长跑的智能体，一半 token 烧在「重放历史」上
让智能体跑自动研究（autoresearch）——反复提出、实现、评估解法——近两年成了热门方向。但 Stanford、CMU、UW 和 SambaNova 的研究者在 arXiv 2610.07625 里泼了盆冷水：推理量堆上去，进展并不跟着来。他们观察到三种典型死法：智能体不断重放越来越长的历史、并行智能体互相重复对方的活儿、或者干脆停止实验但 token 照烧。更麻烦的是，大多数评测用短预算或早早饱和的基准，这些毛病根本测不出来。
论文把病因归结到两个设计抉择上：研究状态存在哪里，以及下一步试什么由谁决定。他们的答案叫 SLA（Stateless Language Agents），原则一句话——有状态搜索，无状态智能体。
把状态从对话里「没收」
SLA 的做法说起来激进：任何智能体都不在多次调用之间携带自己的对话。研究状态——候选解、实测结果——全部由 harness（模型与工具之间的那层运行时）持有；每次调用，harness 现场重建一份全新的、针对角色的上下文。于是「智能体能看见什么」从「一段随运行变长的历史」变成了一个显式的设计选择。
框架里有两个角色。Advisor 也是无状态的，它读的是 harness 汇总的各搜索方向证据，负责全局判断该收拢还是该发散，再把具体实验派给并行的 Worker；Worker 在隔离的工作区里干活，只看得见自己的任务和局部进展。注意这和常见做法差别很大：多数编码智能体也开并行子智能体，但编排者本身是有状态的，它留着自己的对话，自己决定每个子智能体看到什么、什么时候停。
拉到十亿 token 再打分
评测规模也很离谱：软件工程用 FrontierSWE 四个任务，内核优化用 Anthropic 的 VLIW SIMD 和 NVIDIA 的 SOL-ExecBench，算法设计用 FrontierCS 的 Structured-LWE，预算一路拉到十亿 token，模型用 Codex 加 GPT-5.5。结果，SLA 在每一个任务上都拿到最好的最终成绩；在内核优化任务上追平头部基线的最终表现，token 少用了 84% 以上——Anthropic 那个任务是 14.5 倍的差距，降了 93.1%。FrontierSWE 上平均高出单任务头部基线 4.95 分，而 Advisor 自己消耗的 token 不到总量的 0.6%。
比省钱更值钱的，是那张「排名会翻转」的警告
消融实验显示，聚焦上下文和显式指派各有贡献，而且效应会随全程跑完而复利。但论文里真正该被圈起来的发现是：方法排名会随时间翻转——在 175M token 时落后的系统，到 700M token 时反超。再加上 26 圆堆积这类基准在 5M token 内就挤成一团（彼此差距小到可以忽略），结论很直白：拿短尺子量长跑系统，会量错。
这和前些天本站聊过的几篇正好连上。1823 那篇讲 harness 有天花板、内容失败得靠训权重；1650 的 AutoCompact 学的是「什么时候该压缩上下文」；1824 的 MemoType 研究记忆怎么分类检索。SLA 走的是更绝的一步：干脆不让历史进上下文，状态归属问题从「怎么压缩」变成「放在谁身上」。当然它也有新单点——harness 汇总证据的质量直接决定全局判断准不准，Worker 的隔离也可能丢掉跨方向的线索。论文自报的数据还需第三方复现，但「把状态从对话里没收」这个思路，值得每个做长程智能体的团队回去试一遍。