6
6 月
OpenAI「自进化」Codex 实锤曝光：6 周准确率从 25% 飙升到 86%，没有一个人碰过代码
一个 AI 系统，没人重训模型，没人重写代码，6 周内自己把准确率从 25% 拉到了 86%。这不是科幻——这是 OpenAI 刚披露的 Tax AI 系统的真实表现。
Codex 分析自己的输出日志、定位 Bug、写修复方案、运行测试验证、自动合并。整个过程闭环，无人干预。
一条被藏了半年的「自进化」暗线是什么？
- 2 月：GPT-5.3-Codex——「我们第一个在创造自身过程中发挥了关键作用的模型」
- 4 月：Symphony 开源——让 Agent 自己管理自己的开发任务
- 5 月：MOSS 论文——Agent 直接改写自己的源代码，4 个任务平均评分 0.25→0.61
- 6 月：Tax AI 数据曝光——6 周准确率 25%→86%
这不是渐进式改进。这是 AI 开发范式的底层转移。
为什么 25%→86% 比任何 Benchmark 都重要？
实验室 benchmark 分数和真实环境表现之间的差距往往大到令人尴尬。Tax AI 的有趣在于——它不靠「把模型训得更好」来弥合这个鸿沟，而是让 AI 自己在真实环境中学习、犯错、修正、迭代。这正是人类工程师的成长路径。不是刷题刷到 100 分，而是踩坑踩到熟。
Anthropic 和 OpenAI 对同一件事情为何态度截然相反？
Anthropic 说「AI 写了 80% 代码，我们需要暂停」。OpenAI 说「AI 6 周自我提升了 244%，我们可以更快」。同一事实，两种态度——这就是 2026 年 AI 行业最核心的路线分歧。
智盒判断
短期：OpenAI 会把 Tax AI 包装成企业级 Agent 的 ROI 故事——「部署之后它自己会越用越好」。对企业客户有强大说服力。
中期：25%→86% 意味着还有 14% 的错误。这些「残留错误」会以什么方式积累？这是一个全新的质量保证挑战。
长期：Tax AI + MOSS + Anthropic 的 9 个 Agent 800 小时自主研究——2026 年将成为「AI 自我改进」的元年。
FAQ
Tax AI 是怎么自我进化的？
分析输出日志→定位错误→写修复代码→跑测试验证→通过则自动合并。闭环，无人干预。
这和 Anthropic 的 80% 代码有什么区别？
Anthropic 是「AI 写了多少代码」（量），OpenAI 是「AI 自己修了多少 Bug」（质+自我改进）。一个是生产效率指标，一个是自我进化指标。
参考来源：网易/新智元，36 氪，X @OpenAI
相关阅读
分享这篇文章
RELATED
Posts
Llama Windows 上手：Windows 11 托盘一键跑本地大模型，不用命令行
一句话结论：Llama Windows 是 Hugging Face 2026 年 10 月 13 日发布的免费开源 Windows 11 托盘应用（MIT 许可），把 llama.cpp 包装成「点图标、选模型、下载、开聊」四步，不需要终端、不需要编译、不需要管理员权限。它同时在本机提供 OpenAI 兼容接口，适合第一次在自己电脑上跑开源模型的人，也适合想给脚本接一个本地模型的开发者。 AI 摘要 资源类型：免费开源软件（Windows 11 桌面应用）来源：Hugging Face 官方博客发布，代码在 GitHub ggml-org/Llama-Windows适合人群：想在 Windows 电脑上离线跑开源模型的普通用户、需要本地 OpenAI 兼容接口的开发者使用价值：自动安装和管理 llama.cpp，一键下载推荐模型，模型缓存与其他 Hugging Face 工具共享风险边界：项目很新（GitHub 87 星，2026-10-14 核查）；官方博客和 README 给出的本地端口不一致，需以本机实际为准 资源信息 资源名：Llama Windows（代码仓库内名称...
阿里 QwenGyre 论文解读：训练长程 Agent 快 1.78 倍，代码还没公开
一句话结论：阿里通义团队 9 月 27 日在 arXiv 发布 QwenGyre 论文，这是一套专门训练「一次要跑几个小时」的 AI Agent 的在线强化学习框架。用在 2.4 万亿参数的 Qwen 3.8 上，48 步训练让 NL2RepoBench 得分从 52.5% 升到 58.5%，耗时 75.42 小时，比 Async 方案的 134.55 小时快 1.78 倍。不过截至 2026-10-14，我们没有找到公开的代码仓库，部分报道说的「开源」目前只指论文公开。 AI 摘要 发生了什么：阿里 Token Hub 联合中国科大、清华发布 QwenGyre 论文（arXiv 2609.33848，2026-09-27），10 月...
HowToCook 程序员做饭指南：10 万星开源菜谱怎么用、怎么部署、怎么接 AI
HowToCook 程序员做饭指南是 GitHub 10.2 万星的开源菜谱库，372 道家常菜用量精确到克。本文讲清在线使用、Docker 本地部署、按食材找菜工具和 MCP 接入 AI 助手的方法与风险。
给 AI 读图前怎么压缩？用 Squoosh 保住小字、图表和透明边缘
Squoosh 图片压缩不应只比较文件大小，AI 读图还需要保留小字、小数点和表格细线。本文提供原图与两份候选的三路对照方法，说明怎样记录像素尺寸、编码参数、十个关键字段和识别退化，并连接 aiKit 在线工具。文章不承诺压缩率或模型费用下降，也不把肉眼清晰当作 OCR 正确率证明，适合建立图片输入验收流程。
Sharp 图片预处理：给 AI 截图输入建立尺寸上限和独立输出
Sharp 图片预处理适合将人工选定的图片规则写进 Node.js 流程。本文包含官方安装渠道、平台要求、完整单图脚本和独立输出目录设计，说明尺寸上限、不放大小图、无损编码与缩放损失的区别。示例以静态 PNG 为起点，要求比较小字和识别退化，不覆盖原件，不保证压缩率，也不把像素限制当作完整上传安全方案。
Python jsonschema：给模型输出加一道可执行的数据合同
Python jsonschema 可以把模型输出的数据合同变成可执行检查。本文包含虚拟环境安装、官方包下载、完整校验脚本和四个正反样本，解释 required、额外字段、格式检查与语义真实性的区别，并说明跨平台运行和失败处理方法。适合信息提取与工具参数入口，不调用收费模型，也不把结构通过误写成业务正确或权限批准。
Promptfoo 上手：先用本地输出检查评测规则，再连接模型
Promptfoo 可用 Echo provider 检查变量、模板和断言，不必调用模型。本文给出独立目录安装方法、Node 版本要求、两条合成样本配置及预期通过和失败路径，说明本地报告、锁文件、外部评分和隐私风险。适合已有固定任务的开发者建立回归入口，不提供未执行的准确率成绩，也不把本地工具与免费模型额度混为一谈。
提示词改短以后真的更好吗？用保留集做一次回归检查
提示词回归检查要看新版修好了什么，也要看原本正确的任务有没有退步。本文以三类客服工单为例，说明调试集与保留集如何拆分、怎样冻结标签规则、记录逐条差异并处理空输出和超时。附模板、CSV 示例及人工复核门槛，帮助团队建立可追溯的上线依据与版本回退记录；样本数量是教学建议，不是实测成绩，也不承诺准确率提升。
Mermaid CLI：把 Agent 流程图源文件放进可重复的构建流程
Mermaid CLI 能把流程图源文本转为可构建的文档资产，适合经常随 Agent 代码变化的审批与异常流程。本文提供官方源码、项目内安装、引擎检查、完整示例和 SVG 导出命令，说明浏览器依赖、中文字体、版本锁定及 CI 隔离边界。它不是在线编辑器的重复介绍，也不把图像导出成功当成业务流程已经正确实现。
用 Mermaid 审查 AI Agent：把审批、失败和停止条件画清楚
用 Mermaid 审查 AI Agent，重点不是把正常流程画得漂亮，而是确认审批、超时、拒绝和停止条件。本文提供可粘贴的流程图代码及四类路径检查方法，说明幂等键、人工批准、状态查询和版本管理的边界，并连接 aiKit 在线编辑器。模板未经运行验证，不把渲染成功当作权限安全证明，也不要求上传真实客户数据。