LLM-DailyDigest
LLM-DailyDigest

2026-08-25 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）。

Meta 开源本地多模态智能体模型 Muse Glimmer 30B

Meta 推出开放权重智能体模型 Muse Glimmer 30B，通过多阶段训练、4 位动态量化和推测解码，在消费级硬件上支持视觉理解、多步工具调用及故障恢复。

子主题：本地智能体 InfoQ 

 模型开发 开放权重模型 本地智能体 多模态 工具调用 端侧部署 模型蒸馏 中期训练 推理加速 动态量化 推测解码

Muse Glimmer 是 Meta AI Research 发布的 300 亿参数开放权重模型，采用 Apache 2.0 许可证，面向始终在线的本地智能体、编码、工具调用和自动评估工作流。模型通过 Logit 蒸馏、中期长上下文训练，以及结合 SFT、同策略蒸馏和强化学习的后训练获得推理、规划与工具使用能力，并配备 18 亿参数感知编码器处理交错图文输入。其 K-Quant 4 位动态量化将模型占用降至约 17～20 GB，DFlash 草稿模型则通过推测解码将部分硬件上的生成吞吐量最高提升 3.1 倍。模型强调多步工具调用和故障恢复，可在 API 或终端命令失败后诊断问题并尝试替代路径，同时兼容 llama.cpp、ExecuTorch、MLX、Ollama、LM Studio 和 vLLM 等本地运行框架。

用途与启示
  • 为隐私敏感、低延迟或离线场景提供无需云 API 的本地智能体底座。
  • 展示蒸馏、中期训练、强化学习与视觉编码器组合训练小型高能力智能体模型的路线。
  • 4 位动态量化与推测解码可作为消费级 GPU 部署大参数模型时兼顾显存和吞吐量的工程参考。
  • 面向长程自动化任务时，应重点评估多步工具调用可靠性、故障恢复能力及 KV 缓存的持续显存开销。
📝 原始笔记（逐字保留）
新模型｜本地运行、支持视觉与工具调用：Meta 开源智能体模型https://mp.weixin.qq.com/s/K4Bpu0UmfNPna5zvG98umw

MedGuard：嵌入诊疗流程的医学事实核查守门人

蚂蚁AI安全实验室与厦门大学提出MedGuard，通过原子医学声明拆解、不确定性路由和证据核查闭环，为中文在线诊疗提供可追溯的风险识别能力。

子主题：诊疗核查 机器之心 

 事实核查 医疗人工智能 证据推理 不确定性估计 业务集成 长上下文 临床安全 风险预警

MedGuard 将多轮医患对话拆解为带有患者上下文的原子医学声明，保留否定、剂量、时间、既往史和过敏史等关键临床约束。系统先将声明划分为 No Risk、Low Risk 和 High Risk，并仅对证据不足或语义含混的边界案例触发外部医学证据检索。其闭环包含检索规划、权威知识获取、证据总结、充分性判断和风险推理，可输出风险等级、解释、证据链及修正建议。在 MedGuardEval 上，7B 规模模型的细粒度风险识别 F1 较基线平均提升 22.1%，126 名临床专业人员给出的七项评价均值超过 4.0 分。系统可用于回复或处方前核查、问诊过程实时提醒以及历史诊疗质量回顾，但定位是辅助把关而非替代医生决策。

用途与启示
  • 为医生回复、AI诊疗建议和处方生成增加事实核查闸门，降低医学错误进入真实服务流程的概率。
  • 以不确定性路由集中检索与推理资源，有助于兼顾风险召回率和临床警报负担。
  • 原子声明与可追溯证据链设计可提升风险提示的可复核性，便于医生快速判断和干预。
  • 该方案展示了医疗AI安全从内容过滤转向流程内验证、持续监测和历史质量审计的实现路径。
📝 原始笔记（逐字保留）
有趣研究｜把事实核查嵌入诊疗流程：MedGuard给「诊疗安全」当守门人https://mp.weixin.qq.com/s/NRupKAGhIdjTB2ZaJoSXKg

豆包工作正式发布：深度融合飞书的办公智能体

字节跳动发布「豆包工作」，通过飞书数据与权限体系连接办公场景，提供电脑操作、应用开发、Office 交付、技能复用、定时任务和长期记忆等能力。

子主题：办公智能体 AGI Bar 

 数字员工 智能体 业务集成 工具调用 智能体技能库 智能体记忆 云端智能体 办公智能体 企业协同

豆包工作可通过独立客户端、豆包电脑版工作模式或飞书入口使用，并支持 Windows、Mac 及跨设备任务同步。它能在用户既有飞书权限范围内读取云文档、多维表格、群聊和会议纪要，自主拆解任务并操作电脑、浏览器及外部应用。产品支持生成网站和应用、交付可编辑的文档/PPT/表格，还提供 200 多个技能与连接器、定时任务、云电脑和自定义“工作伙伴”。据产品说明，管理员无法查看员工与豆包的聊天记录，长期记忆可由用户关闭或删除；产品同时提供免费额度及 68 元、200 元、500 元三档月付套餐。

用途与启示
  • 展示企业办公智能体从问答工具向跨应用执行、成果交付和长期任务运行演进的产品形态。
  • 飞书权限与企业上下文的原生接入，可降低文件上传和背景说明成本，为业务流程嵌入提供参考。
  • Skills、连接器和“工作伙伴”机制适合将重复办公流程沉淀为可共享、可复用的组织能力。
  • 企业采用时仍需重点验证权限继承、长期记忆、任务审计、敏感数据处理及云端执行的安全边界。
  • 双周期额度与分档订阅方案可作为办公 Agent 商业化和算力成本控制的案例。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/Q4RGftuPRrhZg8HelAi2gQ?scene=1

介绍新伙伴：豆包工作

微信公众号发布“豆包工作”介绍消息，并引导读者通过“阅读原文”进一步了解和使用该产品。 [合并自 2026-08-25 item-14] 文章介绍“豆包工作”这一新产品，并引导读者通过“阅读原文”进入使用。

子主题：产品动态 豆包工作 

 人工智能 数字员工 人工智能原生应用

  • 文章以“介绍一位新伙伴”为主题，正式介绍“豆包工作”。
  • 内容转载自微信公众号“豆包工作”。
  • 正文未披露具体产品功能，主要引导读者点击“阅读原文”打开豆包工作。

[合并自 2026-08-25 item-14]

  • 本文介绍一位新伙伴——“豆包工作”。
  • 文章转载自微信公众号“豆包工作”。
  • 正文未披露具体功能与技术细节，主要引导读者点击“阅读原文”打开产品。
用途与启示
  • 可作为豆包工作产品发布或品牌亮相的动态记录。
  • 后续需进入产品页面，进一步确认其功能定位、适用场景及与豆包生态的关系。

[合并自 2026-08-25 item-14]

  • 可作为了解“豆包工作”产品入口及后续动态的索引。
  • 若用于研发选型，仍需进入产品页面进一步核实功能、接口和适用场景。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/YDIwjU6Kvs0_OW8Hcc-X-w [合并自 2026-08-25 item-14] 研发可用｜介绍一位新伙伴——豆包工作https://mp.weixin.qq.com/s/YDIwjU6Kvs0_OW8Hcc-X-w

从 OpenClaw 迁移到 Hermes Agent：安装与自进化机制指南

文章介绍 Hermes Agent 的安装配置、模型接入与真实应用，并重点解析由 Memory、Skill 和 Nudge Engine 构成的持续自我进化循环。

子主题：智能体应用 未知  Awesome-RSI

 智能体 自我改进 智能体记忆 技能生成 本地智能体 多智能体系统

Hermes Agent 是 Nous Research 开源的自主 AI Agent 框架，可在本地设备、VPS、容器及 Serverless 环境运行，并接入多种消息平台和 MCP Server。其核心是 Memory、Skill 与 Nudge Engine 组成的自我进化循环，可从对话中沉淀长期记忆、提取可复用技能，并在后台持续审视任务模式。文章给出了 Python 环境准备、一键安装、Provider 配置及 hermes doctor 故障诊断流程，并以 GLM、DeepSeek 等国内模型为例说明模型切换方式。Hermes 采用工作记忆、精选长期记忆、完整会话历史和外部知识源的分层记忆架构，同时支持技能自动生成、多 Agent 委派及工作记录、简历筛选、论文调研等场景。

用途与启示
  • 为部署模型无关的本地自主助手提供完整的安装、配置与排错路径。
  • 展示如何通过持久记忆和技能沉淀，将重复工作逐步转化为可复用的自动化流程。
  • Memory 冻结快照兼顾跨会话个性化与前缀缓存效率，可为长程 Agent 的状态管理提供设计参考。
  • 可用于评估 OpenClaw 等现有代理框架的迁移成本，以及国产模型在个人和团队工作流中的可用性。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/cO8vESo7nlUee1BVtN3PLg

Continual Harness：智能体脚手架的在线持续进化

Continual Harness 利用运行轨迹在线增删改查提示词、子智能体、技能与记忆，并进一步联合强化学习更新模型权重，实现无需重置环境的智能体持续自我改进。

子主题：在线演化 未知  HarnessEvolve

 智能体脚手架演化 持续学习 自我改进 智能体 强化学习 框架与模型协同 能力下界 协同学习

论文将 Harness 进化划分为人工精炼、模型自主精炼，以及脚手架与模型权重共同学习三个阶段；智能体和 Refiner 可由同一模型分饰两角。Continual Harness 周期性读取近期轨迹，诊断绕圈、工具失败或目标停滞等问题，并在线修改系统提示词、子智能体、技能和持久记忆，更新后不重置环境即可继续执行。在 Pokémon Red 与 Emerald 上，该方法从极简配置出发，追回了与人工专家脚手架的大部分差距，并在强模型上同时降低按键成本和 API 花费。实验同时揭示了“能力地板”：较弱模型可能无法正确生成和使用自建组件，复杂脚手架反而降低表现；进一步结合过程奖励、教师重标注和强化学习后，系统还能利用同一轨迹共同更新 Harness 与模型权重。

用途与启示
  • 为长程、不可重置任务提供一种在故障现场持续修复工具、记忆和策略的智能体架构。
  • 将运行轨迹转化为脚手架演化与模型训练的共享数据源，支持快时间尺度的上下文更新和慢时间尺度的权重更新。
  • 提示系统设计者先评估底座模型是否跨过“能力地板”，避免给弱模型叠加其无法驾驭的复杂组件。
  • 说明可迁移和复用的核心资产不只是模型权重，也包括持续演化后的技能、子智能体、提示词与记忆体系。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/xMuLJvX3kwRUUw5WQ7R3ww

InfinityEdit：轻量适配器实现无限视频编辑

InfinityEdit 通过仅在编辑指令到达时启用轻量级适配器，使流式视频生成模型能够持续执行开放式编辑，并在无限指令序列下保持连贯与稳定。

子主题：无限编辑 Hugging Face Papers 

 视频生成 动态操控 长程任务 视频编辑 流式生成

论文提出“无限视频编辑”任务：模型根据前序片段和编辑请求生成下一段视频，并随流式输入反复处理无界的编辑指令。InfinityEdit 的轻量适配器包含历史交叉注意力、时序因果自注意力和编辑交叉注意力，分别负责延续输入内容、维持单向时间线索和注入编辑要求。推理时，适配器仅在编辑请求到达的分块中激活，之后由原始视频模型基于重置的锚帧继续生成。实验显示，该方法能够忠实延续视频流，并在编辑不断累积时维持生成质量与时序稳定性。

用途与启示
  • 将视频编辑从固定长度、逐帧对齐的离线范式扩展到直播、游戏画面和持续镜头等开放式视频流。
  • 通过按需激活轻量适配器，降低持续编辑对基础生成模型能力和推理成本的影响。
  • 为长时视频生成提供“编辑后重置锚帧”的稳定化思路，缓解多轮编辑造成的误差累积与质量退化。
  • 可作为流式视频助手、实时视觉特效及交互式内容创作系统的基础组件。
📝 原始笔记（逐字保留）
[无限编辑：借助轻量级的编辑启动适配器实现无限视频编辑（31 ▲）](https://huggingface.co/papers/2608.20910?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-08-24)

EviRank：以结构化证据提升多模态图像重排序

EviRank将多模态图像重排序转化为结构化语义约束验证，并以无需训练的流程在五项检索基准上取得领先表现。

子主题：图像重排序 Hugging Face Papers 

 多模态 证据感知 候选选择 图像检索 检索重排 组合检索

EviRank面向文本、图像及组合式查询，将复杂检索意图解析为统一的结构化证据包。证据覆盖实体、属性、关系等六类语义槽位，并将每项条件标记为必须满足、禁止出现或可以忽略。重排序阶段结合确定性的量规评分与证据驱动的列表级比较，减少自由形式思维链遗漏或虚构细粒度约束的问题。该方法在五个文本到图像、图像到图像及组合图像检索基准上达到先进水平，蒸馏后的轻量学生模型还能保留教师模型超过90%的能力。

用途与启示
  • 为组合式图像检索提供可解释、可审查的相关性判定依据。
  • 可将复杂用户查询拆解为显式约束，降低多模态模型遗漏属性或错误关注背景的风险。
  • 结构化证据可直接用作学生模型的蒸馏监督，在保持效果的同时降低部署成本。
  • “先解析标准、再逐项验证”的框架也可迁移到商品搜索、内容推荐和多模态评测任务。
📝 原始笔记（逐字保留）
[EviRank：多模态图像重排序的结构化相关性证据（11 ▲）](https://huggingface.co/papers/2608.20886?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-08-24)

UniSpace：统一视觉表示支持多模态理解、生成与编辑

UniSpace 通过 Patch Reparameterization 在冻结语义 ViT 中兼顾语义与像素细节，并以 8B 混合专家模型统一完成多模态理解、图像生成和编辑。

子主题：统一表征 Hugging Face Papers 

 多模态 视觉表征学习 图生成 图像编辑 混合专家模型

研究发现，语义 ViT 最终表示丢失视觉细节的主要原因并非 Transformer 模块本身，而是原始图像块参数化倾向于推动语义抽象。作者提出 Patch Reparameterization，在保留原有语义路径的同时加入面向重建的图像块嵌入，使同一组冻结 ViT 模块能够保存细粒度信息。基于该表示构建的 UniSpace 是一个 8B 参数 Mixture-of-Transformer-Experts 模型，可在同一视觉空间内执行理解、生成和编辑，无需独立的 VAE 路径。系统评测显示，该方法在保持多模态理解能力的同时，实现了高保真图像重建、文生图和指令式图像编辑。

用途与启示
  • 为统一多模态架构提供一种复用预训练语义 ViT、避免另设 VAE 表示空间的方案。
  • 表明视觉细节损失可通过输入端的图像块重参数化缓解，而不必改造或重新训练全部 Transformer 模块。
  • 可用于需要同时兼顾语义理解与像素级保真的图像生成、重建和指令编辑系统。
  • 为扩展统一视觉接口与混合专家模型提供架构设计参考。
📝 原始笔记（逐字保留）
[UniSpace：统一可视化表示与可扩展的多模态建模（8 ▲）](https://huggingface.co/papers/2608.08676?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-08-24)

SparsePR：面向视频生成与世界模型的免训练稀疏注意力

SparsePR通过响应耦合分区与探针拟合残差重构，在无需训练的情况下将视频模型注意力执行密度降至22%—26%，并实现1.48—2.61倍端到端加速。

子主题：稀疏加速 Hugging Face Papers 

 稀疏注意力 推理加速 视频生成 世界模型 残差重构 响应分区

SparsePR针对块稀疏注意力中共享路由查询的支持集重叠不足，以及保留注意力质量无法准确反映跳过交互误差的问题。其响应耦合分区利用采样查询的键响应构造配对K/V组，并以质心形成用于共享路由的查询—响应坐标。随后使用少量精确查询行，在探针残差所覆盖的输出子空间内，为每次调用拟合稀疏输出的仿射修正。实验覆盖四种异构视频生成与世界模型，在22%—26%的实际执行对密度下保持生成质量，并取得1.48—2.61倍端到端加速。

用途与启示
  • 为视频生成和世界模型提供无需重新训练或微调的注意力加速方案。
  • 表明稀疏注意力设计不应只关注保留质量，还需联合考虑分区几何与丢弃残差的可预测性。
  • 可将少量精确计算作为在线探针，对稀疏算子的系统误差进行调用级校准。
  • 为长序列视频Transformer的低成本部署和推理系统优化提供参考。
📝 原始笔记（逐字保留）
[分割支撑集，重构残差：无需训练的稀疏注意力机制，用于视频生成与世界模型构建（7 ▲）](https://huggingface.co/papers/2608.18484?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-08-24)

Daedalus-150M：面向 CPU 推理的卷积-注意力混合模型

Daedalus-150M 从普通 CPU 的 4-bit 单用户推理需求出发设计混合架构，以短卷积替代多数注意力层，在保持模型质量的同时显著提升长上下文解码速度。

子主题：推理效率 Hugging Face Papers 

 小语言模型 推理加速 边缘推理 端侧部署 计算资源约束 卷积注意力 CPU推理

Daedalus-150M 的 18 个网络块中仅有 6 个采用完整注意力，其余 12 个使用仅保留两个时间步状态的短卷积，避免随上下文增长反复读取缓存。模型从头使用 599 亿 token 训练，在五项任务基准上取得 47.31 分，超过多款训练数据更多的同规模模型。与采用相同训练数据和参数规模的全注意力基线相比，该混合模型质量指标提高 0.81%，下游任务表现相当，4-bit 文件缩小 6.3%，在 2048 token 上下文下解码快 1.76 倍。论文也披露了 4-bit 量化造成的质量损失、约半数卷积通道惰性但无法直接裁剪，以及词表相对模型规模过大等失败经验。

用途与启示
  • 展示以部署硬件和推理模式为起点反向设计小语言模型架构的可行路径。
  • 通过固定状态短卷积替代部分注意力，可降低长上下文推理中的缓存读取压力并改善 CPU 解码速度。
  • 提示高效架构评估应采用同规模、同数据、同训练方案的全注意力基线，并预先确定胜出标准。
  • 量化损失、无效卷积通道和词表占比可作为后续结构优化与参数分配研究的重点。
📝 原始笔记（逐字保留）
[Daedalus-150M：专为 CPU 推理设计的卷积-注意力混合架构（6 ▲）](https://huggingface.co/papers/2608.20210?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-08-24)

PhanthyMotus启动具身智能生态共建计划

范式联合十余家机器人厂商推动PhanthyMotus从开源底座转向社区共建，以统一中间层实现算法、硬件与场景解耦及跨机型复用。

子主题：开源社区 量子位 

 具身智能 智能体 智能体兼容性 框架适配 智能体技能库 本体适配 硬件解耦 生态系统共创

PhanthyMotus定位为通用具身Agent中间层，旨在解决跨机型代码难复用、厂商定制交付繁重和场景方案缺乏标准化等问题。社区成立两个月已吸引多家机器人厂商开发者，累计贡献超过60万行代码，适配15种以上主流本体并沉淀200多个标准化硬件驱动模块。平台覆盖人形、四足、轮式机器人、机械臂和无人机，并开放硬件资源池、远程调试能力及免费算力Token。范式计划在2026年底前完成50种以上本体适配、拓展500多个AI算法并沉淀超过1万个共享技能，建设具身智能“技能应用商店”。

用途与启示
  • 通过统一硬件驱动和中间层接口降低具身应用的跨本体迁移成本。
  • 为算法开发者提供远程硬件与算力资源，减少进入机器人研发的设备门槛。
  • 以社区共享技能和标准化模块替代重复定制，提升具身产品规模化交付效率。
  • 为无厂商锁定的机器人软件生态、技能市场及接口标准建设提供产业实践参考。
📝 原始笔记（逐字保留）
标题：从开源走向共建：范式联合优必选等十余家具身巨头发布PhanthyMotus新计划 来源：量子位（微信公众号） 链接：https://www.qbitai.com/2026/08/479314.html 摘要：近日，范式正式举办 PhanthyMotus 生态社区共建计划发布会，宣布其首个通用具身Agent底座从“开源”迈入“多方共建”新阶段。

ScienceClaw AutoProject推动AI4S从Task走向Project

紫东太初发布ScienceClaw AutoProject，通过项目规划、长程执行与证据验证，让AI从完成孤立科研任务升级为自主推进完整科研项目。

子主题：科研项目 量子位 

 自动化科学研究 闭环科学研究 长程任务 任务生成 任务协同演化 证据图谱 多智能体系统 人在回路 项目自治

AutoProject将科研工作单元从单个Task扩展到完整Project，可依据模糊目标自动完成项目规划、子任务拆解、长程执行、动态修复与成果沉淀。系统由Project2Task、TaskExecutor和EviGraph三层组成，分别负责生成任务依赖网络、根据实验反馈持续推进，以及跨任务核验证据与结论。EviGraph支持沿证据链定位逻辑偏差和数据冲突，并通过重跑实验、修正假设或调整任务实现自主修复；在ARCBenchML上综合得分达到0.865。ScienceClaw还会动态调度学科、代码、搜索、数据分析和仿真等专业智能体，同时允许研究者随时介入并注入领域判断。

用途与启示
  • 为构建项目级科研智能体提供“规划—执行—验证—修复—沉淀”的端到端架构参考。
  • 说明长周期自主科研不能仅靠延长Agent调用链，还需显式管理任务依赖、项目状态、实验反馈和资产复用。
  • 可借鉴EviGraph，将科研主张与假设、实验、数据及结论建立可追溯关联，降低跨任务错误累积。
  • 强调自主科研并非无人科研，人类应在研究路线、实验假设和异常结果等关键节点保留审查与纠偏能力。
📝 原始笔记（逐字保留）
标题：AI4S开始进入「项目时代」：紫东太初把AI从做Task推向做Project 来源：量子位（微信公众号） 链接：https://www.qbitai.com/2026/08/479096.html 摘要：AI科研能力从工具级转向系统级

EgoSuite-Open100K：10万小时人类行为数据开源

光轮智能联合Hugging Face发布EgoSuite-Open100K，开放10万小时带多层标注的第一人称人类行为数据，以支持具身模型训练、跨本体迁移和标准化评测。

子主题：数据开放 新智元 

 具身智能 数据工程 第一人称视觉 多模态 动作表征 持续学习 具身智能评估 行为建模 数据标准化 跨具身迁移

EgoSuite-Open100K包含10万小时第一人称人类行为数据，覆盖超过1.5万个真实场景、1.5万项任务、7类环境及128种场景类型，并允许学术研究和商业训练使用。数据提供逐帧手部21关节点、身体位姿和事件级语义三层标注，同时包含头戴视角EgoStandard与补充精细接触信息的腕部视角EgoPro。项目旨在以统一采集、标注和时序规范缓解具身数据难以跨设备、跨团队复用的问题，并覆盖家庭、零售、物流、办公和工业等真实应用环境。光轮智能还将其与SimFoundry仿真平台及RoboFinals评测系统结合，构建从人类示范、仿真训练、规模化评测到真实部署反馈的Real2Sim2Real闭环。

用途与启示
  • 为VLA、灵巧操作和人形机器人研究提供大规模、全标注的人类行为预训练数据。
  • 支持验证人类示范数据的Scaling Law，以及1万至10万小时规模附近的跨具身迁移现象。
  • 可作为统一数据基准，降低不同采集设备、标注规范和数据格式造成的训练与复现障碍。
  • 将真实行为先验与仿真试错、标准化评测结合，为持续学习和失败驱动的数据补采提供基础。
📝 原始笔记（逐字保留）
标题：全球首个！10万小时人类数据全开源，Hugging Face罕见站台 来源：新智元（微信公众号） 链接：http://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652720271&idx=1&sn=347905408c98987b2a92e0a662d3358a&chksm=f0105bf2712898d3daae2c623f5edb3cd8b3f83a3355915177fc8d30fdb91553996447c4d5f3&scene=0&xtrack=1#rd 摘要：

BPCO：稳定高效训练大模型评论器

BPCO 通过有界价值预测、蒙特卡洛目标和长度自适应优势估计稳定训练大模型评论器，使每个提示仅采样一条响应也能达到或超过组相对强化学习基线。

子主题：评论器训练 arXiv  EvolveLRM

 强化学习 价值函数 训练算法 特权信息学习 试错效率 评判模型 优势估计 价值约束 推理 价值函数裁剪 长度自适应

论文针对大语言模型中评论器强化学习不稳定的问题，提出 Best-Practice Critic Optimization（BPCO），将 DPPO、有界价值预测、蒙特卡洛价值目标、非归一化策略优势和长度自适应 GAE 组合为统一训练方案。由于评论器仅在训练阶段使用，它可读取参考答案、评分规则或评分量规等不向策略模型公开的奖励定义信息。受控实验验证了各项设计选择，并覆盖 1.5B 至 30B-A3B 混合专家模型的数学推理及基于规则或量规评分的任务。结果显示，BPCO 能持续改进强评论器基线，在每个提示只采样一条响应时达到或超过组采样方法，并改善基于量规奖励的学习。

用途与启示
  • 为 GRPO 等依赖多响应组采样的方法提供更节省采样成本的单响应评论器替代方案。
  • 表明价值输出边界、目标构造、优势尺度和长度自适应估计是稳定评论器训练的关键设计因素。
  • 可利用参考答案、评分规则或量规等训练期特权信息改善价值估计与信用分配，同时避免信息泄露给策略模型。
  • 适合用于数学推理模型及混合专家模型的高效后训练，降低强化学习的数据生成与采样开销。
📝 原始笔记（逐字保留）
标题：How to Train a Critic Stably and Efficiently 来源：arXiv 链接：https://arxiv.org/abs/2608.23566 摘要：Group-based reinforcement learning methods such as GRPO for large language models avoid training a critic by sampling multiple responses for each prompt. A reliable critic could instead estimate token-level advantages from one response, but standard critic-based training recipes are often unstable. We study this instability and develop \textbf{Best-Practice Critic Optimization (BPCO)}, a recipe that combines DPPO, value predictions bounded to the reward range, Monte Carlo value targets, unnormalized policy advantages, and length-adaptive generalized advantage estimation. Because the critic is used only during training, BPCO can also condition it on reward-defining information, such as a reference answer or grading rubric, that is hidden from the policy. Controlled experiments isolate the e [合并自 2026-08-27 bpco] [最佳实践评论家优化（12 ▲）](https://huggingface.co/papers/2608.23566?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-08-26)

交互税：通信如何抹平多智能体团队的多样性

在等预算的11项优化任务中，完整解答共享会使不同模型的方案迅速趋同，而独立提案与适时交换关键信息更能保留多智能体收益。

子主题：交互成本 arXiv  SwarmEvolve

 多智能体系统 交互成本 多样性搜索 信息覆写 通信拓扑 多样性坍缩

论文提出“交互税”概念：不同模型家族原本会产生结构不同的解法，但读取彼此完整输出后，方案往往在一轮内趋同。作者在11项由验证器评分的优化任务上进行等预算实验，发现完整解答交互通常不是理想的默认策略。此类交互主要使智能体锚定最先看到的方案，而非继续探索不同路径；相比之下，独立生成提案能够避免多样性坍缩。批评机制仅在模型容易定位并修正规则违例时有效，说明多智能体表现更取决于交换什么信息以及何时交换，而非单纯增加智能体数量。

用途与启示
  • 设计多智能体系统时，应将独立提案生成作为默认阶段，避免过早共享完整答案。
  • 可通过只交换约束违例、局部证据或摘要来控制信息带宽，保留跨模型的解法多样性。
  • 评测多智能体方案时需采用等推理预算，并与独立采样基线比较，以识别交互本身的真实增益。
  • 批评循环应优先用于错误可定位、修复规则明确的任务，而不应被视为通用增益机制。
📝 原始笔记（逐字保留）
标题：The Interaction Tax: When Communication Erases Diversity in Multi-Agent Teams 来源：arXiv 链接：https://arxiv.org/abs/2608.23541 摘要：Does multi-agent LLM interaction help or hurt? Some work reports gains from debate (Du et al., 2024), critique loops (Chen et al., 2025), and mixture-of-agents synthesis (Wang et al., 2025), while other work finds that interaction adds cost without improving quality under equal budgets (Tran & Kiela, 2026; Xu et al., 2026; Jarrett et al., 2025), or that independent sampling already captures multi-agent gains (Li et al., 2024). We argue this contradiction partly reflects a missing distinction, because not all multi-agent communication is equal. Different model families find structurally different solutions, but when agents read each other's complete outputs, their proposals converge within one round, erasing the diversity that motivates using multiple models. We call this the interaction ta

EarthVerse：动态地球系统与自然灾害科学智能体基准

EarthVerse以真实自然灾害事件构建405项可复现实证任务，系统评估科学智能体在异构证据处理、计算执行、来源协调与端到端科学推理方面的可靠性。

子主题：灾害评测 arXiv  EvalEvolve

 科学智能 科学研究基准 环境科学 智能体 工具调用 证据溯源 过程评估 灾害人工智能 地球系统科学

EarthVerse包含基于199个有记录事件和19类自然灾害构建的405项可复现任务，要求智能体围绕限定事件资料包开展科学调查。智能体需要筛选兼容证据、执行透明计算、协调不同来源的信息，并在最终答案中保留证据来源。基准提供可执行真值，将任务拆解为细粒度答案单元，同时使用任务专属量规评价研究过程并允许多种有效路径。对25种模型与智能体系统的测试显示，最佳平均答案单元准确率为84.65%，但最高Strict@95仅34.81%，暴露出跨证据、尺度、单位、计算和物理解释维持一致推理链的困难。

用途与启示
  • 为动态地球系统和自然灾害场景中的科学智能体提供可复现、端到端的可靠性评测框架。
  • 可用于定位证据访问、工具选择、记忆、推理、交互和科学执行环节的具体失效。
  • 细粒度可执行真值与过程量规有助于避免只看最终答案，推动证据链和计算过程的透明验证。
  • Strict@95与平均单元准确率之间的显著差距表明，后续研究应重点提升长链条科学调查中的全局一致性。
📝 原始笔记（逐字保留）
标题：EarthVerse: Benchmarking Scientific Agents Across Dynamic Earth Systems and Natural Hazards 来源：arXiv 链接：https://arxiv.org/abs/2608.23525 摘要：Earth-system analysis reconstructs changing physical processes from observations that differ in source, scale, timing, and modality. Natural hazards make this work consequential because incomplete evidence can change estimates of severity, exposure, and mechanism. We introduce EarthVerse, a benchmark that evaluates scientific agents through package-scoped investigations. Its 405 reproducible tasks are grounded in 199 documented events and 19 hazard families. Agents inspect heterogeneous event packages, choose compatible evidence, execute transparent calculations, reconcile source differences, and preserve provenance in the final answer. We provide executable ground truth that decomposes each task into fine-grained answer units, together with task-specific rubrics that assess the supporting

安全方向惩罚缓解推理诱发的模型失配

研究从表征空间揭示推理微调导致安全退化的方向耦合机制，并提出安全方向惩罚，在保持推理性能的同时恢复模型安全性。

子主题：对齐失配 arXiv 

 安全对齐 表征几何 后训练 推理 推理失配 人工智能安全

研究发现，即使数学、代码和思维链等推理微调数据不含有害内容，也可能诱发大模型产生不安全行为，但该现象并非在所有架构、规模和数据集上稳定出现。作者从激活空间提取分别编码推理能力与安全行为的两个方向，发现二者存在耦合：推理微调引起的安全表征偏移越大，模型安全性下降通常越明显。通过 CKA 距离比和探针分析，研究进一步定位了与安全决策相关的关键网络层。基于这些发现，作者提出安全方向惩罚（SDP），在推理微调期间限制模型沿已学习安全方向发生位移，并可依据诊断结果迭代扩大约束层范围。在 Qwen2.5-3B 和 7B 上，SDP 能恢复安全表现，同时基本保持基准推理性能。

用途与启示
  • 为推理能力微调引发的隐性安全退化提供可解释的表征空间诊断方法。
  • 可将 SDP 作为训练期正则项，降低无害推理数据意外破坏安全对齐的风险。
  • 利用层级探针与 CKA 指标定位安全决策层，可减少无差别约束对推理能力的影响。
  • 提示模型训练应同时监测能力方向和安全方向的变化，而不能仅依赖训练数据的内容安全性。
📝 原始笔记（逐字保留）
标题：Mitigating Reasoning-Induced Misalignment via Safety-Direction Penalty 来源：arXiv 链接：https://arxiv.org/abs/2608.23497 摘要：Reasoning-Induced Misalignment, where fine-tuning on reasoning data containing no harmful content, including mathematics, code, and problem-solving with chain-of-thought traces can induce harmful behaviors of LLM, posing a serious challenge to the safety of LLM reasoning. Cross-architecture, cross-scale, and cross-dataset checks show that RIM does not always emerge. Previous work attributed RIM to neuron-level entanglement, but did not identify the geometry of the representation space underlying this entanglement or propose a training-time fix. We provide both: a representation-space analysis of RIM and the Safety-Direction Penalty (SDP), which penalizes movement along a learned safety direction during reasoning fine-tuning. The analysis extracts two activation-space directions, one encodi

SRPO：面向长程推理的自反思策略优化

SRPO让模型从自身完整轨迹中生成反思补丁，并将稀疏终局反馈转化为稠密的词元级训练信号，以较低训练成本提升数学推理和长程智能体任务表现。

子主题：反思优化 arXiv  EvolveLRM

 自我反思 信用分配 过程监督 后训练 强化学习 长程任务 反思补丁 稠密奖励

SRPO要求模型分析自身已完成的推理或行动轨迹，将关键错误归纳为简洁的“反思补丁”。框架利用反思条件下的教师评分，对学生模型的在策略轨迹提供稠密、词元级训练信号，从而改善长程任务中的信用分配。该方法不依赖外部批评器、独立奖励模型或更大规模的教师模型。基于Qwen3-8B，SRPO以仅为扩展式监督微调8%的训练FLOPs在AIME'24取得73.3%，并在WebShop、ALFWorld和SWE-Bench-Lite上分别达到64.7%、76.8%和31.2%。

用途与启示
  • 为只有终局成败信号的长程推理与智能体任务提供低成本的稠密过程监督方案。
  • 展示模型自生成反思可承担信用分配功能，减少对外部奖励模型和大型教师模型的依赖。
  • 可用于提升数学推理、网页操作、具身任务及软件工程智能体的数据与算力效率。
  • “反思补丁”可作为可复用的错误摘要，为后续轨迹训练、经验检索和模型自我改进提供结构化中间产物。
📝 原始笔记（逐字保留）
标题：SRPO: Self-Reflective Policy Optimization for Long-Horizon Reasoning 来源：arXiv 链接：https://arxiv.org/abs/2608.23493 摘要：Self-reflection is a powerful mechanism for credit assignment in human learning, converting sparse outcome feedback into actionable guidance. However, its potential for post-training Large Language Models (LLMs) remains underexplored. We propose Self-Reflective Policy Optimization (SRPO), a framework that internalizes this capability. SRPO enables LLMs to analyze their own completed trajectories, synthesize errors into concise "reflection patches," and use reflection-conditioned teacher scores on student on-policy rollouts as dense token-level training signals. This process effectively transforms sparse terminal supervision into dense, token-level learning signals without requiring external critics, separate reward models, or larger teacher models. We demonstrate that SRPO achieves state-o

StrategyBench：评测大模型显式策略归纳能力

StrategyBench 从策略质量与下游效用两个维度评测大模型能否从少量示例中显式归纳任务策略，并揭示其效果对任务类别、模型配置和适应方式高度敏感。

子主题：策略归纳 arXiv 

 上下文学习 规则学习 策略发现 模型评估 策略诱导 策略评估

StrategyBench 从 BIG-Bench 中筛选可进行策略归纳的任务，并为其构建参考策略，用于研究大模型从少量示例中抽象任务规则的能力。基准同时衡量生成策略本身的质量，以及该策略在后续任务执行中的实际效用。实验覆盖任务类别差异、策略生成器与执行器搭配、示例设计和基于 SFT 的适应设置。结果表明，显式策略并非在所有任务上都稳定有效，其价值同时取决于策略生成质量和具体执行条件。

用途与启示
  • 为显式策略归纳提供独立于最终答案准确率的系统评测框架。
  • 帮助比较“直接少样本作答”与“先归纳规则、再执行任务”两种上下文学习范式。
  • 可用于优化生成器—执行器配置、示例选择及 SFT 方案，并识别显式策略最有价值的任务类别。
📝 原始笔记（逐字保留）
标题：StrategyBench: Evaluating Explicit Strategy Induction in Large Language Models 来源：arXiv 链接：https://arxiv.org/abs/2608.23475 摘要：As large language models are increasingly used in data-scarce and evolving task scenarios, few-shot in-context learning (ICL) has become a key paradigm for task adaptation. However, direct ICL often uses a small set of examples without explicitly abstracting task rules, making it sensitive to example construction. In contrast, human learners often reduce such sensitivity by first summarizing task rules from examples and then applying them to new instances. To evaluate this ability, we propose StrategyBench, which selects strategy-inducible tasks from BIG-Bench, constructs reference strategies, and defines evaluation metrics along two dimensions: strategy quality and downstream utility. We further analyze strategy induction from three perspectives: task variation, model configuration, and a

MetaCaster：多智能体驱动的轻量时序预测器少样本训练

MetaCaster 通过元 Harness 优化的多智能体数据生成流程，仅凭少量样例和文本上下文即可自动训练高效的任务专用轻量时序预测器。

子主题：时间序列预测 arXiv  HarnessEvolve

 小样本学习 时序建模 多智能体系统 数据合成 轻量级基础模型 时序预测 智能体数据合成

MetaCaster 面向数据稀缺、积累缓慢或具有隐私约束的时序场景，研究轻量预测器的端到端少样本学习。框架让多个智能体充当中间工程师，基于少量样例与文本上下文生成训练数据并自动构建任务专用预测器，而非直接承担预测任务。其 Harness 经过元优化，以协调数据生成和轻量模型训练流程。论文在 18 个数据集、23 种先进轻量预测器及 14 个基线上进行实验，结果显示该方法兼具数据效率、计算效率与较高预测质量。

用途与启示
  • 为资源受限场景提供以智能体辅助训练轻量模型、而非直接调用基础模型预测的新范式。
  • 可用于数据稀缺、隐私敏感或新业务冷启动时的专用时序预测器构建。
  • 表明 Harness 本身可以成为元优化对象，通过跨任务经验改进数据生成与模型训练流程。
  • 为多智能体能力蒸馏到低成本、易部署的小模型提供可复用的工程思路。
📝 原始笔记（逐字保留）
标题：MetaCaster: Meta-Harness-Optimized Agent for End-to-End Few-Shot Learning of Lightweight Time Series Forecasters 来源：arXiv 链接：https://arxiv.org/abs/2608.23473 摘要：Time series forecasting (TSF) is evolving toward multimodal and agentic settings, yet using foundation models remains uneconomical in resource-constrained scenarios, where compact, specialized forecasters are more desirable. However, lightweight forecasters typically require substantial training data, limiting their use in domains with scarce, slowly accumulated, or privacy-sensitive time series. To address this dilemma, we investigate the challenging problem of few-shot learning for lightweight forecasters. We propose MetaCaster, a meta-harness-optimized multi-agent framework that uses agentic data generation to automatically train specialized lightweight forecasters from only a few examples and textual contexts. Our work highlights a new TSF paradigm in which agents act not as forecaster

SkillAlchemy：开放世界智能体技能创建

SkillAlchemy 从开放世界资料中发现隐含需求、按证据适用范围筛选候选流程，并编译出可靠的智能体技能包，性能接近人工策展技能。

子主题：技能生成 arXiv 

 智能体 技能生成 智能体技能库 原始证据 开放式任务 规则学习

SkillAlchemy 研究在技能说明不完整、缺少人工编写技能和执行轨迹时，如何利用开放世界资料自动创建智能体技能。框架通过对比证据识别任务简述遗漏的隐含需求，并依据来源证据能够支持的适用范围决定是否接纳候选流程。通过筛选的内容会被编译为遵循语法约束的技能包，以封装工作流、工具约定和领域行为。在 SkillsBench v1.1 的 87 个任务上，该方法相较无技能执行将通过率提高 19.9 个百分点，较最强自动化基线提高 8.6 个百分点，达到接近人工策展技能的表现。

用途与启示
  • 为陌生任务提供一种无需人工技能模板或历史执行轨迹的自动技能创建路径。
  • 强调以来源证据限定流程的适用边界，可降低从少量材料中过度泛化规则的风险。
  • 可用于构建可扩展的智能体技能库，并支持从文档、规范等开放资料持续补充技能。
  • 说明“需求发现—证据准入—结构化编译”可成为技能生成系统的通用流水线。
📝 原始笔记（逐字保留）
标题：SkillAlchemy: Open-World Agent Skill Creation 来源：arXiv 链接：https://arxiv.org/abs/2608.23417 摘要：Agent skills are reusable procedural artifacts that extend language agents with specialized workflows, tool conventions, and domain behaviors at inference time. However, creating reliable skills still depends largely on human authorship, model priors, or execution traces. These sources are often unavailable for unfamiliar tasks, suggesting the need to create skills from open-world materials. In this paper, we study open-world skill creation: given an underspecified skill brief and a source-access specification, a creator must discover behavior-relevant requirements omitted by the brief and determine how broadly each source-derived procedure is justified. We propose SkillAlchemy, an admission-centered framework for source-grounded skill creation. SkillAlchemy identifies implicit requirement

MediSkill-Evo：过程约束的循证临床智能体自进化

MediSkill-Evo 无需微调底座模型，通过受治理的知识库、证据绑定与安全优先偏好评估，实现更可靠的临床交互过程自进化。

子主题：临床进化 arXiv  HarnessEvolve

 医疗人工智能 临床推理 智能体 自进化 证据溯源 临床安全 过程验证 临床交互 过程约束 知识库

MediSkill-Evo 将临床经验拆分为技能、流程规则、符号模式和测量程序四类知识库，并在不微调底座模型的情况下持续演化过程知识。系统通过来源追踪、证据支持、回放验证和控制器安全检查，决定知识能否发布到冻结的测试时快照。其过程约束偏好 Harness 将证据与来源绑定，过滤违反控制规则的候选动作，再由安全优先的 Clinical Process Critic 排序。在 300 个 Qwen 留出病例上，诊断准确率由 61.33% 提升至 69.00%，治疗意图覆盖率由 33.62% 提升至 66.44%，关键失败率由 31.00% 降至 16.33%；但结果仍不构成单一知识库组件的因果证据或临床有效性验证。

用途与启示
  • 为医疗智能体提供一种无需更新底座权重、依靠受治理外部知识实现持续改进的路径。
  • 将最终诊断正确性扩展为对证据来源、诊疗流程和安全约束的全过程评估。
  • 四类知识库与冻结快照机制可用于降低在线学习造成的知识污染和安全漂移。
  • 结果提示临床智能体评测应结合受控压力测试、关键失败率和治疗意图覆盖，而不能只看诊断准确率。
📝 原始笔记（逐字保留）
标题：MediSkill-Evo: Process-Constrained Self-Evolution for Evidence-Grounded Clinical Interaction 来源：arXiv 链接：https://arxiv.org/abs/2608.23397 摘要：Interactive clinical agents must gather decisive evidence and convert it into grounded actions under partial observability. A correct final diagnosis alone does not show that an agent respected evidence and care-process constraints. We introduce MediSkill-Evo, a clinical agent that evolves governed process knowledge without backbone fine-tuning. It separates experience into four typed banks for clinical skills, process rules, symbolic schemas, and measurement procedures. Provenance, support, replay, and controller-defined safety checks govern publication to a frozen test-time snapshot. A Process-Constrained Preference Harness binds evidence to its source, rejects controller-invalid candidates, and ranks actions with a safety-prioritized Clinical Process Critic. We evaluate complete agent s

VAT 判定中的 LLM 智能体分解粒度控制实验

研究通过固定工具、模型和编排流程，仅调整任务在一至五个工作智能体间的分配，评估跨境 VAT 判定中多智能体分解粒度对准确率、成本与故障韧性的影响。

子主题：分解粒度 arXiv  SwarmEvolve

 多智能体系统 智能体任务分工 智能体编排 故障归因 模型评估 智能体粒度 税务人工智能

研究以带反向征税规则的跨境 VAT 判定为受控任务，使用确定性规则引擎提供标准答案，并可独立评价各中间决策。实验覆盖 4,400 次运行，在固定子任务、工具、I/O 模式、验证检查、基础模型及合并策略的前提下，对比单一宽任务智能体与最多五个窄任务智能体。两个中等分解配置以 0.830 的准确率领先两端配置，但未达到预注册的显著性标准，因此尚不能确认存在稳定的“中间粒度最优点”。匹配令牌预算后，单智能体比最佳配置低 6.5 个百分点，但置信区间包含零，优势仍可能由提示预算差异解释。故障注入显示可用性故障普遍可恢复，而符合模式的幻觉记录会损害所有配置，并对高度碎片化的多智能体系统影响更大。

用途与启示
  • 为多智能体系统选择任务分解粒度提供受控实验方法，避免默认认为智能体越多越好。
  • 可将依赖层的中点作为初步分区边界，再结合准确率、令牌成本和故障恢复能力进行调整。
  • 提示评测时必须控制提示预算、工具、编排器和合并策略，否则容易把预算效应误判为多智能体收益。
  • 表明结构合法但内容虚假的中间记录比服务不可用更危险，应加强跨智能体语义验证与证据核验。
📝 原始笔记（逐字保留）
标题：Right-Sizing LLM-Agent Decomposition in VAT Determination: A Pilot Controlled Sweep 来源：arXiv 链接：https://arxiv.org/abs/2608.23395 摘要：Recent LLM-agent systems make conflicting design bets: decompose work across many narrow agents, or use one strong tool-using agent. This pilot studies that choice on bounded cross-border VAT determination with reverse charge, where every case has an oracle label and each intermediate decision is independently scoreable. We hold the activity surface fixed (subtasks, tools, I/O schemas, validation checks, orchestrator, base model, and merge policy) and vary only the assignment of subtasks to workers across four orchestrated configurations, from one wide worker to five narrow ones, against S0, a tuned no-orchestrator single agent, with a deterministic rule engine as oracle. The program spans 4,400 runs: a 40-case, five-repeat main sweep, matched-token arms separating prompt-budget from agent

Apodex 1.1：面向复杂工作的智能体能力扩展

Apodex 1.1通过扩展可执行环境与智能体协同训练，提升模型持续完成复杂、长周期且可验证现实工作的能力。 [合并自 2026-08-26 apodex-1-1] Apodex 1.1通过扩展可验证执行环境与智能体协同训练，提升模型持续完成复杂、长周期现实任务的能力。

子主题：智能体规模扩展 arXiv  HarnessEvolve SwarmEvolve

 智能体 长程任务 多智能体系统 智能体任务分工 智能体执行框架 状态追踪 执行恢复 工具调用 工作能力 环境扩展 智能体编排 真实世界任务

Apodex 1.1将“工作能力”定义为智能体围绕现实目标持续推进并交付可验证结果的能力，涵盖文件处理、信息检索、代码执行、状态维护与故障恢复。其环境扩展路线增加了文件、搜索和代码环境的多样性与可验证性，协同扩展路线则训练任务分解、并行委派、异步结果整合和动态重规划能力。共享执行框架与 AgentOS 跨工具、跨智能体维护任务状态和来源记录，并将环境轨迹及协作轨迹转化为稳定行为。该模型在专业工作、金融、科研、数学、编程和搜索任务上进入领先性能区间，35B 参数的 Apodex 1.1 Mini 也保留了较强的本地部署能力。

[合并自 2026-08-26 apodex-1-1] Apodex 1.1将“工作能力”定义为面向现实目标持续取得可验证进展，包括文件处理、信息检索、代码执行、状态维护和故障恢复。其环境扩展路线增加了文件、搜索与代码环境的多样性和可验证性，并将执行轨迹转化为训练数据。智能体协同扩展则训练系统分解长程任务、并行委派工作、整合异步结果并根据进展重新规划。共享执行框架与 AgentOS 负责跨工具和智能体维护任务状态及来源记录，使较小规模模型也能在专业工作、金融、科研、数学、编程和搜索任务中取得领先梯队表现；35B Mini 版本还支持本地部署。

用途与启示
  • 为长周期智能体训练提供“环境扩展 + 协同扩展”的双轴规模化路线。
  • 说明执行框架、状态持久化、来源追踪和失败恢复是复杂工作能力的重要基础设施。
  • 可用于构建科研、金融、编程等领域中能够并行分工、异步整合并持续重规划的重型求解器。
  • 35B Mini 展示了较强能力向本地部署迁移的可行性，有助于兼顾隐私、成本与可控执行。

[合并自 2026-08-26 apodex-1-1]

  • 为长程智能体训练提供“环境扩展＋协同扩展”的双轴规模化思路。
  • 说明执行框架、状态持久化、来源追踪和故障恢复是复杂任务能力的重要组成部分。
  • 可用于设计支持异步并行、动态重规划和结果验真的多智能体系统。
  • 35B Mini 的表现表明，高质量环境轨迹与协同数据可能降低复杂工作智能体对超大模型规模的依赖。
📝 原始笔记（逐字保留）
标题：Apodex 1.1: Scaling Agentic Intelligence for Complex Work 来源：arXiv 链接：https://arxiv.org/abs/2608.23283 摘要：General-purpose language models can reason and synthesize knowledge, but complex work also requires sustained interaction with files, information sources, and executable code, together with state maintenance, failure recovery, and verifiable delivery. We call this \emph{working capability}: sustained, verifiable progress toward a real-world objective. Apodex 1.1 develops this capability along two complementary dimensions. \emph{Environment Scaling} expands the diversity and verifiability of executable file, search, and code environments, while \emph{Agentic Coordination Scaling} trains agents to decompose long-horizon tasks, delegate parallel work, integrate asynchronous results, and replan. A shared execution harness and AgentOS maintain task state and provenance across tools and agents, [合并自 2026-08-26 apodex-1-1] [Apodex 1.1：扩展智能体智能以完成复杂工作（172 ▲）](https://huggingface.co/papers/2608.23283?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-08-25)

无 CoT 数据下：Next-Chunk Reasoning RL 真的优于 SFT 吗？

受控实验表明，在利用无显式 CoT 的推理语料时，简单的 Mixed SFT 不仅训练算力低 60 倍以上，其后续 RLVR 性能上限也明显高于 next-chunk reasoning RL。 [合并自 2026-08-28 cot-rl-sft] 受控实验表明，联合训练无 CoT 与长 CoT 数据的 Mixed SFT，以低 60 倍以上的训练算力获得了高于 Next-Chunk Reasoning RL 的后续 RLVR 性能上限。

子主题：训练策略 arXiv  EvolveLRM

 强化学习 后训练 过程监督 推理 训练解耦 混合微调 隐式思维链 无链式推理训练

论文重新检验了 next-chunk reasoning RL：该方法生成隐式推理轨迹，并以预测下一文本块的能力作为奖励。作者提出单阶段 Mixed SFT，将无 CoT 数据与长 CoT 数据联合用于监督微调，以区分收益究竟来自 RL 机制还是更充分的数据利用。实验显示，Mixed SFT 的训练计算量低 60 倍以上，却在域内数学推理和域外推理任务上获得更高的后续 RLVR 性能上限。研究还发现，RLVR 前的准确率并不能稳定预测 RLVR 后的效果，因此训练策略应放在完整后训练流程中评估。

[合并自 2026-08-28 cot-rl-sft] 论文重新审视利用无显式思维链数据训练推理模型的 Next-Chunk Reasoning RL，并追问其收益究竟来自强化学习，还是更充分的数据暴露。作者提出简单的 Mixed SFT，在单个监督微调阶段联合使用无 CoT 数据和长 CoT 数据。实验显示，Mixed SFT 所需训练算力低 60 倍以上，却能在 RLVR 后达到更高的性能上限，且优势覆盖域内数学推理和域外推理任务。研究还发现，RLVR 前准确率更高并不必然带来 RLVR 后更高的准确率，因此训练策略应在完整后训练流水线中评估。

用途与启示
  • 为推理模型利用题解、教材推导等无显式 CoT 语料提供更简单且高效的训练基线。
  • 提醒研究者在宣称推理 RL 有效前，应通过受控实验区分算法收益与数据暴露收益。
  • 评估训练策略时不应只看 RLVR 前性能，还需比较后续强化学习后的性能上限与总算力成本。
  • Mixed SFT 可作为 Next-Chunk Reasoning RL 的强基线，帮助优化完整后训练流水线。

[合并自 2026-08-28 cot-rl-sft]

  • 为无显式 CoT 推理语料提供更简单、低成本的训练基线，避免未经验证便引入复杂 RL。
  • 说明评估数据利用策略时，应重点比较后续 RLVR 的最终性能上限，而非只看预强化阶段准确率。
  • 提醒研究者通过受控实验拆分算法机制与数据暴露方式的贡献，并将 Mixed SFT 纳入推理 RL 的标准对照组。
📝 原始笔记（逐字保留）
标题：Is Next-Chunk Reasoning RL Really Better than SFT? Revisiting Training Strategies under no-CoT Data 来源：arXiv 链接：https://arxiv.org/abs/2608.23256 摘要：Recent work proposes next-chunk reasoning RL for leveraging no-CoT data---corpora such as worked solutions and textbook derivations that contain reasoning-rich content but lack explicit chain-of-thought annotations. The method trains a model to generate implicit reasoning traces and rewards them by their ability to predict the next chunk of text. While promising, existing evaluations primarily compare against conventional SFT baselines, leaving open whether the gains come from the RL formulation itself or from more effectively exposing the model to no-CoT data. We address this question with a controlled study of next-chunk reasoning RL and a simple but previously overlooked alternative: Mixed SFT, a single supervised fine-tuning stage that jointly trains on no-CoT and long-CoT data. Despit [合并自 2026-08-28 cot-rl-sft] [下一块推理 RL 真的比 SFT 更好吗？重新审视无 CoT 数据下的训练策略（19 ▲）](https://huggingface.co/papers/2608.23256?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-08-27)

上下文分配定律：生成式搜索的因果测量与闭环调度

论文以因果留一探针测量生成模型对证据的真实依赖，并通过跨多轮生成的闭环上下文调度将组合召回率提升16.7至20.5个百分点。

子主题：上下文调度 arXiv 

 检索增强生成 资源调度 因果归因 证据感知 闭环治理 上下文分配 因果探测 生成式搜索

论文指出，常用相关性代理在面对困难负样本时会产生“诊断幻觉”，无法准确衡量模型是否真正利用了检索证据。作者提出高效的因果留一探针，用于隔离单条证据对生成结果的贡献，并校准上下文扩张造成的注意力结构性稀释。解耦因子实验表明，单次生成中持续拓宽上下文会遭受相关性衰减，而将计算预算分配到多次顺序生成可使组合召回率绝对提升16.7至20.5个百分点，并稳定扩展至32B模型。最终系统结合闭环次模调度器与归因引导的对比解码，持续引入新证据并优于传统开环基线。

用途与启示
  • 为RAG系统提供比相关性分数更可信的因果证据利用度量，尤其适合识别困难负样本与伪相关证据。
  • 提示生成式搜索不应只扩大单轮上下文，而应把预算分配给多轮、顺序且由反馈驱动的生成过程。
  • 可将因果探针接入检索、解码和调度闭环，按边际信息增益选择后续证据并减少重复利用。
  • 为长上下文系统的预算设计提供工程准则：同时评估证据覆盖、注意力稀释和组合召回，而非仅关注上下文长度。
📝 原始笔记（逐字保留）
标题：The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search 来源：arXiv 链接：https://arxiv.org/abs/2608.23252 摘要：As Retrieval-Augmented Generation (RAG) shifts toward diverse portfolio generation, it is stymied by two critical bottlenecks: flawed measurement of evidence utilization, and suboptimal context budget allocation. We resolve both sequentially. To resolve measurement, we expose a pervasive ``diagnostic illusion'': standard relevance proxies fail catastrophically on hard negatives. We replace them with an efficient causal leave-one-out probe that accurately isolates generative reliance and formally calibrates the structural dilution of LLM attention. To resolve allocation, we deploy this causal probe in a deconfounded factorial grid. We prove that the prevailing strategy of monolithic context widening is an architectural trap penalized by relevance decay. Instead, allocating compute iterative

智能体Token用量升至人类的5.2倍

OpenRouter数据显示，智能体Token用量半年增长约14倍至7.3万亿，达到人类流量的5.2倍，同时带来预算、缓存资源和人工验收压力。

子主题：用量增长 新智元 

 智能体 工具调用 前缀缓存 成本优化 业务验收 词元效率 智能体流量

OpenRouter依据工具调用频率、响应间隔和对话轮数等行为信号，将API流量划分为Agentic、Mixed与Human三类。截至2026年8月10日，Agent类Token用量从约0.51万亿增至7.3万亿，半年增长约14倍，而人类用量增至1.4万亿。智能体围绕同一目标持续读取上下文、调用工具并反复修改，单个任务可能产生数十轮乃至更长时间的模型调用，其中近70%的Token来自低价缓存提示。缓存降低了单位价格，却无法抵消总用量暴涨，并进一步增加显存、预算控制和人工验收压力。

用途与启示
  • 评估智能体成本时应按完整任务轨迹核算，而不能只比较单次调用或模型单价。
  • 可通过提示缓存、技能复用、模型路由和减少无效返工控制长期运行成本。
  • 企业部署智能体时需要同步建设预算限额、操作审批、异常告警与结果验收机制。
  • 随着执行能力规模化，验证、判断和最终责任人将成为比Token更稀缺的资源。
📝 原始笔记（逐字保留）
标题：AI开始替人类调用AI！token用量已是人类5.2倍 来源：新智元（微信公众号） 链接：http://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652720271&idx=2&sn=1501d6d57f652164dfdaee54b85c353a&chksm=f079f45ccf4492dfa82c9e86f421be7a271e67c8394917ecbd1f8b70d77930e8d6bb69f0ef70&scene=0&xtrack=1#rd 摘要：

SWE Refactor Bench：编码智能体的全仓长程栈迁移评测

SWE Refactor Bench 通过迁移审计、固定行为测试和智能体验证，揭示前沿编码智能体仍难以可靠完成长程、全仓库技术栈迁移。

子主题：迁移评测 arXiv  EvalEvolve

 人工智能辅助编程 代码重构 长程任务 仓库级代码生成 智能体评估 SWE 软件工程 技术债务 技术栈迁移

SWE Refactor Bench 收录了 20 个全仓库迁移任务，覆盖 4 类技术债务，旨在同时评估迁移完整性与行为正确性。其三阶段协议依次执行迁移审计、固定测试套件以及由 6 个独立编码智能体生成针对性测试的 Agentic Verification，从而避免智能体复制旧实现以绕过迁移的“Blindness”问题。在 8 个前沿模型、26 种模型—投入配置的 520 次运行中，仅 28 次（5.4%）通过全部阶段，且 20 个任务中有 13 个没有任何合格解。最佳模型 claude-opus-5 得分为 47.0/100；智能体在构建工具链改写上得分 31.4，但在语言改写上仅得 5.6，显示不同迁移类型的能力差异显著。

用途与启示
  • 为全仓库重构与技术栈迁移提供兼顾“是否真正迁移”和“行为是否保持”的严格评测框架。
  • 提醒编码智能体评测不能只看测试是否通过，还需审计依赖、实现结构和旧技术栈是否被彻底移除。
  • 可用于研究长程软件工程智能体的任务规划、回归诊断、迁移完整性检查与行为保持能力。
  • 三阶段验证方法可借鉴到企业遗留系统升级、框架替换和编程语言迁移的验收流程中。
📝 原始笔记（逐字保留）
标题：SWE Refactor Bench: Can Coding Agents Complete a Long-Horizon, Whole-Repository Stack Migration? 来源：arXiv 链接：https://arxiv.org/abs/2608.23564 摘要：Modern software systems accumulate technical debt over decades of development, which makes migration expensive and largely manual. As coding agents become increasingly capable at bug fixing, can they autonomously perform such migrations? Existing benchmarks cannot answer this question because they evaluate only behavioural correctness, not whether the migration actually occurred. This leads an easy hack: agents copy the original implementation to make tests pass. We call this Blindness. To address this problem, we introduce SWE Refactor Bench, a benchmark comprising 20 whole-repository migrations, covering 4 kinds of technical debt. A three-stage evaluation protocol measures both migration completeness and behavioural correctness. (1) Migration Audit verifies that the migration occurred. (

DARKSIDE：基于排除轨迹的 LLM 融贯性审计

DARKSIDE 通过显式记录话语中的排除轨迹并评估指称对象的依据状态，降低大模型将伪造权威、错误机制和隐蔽类比固化进知识图谱的风险。

子主题：融贯性审计 arXiv 

 事实核查 知识图谱 证据溯源 主张校准 逻辑推理 融贯性审计 排除轨迹 认知防火墙

论文指出，LLM 擅长识别模式，却不会原生追踪连贯论述所要求的“排除路径”，因而容易接受貌似专业但缺乏依据的输入。作者在 POLANYI++ 生成 OWL2 扩展知识图谱的流程上提出 DARKSIDE，将随话语累积的排除项表示为显式数据结构。该方法还通过依据轴把指称对象分为有依据、未证实、错误归属和伪造，并在伪造率为正或无支持率越过阈值时将委派风险升级为不安全。实验以 Gemini 3 为生成模型、Claude Sonnet 4.6 为独立裁判，在覆盖软件工程、金融、医疗、物理和法律的 100 条 BSBench 对抗样本上验证了这种负向轨迹脚手架的有效性。

用途与启示
  • 为知识图谱生成增加负向证据与排除历史，避免错误前提被结构化后获得虚假的可信度。
  • 可将依据分类和风险升级规则用于研究代理、医疗或金融助手的委派安全门控。
  • 提示系统设计者不仅要保存模型采纳了什么，还应显式记录哪些主张被排除、为何被排除。
  • 为检测伪造权威、错误归因及隐蔽类比提供了可解释的本体化审计框架。
📝 原始笔记（逐字保留）
标题：Walking on the DARKSIDE 来源：arXiv 链接：https://arxiv.org/abs/2608.23370 摘要：Large Language Models (LLMs) recognise patterns but do not natively track the path of exclusions that a coherent discourse demands. When an input rests on a fabricated authority, a misapplied mechanism, or a surreptitious analogy, an unsteered LLM tends to engage with it as if it were grounded, and to reify the misstep into any structured output it generates. Logic-Augmented Generation (LAG) with POLANYI++, an LLM-steering method that uses heuristics, ontologies and problem solving methods for tacit knowledge extraction, produces an Extended Knowledge Graph (XKG) in OWL2, but inherits the same vulnerability: a sophisticated nonsensical input is reified into the graph alongside the legitimate triples, and is hardly detectable by automated reasoners since the XKG is generated jointly with th

Agent-G²：面向智能体强化学习的高斯引导

Agent-G²通过在线估计任务相关的高斯分布来采样专家轨迹保留深度，在无需额外探测回合的情况下缓解长程智能体任务的奖励稀疏问题。

子主题：高斯引导 arXiv 

 强化学习 长程任务 采样控制 轨迹控制 奖励作弊 高斯引导 提示强化

Agent-G²针对基于提示的强化学习中“应保留多长专家轨迹前缀”的问题，将引导深度由确定性标量改为按任务采样的高斯随机变量。研究发现，有效引导通常分布在一段深度区间内，其信息量以区间中心为峰值并近似呈高斯形态。该方法利用策略优化时已有的 rollout 在线估计分布中心与宽度：中心结合全局基线和任务簇难度，宽度追踪簇内方差，无需额外探测回合或深度预测器。在 ALFWorld 和 WebShop 上使用 Qwen2.5-1.5B/7B-Instruct 评测时，Agent-G²在 ALFWorld 上分别超过最强的提示式、无提示和 Aux-RL 基线 2.3、3.9 和 7.4 个点，同时 rollout 成本不足逐样本探测方法的三分之一。

用途与启示
  • 将专家提示长度视为分布而非单一超参数，可适应不同任务及不同难度样本的异质性。
  • 复用策略优化阶段已经采集的 rollout 统计量，避免专门探测引导深度带来的高额交互成本。
  • 为奖励稀疏的长程智能体训练提供一种低成本课程调节机制，也可推广到演示截断、起始状态选择和任务难度采样。
📝 原始笔记（逐字保留）
标题：Agent-G$^2$: Gaussian Guidance for Agentic Reinforcement Learning 来源：arXiv 链接：https://arxiv.org/abs/2608.23318 摘要：Hint-based reinforcement learning addresses reward sparsity in long-horizon agentic tasks by retaining a prefix of an expert trajectory before each rollout, letting the policy explore from a state closer to success. Its effectiveness hinges on the guidance depth: how much of the trajectory to keep. Existing methods treat this depth as a deterministic scalar. Scheduled approaches share one value across samples and ignore per-task heterogeneity; per-sample probing estimates it separately at the cost of extra rollouts. We find that useful guidance occupies a band of depths whose informativeness profile is approximately Gaussian around the band center, rather than concentrating at a single optimal point. We propose Agent-G$^2$, a Gaussian guidance framework that draws the depth per task from a

ERPO：以环境正则化破解策略优化的稳定—探索困境

ERPO 将漂移约束从响应侧 Policy-KL 转移到查询侧 Query-KL，在保留策略探索能力的同时提升 LLM 强化学习的稳定性与数学推理准确率。 [合并自 2026-08-26 erpo-llm] ERPO以输入侧Query-KL替代动作侧Policy-KL，在不直接约束回答分布的情况下控制训练查询漂移，并提升数学推理训练的准确性与稳定性。

子主题：环境正则化 arXiv 

 策略优化 强化学习 探索与利用 数学直觉 环境正则化 查询漂移 输入正则化

论文指出，传统Policy-KL让大模型策略优化陷入稳定性与探索能力的两难：保留它会压缩动作侧探索空间，移除它又缺少显式漂移控制。作者提出环境正则化策略优化ERPO，将约束从回答侧转移到输入侧，通过Query-KL限制当前策略诱导的训练查询分布偏离强化学习前的参考分布。其梯度仅经过查询似然，不直接作用于回答分布，因此能够保留策略探索能力；同时使用基于静态数据集参考分布的逐查询权重，使更新偏向参考分布中的典型查询。ERPO可直接接入GRPO、PPO和REINFORCE流程，无需额外前向计算，并在六个数学推理基准上取得更高准确率及更稳定的高温、长程训练表现。

[合并自 2026-08-26 erpo-llm] ERPO 针对 LLM 策略优化中稳定性与探索之间的矛盾，提出在输入环境侧而非动作响应侧施加正则化。方法通过 Query-KL 约束当前策略诱导的训练查询分布相对强化学习前参考分布的漂移，并利用静态参考分布生成逐查询权重。QKL 的梯度仅流经查询似然，不直接约束响应分布，因此不会消耗动作侧的探索预算。该方法无需额外前向传播即可接入 GRPO、PPO 和 REINFORCE，并在六个数学推理基准上提升准确率及高温解码、长程训练下的稳定性。

用途与启示
  • 为大模型强化学习提供一种不直接压制回答探索的漂移控制机制。
  • 可作为Policy-KL的替代方案，尤其适合高温采样和长训练周期场景。
  • 启示策略正则化不必局限于动作分布，也可通过约束策略诱导的环境或输入分布实现稳定训练。
  • ERPO无需增加前向计算，便于集成到现有GRPO、PPO及REINFORCE训练管线。

[合并自 2026-08-26 erpo-llm]

  • 为解决 Policy-KL 抑制响应探索的问题提供输入侧正则化替代方案。
  • 可用于增强 GRPO、PPO、REINFORCE 等 LLM 强化学习管线的分布漂移控制。
  • 提示策略优化系统应同时监控训练查询分布，而不只关注响应策略偏移。
  • 对高温采样和长周期训练场景中的稳定性优化具有直接工程价值。
📝 原始笔记（逐字保留）
标题：Beyond the Stability-Exploration Dilemma: Environmental Regularization for LLM Policy Optimization 来源：arXiv 链接：https://arxiv.org/abs/2608.23311 摘要：Policy optimization (PO) for Large Language Models faces a stability--exploration trade-off, currently mediated by an action-side Policy-KL regularizer. This puts practitioners in a double bind: keeping Policy-KL constrains response behavior and consumes the action-side exploration budget, while dropping it leaves the optimization without an explicit drift control. We argue for an alternative that breaks the dilemma by moving regularization to the input side. As training progresses, the distribution over training queries induced by the current policy drifts unchecked from its pre-RL reference distribution. Concretely, Environment-Regularized Policy Optimization (ERPO) introduces a Query-KL (QKL) term that bounds this query distribution shift, together with a dataset-static reference-derive [合并自 2026-08-26 erpo-llm] [超越稳定性—探索困境：用于 LLM 策略优化的环境正则化（15 ▲）](https://huggingface.co/papers/2608.23311?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-08-25)
0%