SCLATE: A Substrate for Continual-Learning Agent Training and Evaluation
Apple Machine Learning Research 发布 SCLATE，一个用于持续学习智能体训练与评估的执行基底。该研究指出，持续学习智能体由模型、harness 与记忆组成，运行在跨多会话的长时程上；评估与训练它们需要把任务与智能体侧事件（如会话停止与启动、cron、记忆整合）交错调度。现有基准与训练框架只调度基准自身的事件，导致每个基准与智能体组合都要自建调度循环。SCLATE 让基准与未经修改的智能体各自通过适配器把事件加入同一个开放事件调度器，并采用混合模拟时钟。
发展脉络
- 首次出现SCLATE: A Substrate for Continual-Learning Agent Training and EvaluationApple Machine Learning Research
- 当前判断证据显示，持续学习智能体的评估长期缺少统一的时间与事件调度约定，各基准各自为政，导致跨基准比较与复用成本高。若 SCLATE 被采用，可能把竞争焦点从单一基准分数转向调度与记忆整合这类基础设施约定。但当前仅有一篇研究发布，尚无采用数据，不能推断生态影响已经发生。可验证下一信号：是否有非 Apple 的基准或智能体项目公开声明接入该基底。Agent Pulse · 分析
Apple Machine Learning Research 发布 SCLATE，定位为持续学习智能体训练与评估的执行基底。研究给出的问题是：持续学习智能体是模型、harness 与记忆的组合，运行在跨多会话的长时程上，评估和训练需要把任务与智能体侧事件（会话停止与启动、cron、记忆整合）交错起来；但现有基准和训练框架只调度基准自己的事件，于是每个基准与智能体的组合都得自己写一套调度循环。SCLATE 的做法是提供一个开放事件调度器，基准和未经修改的智能体都通过适配器把各自事件加进去，并配合混合模拟时钟。
从证据看，SCLATE 的技术主张集中在调度层而非模型层：把基准事件与智能体侧事件统一到一个开放调度器，并用适配器避免修改智能体本身，这降低了基准与智能体两两组合的集成成本。混合模拟时钟意味着时间推进可被控制，但证据未说明其精度、并发语义或与真实时钟的偏差处理，这些是判断其可用性的关键未知项。可验证下一信号：是否公开适配器接口规范与调度器事件模型，以及是否有第三方基准在未改智能体代码的情况下接入。
证据显示，持续学习智能体的评估长期缺少统一的时间与事件调度约定，各基准各自为政，导致跨基准比较与复用成本高。若 SCLATE 被采用，可能把竞争焦点从单一基准分数转向调度与记忆整合这类基础设施约定。但当前仅有一篇研究发布，尚无采用数据，不能推断生态影响已经发生。可验证下一信号：是否有非 Apple 的基准或智能体项目公开声明接入该基底。
对构建长时程智能体产品的团队，价值在于可能减少为每个基准或评测环境重写调度循环的工程开销，并让记忆整合、定时任务等智能体侧行为进入可复现的评测流程。但证据未给出性能、成本或采用数据，因此商业价值目前属于潜在而非已验证。可验证下一信号：是否有团队公开报告接入后节省的集成工作量或评测可复现性提升。
若 SCLATE 的适配器模式被外部基准采纳，持续学习智能体的评测可能从各自定制循环走向共享调度层；反之，若仅停留在论文与内部使用，则影响有限。观察窗口应看后续是否出现公开代码、接口文档或第三方接入案例。