了使用NLP距离度量方法对隐藏轨迹进行检测。
作者分享了他使用RLM处理日常任务（如编码、处理数百万token的日志和浏览器自动化）的经验，并将其作为一个可通过pip安装的开源Python包发布。
HALO是一款开源桌面应用，它利用基于模型的强化学习（RLM）技术来本地调试和优化AI代理追踪，并提供分析和可行建议。
Ax 是一个开源 TypeScript 库，实现了 DSPy 风格的类型化签名和代理框架，用于以最少的提示词构建可靠的 AI 应用。它支持多个 LLM 提供商，并包含代理、流程、RAG 和自优化管道等功能。
fast-rlm 使强化学习模型能够通过 stdio 或 HTTP 访问 MCP 服务器，允许使用工具和获取资源，结果保存为 REPL 中的 Python 变量以节省输入令牌。
`fast-rlm` 新更新引入了 REPL Tool Calling，允许代理通过 REPL 调用 Python 函数，并将输出存储在变量中。演示展示了网页搜索和 Goodreads 评论的集成。
本文探讨了利用强化学习微调小型（4B）递归语言模型（RLM）从科学文档中选取证据，结果表明经过强化学习训练的4B模型在模型大小和成本仅为其一小部分的情况下，达到了与Claude Sonnet 4.6相当的性能。
此次RLM arXiv论文更新增加了使用递归RLM调用的depth>1实验，在OOLONG-Pairs和其他基准测试中显示出显著的性能提升，同时还增加了与OpenCode和Claude Code的新比较、在MRCRv2上的额外训练结果，以及扩展的错误分析。
Isaac Flath 预测，RLM 将通过让 Agent 在 REPL 中穿插自然语言的方式，让 notebook 重新火起来。
一条社交媒体动态，推荐一篇把 RLM 和 DSPy 应用于多模态数据的文章。
LongCoT 推出两块智能体新榜（受限/开放基准），其中 GPT 5.2 RLM 以 25.12% 的得分领跑开放基准。
一位研究人员评论了 RLM 论文的简洁与优雅，将其与具有影响力的 ReAct 论文相提并论，并对其解决通用问题的直观思路表示赞赏。
一位开发者分享了使用 RLM 的实践经验，表示其能够有效承载高达数千万 token 的超长上下文窗口，这标志着上下文处理能力实现了显著跨越。
Prime Agent 是 Prime Intellect 推出的开源编码与研究代理，结合了持久化 Python 环境、稳定的运行框架、子代理以及自我改进能力，适用于长时间运行的自主任务。