LLM-DailyDigest
LLM-DailyDigest

2026-10-19 科研追新

LLM-DailyDigest
  采集 10-18 12:12 ~ 10-19 10:27  约 1600 字 预计阅读 4 分钟 

当日精选（由提交工具自动创建）。

今日概览

对当前研究的启发

  • MemoryEvolve：TIDER 的时序定位、GLOBE 的字段级行为记忆与 MemCompile 的证据编译可组合成“学习写入—时序寻址—按查询压缩”的长期记忆流水线。
  • AgentTrainEvolve：Reward Engine、TreeOPSD 与 WebCoder 表明，长程 Agent RL 可围绕自动生成验证器、分支级回报传播和可执行产物反馈统一设计信用分配。
  • AgentEvolve：Darwin-Claw：环境自适应的递归自进化智能体经验整合框架 与 CDSE 提示应将情景经验、原型、元认知和脚本技能分层更新，而非把所有经验压入单一记忆库。
  • Awesome-RSI：LM2LM 用可扩展代理奖励配合周期性真实实验校准，为评估 RSI 是否持续产生真实改进而非代理目标过拟合提供了可复用范式。
  • ResearchEvolve：DiscoveryRSI、Self-Building Labs 与 DrugHarness 展示了从假设搜索到实验基础设施和独立验证的端到端科研自进化链路。
  • CodeEvolve：WebCoder 将可执行前端产物转化为训练反馈，MetaCurate 自动演化轨迹筛选器，可共同降低仓库级编码 Agent 的环境与高质量数据构建成本。
  • DataEvolve：MetaCurate 说明数据策展器本身可以作为可执行程序被演化，并以成对评判替代大量人工编写的任务专用筛选规则。
  • EnvironmentEvolve：OfficeTown 将组织、任务、上下文和反馈持续生成化，可作为工作场景 Agent 自动课程与长期演进环境的原型。
  • JevEvolve：RIVET 的多轮价值估计与 Jev 的产业采用共同支持“高频步骤用快决策、低置信度步骤升级慢模型”的在线路由架构。
  • EvolveLRM：VERITAS 对内部计算偏移的定位可与不完美验证器下的预算分配结合，用于避免把相关错误产生的额外测试时计算误判为有效证据。
  • HarnessEvolve：DrugHarness 将工具、轨迹归纳和独立验证模块化，提供了让科研 Agent harness 自身参与技能演化与质量控制的具体实现路径。

由当日整备时的 LLM 从全部条目中挑选，完整展开。

LM2LM：语言模型学习改进语言模型

LM2LM利用研究世界模型提供可扩展的代理奖励，并通过周期性真实实验校准反馈，使语言模型能够学习提出有效且可泛化的模型改进方案。

★ 3 子主题：递归自我改进 arXiv  EvolveLLM Awesome-RSI ResearchEvolve

 递归自我改进 模型训练 强化学习 世界模型 自动化科学研究

LM2LM通过强化学习训练语言模型生成能够提升其他语言模型的开发提案，探索递归自我改进路径。其研究世界模型（RWM）以真实实验记录为上下文，预测候选提案的性能增益，从而替代成本高昂的大规模训练实验。为缓解策略优化引发的分布偏移和奖励高估，系统会周期性执行RWM排名靠前的当前策略提案，并将实测结果补充到上下文中。在八个自回归与扩散语言模型开发环境的留出任务上，LM2LM训练的Qwen3.8-27B优于获得300条真实实验记录作为上下文的GPT-6-sol，同时将数据生成成本降低33%，并可泛化至训练期间未见的模型家族。

用途与启示
  • 为自动化语言模型研发提供一种以代理反馈替代大量真实训练实验的低成本方案。
  • 展示研究世界模型可作为强化学习奖励模型，但需通过周期性真实执行抑制分布偏移和奖励高估。
  • 为跨模型家族迁移的递归自我改进系统提供可扩展训练范式。
  • 启发构建“提案生成—代理评估—真实验证—反馈更新”的闭环模型开发流程。
📝 原始笔记（逐字保留）
标题：Language Models Learn to Improve Language Models 来源：arXiv 链接：https://arxiv.org/abs/2610.23344 摘要：Large language models (LLMs) are increasingly used to automate AI research, including language-model (LM) development, offering a potential path toward recursive self-improvement. However, turning experimental feedback into a learned ability to propose effective improvements across models faces two challenges. First, training such an ability with real feedback is expensive: reinforcement learning (RL) requires evaluating tens of thousands of proposals, each potentially requiring a full model-training run. Even at ten GPU-hours per run, reward collection alone would consume hundreds of thousands of GPU-hours, motivating a cheaper surrogate. Second, surrogate feedback can become unreliable as policy optimization favors overestimated proposals when the proposal distribution shifts. To address

Reward Engine：面向开放式工具智能体的奖励中心自进化

Reward Engine 从任务与初始轨迹中构建并冻结包含测试用例和质量量规的 RewardPack，为缺乏可执行真实奖励的开放式工具智能体提供可验证奖励并驱动自我改进。

★ 3 子主题：奖励建模 arXiv  AgentEvolve AgentTrainEvolve

 奖励建模 智能体 自演化 工具调用 过程评估

Reward Engine 面向可通过多种工具路径完成、且质量同时取决于交互轨迹、环境状态和最终产物的开放式任务。它根据任务和初始执行轨迹生成 RewardPack，其中包含验证必要正确性的测试用例，以及衡量渐进式质量的评分量规，每项检查都会返回判断及相应证据。RewardPack 在优化期间保持冻结，可用于修订和筛选智能体输出，也可直接充当强化学习奖励。在 WorkBuddy Bench Office 和 Claw-Eval 上，其奖励对 82.3% 和 80.5% 的候选对未颠倒基准评分排序，并将三次运行一致性 Pass³ 分别从 45.0% 提升至 54.0%、从 78.4% 提升至 83.7%。

用途与启示
  • 为没有可执行标准答案的开放式工具任务提供基于经验的奖励构建方案。
  • 通过冻结 RewardPack，减少奖励随策略优化同步漂移所引发的不稳定性。
  • 将测试用例、质量量规和证据判断统一为可执行检查，可支持输出修订、候选选择与强化学习。
  • 提示智能体自进化系统可先显式归纳成功条件，再围绕稳定奖励开展闭环优化。
📝 原始笔记（逐字保留）
标题：Reward Engine: Reward-Centric Self-Evolution for Open-Ended Tool Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.22915 摘要：Open-ended tool agents can complete the same objective through different tool paths, and their quality depends jointly on the interaction trace, environment state, and final artifacts, so such tasks rarely admit an executable ground-truth reward. The central challenge is therefore to construct a reward from existing experience that exposes the current policy's failures while remaining stationary during optimization. We introduce Reward Engine, which, like a self-motivated student, first works out what success requires and then optimizes toward it. From the task and initial trajectories, it builds a RewardPack of testcases for required correctness and rubrics for graded quality, each executed as a check that returns a judgment with evidence. The frozen RewardPack then guides the agent to re

Self-Building Labs：自主构建科学实验室

Self-Building Laboratory（SBL）可根据高层科学目标自主设计、配置并运行实验室，自动补齐空间布局、数字孪生、机器人技能与实验工作流。

★ 3 子主题：自动化科学研究 arXiv  ResearchEvolve RobotEvolve EnvironmentEvolve SystemEvolve

 自动化科学研究 科学发现 实验执行 具身智能 多智能体协作

SBL 将自驱动实验室从“执行预设流程”扩展为可自主搭建实验能力的系统。它能够从空房间或现有 SDL 出发，根据科学目标生成实验室布局、数字孪生、机器人技能和实验工作流。该系统适配不同机器人与实验配置，并可从单工作站扩展到多机器人协作实验室。作者通过真实的量子点合成实验验证了其端到端能力，使研究人员可将重心从设备配置与自动化编程转向科学目标定义。

用途与启示
  • 降低新实验接入自动化实验室时所需的人工工程与设备编程成本。
  • 为实验环境、机器人技能和科研工作流的联合自动生成提供系统化范式。
  • 支持跨机器人、跨实验配置和多机器人场景的可扩展科学自动化。
  • 推动科研人员从具体实验设施配置者转变为高层科学目标与约束的制定者。
📝 原始笔记（逐字保留）
标题：Self-Building Labs 来源：arXiv 链接：https://arxiv.org/abs/2610.23826 摘要：Self-driving laboratories (SDLs) accelerate scientific discovery by automating experimental execution and optimization. AI agents can increasingly propose new experiments, but existing SDLs can only run the procedures they were built for. Adapting them to a new experiment still takes extensive manual engineering, which makes laboratory flexibility the bottleneck for scaling discovery. We introduce the self-building laboratory (SBL), which designs, configures, and operates its own laboratory setup given a high-level scientific goal. SBL starts from whatever already exists, from an empty room to a working SDL, and builds the missing capabilities: the lab layout, its digital twin, robot skills, and experimental workflows. We demonstrate the system working across different robots and setups, s

DiscoveryRSI：递归学习发现高价值科学假设

DiscoveryRSI通过多智能体演化研究假设树、假设信用优化、流程回放与再发现机制，从可追溯的科研轨迹中并行优化模型和工作流，递归提升科学假设的价值、可检验性与研究进展。

★ 3 子主题：递归自我改进 arXiv  ResearchEvolve Awesome-RSI AgentTrainEvolve HarnessEvolve

 自动化科学研究 递归自我改进 科学发现 多智能体系统 自演化 科研智能体 持续学习 信用分配 智能体

DiscoveryRSI将高价值且可检验的假设定义为有证据支撑、面向关键不确定性的主张，并要求配有可行调查、明确决策标准和替代解释，由多智能体协作生成、批评和修订。框架将假设版本、检验方案、证据、评审、贡献及执行记录组织为研究假设树，并把选定调查编译为可执行的 Harbor 任务。Hypothesis Credit Optimization 通过盲评比较，将科学评价归因到关键证据、实验对照和设计修复等可追溯贡献，仅监督有依据的回答与工具调用，并用于训练 DiscoveryRSI-27B；Harness Replay 与 Rediscovery 则在保持模型不变的分支中诊断重复探索、工具失败和产物丢失等问题，总结有效策略与失败模式以支持工作流优化和跨任务复用。DFM-Bench 从假设、修订、发展路径和完整研究运行等层面评估质量与累积进展；在四个生命科学领域中，两轮自我改进使留出问题的平均评分由 4.86 提升至 5.39，专家认为 41% 的修订带来提升，但改进主要集中于方案设计，假设的重要性、新颖性和实验验证仍有限。系统生成的假设与后续文献形成具体研究联系的比例为 6.3%，虽高于对照模型，但该结果属于样本量不等条件下的自动化描述性比较，不能证明假设已被后续研究采纳或验证。

用途与启示
  • 为科研智能体提供从假设生成、证据检索、实验任务编译和方案修订到模型更新与工作流优化的闭环递归改进范式。
  • 利用研究假设树、盲评比较与有界贡献归因，将长期多智能体科研过程中的有效行为转化为可审计、可训练的监督信号，减少含噪轨迹和错误归因的影响。
  • 通过流程回放识别重复探索、工具失败和产物丢失等问题，提炼高产研究策略，并借助再发现机制实现跨任务经验复用和工作流持续演化。
  • DFM-Bench 可同时评估单个假设、修订质量、研究路径及完整研究运行的累积贡献，而非仅评价最终答案。
  • 后续文献对照可辅助衡量假设的潜在启发性，但仍需提升评价器独立性及其与专家判断的一致性，并通过人工审查、真实实验和长期追踪完成验证。
📝 原始笔记（逐字保留）
标题：DiscoveryRSI: Recursively Learning to Discover Valuable Hypotheses 来源：arXiv 链接：https://arxiv.org/abs/2610.23839 摘要：Scientific discovery requires developing worthwhile hypotheses into practical investigations, yet learning from this evolving research process remains challenging. We introduce an operational definition of valuable and testable research hypotheses: evidence-grounded claims about consequential uncertainties, coupled with feasible investigations, explicit decision criteria, and alternative explanations. Our DiscoveryRSI framework develops hypothesis trees through multi-agent evolutionary search, compiles selected investigations into executable Harbor tasks, and recursively learns through three mechanisms: hypothesis credit optimization attributes scientific assessments to documented research contributions; harness replay identifies productive strategies and recurring failures to refine resea [合并自 2026-10-20 discoveryrsi-agent] 标题：直播中｜Claude垫底，GPT表现不佳，PhAI Labs用DiscoveryRSI探索科研Agent自我进化 来源：机器之心（微信公众号） 链接：http://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651068408&idx=1&sn=3d762a23bad4d8ea4a1ddd3d23e6ae50&chksm=850941ff4e8ad6238d752c8c8c5585441fa85e50b4a91a1d86b0d0eb6bc08e87e902db77512c&scene=0&xtrack=1#rd 摘要： [合并自 2026-10-21 discoveryrsi] https://mp.weixin.qq.com/s/y6xAtJyVbI0uGQ_o2zZ74g

Darwin-Claw：环境自适应的递归自进化智能体经验整合框架

Darwin-Claw 通过分层整合情景经验、动态更新原型向量并协同优化技能与长期记忆，实现自主智能体稳定、可控且面向用户环境的递归自进化。

★ 3 子主题：递归自我改进 arXiv  AgentEvolve MemoryEvolve Awesome-RSI

 递归自我改进 自演化 经验学习 智能体记忆 持续学习

Darwin-Claw 针对智能体会话相互隔离、难以从历史交互中持续学习并适应用户特定环境的问题，提出环境自适应的自进化框架。其分层经验整合系统从情景轨迹中提取细粒度错误归因，并将其泛化为可动态更新的原型向量，避免直接注入原始轨迹造成行为模式模糊和更新失控。结构化情景经验既可作为上下文感知的交互补丁，也可充当技能改进的显式优化信号，从而联合演化操作技能与长期记忆。该框架基于 agent-actor 与 evolver-critic 的迭代协同适应，无需人工策展且兼容主流智能体系统，并在 WildClawBench 上取得显著性能提升。

用途与启示
  • 为智能体从原始轨迹存储转向结构化经验整合提供可部署方案，降低记忆噪声和更新失控风险。
  • 通过错误归因与经验原型化，使历史交互能够同时支持情境感知、技能优化和长期记忆更新。
  • 展示递归自进化瓶颈正从通用知识积累转向用户环境中的情景经验管理。
  • 可用于构建能够长期适应个体用户和真实环境的持续学习型自主智能体。
📝 原始笔记（逐字保留）
标题：Darwin-Claw: Environment-Adaptive Experience Consolidation for Recursively Self-Evolving Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.23574 摘要：While Large Language Model (LLM) agents have demonstrated remarkable capabilities across complex tasks, they predominantly operate in isolated sessions, lacking the ability to continually learn from historical interactions or adapt to user-specific environments. Existing self-evolution paradigms often indiscriminately inject raw interaction trajectories into memory or skill modules, leading to obscured behavioral patterns and compromised update controllability. Furthermore, as foundational LLM reasoning improves, the bottleneck for agentic evolution shifts from accumulating generic knowledge to effectively managing situational experience. To address this, we propose Darwin-Claw, an environment-adaptive self-evolving framework that systematically distills episodic experiences to drive the c

TIDER：强化学习引导的长程智能体记忆时序定位与双通道检索

TIDER通过强化学习训练时间区间定位器，并融合时序与语义双通道检索，在LifeBench和LoCoMo长程记忆基准上取得领先准确率。

★ 3 子主题：长期记忆 arXiv  MemoryEvolve AgentEvolve

 智能体记忆 强化学习 检索增强生成 时序推理 长程智能体

TIDER针对长程智能体记忆中语义相似但时间不匹配的候选挤占目标证据问题，将时间约束前移至检索阶段。其核心是一个经强化学习训练的时间区间定位器，把非可微的窗口定位视为离散检索决策，并利用复合奖励将稀疏答案监督转化为细粒度检索反馈。系统先依据预测时间窗口执行时序通道检索，再与语义通道结果合并，并按照候选与时间窗口的接近程度重排序。采用轻量级1.7B定位器后，TIDER在LifeBench和LoCoMo上分别达到61.52%和78.96%的准确率，较既有结果提升8.82和3.66个百分点。

用途与启示
  • 表明长程记忆检索不能仅依赖词法或语义相似度，应在候选生成阶段显式引入时间约束。
  • 展示了用强化学习优化离散、不可微检索决策的可行路径，可用于训练时间窗口定位器或其他检索路由模块。
  • 双通道召回与时序重排序可作为智能体长期记忆系统的通用设计，兼顾语义相关性和事件时间一致性。
  • 轻量级定位器即可带来显著增益，为控制长程智能体的检索成本提供了实践参考。
📝 原始笔记（逐字保留）
标题：RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory 来源：arXiv 链接：https://arxiv.org/abs/2610.23598 摘要：Time-aware retrieval is crucial for long-horizon LLM agents to effectively leverage ever-growing long-term memory. Existing methods focus on lexical or semantic similarity, leading to target memories being crowded out by temporally mismatched yet semantically similar candidates. Even time-aware approaches inject temporal cues only during memory organization or answer generation, overlooking temporal constraints at the retrieval stage, where candidate selection occurs - the root cause of the displacement. Inspired by the temporal contiguity effect in human episodic memory, we propose TIDER (Temporal Interval-driven Dual-channel Evidence Retrieval), a time-aware agentic retrieval framework. Central to TIDER is a reinforcement learning (RL)-trained temporal interval locator that infers the te

GLOBE：面向生成式搜索商品优化的结构化智能体记忆演化

GLOBE通过编辑、反思、审核与策展闭环，将商品排名反馈沉淀为可解释、可迁移的字段级行为记忆，持续改进生成式搜索中的商品信息优化。

★ 3 子主题：长期记忆 arXiv  MemoryEvolve AgentEvolve

 智能体记忆 自演化 智能体 持续学习 经验复用

GLOBE将商品标题、描述等结构化字段的优化策略保存为显式的字段级行为手册，而非隐含在提示词或历史轨迹中。每轮中，Editor依据相关行为改写商品信息并获得基于排名的反馈，Reflector再将反馈转化为行为更新建议。Moderator负责删除冗余提案，Curator提交通过审核的变更，同时停用持续产生负面效果的行为，以降低实际执行风险。实验表明，结构化行为记忆优于单体提示优化，反馈驱动的演化与审核机制还能提升效果，并使策略迁移至未见商品类别。

用途与启示
  • 为生成式搜索优化提供一种可持续积累、可审计的智能体经验表示方式。
  • 说明将情景反馈显式转化为字段级行为，比仅优化整体提示词更有效且更易解释。
  • Moderator、Curator与有害行为停用机制可用于控制持续学习过程中的策略退化风险。
  • 跨商品类别的迁移结果表明，结构化记忆可支持智能体经验复用与泛化。
📝 原始笔记（逐字保留）
标题：GLOBE: Evolving Structured Agentic Memory for E-commerce Product Optimization in Generative Search 来源：arXiv 链接：https://arxiv.org/abs/2610.23709 摘要：Optimizing product listings for generative search requires language agents not only to rewrite effectively but also to continually self-improve by retaining successful strategies across diverse categories. However, existing approaches often treat structured listings as free-form text, leaving effective strategies implicit in prompts, search trajectories, or rewritten outputs rather than accumulating them as a reusable agentic memory. To address this limitation, we introduce GLOBE, an agentic framework that drives continual self-improvement by storing optimization knowledge in an evolving handbook of explicit, field-scoped behaviors. In each episode, an Editor applies relevant behaviors and receives rank-based feedback, which a Reflector converts into behavior updates. Crucially for dependa

WebCoder：基于可执行产物反馈的通用前端开发智能体

WebCoder通过以可执行前端产物为依据的智能体强化学习、分段信用分配与长轨迹训练，显著提升复杂前端开发任务的需求满足率。

★ 3 子主题：智能体训练 arXiv  AgentTrainEvolve CodeEvolve

 人工智能辅助编程 智能体 强化学习 长程任务 信用分配

WebCoder面向真实前端开发中的复现、生成、修改与修复任务，围绕持续演化的应用状态学习通用开发策略。Webdev-World将代码编辑、应用执行、浏览器检查和按需技能整合到保留项目状态的可执行环境中，并由独立验证器根据最终应用是否满足需求提供终局奖励。该方法依据中间产物的进展变化，将轨迹优势重新分配至不同开发阶段，同时利用上下文压缩和消息树样本构造训练超出单一上下文窗口的长轨迹。在Webdev-Bench上，WebCoder-27B将基础模型的需求满足率从64.8提升至72.8，并在Vision2Web上将视觉与功能综合得分从41.1提升至62.4。

用途与启示
  • 为前端开发智能体提供统一的奖励接口：将异构执行反馈归一到可执行产物及任务需求满足度上。
  • 通过产物进展驱动的分段信用分配，缓解长序列开发操作中的稀疏终局奖励问题。
  • Webdev-World可作为代码编辑、浏览器检查、应用执行与技能调用一体化的训练环境设计参考。
  • 上下文压缩与消息树样本构造为跨上下文窗口的长程智能体训练提供了可扩展方案。
📝 原始笔记（逐字保留）
标题：WebCoder: Scaling General Frontend Development with Artifact-Grounded Agentic Reinforcement Learning 来源：arXiv 链接：https://arxiv.org/abs/2610.23104 摘要：Real-world frontend development requires agents to compose reproduction, generation, modification, and repair over an evolving application state. Learning a general policy for this process requires translating heterogeneous execution feedback into task-aligned rewards and effective credit assignment across long sequences of interdependent actions. We introduce WebCoder, a general frontend development agent trained with artifact-grounded agentic reinforcement learning. Our key idea is to assess diverse development activities through their effects on a shared executable artifact and its satisfaction of task requirements. We build Webdev-World, an executable environment that integrates code editing, application execution, browser inspection, and on-demand skills while preserving project state

Jev成Vercel平台采用最快的轻量级决策模型

TypeSafe AI的轻量级决策模型Jev发布两周即获Vercel平台35%付费团队采用，凭借受限输出设计实现低成本、高速分类并创下平台普及纪录。

★ 3 子主题：产业动态分析 AIbase  JevEvolve

 人工智能应用 成本优化 模型开发 系统优化

  • Vercel AI网关数据显示，Jev限量发布两周内已被35%的付费团队采用，覆盖率接近Sonnet 5.5的两倍。
  • Jev通过限制预设输出数量来降低推理成本并提高响应速度，主要适用于大规模快速分类等决策任务。
  • Vercel已使用Jev替代GPT-6 Luna执行有害指令识别，OpenAI和亚马逊也被指已推出同类竞品。
  • 报告还称，开源模型占平台处理代币量的70%以上、总支出的近25%，显示轻量级模型与开源生态正加速进入实际业务。
用途与启示
  • 为高吞吐量分类、内容安全识别等输出空间有限的任务提供低成本模型选型参考。
  • 表明限制输出空间可能成为提升决策模型推理效率和部署经济性的有效路径。
  • Vercel AI网关的采用数据可用于观察模型商业渗透速度及开源模型的市场变化。
  • 提示开发者根据任务复杂度进行模型分层，避免在简单决策任务中调用高成本通用模型。
📝 原始笔记（逐字保留）
标题：Vercel数据表明决策模型Jev成史上采用最快AI模型 来源：AIbase 快讯（aibase.com） 链接：https://www.aibase.com/zh/news/31708 摘要：Vercel周四数据显示，TypeSafe AI的轻量级决策模型Jev推出两周内获35%付费团队采用，覆盖率达第二名Sonnet5.5近两倍，创平台最快普及纪录。Jev于9月15日限量发布，通过限制预设输出数量实现更快、更低成本，适合快速分类大量数据，并促使OpenAI、亚马逊推出竞品。Vercel为早期采用者。

TreeOPSD：面向长程智能体强化学习的树感知后验蒸馏

TreeOPSD通过树状分支、终局奖励递归回传与有界后验自蒸馏，在无需评论家或外部教师的情况下改善长程智能体强化学习的信用分配和策略陈旧问题。

★ 3 子主题：信用分配 arXiv  AgentTrainEvolve

 强化学习 信用分配 长程任务 自蒸馏 智能体

TreeOPSD将长程交互中的每一轮视为树节点，从共享前缀生成多种后续分支，并递归回传终局奖励以构造隐式的轮次级信用信号。该框架不依赖价值网络、步骤级标注、过程奖励模型或更强的外部教师。它基于相对冻结行为策略的似然比，将信用映射为闭式且有界的教师分布，使学生策略沿策略梯度方向更新，同时避免固定轨迹批次上的连续小批量更新过冲。实验显示，TreeOPSD在多个智能体基准与模型规模上均有提升，其中使Qwen3-30B-A3B-Thinking-2507在Deep Research设置下的平均准确率较GRPO提高4.97个百分点。

用途与启示
  • 为仅提供终局可验证奖励的长程任务提供无需评论家的细粒度信用分配方案。
  • 通过有限、有界的蒸馏目标缓解离线轨迹批次连续更新产生的策略陈旧与更新过冲。
  • 树状替代续写可复用共享交互前缀，为搜索型、研究型智能体的强化学习训练提供更高效的轨迹利用方式。
  • 说明后验自蒸馏可以同时承担奖励传播和策略约束功能，降低长程智能体后训练的系统复杂度。
📝 原始笔记（逐字保留）
标题：Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning 来源：arXiv 链接：https://arxiv.org/abs/2610.23181 摘要：Reinforcement learning with verifiable rewards has become a scalable post-training paradigm for large language models. However, training agents over long-horizon interactions presents two challenges: using only terminal rewards makes turn-level credit assignment sparse and high-variance, while sequential mini-batch updates on a fixed rollout batch introduce policy staleness as the current policy drifts from the behavior policy. Existing approaches obtain denser credit via learned critics, process reward models, or on-policy distillation, but they rely on a value network, step-level annotations, or a stronger external teacher that increase training complexity. Meanwhile, importance sampling and clipping mitigate policy drift, but they do not specify a finite target that stops sequential upd

OfficeTown：生成式组织仿真促进智能体持续演进

OfficeTown通过生成持续运作的专业组织及其任务、上下文和反馈，为通用智能体构建工作场景化的评测与训练环境。

★ 3 子主题：环境合成 arXiv  EnvironmentEvolve AgentTrainEvolve DataEvolve SwarmEvolve MemoryEvolve

 环境合成 智能体 数据合成 多智能体系统 模型评估

OfficeTown 可根据组织目标与活动的自然语言描述，初始化包含协作、任务委派和交付物审核流程的模拟专业组织。组织中的文件、决策和未解决事项会跨任务持续保留，并由职责与权限控制成员可访问的信息和可执行的操作。作者据此构建 OfficeTown Bench，涵盖八个专业领域、23 个模拟组织、406 项任务和 4,836 条评估标准，并引入领域专家反馈。基于 OfficeTown 数据的监督微调与在策略蒸馏显著提升了 Qwen3.5-9B 在 GDPval 等外部专业工作基准上的表现，且 principal–assistant 执行框架优于所测试的单智能体和多智能体基线。

用途与启示
  • 为专业办公智能体提供具备持续状态、组织权限和审核反馈的真实工作仿真环境。
  • 将组织运行中产生的任务、上下文及评审意见转化为可执行的评测与训练资源。
  • 表明生成式组织仿真可用于扩充工作场景数据，并支持监督微调和在策略蒸馏。
  • 提示智能体执行框架的角色分工与委派机制可能比简单增加智能体数量更重要。
📝 原始笔记（逐字保留）
标题：OfficeTown: Generative Organizations for Evolving Agent Intelligence 来源：arXiv 链接：https://arxiv.org/abs/2610.23194 摘要：AI agents increasingly use files and software tools to produce professional deliverables. Such work draws on materials, decisions, and feedback accumulated across assignments. We introduce OfficeTown, a generative simulation framework for professional organizations in which tasks and their context arise from continuing organizational work. From a natural-language description of an organization's purpose and activities, OfficeTown initializes an organization whose members coordinate work, delegate bounded assignments to assistant agents, and review their deliverables. Artifacts, decisions, and unresolved matters persist and shape subsequent work, while responsibilities and permissions determine what each member can see and do. We curate work requests, their context, and review feedback into

VERITAS：通过计算言语化检测思维链忠实性

VERITAS利用逐层雅可比投影言语化模型在思维链生成过程中的内部计算轨迹，从而检测并解释推理何时、何处偏离忠实性。

★ 3 子主题：可信推理 arXiv  EvalEvolve EvolveLRM LogicEvolve

 人工智能可解释性 过程验证 推理 思维链安全 人工智能可靠性

VERITAS针对现有思维链验证方法难以解释不忠实推理形成过程的问题，对模型内部计算进行逐词、逐层的言语化分析。该方法使用逐层雅可比投影，追踪不同推理锚点如何产生、跨层传递并最终体现于输出。研究者基于计算轨迹中提取的结构化特征训练分类器，用于定位推理向不忠实方向分化的位置与过程。在FaithCoT-Bench和BonaFide的四个数据集上，VERITAS相较LLM-as-Judge的平衡准确率提升28.4%，相较激活探测平均提升16.0%，且可泛化至不同数据集和模型架构。

用途与启示
  • 为思维链忠实性检测提供兼具性能与可解释性的内部计算分析方案。
  • 可用于定位推理失真在生成步骤和网络层级中的起点，辅助开展失效模式诊断。
  • 表明动态计算轨迹比输出检查或静态激活探测包含更丰富的忠实性信号。
  • 可为思维链安全审计、过程验证及模型内部机制分析提供技术基础。
📝 原始笔记（逐字保留）
标题：Verbalising Model's Computation for Chain-of-Thought Faithfulness Detection 来源：arXiv 链接：https://arxiv.org/abs/2610.23275 摘要：Current Chain-of-Thought (CoT) verification methods detect reasoning faithfulness from model outputs or static activations, but are limited in explaining how unfaithfulness develops during generation. We introduce VERITAS to verbalise the model's computation: how different reasoning anchors emerge, transfer across layers, and surface in the output. VERITAS adopts the layer-wise Jacobian projection to produce a verbalised account of the model's internal reasoning evolution at each generated CoT token. By training a classifier on the extracted features along the traces, we show that these structured features provide insightful perspectives on how and where reasoning diverges toward unfaithfulness. Experiments on four datasets from FaithCoT-Bench and BonaFide show that VERITAS achieves a sign

RIVET：面向成本感知多轮 LLM 路由的响应知情价值估计

RIVET利用训练阶段可见的调用响应改进逐轮价值估计，在部署时仍基于调用前信息路由，并以降低74.7%调用成本的同时提升MINT任务成功率。

★ 3 子主题：模型路由 arXiv  JevEvolve AgentTrainEvolve

 模型路由 成本优化 长程任务 模型训练

RIVET面向多轮交互中间路由决策缺少独立成功标签的问题，从历史轨迹的实际响应中提取逐轮监督证据。它在共享的状态—候选模型表征上联合训练两个价值估计器：部署用估计器仅访问调用前信息，训练用估计器则额外观察实际响应。响应条件化将由回答质量引起的回报变化从残余噪声转化为可观测协变量，并降低共享表征的主要渐近估计误差。在MINT基准上，该方法比最强多轮基线完成更多留出任务，同时将总调用成本降低74.7%。

用途与启示
  • 为多轮智能体按轮选择不同成本与能力的模型提供更精细的信用分配方案。
  • 展示了如何利用仅在训练阶段可见的响应信息增强价值估计，同时避免部署时的信息泄漏。
  • 可用于构建兼顾任务成功率和调用预算的动态模型路由系统。
  • 启示路由训练应充分利用日志轨迹中的中间响应，而非只依赖会话结束后的整体结果。
📝 原始笔记（逐字保留）
标题：Response-Informed Value Estimation for Cost-Aware Multi-Turn LLM Routing 来源：arXiv 链接：https://arxiv.org/abs/2610.23239 摘要：Multi-turn LLM routing selects a model at every turn before its response is available, yet task success is revealed only when the interaction ends, leaving each intermediate choice without a label of its own. Logged trajectories, however, retain the response each call produced, which exposes what each turn required and how well the chosen model served it, evidence that outcomes alone hide. We introduce RIVET (Response-Informed Value Estimation for Turn-Level Routing), which exploits this post-call evidence during training while keeping routing strictly pre-call at deployment. RIVET jointly trains two value estimators over a shared state-model representation: a deployable Routing Value Estimator that scores candidate models from pre-call information, and a training-only Response-Informed Va

MetaCurate：演化高质量编程智能体数据筛选器

MetaCurate利用成对LLM评判自动演化可执行的智能体轨迹筛选器，无需训练或人工编写任务专用标准即可提升编程智能体SFT数据质量。

★ 3 子主题：数据策展 arXiv  DataEvolve CodeEvolve

 数据策展 人工智能辅助编程 智能体 模型训练 自演化

MetaCurate针对仅凭任务成败难以判断编程智能体轨迹训练价值的问题，提出无需训练的自动化数据策展框架。该框架以成对LLM偏好判断为反馈，根据筛选器排序与评判结果之间的分歧，共同修订筛选规则、评价量规和聚合策略。搜索完成后，所得筛选器可独立为每条轨迹评分，不再需要持续进行成对比较。基于未筛选轨迹池和Nemotron v3 SWE数据集的受控SFT实验显示，该方法取得最高的平均SWE-Verified分数，并优于人工规则筛选及搜索成本高3.5倍的训练循环基线。

用途与启示
  • 降低编程智能体训练轨迹筛选对人工专家经验和手写规则的依赖。
  • 将LLM偏好反馈转化为可执行、可复用的筛选逻辑，减少反复训练验证的成本。
  • 提示数据策展不应只关注最终任务是否成功，还应评估推理效率、工具调用质量及失败轨迹中的有效中间步骤。
  • 可用于构建更高质量的智能体SFT数据集，并为数据筛选策略的自动演化提供范式。
📝 原始笔记（逐字保留）
标题：MetaCurate: Evolving Curation Filters for High-Quality Agentic Coding Data 来源：arXiv 链接：https://arxiv.org/abs/2610.23134 摘要：Supervised fine-tuning on agent trajectories is an effective way to improve coding agents, but selecting useful training examples requires more than identifying successful runs. A resolved patch may follow inefficient reasoning or unnecessary tool use, while a failed run may still contain useful intermediate steps. Training pipelines therefore rely on rules and qualitative assessments to filter trajectories, yet designing these filters typically requires substantial human expertise, and validating improvements through repeated training and evaluation is expensive. We introduce MetaCurate, a training-free framework that evolves executable trajectory curation filters using pairwise LLM judgments. Disagreements between the filter's rankings and the judge's preferences provide targeted feedbac

DrugHarness：面向计算药物发现的可演化智能体脚手架

DrugHarness通过组合80余种科学操作、基于轨迹与反馈归纳条件技能并实施独立验证，构建了贯通计算药物设计与实验验证的可演化智能体工作流。

★ 3 子主题：技能演化 arXiv  HarnessEvolve ResearchEvolve AgentEvolve SystemEvolve

 自动化科学研究 智能体脚手架演化 技能演化 执行反馈 生物信息学

DrugHarness将80余种科学操作、生物医学资源和任务专用代码整合为可组合的执行环境，并维护候选物、结果与实验产物之间的关联。系统从执行轨迹和结果反馈中归纳带有适用条件、推荐动作及支持证据的行动假设，再由独立审查智能体通过来源核验和定向执行试验筛选技能。回顾性评估显示，技能演化将Qwen的亲和力比较准确率从62.2%提升至81.1%，优化成功率从79.5%提升至87.2%。在前瞻性HPK1研究中，系统设计并合成的化合物达到14.19 nM的细胞IC50，效力较最佳输入参考物提升2.64倍，展示了从计算设计到实验验证的闭环能力。

用途与启示
  • 为药物发现智能体提供可组合、可审计且能随任务反馈持续演化的科学执行脚手架。
  • 通过显式记录技能适用条件和支持证据，降低经验复用时的错误迁移风险。
  • 展示独立审查智能体结合来源核验与定向试验，可作为科学技能准入和修订机制。
  • 证明智能体技能演化能够连接分子筛选、优化、约束设计与湿实验验证。
📝 原始笔记（逐字保留）
标题：DrugHarness: An Evolvable Agent Harness for Computational Drug Discovery 来源：arXiv 链接：https://arxiv.org/abs/2610.23791 摘要：Computational drug discovery requires agents to compose scientific operations and adapt to changing evidence and constraints. Here we introduce DrugHarness, an evolvable agent harness coupling composable scientific execution with conditional skill induction. Its environment integrates over 80 scientific operations, biomedical resources and task-specific code, preserving associations among candidates, results and artifacts. From execution trajectories and outcome feedback, DrugHarness induces action hypotheses with observable applicability conditions, recommended actions and supporting evidence. An independent review agent evaluates candidate skills derived from these hypotheses through source verification and, when needed, targeted execution trials. Admitted skills guide subsequent tasks a

点击标题展开完整内容；同子主题 3 条以上合并为专题卡。

CodeEvolve3 条
★2 编码智能体训练为何要重新审视源代码？ 机器之心 · 智能体训练 · 原文 编码智能体研究正将源代码从静态训练语料转变为可执行任务、验证 Oracle 与可复用技能的来源，以降低仓库级训练环境和数据构建成本。

★ 2 子主题：智能体训练 机器之心  CodeEvolve

 人工智能辅助编程 模型训练 数据合成 SWE 软件工程 执行验证

编码智能体已从单次代码生成扩展到仓库修改、测试执行和多轮调试，训练过程因而需要可交互环境与可靠的执行反馈。SWE-smith、R2E-Gym 等工作结合历史改动、已有测试和缺陷合成，规模化构建仓库级可执行任务。CodeMidas 进一步仅以源代码作为任务特定输入，从既有实现提取接口与可观察行为，移除目标实现形成开发起点，并以参考解和新建测试进行验证。由此，源代码不再只是预训练语料，也可同时承担任务定义、环境构建、验证 Oracle 和技能提取等角色。

用途与启示
  • 利用既有实现自动生成仓库级训练任务，减少对 issue、PR、commit 和人工规格说明的依赖。
  • 将参考实现及其可观察行为转化为验证依据，提高编码智能体执行反馈的可靠性。
  • 从真实代码库提取可复用的操作经验与技能，为长程软件工程任务训练提供低成本数据。
  • 启发训练数据管线围绕源代码构建“任务生成—执行验证—经验复用”的闭环。
📝 原始笔记（逐字保留）
标题：编码智能体训练为何要重新审视源代码？ 来源：机器之心（微信公众号） 链接：http://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651063676&idx=2&sn=4efaeeeca7b59e150446767a407b46c3&chksm=85205fdc8ba2cae47179eb0dfed8088e873920ea9287ff44aa42faaf9a5528553a9ae6a1df7d&scene=0&xtrack=1#rd 摘要：
★3 算法模型化：将优化算法转化为可演化智能 arXiv · 算法模型化 · 论文 论文提出算法模型化范式，将迭代优化轨迹视为计算经验，通过自回归建模和“模仿到超越”训练，使单一优化器能够整合多种算法知识并泛化至未见问题维度。

★ 3 子主题：算法模型化 arXiv  CodeEvolve SystemEvolve

 算法创新 模型训练 进化搜索 自演化 跨域泛化

论文将迭代算法转化为可训练模型，通过学习算法状态随迭代演化的规律，内化并复现已有算法的计算行为。作者把迭代优化建模为自回归过程，以先前种群世代作为计算上下文来生成下一代种群。所提出的维度无关种群—时间架构同时刻画种群成员交互与迭代动态，并采用“模仿到超越”框架从异构教师学习后，再利用优化反馈继续改进。所得优化器能够融合多种搜索知识，在训练后超越单一教师算法，并泛化到更大规模的未见维度。

用途与启示
  • 为将手工设计的优化算法转化为可持续训练、积累和演化的通用算法模型提供新路径。
  • 可利用不同优化器的执行轨迹进行知识整合，降低针对新问题反复手工设计算法的成本。
  • 维度无关架构表明，算法能力有望跨问题规模迁移，为通用学习型优化器和自动算法设计提供启示。
  • “先模仿、后基于反馈超越”的训练流程可作为整合异构教师与持续提升算法能力的通用范式。
📝 原始笔记（逐字保留）
标题：Algorithm Modelization: Transforming Optimization Algorithms into Evolvable Intelligence 来源：arXiv 链接：https://arxiv.org/abs/2610.23161 摘要：Can algorithms be learned and evolved as models, rather than repeatedly redesigned as programs? We explore this question by introducing Algorithm Modelization, a new paradigm that turns iterative algorithms into trainable models. Its central idea is to regard algorithm execution trajectories as computational experience: by learning how algorithmic states evolve over iterations, a model can internalize the knowledge embodied in existing algorithms, reproduce their computational behaviors, and further evolve beyond them through training. As a first realization of this paradigm, we modelize iterative optimization as an autoregressive process, where preceding generations constitute the computational context for generating the next population. We develop a dimension-independent population-tempo
★2 DeepSeek 发布 V4.1-Flash-1017 优化版 AI工具集日报 · 模型发布 · 原文 DeepSeek 发布 V4.1-Flash-1017，通过自反馈强化学习增强完整项目开发能力，并以更短运行时间和输出实现性能—费用帕累托改进。

★ 2 子主题：模型发布 AI工具集日报  CodeEvolve EvolveLLM

 模型开发 人工智能辅助编程 强化学习 成本优化 工具调用

DeepSeek 已将网页端、APP 和 API 同步升级至 V4.1-Flash-1017，模型权重已在 Hugging Face 与 ModelScope 开放。新版本在多项基准测试中提升性能，同时缩短任务运行时间和输出长度，并针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 等框架进行优化，在多个 Harness 环境中改善性能—费用平衡。模型采用基于自反馈的强化学习训练，增强了游戏开发、3D 建模及从零构建完整项目的“许愿式编程”能力。DeepSeek API 还新增 Search 与 Fetch 接口，支持多语言网页搜索与抓取，并可过滤 SEO 作弊、GEO 操纵及低质 AIGC 内容。

用途与启示
  • 为低成本、低延迟的智能体编程和完整项目生成提供新的开放权重模型选择。
  • 表明自反馈强化学习可用于提升端到端软件开发、游戏生成与 3D 内容构建能力。
  • 针对 Harness 和编程平台的适配说明，模型与执行脚手架的协同优化会影响实际性能与费用。
  • 开放 Search 与 Fetch 接口，可为工具调用应用和智能体补充实时网页检索与内容抓取能力。
📝 原始笔记（逐字保留）
标题：DeepSeek 推出最新优化版 V4.1-Flash-1017 来源：AI工具集日报（ai-bot.cn） 链接：https://mp.weixin.qq.com/s/X-5kbBkedQ5Oct9byUunag 摘要：（信源：DeepSeek）DeepSeek推出DeepSeek-V4.1-Flash-1017版本，官方网页端、APP 与 API 模型已同步变更为新模型。新模型基准性能全面提升，任务耗时与输出更短，实现性能–费用帕累托最优，并针对DeepSeek Harness、CodeBuddy、WorkBuddy等框架优化。通过自反馈强化学习，强化游戏开发、3D 建模等许愿式编程能力。
MemoryEvolve8 条
★2 浙大提出具身长程记忆基准 EMem-Bench 新智元 · 记忆能力评测 · 论文 · 代码 · 原文 浙江大学提出包含四类任务和2554条可执行样本的EMem-Bench，并通过外部记忆系统EMem验证结构化、动态更新的记忆可显著提升具身智能体长程任务表现。

★ 2 子主题：记忆能力评测 新智元  MemoryEvolve RobotEvolve

 智能体记忆 具身智能评估 模型评估 长程任务 状态追踪

  • EMem-Bench以被动观察、动态跟踪、交互失败和经验泛化四类任务，评测智能体能否从长程多模态历史中提取证据并完成后续行动。
  • 基准包含2554条可执行样本，覆盖1118个场景；前三类任务的历史长度中位数为78至83步，经验泛化任务达到111步。
  • Embodied-Memorizer将经验拆分为场景记忆、空间记忆和事件记忆，并形成“观察—写入—检索—行动—反馈更新”的闭环。
  • 在相同GPT-5.4-mini骨干下，EMem将平均成功率从35.3%提升至58.9%；实验还显示，直接堆叠历史图像会显著增加延迟并降低成功率。
用途与启示
  • 为长期具身记忆提供统一且可执行的评测框架，区分视觉细节保留、状态更新、反馈记忆与经验迁移能力。
  • 表明长上下文堆叠不能替代结构化记忆，系统应主动筛选证据、消除过时状态并抑制无关信息。
  • 场景、空间和事件记忆具有互补性，可作为家庭机器人及长程智能体记忆架构的设计参考。
  • 后续可扩展至真实机器人和开放世界环境，检验其应对传感器噪声、执行误差与持续状态变化的可靠性。
📝 原始笔记（逐字保留）
标题：具身智能体长程记忆：看见不等于记住，浙大提出具身记忆基准 来源：新智元（微信公众号） 链接：http://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652735627&idx=3&sn=2195898b4588173b111e6ffc13732156&chksm=f03d9de4ea21be7a736d3b6c3857f1bedf43212b1af353eba3787cc8a931f40a6ca287df7f3e&scene=0&xtrack=1#rd 摘要：
★2 超越成功率：视觉-语言-动作系统的记忆干预评测 arXiv · 记忆能力评测 · 论文 论文提出干预式记忆评测协议 IMEP，通过事实替换和微小数值扰动检验 VLA 系统的任务表现是否真正由相关记忆驱动。

★ 2 子主题：记忆能力评测 arXiv  MemoryEvolve RobotEvolve

 智能体记忆 模型评估 具身智能评估 因果归因 过程评估

论文指出，仅比较有无记忆时的总体成功率，无法区分信息变化与计算过程变化，也可能掩盖样本间相互抵消的得失。IMEP 在记忆检索接口实施目标事实替换、事实保持替换、最小数值扰动和精确副本等干预，并将决策正确性与运动执行成功率分开评估。实验覆盖单回合、跨回合及智能体记忆；在跨回合学习记忆库中，一个 ULP 级干预连同安装过程即可改变 11.9% 的配对结果，而关键事实变化未显示出超越事实保持替换的明确额外影响。作者还提出必须依赖历史信息才能正确决策的 ChainBench，完整记忆配置将任务成功率从 39.1% 提升至 74.3%，表明评估记忆机制需要超越聚合成功率并提供事实特异性证据。

用途与启示
  • 为 VLA 与具身智能体提供可区分“拥有记忆”和“实际使用任务相关记忆”的评测协议。
  • 通过干预实验识别记忆内容、检索流程和底层数值扰动对任务结果的因果影响。
  • 提醒评测者将决策质量与运动执行误差分离，避免总体成功率掩盖真实机制。
  • ChainBench 可用于测试当前观察不足时，智能体能否有效利用历史信息完成决策。
📝 原始笔记（逐字保留）
标题：Beyond Success Rate: Interventional Evaluation of Memory in Vision-Language-Action Systems 来源：arXiv 链接：https://arxiv.org/abs/2610.23372 摘要：When we say that a robot uses memory, does that memory actually play a role? Success-rate ablations alone cannot establish the use of task-relevant facts: they change information and computation together, while aggregate rates can hide offsetting gains and losses. We propose an Interventional Memory Evaluation Protocol (IMEP) for vision-language-action (VLA) systems to address four questions: (1) Does memory provide a net benefit? (2) Under what conditions does memory help? (3) Do changes to memory alter task outcomes? (4) Are these effects specific to task-relevant facts? At the retrieval interface, we compare target-fact substitutions with fact-preserving replacements, minimal numerical perturbations, and exact replicas, while assessing decision correctness separately from motor executio

专题：长期记忆 5 条

MemCompile：面向长期智能体记忆的查询条件化证据编译

MemCompile通过分离记忆寻址与证据呈现，在有限上下文预算内将异构记忆命中编译为完整、低冗余且可直接回答问题的证据。

★ 3 子主题：长期记忆 arXiv  MemoryEvolve

 智能体记忆 检索增强生成 证据推理 上下文压缩 成本优化

📄 详细内容

MemCompile面向跨轮次、跨会话分散证据的长期对话记忆问题，将记忆寻址与最终证据呈现解耦。其Address Plane利用关联源的紧凑描述符和容量感知Cells定位支持信息，并通过归一化边界将异构检索结果映射为稳定的SourcePacket身份。Evidence Plane在有限证据预算内选择互补数据包、补充必要支持，并把保留的主张渲染成可直接用于回答的上下文。该框架在LoCoMo上取得80.52%的Judge Accuracy，并在LongMemEval-S上展现出跨长期记忆基准的泛化能力与更优质量—成本权衡。

用途与启示
  • 为长期记忆系统提供“先寻址、再编译证据”的模块化设计，避免将冗余或不完整的检索单元直接交给回答模块。
  • 通过稳定的SourcePacket标识统一异构检索结果，有助于提升证据去重、组合和溯源能力。
  • 在固定上下文预算下按互补性分配证据，可用于优化长程智能体的回答质量与推理成本。
  • LoCoMo与LongMemEval-S结果表明，证据编译可作为长期对话记忆系统中独立于检索器的增强层。
📝 原始笔记（逐字保留）
标题：From Memory Hits to Answerable Evidence: Query-Conditioned Memory Compilation for Long-Term Agent Memory 来源：arXiv 链接：https://arxiv.org/abs/2610.23313 摘要：Long-term agent memory requires recovering answer-relevant evidence dispersed across turns and sessions. Existing systems increasingly use structured memories and adaptive retrieval, yet often pass retrieved or expanded units directly to the reader, coupling memory addressing with evidence presentation and leaving the final context redundant or incomplete. To address this gap, we propose MemCompile, a query-conditioned evidence compilation framework for long-term conversational memory. Given a query, the Address Plane locates relevant support through compact source-linked descriptors and capacity-aware Cells, while a normalization boundary resolves heterogeneous retrieval hits to stable SourcePacket identities. Its Evidence Plane then allocates a bounded evidence budget across complementar

超越边际影响：面向交互的智能体记忆选择

JointCore通过分组删除识别存在冗余或联合必要关系的最小充分记忆子集，在保持全量记忆行为的同时减少评估查询与活跃记忆开销。

★ 3 子主题：长期记忆 arXiv  MemoryEvolve

 智能体记忆 上下文压缩 智能体评估 交互成本 人工智能可靠性

📄 详细内容

论文研究逐决策记忆充分性，即选择一个尽可能小的记忆子集，同时保持智能体使用全量记忆时的行为。作者提出 JointCoreBench，覆盖九类证据交互、六个工作流领域，并提供精确的充分集判定 oracle，以区分搜索误差与模型误差。JointCore 按相关性与成本排序，先对记录分组执行删除测试，再检查单条记录；在 6,912 个精确条件上以更少的子集评估恢复了最低成本充分集，并节省 87.8% 的活跃记忆。跨四个 12B–70B 模型家族的实验表明，该方法优于成本感知的单例删除，但物理删除、掩码及反事实值等测试也显示结果依赖具体接口，因此尚不能视为可直接部署的记忆压缩方案。

用途与启示
  • 为智能体长期记忆提供一种能够处理证据冗余和联合必要性的压缩与选择方法。
  • JointCoreBench 可用于独立评估记忆子集搜索算法，避免将搜索失败与基础模型判断错误混为一谈。
  • 分组删除可显著降低充分集搜索所需的模型查询次数，适合高成本的长上下文决策流程。
  • 部署前需检验删除、掩码和占位符等不同记忆接口是否改变模型行为。
📝 原始笔记（逐字保留）
标题：Beyond Marginal Influence: Interaction-Aware Memory Selection for LLM Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.23266 摘要：LLM-agent memory selection often uses retrieval rankings based on record relevance or individual influence. Such rankings cannot identify sufficient subsets under redundant or jointly necessary evidence. We study per-decision memory sufficiency: selecting a small subset that preserves full-memory behavior. To separate search error from model error, we introduce JointCoreBench, a benchmark with nine interaction families, six workflow domains, natural-language decisions, and exact sufficient-set oracles, and JointCore, a relevance cost-ordered group-deletion baseline that tests blocks before individual records. On 6,912 exact conditions, cost-ordered JointCore recovers a minimum-cost sufficient set in 100.0% of cases, reduces subset evaluations from 30.00 to 11.13 (62.9%), and achieves 87.8%

同专题其余 3 条

★3 腾讯混元开源智能体记忆框架 Hy Memory 2.0 AI工具集日报 · 长期记忆 · 代码 · 原文 腾讯混元开源 Hy Memory 2.0、Hy-Memory-30B-A3B 专用模型及 MemHub 本地应用，为聊天、工作和代码场景提供可跨工具同步的长期记忆能力。

★ 3 子主题：长期记忆 AI工具集日报  MemoryEvolve AgentEvolve

 智能体记忆 智能体 长程任务 人工智能框架 人工智能辅助编程 状态持久化

  • Hy Memory 2.0 由记忆框架、Hy-Memory-30B-A3B 专用模型和 MemHub 本地应用组成，支持独立部署或组合为完整的智能体记忆方案。
  • 框架覆盖聊天、工作与代码三类记忆，可持续存储、更新和演化记忆，整理事件脉络、追踪任务状态、消解信息冲突，并按适用条件复用历史经验。
  • Hy Memory 在 MemoryArena、CodeMemoryBench、SWE-ContextBench 和 LoCoMo 等基准上取得开源框架领先成绩，其中 LoCoMo 每题 Token 使用量由 1,159 降至 703。
  • 约 3B 激活参数的 Hy-Memory-30B-A3B 跨 Hy Memory、Mem0、MemOS、EverMemOS 四套记忆系统平均得分为 55.49，超过 Opus 5 的 54.62；MemHub 可连接 Cursor、Codex、WorkBuddy、OpenCode 等十种工具，支持历史会话导入及本地个人记忆实时同步。
  • 该方案已用于腾讯自选股、腾讯新闻和 iWiki 等业务，其中腾讯自选股的多跳召回率由 50% 提升至 90%。
用途与启示
  • 为长程智能体提供跨会话的状态持久化、经验复用与冲突消解能力，降低反复补充上下文及长期记忆存储的成本。
  • 通过记录任务目标、阶段结果和经验适用条件，减少无关、过期或冲突信息对当前任务的干扰。
  • 通过统一记忆层连接不同智能体和编程工具，避免用户偏好、代码规范及任务历史被单一应用锁定或割裂。
  • 专用记忆模型与紧凑、结构化的记忆表示表明，筛选历史信息可能比直接输入全部原始对话更准确且更节省 Token。
  • 可作为办公助手、金融投研、知识管理及仓库级编程智能体的长期记忆基础设施，并支持开发者按需集成不同组件。
📝 原始笔记（逐字保留）
标题：腾讯混元开源智能体记忆框架 Hy Memory 2.0 来源：AI工具集日报（ai-bot.cn） 链接：https://mp.weixin.qq.com/s/TT70I3zzMSLAae5LSPeMzQ 摘要：（信源：腾讯混元）腾讯混元推出智能体记忆框架Hy Memory 2.0，开源专用模型、记忆框架与MemHub应用，覆盖聊天、工作、代码三类记忆，4个Benchmark开源第一；Hy-Memory-30A3B约3B激活参数，平均分55.49超Opus5。MemHub可连接Cursor、Codex等10种AI工具，跨工具实时同步个人记忆，已用于腾讯自选股、腾讯新闻、iWiki等业务。
★3 基于延迟单侧反馈的个性化记忆门控学习 arXiv · 长期记忆 · 论文 该研究将事实级个性化记忆门控建模为具有延迟单侧反馈的上下文 Apple Tasting 问题，并以 Warm-Start UCB 结合离线初始化与面向当前用户的在线适应。

★ 3 子主题：长期记忆 arXiv  MemoryEvolve

 智能体记忆 在线学习 用户画像 策略优化

研究针对有限记忆库无法保存所有事实、共享门控策略难以适应不同用户复用模式的问题，探索事实级个性化记忆筛选。作者提出基于检索的标注策略，根据事实是否在后续交互中被检索并用于生成回答来构造反馈标签。在线门控被形式化为带延迟单侧反馈的上下文 Apple Tasting 问题，Warm-Start UCB 利用历史数据离线初始化，并持续适应当前用户。理论上，该方法在延迟窗口不超过总轮数平方根量级时具有高概率遗憾上界；实验中在不同记忆预算和历史长度下均优于基线。

用途与启示
  • 为容量受限的智能体长期记忆提供按用户动态保留事实的策略，减少低价值信息占用。
  • 展示如何利用事实的后续检索与回答使用情况构造可观测反馈，降低记忆监督数据获取成本。
  • 将离线历史数据与在线用户适应结合，适用于用户行为反馈稀疏且存在延迟的个性化智能体。
  • 理论遗憾界可为记忆预算、反馈延迟窗口及特征设计提供分析依据。
📝 原始笔记（逐字保留）
标题：Learning Personalized Memory Gating from Delayed One-Sided Feedback 来源：arXiv 链接：https://arxiv.org/abs/2610.23812 摘要：Long-term memory enables language-model agents to personalize future interactions, but a finite memory bank cannot preserve every extracted fact. Existing memory gating policies are typically shared across users and therefore fail to account for user-specific patterns of future reuse. In this paper, we study memory gating at the fact level. We first propose a retrieval-based labeling strategy that labels each fact by whether it is later retrieved and incorporated into responses. We then formulate online memory gating as contextual apple tasting with delayed one-sided feedback, and propose Warm-Start UCB, which combines offline learning from existing data with online adaptation to the current user. Our theoretical analysis establishes a high-probability regret upper bound of $\tilde{O}(Tε\w
★2 SAFE-Mem：细粒度权限与治理感知检索的安全智能体记忆 arXiv · 长期记忆 · 论文 · 代码 SAFE-Mem通过声明级治理标签、权限感知检索和可溯源记忆图，阻止不可信信息被智能体记忆越权使用，同时保持合法记忆的可用性。

★ 2 子主题：长期记忆 arXiv  MemoryEvolve

 智能体记忆 记忆治理 智能体安全 访问控制 证据溯源

SAFE-Mem面向持久化智能体记忆中的越权风险，防止外部不可信声明被误用为用户偏好、策略或权限。框架为每条原子声明标注 kind、authority 和 scope 三类治理标签，以描述其来源及允许的使用范围。治理感知检索根据查询需求与声明权限进行匹配，并通过连接源句、声明和实体的记忆图实现溯源与高效检索。在四种 LLM 骨干上的 MPBench 和 LoCoMo 实验中，其攻击成功率较保留合法记忆能力的最强基线至少降低 77%，回答准确率最高提升 15%。

用途与启示
  • 为长期运行的智能体提供声明级记忆权限控制，降低记忆投毒和越权影响风险。
  • 将治理规则前置到检索阶段，而非仅依赖内容过滤，可兼顾安全性与记忆效用。
  • 记忆图可支持来源追踪、权限审计和异常声明定位，适用于个性化助手及企业智能体。
  • kind、authority、scope 标签体系可作为构建安全记忆存储与检索接口的参考。
📝 原始笔记（逐字保留）
标题：SAFE-Mem: Secure Agentic Memory with Fine-Grained Authority and Governance-Aware Retrieval 来源：arXiv 链接：https://arxiv.org/abs/2610.22959 摘要：Large language model (LLM) agents increasingly rely on persistent memory to support long-term reasoning and personalized interactions. However, information collected from external sources can introduce security risks when untrusted claims (i.e., atomic statements) are later treated as authorized preferences, policies, or permissions. Existing defenses typically rely on content-based filtering or coarse-grained provenance tracking, which either fail to prevent unauthorized memory use or block legitimate information, sacrificing memory utility. To address these limitations, we propose SAFE-Mem, a fine-grained memory governance framework that improves security while preserving legitimate memory use. First, SAFE-Mem annotates each claim with three governance labels (i.e., kind, authority, and
★2 MARS：面向会话级 LLM 助手的记忆感知路由 arXiv · 模型路由 · 论文 MARS 以会话状态统一协调记忆构建与模型选择，在长期交互中实现回答质量、记忆利用和 API 成本之间的权衡。

★ 2 子主题：模型路由 arXiv  MemoryEvolve SystemEvolve

 模型路由 智能体记忆 成本优化 状态表征 长上下文

MARS 将会话状态作为记忆策略与在线模型路由器之间的共享控制接口，避免二者相互独立决策。Query and Topic Manager（QTM）提取紧凑且与决策相关的状态，据此为每轮交互选择适当的记忆视图和回答模型。该框架在 RealMem 与 MultiChallenge 上以每项 16 种系统配置进行评估，覆盖长历史记忆交互和结构化上下文干扰场景。在 RealMem 上，MARS 仅使用全上下文 GPT-4o 生成 API 成本的 14.5%，便保留其 98.2% 的问答表现，并取得最强的记忆召回与检索成绩；在 MultiChallenge 上则以较低成本接近最强静态系统。

用途与启示
  • 为长期运行的助手提供记忆检索与模型路由联合优化方案，减少无关历史信息造成的干扰。
  • 表明会话状态可作为统一控制信号，动态平衡回答质量、记忆暴露范围与调用成本。
  • 可用于构建按任务难度和上下文需求选择不同能力、不同成本模型的会话级智能体系统。
  • 提示模型路由评估应计入记忆构建及控制器调用成本，而不能只比较回答模型的费用。
📝 原始笔记（逐字保留）
标题：MARS: Memory-Aware Routing for Session-Level LLM Assistants 来源：arXiv 链接：https://arxiv.org/abs/2610.23583 摘要：Long-term LLM assistants must repeatedly decide what prior context to expose and which model should answer as an interaction evolves. Existing memory systems and model routers usually make these decisions separately, although memory construction changes the evidence, distractors, and difficulty of the resulting input. We introduce MARS, a memory-aware routing framework that uses session state as a shared control interface between memory construction and model selection. A Query and Topic Manager (QTM) estimates compact decision-relevant state that guides a fixed state-conditioned memory policy and an online router, enabling each turn to receive an appropriate memory view and a suitable model under a quality-memory-cost trade-off. We evaluate MARS on RealMem and MultiChallenge with 16 syste
HumanEvolve3 条
★2 Anthropic：AI Agent 工时达员工六倍，初级技术岗位占比下降 AIHOT · 产业动态分析 · 原文 Anthropic 内部研究显示，随着 Claude 智能体承担更多编码和漏洞查找任务，公司初级技术岗位招聘显著收缩，但相关结论受企业类型、业务增长和工具采用偏差限制。

★ 2 子主题：产业动态分析 AIHOT  HumanEvolve

 人工智能应用 智能体 人工智能辅助编程 SWE 软件工程

Anthropic 技术部门的初级岗位占比自 2025 年初以来从 21% 降至 14%，初级新员工占比从 27% 降至 9%，开放岗位中的初级职位占比降至 6%。截至 2026 年 8 月，公司 AI 智能体记录的工作时长达到人类员工的六倍，研究部门更达到 19:1，编码和漏洞查找等任务正更多交由 Claude 完成。公司同时报告多部门产出提升，包括工程师代码提交量增至 5.1 倍、数据科学家查询量增至 3.1 倍。研究承认 Anthropic 属于高度依赖 AI 且快速增长的软件公司，其内部数据不能直接外推至整体经济；初级岗位减少还可能削弱未来资深人才的培养路径。

用途与启示
  • 为评估 AI 智能体对技术岗位结构、招聘梯队和组织生产力的影响提供企业内部案例。
  • 提醒企业在追求自动化效率时保留初级人才的实践、反馈与晋升通道，避免长期技能供给断层。
  • 解读生产力数据时应控制业务增长、员工自愿采用工具及企业行业属性等混杂因素。
  • 可用于设计同时追踪智能体工时、岗位结构、产出质量与人才成长的长期评估体系。
📝 原始笔记（逐字保留）
标题：Anthropic 内部研究显示初级技术岗位占比下降，AI Agent 工时达员工六倍 来源：AIHOT 每日精选（aihot.virxact.com） 链接：https://aihot.news/items/c7pt5mbzh5h0atlbprfzbs8o0 摘要：（信源：the-decoder.com）Anthropic 发布内部研究称，技术部门初级岗位占比从 2025 年初的 21% 降至 14%，新招初级占比从 27% 降至 9%，空缺初级职位降至 6%，非技术部门基本稳定。
★2 LLM 写作的认知成本：与人类文本的阅读时间对比 arXiv · 认知负荷 · 论文 研究通过基于眼动数据训练的 RoBERTa-RT 发现，LLM 改写文本虽然更短且总阅读时间略低，但单词平均处理成本高于人类文本。

★ 2 子主题：认知负荷 arXiv  HumanEvolve

 以人为本的人工智能 行为建模 模型评估

研究提出 RoBERTa-RT，利用人类眼动追踪数据预测词级阅读时间，并在内部和外部测试集上进行评估。作者构建了包含 496 篇人类文章及其 LLM 改写版本的配对数据集，以比较两类文本的预测阅读成本。结果显示，LLM 改写通常篇幅更短、预测总阅读时间略低，但每个单词的预测阅读时间更高。该差异与更长且低频的词汇、更高的词汇多样性及上下文可预测性有关，表明机器生成文本可能减少总体阅读量，却提高单词层面的认知处理需求。

用途与启示
  • 为机器生成文本的质量评估引入阅读时间和认知处理成本维度，补充流畅度、正确性等传统指标。
  • 提示写作助手不应只追求文本压缩，还需控制低频词、词长和词汇复杂度，避免增加读者的局部认知负担。
  • RoBERTa-RT 可用于比较不同生成系统、提示策略或编辑方式对文本可读性及认知负荷的影响。
  • 配对文本与眼动预测框架可为人机写作、教育内容和无障碍文本优化提供评测基础。
📝 原始笔记（逐字保留）
标题：The Cognitive Cost of LLM Writing: A Reading-Time Comparison with Human Text 来源：arXiv 链接：https://arxiv.org/abs/2610.23715 摘要：Although linguistic differences between human-written and Large Language Model (LLM)-generated texts have been extensively studied, their implications for the cognitive effort involved in reading remain less explored. In psycholinguistics, reading time is commonly used as an indirect measure of cognitive processing effort. Building on this perspective, we investigate whether human-written texts and their LLM-generated rewrites exhibit differences in predicted reading time that may reflect differences in processing demands for readers. To this end, we introduce RoBERTa-RT, a model trained on human eye-tracking data to predict word-level reading times. We evaluate the model on both internal and external test sets, construct a paired dataset of 496 human-written articles and their LLM-generat
★2 AI 主导与人类主导的聊天访谈质量比较 arXiv · 交互式评测 · 论文 一项随机实验表明，本地部署的 7B 开放权重模型可在相近访谈时长内提出更多问题并获取更多文本，初步验证了 AI 规模化开展定性访谈的可行性。

★ 2 子主题：交互式评测 arXiv  HumanEvolve

 人工智能应用 交互式评估 人在回路 数据科学 开放权重模型

研究对 AI 主导和人类主导的同步文本访谈进行了直接实证比较，41 名大学生被随机分配给本地 AI 系统或经过培训的非专家访谈员。两组访谈时长中位数相近，但 AI 访谈员提出的问题数量超过人类的两倍，并使每场访谈的受访者文本量增加约 65%。人类访谈员获得的单题回答更长，但该差异未通过多重检验校正；两组回答几乎都切题，具体性方面未检测到显著差异。实验采用本地部署的 7B 开放权重模型，有利于数据安全、GDPR 合规和科学可复现性，但较小样本量限制了结论的确定性。

用途与启示
  • 为大规模定性数据采集提供 AI 访谈员的初步实证依据。
  • 提示评估 AI 访谈系统时应同时考察问题数量、回答长度、具体性、相关性和跳题行为。
  • 本地开放权重模型可降低敏感访谈数据外泄风险，并增强合规性与实验可复现性。
  • 后续需要在更大、更具代表性的样本和不同访谈主题上验证结果。
📝 原始笔记（逐字保留）
标题：Can AI interview? Comparing AI-led to Human-led Chat Interviews 来源：arXiv 链接：https://arxiv.org/abs/2610.23149 摘要：Large language model chatbots have been proposed as AI-interviewers for collecting qualitative interview data at scale, potentially bridging social science's longstanding divide between the breadth of surveys and the depth of qualitative interviews. This paper provides the first direct empirical comparison of data quality in AI-led and human-led interviews. In a randomized experiment (N = 41), university students were interviewed via synchronous text chat by either trained non-expert interviewers or a locally hosted AI system; we evaluate exposure, specificity, and relevance. Median interview duration was similar across conditions, but AI-interviewers asked more than twice as many questions per interview and elicited roughly 65 percent more respondent text per interview. Per-question respo
RobotEvolve1 条
★3 NestedVLA：面向视觉-语言-动作模型的技能整合与生成 arXiv · 技能生成 · 论文 · 代码 NestedVLA通过任务条件嵌套超网络为冻结的基础VLA生成动作专家参数，实现低干扰、存储高效的跨任务技能整合与复用。

★ 3 子主题：技能生成 arXiv  RobotEvolve

 具身基础模型 技能生成 能力迁移 模型开发 具身智能

NestedVLA采用“先独立学习、后统一整合”的范式，避免异构机器人任务联合训练中的相互干扰以及传统模型合并的参数冲突。其嵌套超网络以目标任务为条件，为冻结的基础VLA动态生成任务自适应动作专家参数，同时单独保留任务特定的压缩VLM残差。该设计无需直接聚合各任务参数，也不要求修改基础VLA架构，支持灵活的任务条件技能复用。在MetaWorld、ManiSkill和CALVIN三个强化学习基准上，该方法平均领先最强模型合并基线41个百分点，并在ManiSkill上将与逐任务微调的差距控制在1个百分点以内。

用途与启示
  • 为跨平台、跨环境机器人技能提供一种后置整合方案，降低多任务联合训练造成的负迁移与参数干扰。
  • 利用超网络按任务生成动作专家参数，可在冻结基础VLA的前提下实现技能复用和能力扩展。
  • 将任务特定信息压缩为独立残差，有助于降低多技能系统的存储成本，并支持模块化维护。
📝 原始笔记（逐字保留）
标题：NestedVLA: Learning to Consolidate and Generate Skills for Vision-Language-Action Models 来源：arXiv 链接：https://arxiv.org/abs/2610.23271 摘要：Vision--Language--Action (VLA) models promise generalist robotic agents, yet consolidating skills learned across heterogeneous tasks and environments remains difficult: training data is fragmented across platforms, joint multi-task training suffers from interference, and model merging tends to introduce parameter conflicts or require architectural changes. We instead advocate a paradigm in which skills are first learned independently and then consolidated post hoc. To this end, we propose NestedVLA, which replaces parameter aggregation with parameter generation: a nested hypernetwork, conditioned on the target task, synthesizes task-adaptive action-expert parameters that compose with a frozen base VLA. Task-specific compressed VLM residuals are retained separately. This formulation enables
JevEvolve4 条
★3 谁为高效推理买单？基于置信度的跨任务与跨语言大小模型路由 arXiv · 模型路由 · 论文 · 代码 研究系统评估基于置信度的大小语言模型路由，发现其收益高度依赖任务，并可能造成显著的跨语言计算资源分配差异。

★ 3 子主题：模型路由 arXiv  JevEvolve

 模型路由 成本优化 不确定性估计 多语言建模 模型评估

研究覆盖三个模型家族、四种语言和三类任务，共计 72 种配置与 42,288 次预测，并比较全局置信度路由、随机路由、等配额置信度路由及预言机上界。在 Belebele 阅读理解和 SIB-200 主题分类上，置信度能够有效识别值得升级至大模型的样本，50% 升级率下较随机路由带来明显提升。对于 MMLU-ProX-Lite 知识与推理任务，小模型经常在回答错误时仍保持高置信度，使路由效果与随机选择基本相当。全局置信度路由会产生最高 30.33 个百分点的语言升级率差距，而等配额路由可在几乎不损失总体准确率的情况下消除该差异。

用途与启示
  • 为大小模型级联推理系统提供任务级适用性判断，避免将置信度路由视为普遍有效的成本优化方案。
  • 提示部署方应针对不同任务和语言分别校准置信度，并监测高置信错误带来的错误路由。
  • 可采用等配额路由约束跨语言计算资源分配，在总体性能与语言公平性之间取得平衡。
  • 建议同时报告准确率、推理成本、纠错检测 AUC 和各语言升级率，以完整评估路由策略。
📝 原始笔记（逐字保留）
标题：Who Pays for Efficient Inference? Confidence-Based Small-to-Large LLM Routing Across Tasks and Languages 来源：arXiv 链接：https://arxiv.org/abs/2610.23249 摘要：Small-to-large language model routing can reduce inference cost by escalating difficult inputs while retaining easier ones on a smaller model. Its success, however, depends on identifying examples that benefit from escalation, and the reliability of confidence across multilingual tasks remains unclear. We present a systematic evaluation of confidence-based routing across three model families, four languages, and three task types, covering 72 model, dataset, language, and scale configurations and 42,288 predictions. We compare global confidence routing with random routing, equal-quota confidence routing, and an oracle upper bound. Confidence identifies beneficial escalations on the Belebele reading comprehension and SIB-200 topic classification datasets, with mean correction-detection AUCs
★2 ScoutRoute：利用语言模型内部信号实现高效专家路由 arXiv · 模型路由 · 论文 ScoutRoute通过一次低成本侦察模型前向计算提取隐藏状态与置信度信号，在无需修改底层专家模型的情况下高效预测专家能力并完成路由。

★ 2 子主题：模型路由 arXiv  JevEvolve

 模型路由 混合专家模型 成本优化 表征探测 不确定性估计

ScoutRoute是一种面向异构、独立训练语言模型集合的轻量级事后路由框架，无需联合训练门控网络或逐一运行多个专家。该框架仅对低成本侦察模型执行一次前向计算，并利用隐藏状态训练轻量级逻辑探针，以估计不同专家的跨模型任务能力。系统进一步结合由输出logits推导的置信度指标和领域感知路由策略，选择适合当前输入的专家。作者在数学推理、代码生成、常识推理和多学科知识四类基准上评估五个开放权重模型，结果显示其路由表现优于单一信号方案，且能力探针的校准效果优于传统置信度指标。

用途与启示
  • 为异构专家模型提供无需联合训练和修改权重的即插即用路由机制。
  • 通过单次低成本前向计算减少多模型试运行带来的推理开销。
  • 说明隐藏状态包含可迁移的专家能力信息，可用于跨模型能力预测与候选选择。
  • 为混合专家系统中的路由校准、领域感知选择和成本—效果权衡提供参考。
📝 原始笔记（逐字保留）
标题：ScoutRoute: Efficient Mixture-of-Experts Routing Using Internal Language Model Signals 来源：arXiv 链接：https://arxiv.org/abs/2610.23443 摘要：Efficient expert routing is a fundamental challenge in Mixture-of-Experts (MoE) systems, particularly for heterogeneous collections of independently trained Large Language Mod els (LLMs). Existing routing approaches typically rely on jointly trained gating networks, prompt-based predictors, or computationally expensive multi-model inference, limiting their flexibility and efficiency. This paper presents ScoutRoute, a lightweight post-hoc routing framework that predicts expert competence using internal language model signals extracted from a single forward pass through an inexpensive scout model. Hidden-state representations are used to estimate cross-model competence through lightweight logistic probes, while logit-derived confidence measures are incorporated within a domain-aware routing
★3 Chinese Decision：单次前向传播的中文概率决策模型 arXiv · 置信度评估 · 论文 Chinese Decision 通过单次前向传播输出有限候选的归一化概率，在中文通用及专业领域决策中兼顾准确率、校准性与部署效率。

★ 3 子主题：置信度评估 arXiv  JevEvolve

 不确定性估计 候选选择 模型训练 模型评估 成本优化

Chinese Decision 是面向中文有限选项任务的模型系列，可统一处理布尔判断、类别选择和序数评分。模型不进行自回归答案生成，而是提取末位候选字母的 logits，并在有效选项范围内归一化，从而以一次前向传播生成决策概率。完成训练的 0.8B 模型使用 1304.8 万条决策数据和分布交叉熵，在包含 307,900 条决策的 CJ-Bench 上取得 72.24% 通用领域准确率、76.98% 医疗法律金融平均准确率及 1.07% 总体期望校准误差。初步 2B 检查点额外采用 RLCD 目标，但尚未稳定超过 0.8B 模型；温度缩放及 Q8 量化版本总体性能接近原模型。

用途与启示
  • 为分类、评分和风险判断等应用提供可直接使用的候选概率，而非依赖生成文本后再解析答案。
  • 单次前向传播可降低有限选项决策的推理延迟与计算成本，适合高吞吐部署场景。
  • 结果表明小参数模型经专门决策训练后可以兼顾准确率和概率校准，但当前实验尚不能分离模型规模带来的影响。
  • 温度缩放与 Q8 量化实验可为概率决策模型的校准和低成本部署提供参考。
📝 原始笔记（逐字保留）
标题：Chinese Decision: A Family of Language Models for Single-Pass Probabilistic Decision-Making 来源：arXiv 链接：https://arxiv.org/abs/2610.23170 摘要：Many language-based applications require probabilities over a finite set of decisions rather than open-ended responses. We present Chinese Decision, a family of Chinese-language models for single-pass probabilistic decision-making. Given context, an instruction, and candidate descriptions, the model extracts final-position candidate-letter logits in one forward pass and normalizes them over valid options, without autoregressive answer generation. A shared interface supports Boolean judgments, categorical choices, and ordinal scores. We report a completed 0.8B model trained with distribution cross-entropy on 13.048 million decisions and preliminary 2B checkpoints trained with an additional RLCD objective. On the full CJ-Bench of 307,900 decisions, the uncalibrated 0.8B model achieves 72.24%
★2 检索之前：LLM 智能体的安全与工具调用决策 arXiv · 工具调用 · 论文 研究揭示工具调用前的准入决策是独立且关键的安全环节，文本拒绝只能部分代理真实调用行为，因此需要直接评估和监督工具准入。

★ 2 子主题：工具调用 arXiv  JevEvolve

 工具调用 智能体安全 安全对齐 人工智能可靠性 表征干预

研究考察 LLM 智能体在执行外部工具调用之前，是否允许请求进入调用流程的安全决策。七个开放权重模型对已准入恶意请求的平均危害率达到 74.5%，而中和请求中的操作成分带来了最大的准入率变化，差距为 19 个百分点。由该对比估计的线性表征方向可影响七个模型中四个模型在留出样本上的准入行为，但这一机制并非完全针对具体操作。文本拒绝仅伴随 33.6% 的有害调用，尽管纯文本拒绝训练可在保留正常工具使用能力的部分模型中降低不安全准入，但二者仅呈现部分且依模型而异的耦合关系。

用途与启示
  • 将“是否调用工具”作为独立安全决策点，而非仅检查调用后的输出或执行结果。
  • 构建直接衡量恶意请求准入率、正常工具可用性和下游危害率的智能体安全评测。
  • 文本拒绝不能可靠代表工具未被调用，部署系统应对调用动作实施显式监督、授权和阻断。
  • 可进一步研究准入决策的内部表征，并利用表征干预或专项训练降低危险工具调用。
📝 原始笔记（逐字保留）
标题：Before Retrieval Begins: Safety and Tool-Use Decisions in LLM Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.23071 摘要：Large language models increasingly act as agents that call external tools, yet most tool-safety research examines only what follows a tool call. The prior decision of whether to call the tool remains largely unexamined and can influence downstream safety. Across the seven open-weight models, the unweighted model-average harm rate after admitted harmful requests is 74.5%. To identify what governs this decision, we apply a factorial intervention to the input request. Within our generated construction, neutralizing the requested-operation component produces the largest admission contrast (19 pp). A linear direction estimated from this contrast influences held-out admission in four of seven models; effects on operation-neutralized requests in some models show that it is not an operation-specif
EvolveLRM9 条
★3 MGE-PO：面向数学推理的熵感知信用分配 arXiv · 信用分配 · 论文 MGE-PO利用生成熵与可验证正确性进行四象限优势塑形，并结合在线题目课程提升数学推理强化学习的信用分配效果。

★ 3 子主题：信用分配 arXiv  EvolveLRM

 信用分配 强化学习 数学人工智能 策略优化 不确定性估计

MGE-PO针对GRPO为同一问题中同奖励回答分配相同组相对优势、未利用生成不确定性的问题，引入熵感知信用分配。其四象限（4Q）优势塑形以可验证正确性决定修正方向，以 rollout 生成熵决定修正幅度，使低熵成功样本获得更大奖励、高熵失败样本受到更大惩罚。方法还利用缓存的 rollout 熵测量构建在线题目课程，与优势塑形协同训练。在Qwen3-8B-Base的三种策略优化设置中，4Q使六项基准macro avg@32提升3.23–3.69个百分点、macro pass@32提升4.24–11.06个百分点；完整配置也将Qwen2.5-7B-Base的四基准macro avg@32从41.5%提高到45.4%。

用途与启示
  • 将生成熵纳入优势估计，可在奖励相同的响应之间提供更细粒度的信用分配信号。
  • 正确性与不确定性的联合塑形可重点强化稳定成功轨迹，并更严厉抑制不稳定失败轨迹。
  • 基于缓存熵统计的在线课程学习，为控制训练开销和动态调整题目难度提供了可复用方案。
  • 该方法可作为GRPO类数学推理强化学习流程的附加组件，在多种策略优化设置中获得稳定增益。
📝 原始笔记（逐字保留）
标题：MGE-PO: Entropy-Aware Credit Assignment for Mathematical Reasoning 来源：arXiv 链接：https://arxiv.org/abs/2610.23245 摘要：GRPO assigns the same group-relative advantage to equally rewarded responses within a question, leaving their generation uncertainty unused. We introduce MGE-PO, centered on four-quadrant (4Q) advantage shaping that combines verified correctness with rollout generation entropy. Correctness determines the sign of an additional correction, while entropy controls its magnitude: lower-entropy successes receive larger bonuses and higher-entropy failures receive larger penalties. An online entropy-based question curriculum supports this credit rule using cached rollout measurements. At the final checkpoint after eight training epochs on Qwen3-8B-Base, adding 4Q across three policy optimization settings yields absolute gains of 3.23-3.69% in six-benchmark macro avg@32 and 4.24-11.06% in macro pas
★3 BayesianPRM：可靠性与保守性感知的过程奖励建模 arXiv · 过程奖励模型 · 论文 BayesianPRM通过可靠性感知更新与保守性感知校准，同时处理PRM自身不确定性和策略分布偏移，以提升过程奖励估计及测试时扩展性能。

★ 3 子主题：过程奖励模型 arXiv  EvolveLRM

 奖励建模 不确定性估计 过程评估 测试时计算 多模态

BayesianPRM将过程奖励视为奖励假设空间中的随机变量，并维护其贝叶斯信念分布。该方法使用奖励模型集成离散化连续假设空间，再通过基于ELBO优化的摊销信念网络评估各成员对监督数据的解释能力。针对数据收集策略与测试时策略不匹配造成的奖励高估，方法进一步将信念权重保守地校准至较低奖励区域。多模态推理基准实验表明，该方法能持续改善过程奖励估计准确性，并增强测试时计算扩展效果。

用途与启示
  • 为监督数据不足或PRM训练不完善的场景提供显式的不确定性建模机制。
  • 缓解策略分布偏移引起的系统性过程奖励高估，提高奖励信号的可靠性。
  • 可作为测试时搜索、候选选择和推理轨迹排序中的稳健过程验证器。
  • 展示贝叶斯信念更新与奖励模型集成在多模态推理扩展中的应用价值。
📝 原始笔记（逐字保留）
标题：Process Reward Modeling with Reliability- and Conservatism-Aware Bayesian Belief 来源：arXiv 链接：https://arxiv.org/abs/2610.23223 摘要：Process Reward Models (PRMs) play a central role in test-time scaling for large language model (LLM) reasoning. However, PRMs may provide inaccurate process rewards for test-time scaling, which we identify as arising from two sources of uncertainty: (1) \textit{PRM uncertainty} that arises from insufficient supervision data and imperfect PRM training; and (2) \textit{policy uncertainty} that results from the mismatch between the policy to collect supervision data and the policy for test-time scaling, leading to systematic reward overestimation. Previous studies fail to jointly consider both uncertainties. To bridge this gap, we propose BayesianPRM, which treats the process reward as a random variable within a reward hypothesis space and maintains a Bayesian belief over it. Since exact Baye
★3 并非所有测试时计算都是证据：LLM 推理中的模型特定偏差 arXiv · 推理优化 · 论文 研究揭示同一推理模型增加测试时计算会产生高度相关的错误，并提出由分歧触发的异构模型独立仲裁机制 DIA，以更少词元提升推理准确率。

★ 3 子主题：推理优化 arXiv  EvolveLRM Awesome-RSI

 推理 测试时计算 不确定性估计 多智能体协作 成本优化

研究发现，同一模型在重复采样、推理深度扩展和自我评估中的错误具有相关性，因此额外测试时计算不能被视为独立证据。DIA 将中间阶段与最终阶段预测之间的分歧作为单题推理不稳定信号，仅在出现分歧时启动异构模型小组。仲裁模型在看不到原有候选答案的情况下独立解题，再直接聚合答案，避免继承基础模型的偏差。在两个基础模型和七个基准上，DIA 在 14 组设置中的 12 组优于完整思维链，在 MuSiQue 上提升 7.00%，且仅触发约 17% 的样本、相比多智能体基线最多减少 47.2% 的词元。消融实验表明，独立求解与求解器异构性都是取得增益的必要条件。

用途与启示
  • 提醒测试时扩展不能简单将同一模型的多次推理视为相互独立的证据，应显式评估错误相关性。
  • 可利用中间答案与最终答案的分歧进行按需计算，仅对不稳定样本启用额外仲裁。
  • 异构模型独立求解有助于降低单一模型偏差，比向仲裁者展示候选答案更能避免错误传递。
  • 为兼顾推理准确率与词元成本的动态模型路由和多智能体系统提供设计依据。
📝 原始笔记（逐字保留）
标题：Not All Test-Time Compute Is Evidence: Model-Specific Bias in LLM Reasoning 来源：arXiv 链接：https://arxiv.org/abs/2610.23213 摘要：Test-time scaling methods implicitly assume that additional computation from the same model provides independent evidence. We show that this assumption fails within a single reasoning model: errors are correlated across repeated samples, across reasoning depth, and in the model's own self-evaluation, so more compute from the same model is not more evidence. We introduce DIA (Disagreement-triggered Independent Arbitration), which treats disagreement between an intermediate-stage and the final-stage prediction as a per-question signal of reasoning instability and resolves it by asking a small panel of heterogeneous models to solve the question independently, without seeing either candidate, and aggregating their answers directly. Across seven benchmarks and two base models, DIA outperforms f

专题：思维链 3 条

ReDiST：面向学生能力的推理轨迹构造与蒸馏

ReDiST依据目标学生的能力构造、筛选证据丰富的推理轨迹，相比答案监督和通用轨迹蒸馏提升了源任务及跨基准问答表现。

★ 2 子主题：思维链 arXiv  EvolveLRM DataEvolve

 模型蒸馏 推理 数据合成 证据推理 跨域泛化

📄 详细内容

ReDiST指出，答案正确的推理轨迹未必能为特定学生提供有效监督，因此轨迹构造还需考虑中间内容质量及学生的可理解性。框架从学生自己的作答尝试出发，依据给定证据修订答案正确的草稿，并借助已验证答案修复失败草稿。一个冻结且与学生能力匹配的读取器通过答案恢复能力和已验证答案概率，对原始及编辑后的候选轨迹进行筛选排序。选定轨迹与最终答案通过辅助答案损失联合蒸馏，构造和选择均在离线阶段完成，推理时仅使用蒸馏后的学生模型。问答实验表明，该方法优于仅答案监督、原始轨迹以及多种轨迹选择和重写基线，但不同监督方案在源任务与迁移基准上的排名可能不一致。

用途与启示
  • 为推理蒸馏提供以学生能力为条件的轨迹构造思路，避免直接使用答案正确但教学价值有限的思维链。
  • 可将答案恢复率和正确答案概率作为轨迹可理解性及教学效用的筛选信号。
  • 提示推理监督方案不能只在源任务上评估，还应通过跨基准测试检验迁移能力。
  • 离线构造和筛选轨迹不会增加部署阶段的推理组件，适合用于低成本学生模型训练。
📝 原始笔记（逐字保留）
标题：Beyond the Answer: Student-Conditioned Trace Construction for Reasoning Distillation 来源：arXiv 链接：https://arxiv.org/abs/2610.23831 摘要：A reasoning trace can accompany a correct answer without providing effective supervision for a particular student. We study how to construct traces that improve learning beyond answer-only supervision by considering both their intermediate content and their accessibility to the target learner. We introduce ReDiST, a student-conditioned trace-construction and distillation framework for evidence-rich reasoning. Starting from the student's own attempts, ReDiST revises answer-correct drafts against the supplied evidence and repairs unsuccessful drafts with additional guidance from the verified answer. A frozen student-matched reader screens and ranks original and edited candidates using answer recovery and verified-answer probability, given the question, evidence, and candidate trace. We disti

OwlSight：面向思维链推理的全景监控器

OwlSight 通过可在提示中定制的细粒度与粗粒度 Factor，统一监控推理轨迹中的能力、安全性和可信度风险，并展现出跨模型与抗混淆泛化能力。

★ 2 子主题：思维链 arXiv  EvolveLRM LogicEvolve

 思维链安全 过程评估 安全审计 人工智能可靠性 模型评估

📄 详细内容

作者提出 Factor 思维链监控策略，允许用户在提示中定义监控要求，使单一监控器能够覆盖不同任务和风险维度。Factor 分为细粒度与粗粒度两类，前者可检测特定邮箱地址是否泄露，后者可识别更宽泛的隐私泄露行为。基于该策略构建的 OwlSight 可监控能力、安全性和可信度相关行为，在 15,971 条推理轨迹上显著优于通用 LLM，并在 OpenAI 的 CoT monitorability 基准上取得最佳结果。实验还表明，该系统能够泛化至未见模型的思维链，并对 Factor 改写、思维链压缩及混淆保持稳健。

用途与启示
  • 为前沿推理模型提供可定制的过程级监督机制，支持风险的早期发现与干预。
  • 通过粗细粒度 Factor 统一表达不同监管需求，降低为每类任务单独开发监控器的成本。
  • 跨模型泛化及抗压缩、抗混淆能力表明，思维链监控可作为安全审计与运行时治理的重要技术路径。
📝 原始笔记（逐字保留）
标题：OwlSight: A Panoramic Monitor for Chain-of-Thought Reasoning 来源：arXiv 链接：https://arxiv.org/abs/2610.23670 摘要：Chain-of-Thought (CoT) monitoring offers actionable evidence for oversight AI systems, with the potential to enable early detection and intervention. However, existing approaches are focused on specific tasks, whereas the regulation of AI, particularly reasoning models, requires monitoring a broader range of tasks. We introduce Factor for CoT monitoring, a strategy that supports customizing monitoring requirements in the prompt, which enables a single monitor to cover different tasks by relying on different factors. Furthermore, we introduce two types of factors, fine-grained and coarse-grained (e.g., monitoring whether a specific email address has been leaked versus monitoring privacy leakage), to accommodate diverse user monitoring needs. Based on this, we develop a CoT monitor named Owl

同专题其余 1 条

★2 推理模型可通过自我指令控制思维链 arXiv · 思维链 · 论文 研究提出自我指令式思维链可控性评测，发现将约束嵌入模型自身推理过程可显著增强控制能力，但也可能帮助模型规避思维链监控。

★ 2 子主题：思维链 arXiv  EvolveLRM

 推理 思维链安全 人工智能可靠性 模型评估 安全对齐

论文指出，既有评测仅在用户提示中指定思维链约束，所得低可控性未必代表推理模型缺乏内在控制能力。作者提出 Self-Instructed CoT Controllability，将约束作为自我指令置于模型思维链内部，并测量模型的遵循程度。实验显示，自我指令相较标准用户指令显著提升可控性，即使仅添加通用提醒也有明显效果。有效自我指令还可通过简单的用户提示引导生成，无须直接访问推理通道；但这种能力也能被用于规避监控，对思维链监督的可靠性构成风险。

用途与启示
  • 为思维链可控性提供区别于用户提示约束的新评测范式。
  • 提示评测者应区分模型缺乏控制能力与约束注入位置不当造成的表面失败。
  • 说明自我指令可用于改善推理格式与行为控制，即使外部无法直接访问推理通道。
  • 揭示可控思维链可能被用于监控规避，需设计更稳健的过程监督与安全审计机制。
📝 原始笔记（逐字保留）
标题：Reasoning Models Can Control Their Chains of Thought When They Tell Themselves To 来源：arXiv 链接：https://arxiv.org/abs/2610.23257 摘要：Chain-of-thought (CoT) controllability, the ability of reasoning models to control properties of their CoT, is consequential for both their usefulness and reliable oversight. Recent work evaluates this capability by measuring whether models follow CoT constraints given in the user prompt, and reports very low controllability across models. We argue that this low controllability may not reflect an inherent inability of reasoning models to control their CoT, but instead result from naively specifying constraints in the user prompt. To test this, we introduce Self-Instructed CoT Controllability: a complementary evaluation that places the constraint as a self-instruction inside the model's CoT and measures its ability to follow it. We show that, under self-instruction, models achieve significa
★2 ReLaDrift：漂移模型的循环语言生成与测试时扩展 arXiv · 推理扩展 · 论文 · 代码 ReLaDrift通过共享漂移模型在连续潜空间中循环细化文本，使并行语言生成能够利用更多测试时计算换取更高生成质量。

★ 2 子主题：推理扩展 arXiv  EvolveLRM EvolveLLM

 测试时计算 推理 模型训练 循环计算 潜空间推理

ReLaDrift先从噪声生成初始草稿，再使用同一个Drifting Model在连续潜空间中进行多轮循环细化。训练时随机采样迭代轮数，仅在最后一轮施加drifting loss，并对先前轮次停止梯度，因此只有一轮需要反向传播。与重复迭代后准确率不再提升的单步漂移模型不同，ReLaDrift可以通过增加推理轮数改善生成质量。在Sudoku Hard和GSM8K上，该方法在多种推理预算下达到与扩散及流式语言模型相当或更优的表现。

用途与启示
  • 为单步并行生成引入可迭代细化能力，在推理速度与生成质量之间提供可调节的测试时计算权衡。
  • 末轮损失与跨轮停止梯度的设计可降低循环训练的反向传播成本。
  • 共享参数的潜空间循环机制可用于探索非自回归语言生成的计算扩展路径。
📝 原始笔记（逐字保留）
标题：ReLaDrift: Recurrent Language Generation via Drifting for Test-Time Scaling 来源：arXiv 链接：https://arxiv.org/abs/2610.23225 摘要：Drifting Models generate a sample with a single function evaluation, making them attractive for fast parallel language generation, but their one-step formulation does not support iterative refinement. We propose Recurrent Language Generation via Drifting (ReLaDrift), which uses a shared Drifting Model to generate an initial draft from noise and iteratively refine it in a continuous latent space. We train this recurrence by sampling the number of rounds and applying the drifting loss only at the final round, stopping gradients through preceding rounds so that only one round requires backpropagation. Unlike the one-step Drifting Model, whose accuracy does not improve when iterated, ReLaDrift enables a trade-off between test-time computation and generation quality, as diffusion and flow langu
★2 重新审视 GRPO 的大推理模型安全对齐 arXiv · 策略优化 · 论文 论文揭示 GRPO 安全对齐中的优势坍缩与不安全多样化问题，并提出 Beacon 框架恢复安全学习信号、兼顾推理效用与低过度拒答。

★ 2 子主题：策略优化 arXiv  EvolveLRM

 强化学习 安全对齐 策略优化 推理 人工智能可靠性

论文指出，GRPO 的组内相对优化在同质化 rollout 中可能产生趋近于零的优势值，导致安全学习信号消失。熵正则化还可能在相对信号缺失时持续扩增不安全响应的多样性。作者提出 Beacon 框架，其中安全信号恢复（SSR）通过优势引导的轨迹过滤与安全参考监督恢复有效信号，安全—效用解耦对齐（SUDA）则结合类别感知奖励和仅针对良性样本的 KL 锚定来抑制过度拒答。基于四种 Qwen3 与 DeepSeek-R1-Distill 变体及八项基准的实验表明，该框架最多可将平均安全错误率降低 32.83 个百分点，同时保持推理能力和较低拒答率。

用途与启示
  • 提醒安全强化学习实践者关注组内样本过度同质化造成的优势坍缩，而不能只依赖扩大 rollout 数量。
  • 可将安全参考监督与轨迹过滤引入 GRPO 流程，以增强稀弱安全奖励下的有效梯度信号。
  • 通过安全与效用解耦的奖励设计及良性样本 KL 约束，在提升安全性的同时控制过度拒答。
  • 为分析熵正则化在安全对齐中的副作用提供了理论与实验依据。
📝 原始笔记（逐字保留）
标题：Rethinking GRPO for Large Reasoning Model Safety Alignment 来源：arXiv 链接：https://arxiv.org/abs/2610.23085 摘要：Large reasoning models (LRMs) exhibit strong reasoning capabilities but remain vulnerable to unsafe outputs. While Group Relative Policy Optimization (GRPO) is widely used for safety alignment, its group-relative optimization may provide insufficient safety-directed learning signals. In this paper, we identify two failure modes: advantage collapse, where homogeneous rollout groups yield vanishing advantages, and unsafe diversification, where unsafe behaviors persist and become increasingly diverse. Our theoretical analysis reveals that behavioral consistency weakens within-group safety contrasts, while entropy regularization can diversify unsafe responses when relative signals vanish. To address these challenges, we propose Beacon, comprising Safety Signal Recovery (SSR) and Safety-Utility
★3 SPLIT：不完美验证器下的测试时计算分配 arXiv · 测试时优化 · 论文 SPLIT利用小规模标注试点和经验贝叶斯建模，在验证器存在误判与相关错误时联合优化候选采样、模型混合及验证预算。

★ 3 子主题：测试时优化 arXiv  EvolveLRM

 测试时计算 推理预算 候选选择 验证器 成本优化

论文研究固定推理预算下如何在候选采样、生成模型混合和答案验证之间分配计算资源。SPLIT推导了接受/拒绝与最高分选择机制下提交正确答案概率的精确公式，并显式考虑任务难度差异、跨模型共享盲点及验证器重复调用的相关错误。该方法通过小规模标注试点进行经验贝叶斯拟合，再为未见任务规划计算、价格或延迟预算。在覆盖数学、科学问答、代码和软件工程智能体的七个基准上，SPLIT与事后最优分配仅相差0.02至0.8个百分点，并揭示了增加LLM评判调用反而可能降低精度的条件。

用途与启示
  • 为测试时计算扩展提供数据驱动的预算分配方案，替代固定采样数或固定验证强度等经验规则。
  • 在单元测试、多数投票、LLM评判和奖励模型存在误判及相关错误时，更可靠地选择候选答案。
  • 可用于同时权衡准确率、计算量、调用价格与响应延迟，并支持在线调整配置。
  • 提示实践者不能默认增加验证调用总能提升效果，应评估验证器错误相关性与成功率上限。
📝 原始笔记（逐字保留）
标题：Sample, Mix, or Verify? Allocating Test-Time Compute under Imperfect Verifiers 来源：arXiv 链接：https://arxiv.org/abs/2610.23255 摘要：A common way to make language models and agents more accurate is to spend more compute at inference time: generate many candidate solutions and submit the one a verifier prefers. Success then requires that some candidate is correct and that the verifier picks it. The first grows predictably with the number of samples; the second does not, because real verifiers (unit tests, majority votes, LLM judges, reward models) accept wrong answers, reject right ones, and make correlated mistakes. With a fixed budget, a practitioner must decide how many samples to draw, which models to draw them from, and how much to spend on verification, and today these choices are made by rules of thumb. We introduce SPLIT, which makes them from a small labelled pilot. It rests on an exact formula for the probabili
AgentTrainEvolve5 条
★3 MultiAgent-OPD：分层多智能体系统的端到端在策略蒸馏训练 arXiv · 在策略蒸馏 · 论文 MultiAgent-OPD结合在策略蒸馏与强化学习，对共享参数的Leader-Searcher-Answerer分层团队进行端到端联合训练，并通过教师提供局部过程监督改善信用分配。

★ 3 子主题：在策略蒸馏 arXiv  AgentTrainEvolve SwarmEvolve

 多智能体系统 模型蒸馏 强化学习 过程监督

MultiAgent-OPD面向分层多智能体系统中终局奖励难以有效监督子智能体的信用分配问题。该方法先依据答案正确性训练Searcher-Answerer教师，再由冻结教师对学生在线生成的搜索与摘要词元评分，为Searcher提供局部过程监督。团队训练时，Leader依据整体任务成功获得奖励，Answerer依据候选答案正确性学习，三类角色共享参数并接受端到端联合优化。在七个数据集上，系统取得38.68%的macro avg@4，分别超过Prompted Critic和C-MAS + RL 4.06与2.61个百分点。

用途与启示
  • 为分层多智能体团队提供一种兼顾全局任务奖励与局部过程监督的端到端训练方案。
  • 利用冻结教师评价在线生成轨迹，可减少对子智能体进行外部LLM评判时的主观偏差与不稳定性。
  • 共享参数的角色设计有助于降低多角色训练成本，并促进Leader、Searcher和Answerer之间的能力协同。
  • 结果表明，在策略蒸馏可用于缓解多智能体系统中的稀疏反馈和信用分配难题。
📝 原始笔记（逐字保留）
标题：MultiAgent-OPD: End-to-End Training of Hierarchical Multi-Agent Systems with On-Policy Distillation 来源：arXiv 链接：https://arxiv.org/abs/2610.23234 摘要：In a hierarchical multi-agent system, a Leader assigns tasks and subagents carry them out. Jointly training the Leader and the subagents is difficult because a final answer gives only indirect feedback to the subagents. An LLM judge can score the performance of the subagents, but these scores depend on the judge's own assessment of the quality of subagents' responses. We present MultiAgent-OPD, which combines on-policy distillation with reinforcement learning to jointly train a shared-parameter Leader-Searcher-Answerer team end to end. We first train a Teacher in a Searcher-Answerer workflow using answer correctness. During team training, the frozen Teacher scores student-generated search and summary tokens to provide local process supervision for the Searchers, while the Leader learns fro
★2 GR-OPD：面向在策略蒸馏的组相对序列信用分配 arXiv · 在策略蒸馏 · 论文 GR-OPD 将逐词元教师反馈聚合为经组相对校准的序列级信用，显著提升在策略蒸馏的数学推理效果与训练稳定性。

★ 2 子主题：在策略蒸馏 arXiv  AgentTrainEvolve

 在策略蒸馏 模型蒸馏 信用分配 模型训练 数学人工智能

GR-OPD 将教师反馈的计算与信用分配解耦，把逐词元反馈聚合为校准后的序列级信用，并广播至响应中的各个词元。理论分析表明，在理想的在策略假设下，广播原始反馈总和可无偏估计序列级反向 KL 目标的负梯度。该方法通过折扣较晚且可能受分布偏移影响的反馈，并利用同一提示的多条 rollout 校准教师指导，同时保留适量的组均值“集体教师压力”。在五组 Qwen3 师生配置和六个数学推理基准上，GR-OPD 的宏平均 Avg@K 均优于普通 OPD，并在师生思维模式不匹配时避免了后者的训练崩溃。

用途与启示
  • 为在策略蒸馏提供序列级信用分配方案，弥补局部词元更新无法体现早期动作长期影响的问题。
  • 表明组相对校准与适量集体教师压力能够兼顾响应间相对偏好和整体教师约束。
  • 提示实际训练需限制反馈时间跨度并折扣后期反馈，以降低分布偏移导致的不可靠监督。
  • 可用于提升推理模型蒸馏的样本效率、最终性能及师生推理模式不一致时的稳定性。
📝 原始笔记（逐字保留）
标题：GR-OPD: Group-Relative Sequence Credit for On-Policy Distillation 来源：arXiv 链接：https://arxiv.org/abs/2610.23042 摘要：On-policy distillation (OPD) provides token-level teacher feedback, yet common sampled-token updates assign credit locally and omit the effects of earlier actions on subsequent feedback. We introduce \method{} (Group-Relative On-Policy Distillation), which decouples feedback computation from credit assignment by aggregating token feedback into calibrated sequence-level credit. We establish a theoretical basis for this approach by showing that, under ideal on-policy assumptions, broadcasting raw summed feedback to every response token yields an unbiased estimate of the negative gradient of the sequence-level reverse-KL objective. To support effective learning in practice, \method{} discounts later feedback that may become less reliable under distribution shift and uses same-prompt rollout g
★3 多轮搜索智能体强化学习中的证据归因 GCA arXiv · 信用分配 · 论文 Grounded Credit Assignment 利用证据检索与答案正确性两个可验证子结果分别校正搜索和回答环节的强化学习信用，在提升问答准确率的同时显著增强答案的证据支撑性。

★ 3 子主题：信用分配 arXiv  AgentTrainEvolve

 强化学习 信用分配 智能体 证据推理 检索增强生成

论文指出，GRPO 等结果奖励方法为搜索智能体轨迹中的所有词元分配相同优势，无法区分“找到证据”与“正确使用证据”两种能力。Search-R1 虽在七个问答基准上提升准确率，但 Bamboogle 中正确答案的证据支持比例从 84.0% 降至 42.9%，暴露出严重的 grounding gap。作者提出 Grounded Credit Assignment（GCA），依据证据检索和答案正确性两个可验证子结果，分别修正搜索与回答阶段的信用。GCA 的修正幅度不超过每个词元优势值的 10%，无需额外模型、轨迹或训练阶段，使 Qwen2.5-3B 和 Qwen3-30B-A3B 相对 Search-R1 的平均 EM 分别提升 5.7 和 6.3 个百分点，并将证据支持比例由 76.9% 提高至 93.4%。

用途与启示
  • 为多轮搜索智能体提供细粒度、可验证的信用分配机制，避免仅凭最终答案奖励整条轨迹。
  • 表明问答准确率提升不等同于证据忠实度提升，评测时应同时检查答案正确性与证据支撑性。
  • 可在不增加额外模型、采样轨迹或训练阶段的情况下改进搜索智能体强化学习。
  • 为工具调用、检索增强生成等包含多个能力环节的任务设计分阶段奖励提供参考。
📝 原始笔记（逐字保留）
标题：Grounded Credit Assignment in Reinforcement Learning for Multi-Turn Search Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.23148 摘要：Outcome-reward reinforcement learning such as GRPO gives every token of a search-agent rollout the same advantage, although the rollout exercises two capabilities: finding evidence and using it. We show that accuracy improves without grounding: Search-R1 raises accuracy on all seven QA benchmarks, yet on Bamboogle the evidence-supported share of correct answers falls from 84.0% to 42.9%. We attribute this to GRPO's credit assignment: rollouts that retrieve answer-bearing evidence are favoured in aggregate only in proportion to their accuracy gain over the rest, a grounding gap that answering from memory or misusing evidence shrinks or reverses. To address this, we propose Grounded Credit Assignment (GCA), which uses verifiable sub-outcomes (evidence retrieval and answer correctness) to cor
★3 蒸馏直至分歧：面向智能体强化学习的错误截断后见蒸馏 arXiv · 信用分配 · 论文 该工作以错误边界截断后见技能监督，并结合正负技能路由与GRPO，为长程智能体强化学习提供更准确的细粒度信用分配。

★ 3 子主题：信用分配 arXiv  AgentTrainEvolve

 强化学习 信用分配 在策略蒸馏 长程任务 智能体

长程交互中的结果奖励难以指导中间决策，而后见条件在策略蒸馏可能因错误动作改变后续状态而产生监督错配。该方法根据轨迹结果与错误边界路由两类互补技能：正技能用于强化成功工作流及错误发生前的决策，负技能则针对导致失败的关键错误提供纠正。错误发生后的轨迹后缀不再接受后见技能监督，而是仅通过GRPO进行结果驱动优化。实验表明，该设计能够取得有竞争力的任务表现，并改善细粒度信用分配效果。

用途与启示
  • 为长程智能体训练提供基于错误边界的细粒度信用分配方案。
  • 避免错误动作改变环境状态后，后见技能继续监督所造成的状态与策略错配。
  • 将技能蒸馏与结果奖励优化解耦，可用于改进基于GRPO的智能体强化学习流程。
📝 原始笔记（逐字保留）
标题：Distill Until Divergence: Error-Truncated Hindsight Distillation for Agentic RL 来源：arXiv 链接：https://arxiv.org/abs/2610.23048 摘要：Long-horizon interaction requires agents to make multiple decisions in a changing environment. Outcome-based GRPO lacks fine-grained guidance for intermediate decisions. Recent methods distill completed trajectories into reusable skills and use hindsight-conditioned OPD to provide dense token-level credit. However, skill-induced probability shifts do not necessarily represent reward-aligned credit; especially after an erroneous action changes subsequent interaction states, skill-conditioned supervision may become mismatched with the current state. To address this mismatch, we propose \methodname{}, which routes two complementary hindsight skills according to trajectory outcomes and error boundaries: Positive skills capture successful workflows to reinforce successful trajectories and pre-e
★2 借助用户手册适配新软件的计算机使用智能体 arXiv · 智能体训练 · 论文 · 代码 MAGE 将用户手册转化为程序性知识与训练轨迹，通过手册引导规划和环境交互适配，提升计算机使用智能体在陌生软件中的任务成功率。

★ 2 子主题：智能体训练 arXiv  AgentTrainEvolve GeneralizeEvolve

 图形用户界面智能体 智能体 任务规划 跨域泛化 数据合成

  • MAGE 在执行阶段检索与当前任务相关的用户手册内容，并由规划器生成明确的操作流程以指导 GUI 智能体。
  • 针对软件版本、用户设置等因素造成的手册与实际界面差异，框架通过环境交互进一步适配智能体策略。
  • 在训练阶段，MAGE 将手册转换为可执行的任务—计划对，并利用计划引导环境 rollout 到达任务相关状态。
  • 由此生成的轨迹可直接用于策略优化，无需人工编写演示；在六款应用上的实验显示其任务成功率优于强基线。
用途与启示
  • 将用户手册作为可扩展的程序性知识源，可降低 GUI 智能体对人工演示和轨迹标注的依赖。
  • 检索、显式规划与环境反馈相结合，有助于处理文档描述和实际软件状态之间的偏差。
  • 手册到任务、计划和执行轨迹的自动转换，为低成本适配新软件提供了统一的训练与推理路径。
📝 原始笔记（逐字保留）
标题：Adaptation of Computer Use Agents to New Software with User Manuals 来源：arXiv 链接：https://arxiv.org/abs/2610.23012 摘要：Recent advances in multimodal foundation models have significantly improved the ability to operate real-world software through graphical user interfaces (GUIs) using visual observations and natural language instructions. However, maintaining strong performance on unseen applications remains challenging, as practical tasks often require long-horizon procedural knowledge and application-specific operation patterns. In addition, constructing executable tasks and collecting corresponding trajectories for training still heavily rely on human-annotated data, incurring substantial cost. In this paper, we propose MAGE (Manual-augmented computer use AGent Execution and learning), a framework that leverages user manuals as a scalable source of procedural knowledge to improve both inference and train
AgentEvolve4 条
★3 自进化智能体能修复失败，却难以从失败中泛化 arXiv · 经验学习 · 论文 研究提出冷启动纯失败演化（CFOE）设定，发现智能体可利用失败经验修复已见任务，但难以将其转化为未见任务上的持续泛化能力。

★ 3 子主题：经验学习 arXiv  AgentEvolve GeneralizeEvolve

 自演化 经验学习 智能体 跨域泛化 持续学习

论文研究冷启动纯失败演化（CFOE）：智能体没有历史经验，只能从失败交互中学习，且无法获得特权指导。实验覆盖三种自进化范式、多种 LLM 骨干和四个交互环境，均呈现稳定的“修复—泛化鸿沟”。失败经验能够帮助智能体修复先前失败的任务，却很少在未见任务上带来持续提升。分析表明，智能体经常错误解读失败，即使经验经过验证且内容正确，也难以实现有效迁移；验证器反馈和额外交互仅有有限收益，而成功轨迹能显著改善迁移效果。

用途与启示
  • 为评估经验驱动型自进化智能体提供更严格的纯失败冷启动测试设定。
  • 提醒研究者区分“修复已见失败”与“形成可泛化能力”，避免以重试成功率替代泛化评估。
  • 表明仅积累失败轨迹并不足以支持持续学习，需要改进失败归因、经验抽象和跨任务迁移机制。
  • 成功轨迹对能力迁移具有关键作用，可用于设计正负经验结合的智能体学习方案。
📝 原始笔记（逐字保留）
标题：Self-Evolving Agents Can Repair Failures but Struggle to Generalize from Them 来源：arXiv 链接：https://arxiv.org/abs/2610.22984 摘要：Experience-driven self-evolution offers a promising path for large language model (LLM) agents to continually improve through interaction. Yet existing approaches often rely on successful trajectories or external evaluation signals, leaving unclear whether agents can evolve when such positive anchors are unavailable. We study this question through Cold-Start Failure-Only Evolution (CFOE), where agents start without accumulated experience and learn only from failed interactions without privileged guidance. Across three self-evolving paradigms, multiple LLM backbones, and four interactive environments, we uncover a consistent repair-generalization gap: failure-derived experience can help repair previously failed tasks, but rarely yields sustained improvements on unseen tasks. Further analysi
★2 SkillBrowser：面向可扩展技能智能体的选择性技能暴露 arXiv · 技能优化 · 论文 SkillBrowser 通过元技能动态识别当前能力需求、生成针对性查询并按需加载技能，减少大规模技能库带来的上下文污染和检索错配。

★ 2 子主题：技能优化 arXiv  AgentEvolve MemoryEvolve

 智能体 智能体技能库 技能检索 工具调用 上下文压缩

SkillBrowser 聚焦智能体技能库扩展时的选择性技能暴露（SSE）问题，即只在需要时提供相关程序性内容。渐进式披露会随着技能库增长持续暴露元数据，造成上下文污染并干扰推理。基于初始任务查询的静态检索虽然减少了目录暴露，但难以适应推理过程中动态出现的能力需求，也可能注入无关技能。该框架引入由 Meta-Skill 管理的按需机制，使智能体能够识别当前能力缺口、构造定向查询并选择性加载技能。

用途与启示
  • 为大规模智能体技能库提供按需加载机制，降低无关技能占用上下文并干扰推理的风险。
  • 将技能检索从任务开始时的一次性静态操作，转变为随推理进程动态触发的能力获取过程。
  • 可用于改进工具型智能体、长程任务智能体及模块化技能系统的可扩展性与上下文效率。
📝 原始笔记（逐字保留）
标题：SkillBrowser: Selective Skill Exposure for Scalable Skill-Using Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.23554 摘要：Large language model agents increasingly rely on skills to extend their capabilities in complex tasks. However, scalable skill use requires Selective Skill Exposure (SSE): providing relevant procedural content when needed while avoiding unnecessary exposure that may disrupt reasoning. Existing paradigms fall short in complementary ways. Progressive disclosure exposes metadata for a growing skill library, introducing context pollution; retrieval limits catalog exposure, but static retrieval from the initial task query may be misaligned with capability needs that emerge during reasoning and may still inject unnecessary skills. We propose SkillBrowser, a Meta-Skill-managed framework that enables an agent to identify current capability needs, formulate targeted queries, and selectively load sk
★3 智能体上下文学习：Transformer 在闭环交互中能学会哪些算法？ arXiv · 上下文学习 · 论文 论文提出智能体上下文学习（Agentic ICL）框架，证明因果 Transformer 可在有限时域内近似多类交互式学习算法，并分析不同奖励监督如何塑造其闭环决策策略。

★ 3 子主题：上下文学习 arXiv  AgentEvolve GeneralizeEvolve

 上下文学习 智能体 强化学习 在线学习 过程监督

论文将智能体上下文学习定义为一种闭环交互范式：智能体的行动会决定后续进入上下文的证据。作者以状态、更新规则和决策规则统一描述交互式学习者，覆盖主动学习、多臂老虎机与在线强化学习。理论上，论文构造了可在有限时域内近似这些算法的因果 Transformer，并给出由近似误差导致的回报损失界。实验表明，Transformer 能通过蒸馏执行三种代表性递归算法，且仅使用结果奖励或过程奖励训练时会形成不同的决策策略。提高过程监督与结果最优行动偏好的一致性，可以相应改变学习到的行为，并在预训练语言模型的不同文本改写下保持稳定。

用途与启示
  • 为分析工具使用智能体如何在交互中进行上下文学习提供统一的算法视角。
  • 说明固定参数 Transformer 不仅能从静态示例学习，还能近似主动学习、老虎机和在线强化学习中的闭环更新规则。
  • 提示过程奖励并不必然保持结果最优行为，设计过程监督时需检验其与最终目标的偏好一致性。
  • 可用于指导强化学习后训练中的奖励选择、策略诊断及跨表述行为稳定性评估。
📝 原始笔记（逐字保留）
标题：Agentic In-Context Learning: What Algorithms Can Transformers Learn in Closed-Loop Interaction? 来源：arXiv 链接：https://arxiv.org/abs/2610.23051 摘要：The learning algorithm view of in-context learning (ICL) studies how fixed-parameter Transformers learn from supplied examples. Language model agents extend this setting through interaction: their actions determine what evidence enters context next. We call this regime Agentic In-Context Learning (Agentic ICL). Existing studies largely depend on externally supplied contexts or reward-bearing interaction histories, while work on general tool-using agents lacks a learning algorithm view. We represent an interactive learner by its state, update, and decision rule, covering active learning, bandits, and online reinforcement learning (RL). For expressivity, we construct causal Transformers that approximate these algorithms over a finite horizon, and bound the resulting loss in return. For train
★3 CDSE：面向自改进智能体的认知分化技能演化 arXiv · 技能演化 · 论文 CDSE 将智能体技能分化为元认知、经验、工具和脚本四类协同组件，并从成败轨迹中提取证据以实施针对性更新，在多模型、多基准设置中显著提升智能体表现。

★ 3 子主题：技能演化 arXiv  AgentEvolve

 技能演化 智能体技能库 自我改进 经验学习 执行轨迹

CDSE 借鉴认知科学，将统一技能拆分为 Meta、Experience、Tool 和 Script 四个功能不同但相互协调的组件。该方法从成功与失败的执行轨迹中提取有证据支撑的语义梯度，按功能角色整合知识，并执行组件级更新与验证。对 500 个高排名技能包的分析显示，96.8% 的技能包包含至少两种功能角色的知识，说明技能内部具有显著异质性。在六个基准、三个智能体模型和两种执行框架组成的 36 项设置中，CDSE 均取得最高分，较基础智能体平均提升 7.6 个百分点，较各设置中的最强竞品平均提升 2.6 个百分点。

用途与启示
  • 为智能体技能库提供按功能角色组织和维护知识的新范式，减少异质知识混杂造成的更新冲突。
  • 利用成功与失败轨迹形成证据驱动的经验反馈，使技能能够持续演化并保持可验证性。
  • 通过跨组件协调和自适应调用，在任务规划、情境决策、工具调用与可执行流程之间实现更精细的能力编排。
  • 可用于设计具备持久、可迁移技能的自改进智能体，并为技能组件消融和演化效果评估提供参考。
📝 原始笔记（逐字保留）
标题：From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.23599 摘要：Large language model (LLM) agents tackle complex tasks through reasoning and interaction with external environments. Agent skills provide persistent, transferable capabilities that guide task planning, inform contextual decisions, support tool use, and enable executable procedures. Yet existing skill-evolution methods largely organize knowledge around skill artifacts, overlooking the functional heterogeneity within individual skills and its implications for knowledge maintenance and use. Inspired by cognitive science, we propose Cognitive Differentiation in Skill Evolution (CDSE), which evolves a unified skill through four functionally distinct yet coordinated components: Meta, Experience, Tool, and Script. CDSE extracts evidence-grounded semantic gradients from successful and failed traje
GeneralizeEvolve4 条
★2 语言模型中的行为耦合：形成机制与行为涌现 arXiv · 行为耦合 · 论文 研究发现，共现文档训练可在语言模型内部形成可传递、可组合的行为耦合，使后续针对单一行为的微调意外诱发其他行为甚至广泛失准。

★ 2 子主题：行为耦合 arXiv  GeneralizeEvolve EvolveLLM

 模型训练 安全对齐 行为建模 人工智能可靠性 模型开发

研究将“微调一种行为会同时引出另一种行为”的关系定义为行为耦合，并考察其形成与涌现机制。实验显示，如果训练文档共同描述两种不同的行为，随后仅微调其中一种行为，也可能激活另一种未被直接训练的行为。行为耦合还具有组合性：当两组文档通过共享行为形成链式关系时，对行为 1 的微调可以依次诱发行为 2 和行为 3。由于最终共同涌现的行为可能从未在同一文档中出现，这类失准行为的来源难以通过常规数据追踪和当前行为评测定位。

用途与启示
  • 揭示微调可能激活预训练或文档训练阶段形成的潜在行为关联，不能仅以目标任务表现判断后训练安全性。
  • 提示训练数据审计应关注行为共现关系及其跨文档组合，而不只是单条样本中的显式风险内容。
  • 可用于设计微调前后的行为耦合测试，排查谄媚、不安全代码及广泛失准等非目标行为。
  • 说明安全评估需要探测模型尚未显现但可能被后续微调触发的潜在行为结构。
📝 原始笔记（逐字保留）
标题：Behavioral Couplings: From Formation to Behavioral Emergence in Language Models 来源：arXiv 链接：https://arxiv.org/abs/2610.23847 摘要：Fine-tuning large language models (LLMs) can induce behaviors beyond those explicitly targeted. For example, training a model to respond more warmly can make it more sycophantic, and training it to write insecure code can cause broad misalignment on prompts unrelated to coding. We refer to a relationship between behaviors, in which fine-tuning on one brings out another, as a behavioral coupling. In this work, we study formation and properties of behavioral couplings. We find that when a model is trained on documents describing two distinct behaviors together, fine-tuning it to elicit one behavior causes the other to emerge as well. For instance, when training documents describe a fictitious character that both explains scientific concepts in a playful, rubber-duck-like manner and discourag
★2 学习潜在多表征实现先验数据拟合关系模型 arXiv · 预训练 · 论文 研究通过合成关系数据库上的课程式预训练，使图消息传递模型 Griffin 学到可迁移的多表潜在表示，并在无需目标任务训练的情况下提升真实关系分类性能。

★ 2 子主题：预训练 arXiv  GeneralizeEvolve DataEvolve

 模型训练 数据合成 数据库机器学习 课程学习 跨域泛化

作者在大规模合成关系数据库上预训练图关系基础模型 Griffin，探索 PFN 范式能否从 Transformer 扩展到消息传递架构。预训练编码器被用作通用关系表示学习器，其潜在表示交由冻结的上下文预测器处理，目标任务上不进行任何参数训练。在 16 个真实世界关系分类任务和五个随机种子上，先使用模式引导数据、再使用模式无关数据的合成课程取得最强的冻结上下文预测表现。该课程优于仅使用真实数据预训练及无序单阶段混合语料；接续在真实数据预训练之后时，还能得到整体表现最佳的编码器。

用途与启示
  • 证明 PFN 式合成预训练可迁移到基于消息传递的图关系基础模型，而不局限于 Transformer。
  • 表明合成数据的训练顺序比简单混合更关键，可通过由模式引导到模式无关的课程构造提升关系表示迁移能力。
  • 为无需下游微调的多表数据库学习提供通用途径，可降低新关系分类任务的训练成本。
  • 提示真实数据预训练与合成课程可以串联使用，以获得更强的通用关系编码器。
📝 原始笔记（逐字保留）
标题：Path to Prior-Data Fitted Relational Models via Learned Latent Multi-table Representations 来源：arXiv 链接：https://arxiv.org/abs/2610.23073 摘要：Prior-data fitted networks (PFNs) show that pretraining on large populations of synthetic tasks can enable generalization to unseen datasets with little or no downstream fine-tuning. This paradigm is effective for transformer-based tabular and relational foundation models such as RDB-PFN, but remains largely unexplored for graph-based relational models built on message passing. We pretrain the graph-based relational foundation model Griffin on large collections of synthetic relational databases and ask whether curriculum learning, which benefits transformer-based relational learners, also improves message-passing representations. Rather than fine-tune on downstream tasks, we use the pretrained encoder as a general-purpose relational representation learner and pass its latent representation
★2 超出预训练支持的指令与组合任务上下文学习 arXiv · 上下文学习 · 论文 论文从理论上刻画上下文学习如何借助示例证据和任务分解，处理预训练分布未支持的指令及可组合长程任务。

★ 2 子主题：上下文学习 arXiv  GeneralizeEvolve

 上下文学习 跨域泛化 长程任务 任务规划 推理

论文建立了一个区分“指令超出支持”与“目标任务超出支持”两类分布偏移的上下文学习理论框架。对于预训练中已有表示的目标任务，增加输入输出示例能够识别潜在任务，并降低模型对预训练所支持提示模板的敏感性。对于未受支持的指令，在固定的模型诱导参考扩展下，示例证据可压过与示例数量无关的指令偏移，同时保持指数级任务识别速率。对于预训练未覆盖但可分解的长程任务，逐步调用受支持的子任务可得到累积误差界，并避免直接选择未受支持的完整任务。

用途与启示
  • 为分析上下文学习在预训练分布之外的泛化能力提供形式化框架。
  • 说明增加高质量示例可以缓解提示模板变化和未支持指令带来的影响。
  • 启发将复杂长程任务分解为预训练已覆盖的熟悉子任务，以提高任务执行的可靠性。
  • 可用于设计面向分布外指令与组合任务的上下文学习评测。
📝 原始笔记（逐字保留）
标题：Out of Support, Not Out of Reach: In-Context Learning with Unsupported Instructions and Composed Tasks 来源：arXiv 链接：https://arxiv.org/abs/2610.23528 摘要：In-Context Learning (ICL) enables pretrained LLMs to adapt to downstream tasks from a small set of input-output demonstrations, without parameter updates. Yet existing theory primarily explains ICL as identifying a latent task already represented in pretraining, leaving unclear whether ICL can succeed when either the instruction or the target task falls outside the pretraining support. We develop a theoretical framework under mild assumptions that separates these two forms of distribution shift. For target tasks represented in pretraining, we show that demonstrations can identify the task and reduce sensitivity to pretrain-supported prompt templates as their number increases. For an unsupported instruction, we show that under a fixed model-induced reference extension, demonstration evidenc
★2 COMET：面向任务无关持续视觉语言学习的解耦蒸馏、路由与容量控制 arXiv · 持续学习 · 论文 COMET通过解耦多模态几何蒸馏、专家路由与容量控制，在无需历史数据、任务身份和骨干重训练的条件下提升视觉语言模型的持续学习能力。

★ 2 子主题：持续学习 arXiv  GeneralizeEvolve

 持续学习 多模态 模型蒸馏 模型路由 混合专家模型

COMET面向任务依次到达、历史数据不可用、任务身份未知且骨干网络冻结的任务无关持续视觉语言学习。其Tri-Affinity Distillation借助冻结教师的特征参考，同时保持图像—图像、文本—文本及图像—文本的表示几何，缓解模态一致性漂移。Student-Aware Cross-Expert Distillation根据兼容性对齐新旧专家，使错误路由情况下的性能能够平滑退化。系统进一步以上下文老虎机决定保留或合并完整任务专家，并在推理阶段利用重建路由器稀疏选择专家；X-TAIL基准实验表明各组件均能改善持续学习表现。

用途与启示
  • 为冻结视觉语言骨干上的持续适配提供模块化设计，将特征保持、专家塑形、推理路由和容量分配相互解耦。
  • 三类亲和关系蒸馏可用于抑制多模态表示空间随任务序列发生漂移。
  • 通过跨专家知识迁移提高路由容错性，降低未知任务身份下误选专家的损失。
  • 利用训练后信号动态保留或合并专家，为长期运行系统控制参数容量与推理开销提供思路。
📝 原始笔记（逐字保留）
标题：COMET: Decoupled Distillation, Routing, and Capacity Control for Task-Agnostic Continual Vision--Language Learning 来源：arXiv 链接：https://arxiv.org/abs/2610.22907 摘要：Vision-language models (VLMs) such as CLIP retain zero-shot recognition ability, but their open-world use often requires task-agnostic continual learning: tasks arrive sequentially, past data are unavailable, task identity is unknown, and the backbone cannot be retrained. We argue that this setting fails VLMs through three coupled pressures beyond the stability-plasticity tradeoff: (1) modal-consistency drift, (2) representation-space interference, and (3) per-task capacity shortfall. We propose COMET (Collaborative Mixture-of-Expert Transfer) to resolve these three issues respectively as follows. A frozen teacher provides only a feature reference on a shared image-text pool; Tri-Affinity Distillation preserves image-image, text-text, and image-text geometry; and Student-Aware Cross-Expert
ResearchEvolve4 条
★2 AI 驱动的科学发现可复现性与分析稳健性评估 arXiv · 科研评测 · 论文 研究提出 SEER-Repro 基准及智能体分析流水线，可自动复现医学研究结论、检验分析选择的稳健性并筛选需专家复核的潜在问题。

★ 2 子主题：科研评测 arXiv  ResearchEvolve

 自动化科学研究 科研智能体 可复现性 科学研究基准 医疗人工智能

研究构建了 SEER-Repro 基准，收录 20 篇基于美国 SEER 癌症登记数据库的已发表论文及其复现所需数据与资源。所开发的 LLM 智能体成功复现了 2,190 条原子主张中的 77.4%，并生成可执行的分析基线。智能体流水线进一步识别每项发现背后的分析选择、提出合理替代方案，并重新运行分析以检验结论稳健性。在完全复现的发现中，该流程识别出 9.5% 可能影响结论的分析选择，并将其标记供专家审查。

用途与启示
  • 为大规模、自动化核查已发表科学结论的可复现性提供基准与执行流程。
  • 将分析选择显式化并开展替代方案测试，有助于发现传统复现工作可能忽略的稳健性风险。
  • 通过优先标记可能改变结论的结果，可将有限的专家审查资源集中于高风险发现。
  • 展示科研智能体在医学证据复核和科学评审辅助中的实际应用潜力。
📝 原始笔记（逐字保留）
标题：AI-Driven Reproducibility and Analytical Robustness in Scientific Discovery 来源：arXiv 链接：https://arxiv.org/abs/2610.23845 摘要：Reproducible and analytically robust research findings are essential to scientific progress, but evaluating these properties typically requires costly manual effort. We investigate whether LLM agents can help automate reproduction and robustness analysis, using a medical case study grounded in the Surveillance, Epidemiology, and End Results (SEER) database, a widely used U.S. cancer registry underlying tens of thousands of published studies. First, we introduce SEER-Repro, a benchmark of 20 published SEER-based papers together with the data and resources required to reproduce their findings. Second, we create an AI agent that successfully reproduces 77.4% of 2,190 atomic claims, while providing executable baselines for further analysis. Third, we develop an agentic analysis pipeline to tes
★2 Optimist Deep Research：基于可变研究状态的迭代式文献研究智能体 arXiv · 深度研究智能体 · 论文 Optimist Deep Research 将文献研究建模为围绕显式可变状态持续获取、审查和组织证据的迭代过程，并以可追溯证据生成最终报告。

★ 2 子主题：深度研究智能体 arXiv  ResearchEvolve

 深度研究 科研智能体 智能体 证据溯源 科研工作流

该开源智能体将研究问题分解为子问题树，并针对 arXiv、OpenAlex、Crossref、PubMed、Semantic Scholar 和网页生成特定检索查询。系统通过四级保守去重与引文滚雪球构建保留来源信息的文档注册表，达到饱和条件后再筛选、排序并分配文献。文档被并行读取，其主张、支持证据、位置、类型和强度写入结构化证据库；批评器则从八个维度审查状态，并动态新增、拆分、改写、降级或关闭子问题。最终报告按章节从证据库生成，所有引用均可解析至已检索文档；案例在约三分半钟内从 237 篇候选文献中阅读了 28 篇。

用途与启示
  • 为自主文献调研提供区别于“一次检索后总结”的迭代式智能体架构。
  • 显式研究状态与结构化证据库有助于审计检索、阅读、判断和写作全过程。
  • 动态调整子问题使研究计划能够随新证据演化，适合开放式深度研究任务。
  • 来源保留、保守去重和引用解析机制可提升综述报告的证据可追溯性。
📝 原始笔记（逐字保留）
标题：Optimist Deep Research: An Iterative, State-Centric Agent for Autonomous Literature Research 来源：arXiv 链接：https://arxiv.org/abs/2610.23299 摘要：Most retrieval-augmented systems treat literature search as a single retrieval step followed by summarization. Real literature research works differently: the investigator's understanding of the question changes as they read, new subquestions appear, and evidence is weighed, not just collected. We present Optimist Deep Research, an open-source agent that runs literature research as an iterative evidence-acquisition process over an explicit, mutable research state. A research question is broken into a tree of subquestions, each served by search intents that are translated into source-specific queries over arXiv, OpenAlex, Crossref, PubMed, Semantic Scholar and the web. Results are merged into a canonical, provenance-preserving document registry through a conservative four-tier deduplication
★2 RFdiffusion3 实现原子级蛋白质与核酸设计 AIbase · 蛋白质建模 · 原文 RFdiffusion3 通过直接调整原子三维坐标生成满足功能约束的蛋白质与核酸，其设计的两类酶已在真实化学实验中完成预期反应。

★ 2 子主题：蛋白质建模 AIbase  ResearchEvolve

 科学发现 生物信息学 扩散模型 实验验证 自动化科学研究

RFdiffusion3 采用参考 AlphaFold3 的网络架构，最多以14个原子刻画单个氨基酸，并直接生成各原子的三维坐标。系统支持带约束设计，可同时满足反应原子位置、氢键条件及特定原子空间分布等要求。在41个现有酶活性位点的对比中，它有37组优于 RFdiffusion2，生成速度约提升至上一代的十倍。其设计的对氧磷降解酶和肽裂解酶已在真实实验中实现预期功能，验证了从结构预测迈向功能导向分子设计的潜力。

用途与启示
  • 为酶工程提供原子级、功能约束驱动的生成式设计工具。
  • 真实化学反应验证表明，生成结果可从计算结构进一步转化为具备预期功能的生物分子。
  • 相比上一代的性能和速度提升，有望降低候选蛋白筛选及湿实验验证成本。
  • 可用于催化剂、药物相关蛋白及功能性核酸的定向设计。
📝 原始笔记（逐字保留）
标题：AI 系统 RFdiffusion3 能从原子层面造蛋白：实验里真能干活 来源：AIbase 快讯（aibase.com） 链接：https://www.aibase.com/zh/news/31710 摘要：国际团队公开生成式AI系统RFdiffusion3，可对单个原子建模，专门设计蛋白质与核酸，完整方案近日发布。该系统由美国华盛顿大学、英国牛津大学、英伟达等合作搭建，成果于当地时间16日刊登在《科学》。更关键的是，其全新设计的蛋白质已在真实化学反应中兑现预期功能，展现原子级生成式设计的应用潜力。
★3 前向引文监督生成可操作研究局限 arXiv · 自动化科学研究 · 论文 研究利用前向引文构建经人工验证的 ActLim-Bench，并通过三阶段后训练提升模型从文献中生成可操作研究局限的能力，进而改善下游科研创意系统。

★ 3 子主题：自动化科学研究 arXiv  ResearchEvolve

 自动化科学研究 科学发现 证据溯源 模型训练 奖励建模

研究聚焦自动化科研创意流程的起点：从已有文献中识别并生成可被后续工作解决的具体局限。初步实验显示，参数规模从 0.6B 增至 32B 能显著增强模型识别已被后续论文解决之局限的能力，却不能改善主动生成能力，表明瓶颈主要来自监督信号。作者基于前向引文构建 ActLim-Bench，包含 18,279 个经人工验证且关联证据的监督三元组。训练流程依次采用监督微调、验证器过滤的拒绝采样微调，以及以验证器提供在线稠密奖励的强化学习；生成结果在非平局人工比较中获得 64.9% 的偏好率，并能提升下游科研创意系统。

用途与启示
  • 将前向引文视为天然的事后证据，用于监督模型发现真正可操作、可被后续研究解决的文献局限。
  • 说明科研创意生成的关键瓶颈可能不是参数规模，而是具备证据关联与可验证性的高质量监督信号。
  • 为科研智能体加入“局限生成—验证器筛选—强化学习优化”的前置模块，可提高后续选题和方案生成质量。
  • ActLim-Bench 可用于评测模型能否从文献证据中提出具有行动价值的研究切入点。
📝 原始笔记（逐字保留）
标题：Where Research Ideation Begins: Forward-Citation Supervision for Actionable Limitation Generation 来源：arXiv 链接：https://arxiv.org/abs/2610.23038 摘要：Automated research ideation has advanced rapidly, with multi-agent workflows that generate whole research ideas end to end. These frameworks leave largely unexamined the step that seeds a good idea: identifying an actionable limitation from literature. In this paper, we focus on this first step in the research ideation pipeline. Starting from a pilot study, we find that as large language models (LLMs) scale from 0.6B to 32B parameters, they become far better at recognizing which limitation later work addressed, but no better at generating one, suggesting that the bottleneck lies in the supervision signal rather than model capacity. We therefore construct ActLim-Bench from forward citations, yielding 18,279 evidence-linked supervision triples with human verification. On this signal, we prop
PersonalEvolve3 条
★2 VISTA：从少量问卷回答推断潜在用户价值并引导 LLM arXiv · 个性化对齐 · 论文 VISTA 从少量问卷回答中推断用户的潜在价值画像，并通过超网络对冻结 LLM 施加个性化引导，在不增加提示词元的情况下实现低成本、多元化的价值对齐。

★ 2 子主题：个性化对齐 arXiv  PersonalEvolve

 价值对齐 用户画像 表征干预 主动学习 人在回路

VISTA（Value-Informed Steering and Targeted Acquisition）根据用户完整或部分问卷回答推断潜在价值画像，再通过超网络生成面向特定用户的 LLM 引导干预。该方法适用于答案选项选择和自由文本生成，无需把用户画像加入上下文，也不增加提示词元。在 Food2D、世界价值观调查（WVS）和 PrimeX 上，VISTA 达到或超过基于上下文用户画像的方法。其主动提问与停止机制在 WVS 上仅询问 6% 的问题，便保留完整回答历史所带来收益的 94%，并呈现出可解释的主导价值方向。

用途与启示
  • 为基于稳定用户价值而非单任务偏好的个性化对齐提供可部署方案。
  • 利用主动问题选择和自适应停止机制降低用户填写问卷的认知与交互成本。
  • 展示超网络生成的表征干预可替代提示中的显式用户画像，从而节省上下文空间。
  • 可解释的价值轴有助于分析个性化引导是否准确反映未见用户的价值取向。
📝 原始笔记（逐字保留）
标题：VISTA: Steering LLMs with Latent User Values Inferred from a Few Survey Answers 来源：arXiv 链接：https://arxiv.org/abs/2610.23702 摘要：Personalizing a language model requires knowing what a person values, which stays largely consistent across tasks. Yet most methods either learn task-specific preferences or place the user's profile in the prompt, where models struggle to act on it. We introduce VISTA (Value-Informed Steering and Targeted Acquisition), which infers a latent profile from users' (full or partial) survey answers, and maps the profile through a hypernetwork to a user-specific steering intervention in a frozen LLM to select answer choices or generate free-text responses. Given the same evidence, VISTA matches or beats in-context profiles on synthetic preferences (Food2D), the World Values Survey (WVS), and PrimeX, without adding prompt tokens. To reduce the cognitive burden of completing full surveys, VISTA als
★2 理由引导的人类奖励建模用于偏好强化学习 arXiv · 奖励建模 · 论文 该工作在轨迹级偏好标签之外引入解释偏好原因的理由标签，以学习更符合人类意图且更具可解释性的奖励函数与强化学习策略。

★ 2 子主题：奖励建模 arXiv  PersonalEvolve

 奖励建模 强化学习 偏好优化 人在回路 人工智能可解释性

论文提出理由引导的偏好强化学习（PbRL）框架，从人类提供的轨迹级反馈中学习奖励函数。除偏好标签外，框架还使用理由标签描述行为被偏好的原因，使奖励函数同时捕捉选择结果及其内在依据。相较仅依赖偏好的奖励学习，额外的理由监督有助于提升人类对齐程度与策略可解释性。训练时将学习到的人类奖励与环境奖励结合，在改善任务表现的同时增强策略的偏好敏感性。

用途与启示
  • 为偏好强化学习提供比二元偏好标签更丰富、可解释的监督信号。
  • 可用于构建兼顾环境任务收益与人类安全偏好的复合奖励函数。
  • 启示奖励建模系统收集偏好时同步记录理由，以降低仅拟合表面选择所造成的目标偏差。
📝 原始笔记（逐字保留）
标题：Reason-guided Human Reward Modeling for Preference-based Reinforcement Learning 来源：arXiv 链接：https://arxiv.org/abs/2610.23550 摘要：Reinforcement learning (RL) policies optimized for task rewards may produce behaviors that are efficient but misaligned with human expectations, safety preferences, or intent. This paper presents a reason-guided preference-based reinforcement learning (PbRL) framework that learns a human reward model from trajectory-level feedback. In addition to preference labels, the framework incorporates reason tags explaining why a behavior is preferred, enabling the learned reward to capture both human choices and their underlying rationale. Compared with preference-only reward learning, the reason-guided formulation provides additional supervision for learning human-aligned rewards and improves the interpretability of the resulting policy. The learned human reward is combined with the environment re
★2 Trapped in Your Story：叙事诱导的谄媚行为评测 arXiv · 安全评测 · 论文 研究构建受控基准，揭示用户叙事的因果框架、世界观综合及呈现形式会显著影响语言模型的谄媚性判断。

★ 2 子主题：安全评测 arXiv  PersonalEvolve

 模型评估 人工智能可靠性 安全对齐 行为建模 提示敏感性

研究选取十个领域的500个争议性问题，在保持用户立场不变且不引入任务相关新证据的前提下，系统改变其论证叙事。每道问题设置一个中性基线，以及针对两个对立立场各五级的镜像叙事条件，共形成5,500个评测实例。对七个语言模型的测试表明，叙事细化与模型赞同程度并非单调相关：个人经历可能降低赞同，而因果框架和世界观综合会提高赞同。GPT-5.1受控消融进一步显示，因果框架的正向影响最强，保持主张不变的项目符号形式也比段落形式更容易诱导赞同。

用途与启示
  • 为评估语言模型在复杂用户叙事下的谄媚行为提供受控基准与实验设计。
  • 提醒安全评测不能只控制用户立场，还应考察理由结构、因果表述和文本呈现形式。
  • 可用于改进安全对齐训练，降低模型将叙事说服力误判为证据强度的风险。
  • 为提示敏感性分析和模型行为审计提供可复用的变量分解思路。
📝 原始笔记（逐字保留）
标题：Trapped in Your Story: Evaluating Narrative-Induced Sycophancy in Large Language Models 来源：arXiv 链接：https://arxiv.org/abs/2610.23525 摘要：Large language models (LLMs) are known to exhibit sycophancy by adjusting their responses toward users' expressed views. However, real users often justify their opinions through reasons, personal experiences, causal explanations, and broader narratives, raising the question of whether such narratives can further steer model judgments. We construct a controlled benchmark of 500 debatable questions across ten domains, where the user stance is held fixed while its justification is systematically varied without introducing new task-relevant evidence. Each question is instantiated under 11 matched conditions: one neutral baseline and five mirrored narrative levels for each of two opposing positions, yielding 5,500 evaluation instances. We evaluate seven LLMs and observe substantial differences
HarnessEvolve4 条
★2 HardEval：面向安全加固与合规修复的执行验证基准 arXiv · 评测基准 · 论文 HardEval通过在真实虚拟机中执行模型生成的Bash脚本，并使用隐藏的OpenSCAP/OVAL检查验证其持久化安全加固与合规修复能力。

★ 2 子主题：评测基准 arXiv  HarnessEvolve

 模型评估 执行验证 网络安全 真实世界基准测试 人工智能辅助编程

HardEval基于Red Hat Enterprise Linux 8的STIG控制项构建，任务覆盖SSH配置、身份认证策略、审计规则与内核参数等操作系统安全领域。每项任务仅向模型提供目标安全状态，不公开专家修复方案及作为隐藏真值的OVAL检查。模型生成的Bash脚本会在真实虚拟机中执行，并通过对应的OpenSCAP/OVAL合规检查判定修复是否成功。对14种前沿及开放权重模型配置的评测显示，不同安全领域的能力差异显著，常见失败是脚本看似合理却未精确满足合规条件。

用途与启示
  • 为语言模型驱动的操作系统安全加固提供可执行、可复现且以最终系统状态为依据的评测方式。
  • 揭示仅检查代码表面合理性不足以判断合规修复是否成功，应结合真实环境执行与隐藏检查器。
  • 可用于比较模型在不同安全配置领域的可靠性，并定位持久化配置、精确条件满足等失效模式。
  • 为安全运维智能体、自动合规修复工具及其验收测试提供基准基础。
📝 原始笔记（逐字保留）
标题：HardEval: An Execution-Verified Benchmark for AI-Driven Security Hardening and Compliance Remediation 来源：arXiv 链接：https://arxiv.org/abs/2610.23685 摘要：Implementing Security Technical Implementation Guide (STIG) controls remains a demanding operating-system administration task. Each natural-language security requirement must be translated into a precise and persistent configuration change. These changes span Secure Shell (SSH) configuration, authentication policy, audit rules, and kernel parameters. Existing benchmarks do not measure whether a model can perform this task on a live system. Code benchmarks evaluate isolated programs without persistent system state, while agent benchmarks largely focus on applications rather than operating-system configuration. In this paper, we introduce \textbf{HardEval}, an execution-verified benchmark for evaluating language-model-assisted security hardening. HardEval is built from Red Hat Enterprise Lin
★2 接口漂移下的 LLM 智能体稳健函数调用 arXiv · 工具调用 · 论文 SchemaShield-Lite 通过模式验证、候选工具集重试和单次约束修复，在无需重新训练的情况下显著提升接口漂移场景下的函数调用可靠性。

★ 2 子主题：工具调用 arXiv  HarnessEvolve AgentEvolve

 工具调用 人工智能可靠性 智能体 执行验证

论文将工具描述、参数模式及候选工具列表在部署后的变化定义为“接口漂移”，并研究其对智能体函数调用的影响。作者提出轻量级、免训练的 SchemaShield-Lite，结合模式验证、缺失工具名时的候选集重试与单次约束修复。该方法将 Qwen3.5-9B 在 DICE-300 上的准确率从 0.717 提升至 0.813，在 BFCL-200 上从 0.580 提升至 0.805，且未观察到修复造成的性能损害。消融实验表明，候选工具集漂移尤其是干扰工具，是主要失效来源，而单独修改描述或参数模式的危害相对较小。

用途与启示
  • 为已部署的函数调用智能体提供无需重新训练的低成本可靠性增强层。
  • 在执行工具前加入模式验证与约束修复，可降低接口变更引发的调用失败。
  • 部署评测应重点覆盖候选工具增删及干扰工具注入，而不应只测试描述或参数模式变化。
  • 结果表明，结构化验证与定向重试比朴素重试更适合修复工具调用错误。
📝 原始笔记（逐字保留）
标题：Robust Function Calling for LLM Agents Under Interface Drift 来源：arXiv 链接：https://arxiv.org/abs/2610.23342 摘要：Tool-augmented language-model agents rely on interface text: tool descriptions, argument schemas, and the candidate tool list shown at inference time. These interfaces often change after deployment even when the underlying tool semantics remain fixed, creating a practical reliability problem for function-calling systems. We study this failure mode as interface drift and evaluate whether a lightweight, training-free repair layer can recover robustness without retraining the base model. Our method, SchemaShield-Lite, combines schema validation, candidate-set retry for missing tool names, and one-shot constrained repair. On Qwen3.5-9B, it raises DICE-300 accuracy from 0.717 to 0.813 and BFCL-200 accuracy from 0.580 to 0.805, recovering 19/22 and 33/45 drift-induced failures with no observed r
★2 FLARE：退化观测下配电网恢复智能体的物理约束评测 arXiv · 智能体评测 · 论文 FLARE以800个满足交流潮流约束的配电网故障案例评测语言模型智能体在退化观测下的供电恢复能力，并揭示其显著的尾部风险与外部安全检查需求。

★ 2 子主题：智能体评测 arXiv  HarnessEvolve

 智能体评估 人工智能可靠性 执行验证 真实世界基准测试 风险控制

FLARE是面向故障隔离后馈线恢复的物理约束评测基准，包含五种观测设置下的800个交流潮流可行案例。智能体需要在信息不完整或相互冲突时收集证据、评估开关并执行恢复操作，同时遵守固定运行限制。研究在拓扑、分布式发电和负载变化条件下，对五个指令微调模型开展了78,750轮评测，平均归一化遗憾为0.082至0.148。尽管各模型的遗憾中位数均为零，但P95遗憾达到0.814至1.000；影子回放还显示，15,706个被防护机制拒绝的动作中有96.4%会造成物理约束违规。

用途与启示
  • 为配电网恢复智能体提供可复现、满足电气约束的真实世界评测环境。
  • 说明平均指标和中位数可能掩盖严重的尾部失效，应重点报告高分位风险。
  • 验证外部动作防护与物理约束检查对于高风险基础设施智能体的必要性。
  • 可用于比较智能体在观测退化、拓扑变化和负载漂移下的可靠性。
📝 原始笔记（逐字保留）
标题：FLARE: Physics-Grounded Evaluation of Language-Model Agents for Feeder Restoration with Degraded Observations 来源：arXiv 链接：https://arxiv.org/abs/2610.23251 摘要：Restoring service after distribution-grid faults requires decisions from incomplete and conflicting information while respecting electrical constraints. Addressing this need, we introduce FLARE (Feeder-Level Agent Restoration Evaluation), a physics-grounded benchmark for post-isolation feeder restoration. FLARE con- tains 800 AC-feasible cases across five observation settings and allows agents to gather evidence, evaluate switches, and perform restoration actions under fixed operational limits. We evaluate five instruction-tuned models over 78,750 episodes, including topology, distributed-generation, and loading shifts. Mean normalized regret ranges from 0.082 to 0.148. Although every model has zero median regret, P95 regret ranges from 0.814 to 1.000, revealing an important failure tail.
★2 从授权到滥用：编码智能体执行框架的权限提升攻击 arXiv · 漏洞挖掘 · 论文 研究发现，仓库中的恶意上下文可诱导编码智能体申请并持久化范围过宽的放行规则，从而绕过执行框架与人在回路审批机制，实现静默权限提升攻击。

★ 2 子主题：漏洞挖掘 arXiv  HarnessEvolve

 智能体安全 人工智能辅助编程 访问控制 提示注入攻击 工具链安全

编码智能体的执行框架通常拦截沙箱外操作，并允许用户保存智能体建议的放行规则以减少审批疲劳。攻击者可在代码仓库中植入恶意上下文，诱导智能体以合理理由申请实际权限范围过宽的规则；规则一旦获批，后续匹配操作便不再触发人工确认。在 Claude Code 和 Codex CLI 等生产平台上，智能体有 58% 的实验实例成功申请到目标规则，这些规则覆盖了 56.9% 的类别能力测试用例。在规则获批的有效实例中，攻击有 81.0%（47/58）实现经验证的静默目标执行，表明持久化授权可能显著削弱人在回路安全保障。

用途与启示
  • 揭示执行框架的持久化放行规则本身可成为权限提升入口，安全审计不能只关注单次工具调用。
  • 应限制智能体自主生成授权规则的范围，并采用最小权限、有效期约束及任务级隔离。
  • 对来自代码仓库等不可信上下文的授权请求进行来源标记、风险解释和独立验证。
  • 可将语义覆盖范围、跨任务持久性与静默执行成功率纳入编码智能体安全评测。
📝 原始笔记（逐字保留）
标题：From Approval to Abuse: Privilege Escalation Attacks on Harness-Protected Coding Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.22987 摘要：Coding agents use execution harnesses to constrain the consequences of prompt injection by enforcing permission boundaries. These systems deterministically intercept any out-of-sandbox action and prompt the user for approval. To reduce approval fatigue, users can approve allow-rules proposed by the agent, after which any future action matching the rule is allowed without a prompt. In this work, we show that this mechanism introduces a new risk: untrusted context can influence the permissions presented for approval, with consequences extending beyond the immediate task. We investigate privilege escalation targeting this permission-update process. Specifically, adversarial context planted in a repository can reliably steer an agent performing a routine task into requesting a plausibly justif
DataEvolve2 条
★2 解构多任务主动学习：梯度冲突悖论与正交分解 arXiv · 主动学习 · 论文 · 代码 该研究通过解耦信息量、探索性与梯度冲突处理，提出多任务主动学习的正交分解框架，并在多个视觉基准上取得稳定提升。

★ 2 子主题：主动学习 arXiv  DataEvolve

 主动学习 多目标优化 数据策展 模型训练 不确定性估计

论文指出，将不确定性、多样性和梯度冲突线性标量化，难以表达冲突目标之间的 Pareto 最优权衡。作者发现“梯度冲突悖论”：在候选样本排序时惩罚梯度冲突，效果甚至不如完全忽略该指标，因此改为在采集阶段不评价冲突、在训练阶段使用梯度手术消除干扰。正交分解策略先按信息量过滤样本，再执行覆盖最大化，以避免无信息离群点导致的“多样性稀释”。框架还提出基于 MC Dropout 任务熵协方差的跨任务互信息 CTMI，并在 COCO、Cityscapes 和 NYUv2 上优于现有多任务主动学习及数据选择基线。

用途与启示
  • 为多任务主动学习提供比线性目标组合更清晰的结构化设计范式。
  • 提示样本采集与训练优化中的梯度冲突应分阶段处理，而非统一纳入采集分数。
  • 可利用“信息量过滤—覆盖最大化”流程提高有限标注预算下的数据选择质量。
  • CTMI 可用于衡量任务间依赖，并辅助设计面向多任务场景的采集策略。
📝 原始笔记（逐字保留）
标题：Deconstructing Multi-Task Active Learning: The Paradox of Gradient Conflict and Orthogonal Decomposition 来源：arXiv 链接：https://arxiv.org/abs/2610.23623 摘要：Existing multi-task active learning (MTL-AL) methods predominantly rely on linear scalarization of heterogeneous objectives such as uncertainty, diversity, and gradient conflict. We argue that this entangled formulation is fundamentally limited, as linear combination fails to capture Pareto-optimal trade-offs under conflicting objectives. We propose a shift from combination to deconstruction and introduce a principled framework that rethinks MTL-AL along three orthogonal dimensions. First, we identify the Conflict Paradox: although the optimization literature treats gradient conflict as interference to be suppressed, penalizing conflict when ranking candidates is measurably worse than not scoring it at all. We therefore decouple the two concerns: the acquisition function does not score con
★2 LongForge：用证据-断言推理图度量与改进长上下文指令数据 arXiv · 数据策展 · 论文 LongForge通过逆向构建证据-断言推理图，从广度、深度、正确性和完整性四个维度审计并可控合成长上下文指令数据，显著提升下游基准表现。

★ 2 子主题：数据策展 arXiv  DataEvolve

 数据策展 长上下文 数据合成 证据推理 数据工程

LongForge将长上下文指令数据的质量定义为文档、问题与答案之间的结构化对齐属性，而非单一质量分数。其分析器把样本逆向重建为证据-断言推理图，并程序化计算广度、深度、正确性和完整性，使每项判断都能追溯到具体证据片段与推理步骤。对七个主流数据集的分析发现，数据广度几乎不随文档长度增长，推理深度普遍较低，且二者近乎正交。系统进一步将分析器嵌入数据生成流程，以正确性和完整性作为门控条件，并通过训练时的数据混合控制广度与深度；LongForge-1和LongForge-N在六项长上下文基准上平均领先最强基线2.2至4.7分。

用途与启示
  • 为长上下文指令数据提供可追溯、可审计的结构化质量评估手段。
  • 支持按推理广度和深度控制训练数据分布，而非仅依赖生成后的标量过滤。
  • 表明在候选池和质量门控保持不变时，提高证据覆盖广度与推理深度本身即可带来约1.16分的额外收益。
  • 可用于构建更高质量的长上下文训练数据、诊断现有数据集缺陷并指导数据混合策略。
📝 原始笔记（逐字保留）
标题：LongForge: Measuring and Improving Long-Context Instruction Data via Evidence-Assertion Reasoning Graphs 来源：arXiv 链接：https://arxiv.org/abs/2610.23167 摘要：Existing quality control for long-context instruction-tuning data is a one-shot judgment inside the generation pipeline that leaves only a scalar, revealing neither which document parts an answer uses nor how many reasoning steps it writes down; the data can thus be neither audited nor controlled. We formalize data quality as a property of the alignment structure among document, question, and answer, and build LongForge, which pairs an analyzer that measures long-context data with a synthesizer that generates it. The analyzer reverse-reconstructs each sample into an evidence-assertion reasoning graph and programmatically computes four dimensions on it: breadth, depth, correctness, and completeness. Every reading traces back to specific evidence spans and reasoning steps, making data audita
EvalEvolve2 条
★2 SIT-Eval：基于情境的对话智能体逐轮交互评测 arXiv · 交互式评测 · 论文 SIT-Eval通过逐轮采样对话情境并按条件适用规则动态评判回复，以更可靠地揭示对话智能体在罕见场景和具体行为规则上的失效模式。

★ 2 子主题：交互式评测 arXiv  EvalEvolve

 智能体评估 交互式评估 智能体安全 模型评估 连续交互

SIT-Eval将期望行为形式化为“若情境为 P，则遵循规则 Q”的情境规则，用于覆盖依赖上下文的多维对话行为。每轮对话中，LLM 扮演的交谈者从情境空间均匀采样并演绎场景，上下文感知的 LLM 评判器则依据当前条件下适用的全部规则评价智能体回复。评判器通过经人工核验的合成黄金对话进行验证，以兼顾自适应覆盖范围和统计可靠性。对 8 个 LLM、共 1292 个对话轮次的评测发现，总分相近的模型在单项规则遵循能力上差异显著，歧义澄清和苏格拉底式提问是共同弱项。

用途与启示
  • 为对话智能体构建可调节、逐轮且情境敏感的交互式评测框架。
  • 通过主动覆盖低概率但高风险的罕见情境，弥补静态自然对话基准的安全盲区。
  • 应同时报告细粒度规则遵循结果与聚合分数，避免总体指标掩盖关键失效模式。
  • 可将人工核验的合成对话用于校准 LLM 评判器，提高自动评测的可信度。
📝 原始笔记（逐字保留）
标题：SIT-Eval: Situation-Based Interactive Turn-by-Turn Evaluation of Conversational Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.23612 摘要：The rapid proliferation of conversational AI agents necessitates evaluation methods that assess performance across diverse dialogue scenarios, utilizing multiple situational criteria, as appropriate behavior depends on context and encompasses various aspects. Existing dialogue benchmarks typically use static natural conversations, which underrepresent rare situations---a critical safety gap, as low-probability events become frequent failures at production scale. However, limited sample sizes force a choice: either maintain natural dialogues for realism or turn to adaptive situation sampling for comprehensive yet statistically reliable coverage. We introduce SIT-Eval, an adjustable framework for evaluating situation-based conversational agents. We formalize an agent's desired behavior as si
★2 GatewayBench：MCP 网关能力与安全统一评测平台 arXiv · 智能体评测 · 论文 GatewayBench 通过大规模真实 MCP 工具生态，统一评估不同网关架构对智能体任务能力、工具使用效率及攻击抵御能力的影响。

★ 2 子主题：智能体评测 arXiv  EvalEvolve HarnessEvolve

 智能体评估 工具调用 工具链安全 智能体安全 系统优化

GatewayBench 是首个面向 MCP 网关的能力与安全统一评测框架，将网关架构归纳为扁平式和层级式两类。基准包含六个领域的 524 项任务，以及来自 251 个真实 MCP 服务器的 11,118 个工具，并通过注入任务无关工具模拟工具规模持续扩大的部署环境。作者评测了七种广泛使用的 MCP 网关和多种智能体配置，同时覆盖正常任务与对抗性任务。实验显示，不同网关设计在任务完成率、工具使用效率和攻击韧性方面存在显著差异，且其效果与底层模型及智能体执行框架高度相关。

用途与启示
  • 为 MCP 网关的架构选型和设计优化提供可量化的能力、安全与效率依据。
  • 支持在可控工具规模下测试智能体的工具选择能力及无关工具带来的性能退化。
  • 揭示网关、底层模型与智能体执行框架之间的交互效应，避免孤立评估单一组件。
  • 可作为开发安全工具路由、访问治理和攻击防护机制的标准化测试平台。
📝 原始笔记（逐字保留）
标题：GatewayBench: Unified Capability and Security Evaluation Platform for MCP Gateways 来源：arXiv 链接：https://arxiv.org/abs/2610.23449 摘要：AI agents have increasingly interacted with external environments by invoking tools, with Model Context Protocol (MCP) emerging as a standard interface for connecting agents to heterogeneous tools and services. As organizations deploy agents at scale, MCP gateways have become a critical middleware layer for aggregating, governing, and shaping the tool surface exposed to agents. Despite the growing importance of MCP gateways in agentic systems, no prior work has systematically studied how gateway design affects agent capability, efficiency, and security. To address this gap, we introduce GatewayBench, the first unified evaluation framework and benchmark for MCP gateways. We characterize gateway architectures into two major paradigms: flattened gateways and hierarchical gateways. GatewayBenc
SystemEvolve1 条
★2 LLM 框架边界中的监控有效性失效 arXiv · 评测审计 · 论文 论文揭示 LLM 与智能体框架中安全证据虽被监控器识别、却因接口边界断裂而无法触发执行决策的系统性失效，并提出金丝雀契约审计协议。

★ 2 子主题：评测审计 arXiv  SystemEvolve HarnessEvolve

 智能体安全 安全审计 可信执行 工具链安全 接口错配

论文研究运行时监控器与下游执行决策之间的证据路径失效：检测器可能已正确识别风险，但结果在框架接口、流、工具或适配器处被搁置。作者提出金丝雀契约，通过在发生变更的证据表面放置已知载荷，同时记录监控可见性与下游动作结果，验证修复前后的行为。该协议在 11 个 LLM 或智能体安全项目组、四类实现生态中确认了 18 个失效案例，其中 14 个影响 E1 执行边界。案例可归纳为载体、适配器、权限与表面四类，说明普通功能保持正常并不代表安全证据链仍然有效。

用途与启示
  • 将安全回归测试从“检测器是否命中”扩展到“证据是否抵达并影响最终决策”。
  • 可使用金丝雀契约审计框架升级、接口迁移和适配器修改后的安全执行链路。
  • 对工具调用、流式输出、验证器输入及安全提示通道建立端到端负向控制与确定性回归测试。
  • 为智能体框架的接口契约、证据溯源和工具链安全审计提供可复现方法。
📝 原始笔记（逐字保留）
标题：Monitor-Validity Failures: LLM Safety Evidence Paths at Evolving Framework Boundaries 来源：arXiv 链接：https://arxiv.org/abs/2610.23362 摘要：Modern LLM applications rely on runtime monitors that inspect tool calls, traces, streams, detector outputs, and verifier inputs. This creates an interface-reliability problem: a framework path may remain operational while policy-relevant evidence never reaches its decision point. In one representative case, a regex detector returned a positive match, but the framework stranded the result before the block decision. This differs from jailbreaks and detector errors because the evidence is already recognized yet disconnected from enforcement. We study this repair-boundary signature with canary contracts: parent/fixed confirmation units that place a known payload only on the changed evidence surface and record monitor visibility together with the downstream decision for action-boundary cases.
EvolveLLM5 条
★2 SRCoT：端侧 LLM 的闭环检索—反思—修订生成框架 arXiv · 自我反思 · 论文 SRCoT 通过可追溯的检索、反思与修订闭环，让端侧 LLM 显式识别信息缺口、关联主张与证据，并据此选择继续检索、澄清、修订或拒答。

★ 2 子主题：自我反思 arXiv  EvolveLLM

 自我反思 检索增强生成 证据推理 人工智能可靠性 端侧部署

SRCoT 将生成过程组织为 Retrieve–Reflect–Revise 闭环，并把环境状态、持久知识、累积经验和短期记忆存入带来源标签的独立存储。系统先通过 BM25 检索本地上下文，再暴露中间草稿、信息缺口标记、后续查询及可选的主张—证据映射，用于驱动再次检索、修订、澄清或拒答。作者在急救服务和 Munich-Sim 两个全合成场景中开展基于轨迹的定性案例分析，并在 Apple M4 系列、128 GB 内存的本地设备上验证原型。结果展示了可检查的生成控制流程，但仍存在来源归属错误、证据覆盖不完整和不安全假设，尚不能证明其可降低幻觉或具备临床与运营安全性。

用途与启示
  • 为需要本地执行和来源可追溯的生成系统提供模块化闭环控制架构。
  • 可利用信息缺口与主张—证据映射，在输出前触发补充检索、澄清或拒答。
  • 适合作为高风险场景中的人机协同原型，但必须保留人工复核与安全验证。
  • 后续应跨模型开展对照评测，量化证据覆盖、幻觉率、拒答校准及端侧运行成本。
📝 原始笔记（逐字保留）
标题：Self-Reflective Chain-of-Thought (SRCoT): Evidence-Based Text Generation via a Closed-Loop Retrieve--Reflect--Revise Pipeline on Edge LLMs 来源：arXiv 链接：https://arxiv.org/abs/2610.23311 摘要：Large language models (LLMs) can generate fluent outputs that lack source support or conflict with local operational constraints. We introduce Self-Reflective Chain-of-Thought (SRCoT), a modular architecture that organizes generation as a closed Retrieve--Reflect--Revise loop. SRCoT separates environment state, persistent knowledge, accumulated experience, and short-term memory into provenance-labeled stores. BM25 retrieval supplies local context; subsequent passes expose intermediate drafts, missing-information markers, follow-up queries, and optional claim--evidence mappings. These artifacts inform retrieval, revision, clarification, or abstention decisions. We examine the architecture through qualitative, trace-based case studies in two fully synthetic settings: emergency medical servic
★2 Spatial-TRM：递归细化空间上下文区域预测 arXiv · 视觉推理 · 论文 Spatial-TRM通过共享权重的递归推理，在冻结视觉语言特征和仅训练1120万参数的条件下，显著提升自然图像中的空间上下文区域预测准确率。

★ 2 子主题：视觉推理 arXiv  EvolveLLM

 视觉推理 空间智能 多模态 推理 成本优化

Spatial-TRM面向空间上下文预测，根据场景中的锚点物体、空间关系和物理约束定位可用空白区域。模型结合冻结的视觉语言特征、共享权重的递归推理器和凸区域解码器，仅包含1120万可训练参数。它支持六类空间关系、三种参考系以及开放词汇锚点物体。在RoboSpatial-Home基准上，其上下文准确率达到29.51%，较相同参数量的单步模型提高9.02个百分点；计入冻结编码器后总参数量为8.778亿，约为RoboPoint报告规模的十五分之一。

用途与启示
  • 说明递归细化可将离散推理任务中的迭代计算优势迁移到自然图像空间推理。
  • 通过权重共享增加有效推理深度，无需随迭代次数同步扩大可训练参数规模。
  • 为机器人放置、空间规划和开放词汇视觉定位提供轻量化区域预测组件。
  • 表明冻结预训练视觉语言编码器后，紧凑推理模块仍可显著改善空间关系理解。
📝 原始笔记（逐字保留）
标题：Look, Reason, Draw a Region: Recursive Refinement for Spatial Context Prediction 来源：arXiv 链接：https://arxiv.org/abs/2610.23302 摘要：Spatial context prediction requires visual grounding and spatial reasoning to identify vacant regions relative to objects in a scene. Spatial relationships and physical constraints remain challenging for large vision-language models (VLMs). Recursive reasoning has demonstrated strong performance on discrete and abstract reasoning tasks, motivating its use for improving spatial context prediction in natural images. Weight sharing enables higher accuracy with a small trainable parameter count. We introduce Spatial-TRM, a compact recursive model with frozen vision-language features, a convex region decoder, and just 11.2M trainable parameters. This weight-tied reasoner supports six spatial relationships, three reference frames, and open-vocabulary anchor objects. On the RoboSpatial-Home bench
★2 PrefMind：在线多智能体偏好学习提升多模态生成 arXiv · 偏好优化 · 论文 PrefMind通过生成器与偏好批评器的在线双智能体协同训练，将人类偏好从标量奖励转化为显式判断、纠正与生成能力，并提升多模态偏好判断和响应生成表现。

★ 2 子主题：偏好优化 arXiv  EvolveLLM

 偏好优化 多智能体系统 强化学习 多模态 模型训练

PrefMind包含可训练的响应生成器与偏好批评器，二者针对候选响应共同分析并讨论哪一个更符合人类偏好。人类标签用于监督智能体的偏好判断与纠正，使生成器显式学习偏好背后的原因，而非仅追逐奖励分数。当两个智能体均正确识别人类偏好时，生成器产出改进响应，批评器再将其与原始优选响应比较并提供生成奖励。两个智能体基于当前策略采样的交互数据联合在线更新，在三个模型规模上的实验均改善了独立偏好判断和下游响应生成。

用途与启示
  • 为传统基于标量奖励的RLHF提供替代方案，将偏好理解直接内化为生成器能力。
  • 展示偏好批评器既可承担显式判断与纠错，也可为改进响应提供在线生成奖励。
  • 可用于构建能解释、讨论并持续学习人类偏好的多模态生成系统。
  • 双智能体联合更新机制为多智能体偏好优化与在线对齐训练提供参考。
📝 原始笔记（逐字保留）
标题：Beyond Reward Scoring: Online Multi-Agent Preference Learning for Multimodal Response Generation 来源：arXiv 链接：https://arxiv.org/abs/2610.23256 摘要：Multimodal preference alignment often follows a score-based RLHF pipeline: a reward model is first trained to learn human preferences, then used to score on-policy responses and optimize the response model's generation. This turns preference supervision into a scalar signal for generation: a model may learn to produce answers with higher preference scores, but is rarely trained explicitly to learn the reasons underlying human preferences. We therefore ask whether making preference understanding an internal capability of the response model can improve its generation. To investigate this question, we propose \textbf{PrefMind}, an online dual-agent reinforcement learning framework with two trainable agents: a response Generator and a preference Critic. Given a pair of candidate responses, the
★2 迭代自精炼的 NL2SQL 多智能体框架 arXiv · 多智能体系统 · 论文 该研究提出面向高精度数据访问场景的角色驱动多智能体 NL2SQL 框架，通过执行反馈自修复与语义一致性检查降低 SQL 幻觉，并在 60 条查询上达到 90% 正确率。

★ 2 子主题：多智能体系统 arXiv  EvolveLLM

 多智能体系统 人工智能可靠性 执行反馈 自我改进 证据推理

论文提出一个角色驱动的多智能体 NL2SQL 流程，依次完成领域相关性检测、基于数据库模式的知识构建和 KPI 感知 SQL 生成。系统利用 SQLite 执行反馈发现语法问题，并通过迭代自精炼机制自动修复查询。为验证生成结果是否符合用户意图，框架还将 SQL 逆向转换为自然语言并进行语义一致性检查。该方法使用 Mistral 和七次协调式 LLM 调用，在 50 条 HuggingFace Text-to-SQL 数据集查询及 10 条定制领域查询上取得 90% 正确率。

用途与启示
  • 为保险等高风险领域构建更可靠的自然语言数据库查询入口，减少模式元素幻觉和无效 SQL。
  • 将数据库执行结果纳入生成闭环，以确定性反馈驱动语法级自动修复。
  • 通过 SQL-to-NL 逆向解释检查查询与用户意图的一致性，可作为生成结果部署前的语义验证层。
  • 展示多智能体分工在复杂 NL2SQL 流程中的价值，但多次模型调用带来的延迟与成本仍需进一步优化。
📝 原始笔记（逐字保留）
标题：NL2SQL with Iterative Self-Refinement 来源：arXiv 链接：https://arxiv.org/abs/2610.22968 摘要：Bridging the gap between human intent and machine logic remains a critical challenge in data access for non-technical users, yet Large Language Models (LLMs) remain unreliable: they hallucinate schema elements, generate syntactically invalid queries, or fail to capture user intent. These limitations are especially critical in domains such as insurance, where KPIs, regulatory constraints, and legacy relational systems demand high precision. We introduce a multi-agent, persona-driven NL2SQL framework that combines (1) domain relevance detection, (2) schema-grounded knowledge construction, (3) KPI-aware SQL synthesis, (4) syntax-level self-repair using sqlite execution feedback, and (5) semantic consistency checking via SQL-to-NL reverse engineering. Our system significantly reduces query hal
★2 MoEvolve：通过在策略双向蒸馏增强 MoE 模型 arXiv · 在策略蒸馏 · 论文 MoEvolve通过先增强高激活预算的内部教师、再将能力蒸馏回原始低预算配置，在不增加推理激活成本的前提下显著提升MoE性能。

★ 2 子主题：在策略蒸馏 arXiv  EvolveLLM EvolveLRM

 模型蒸馏 在策略蒸馏 混合专家模型 强化学习 自我改进

论文提出MoEvolve，一种采用“恢复后改进”策略的在策略双向蒸馏框架，旨在缓解RLVR结果奖励监督稀疏以及传统蒸馏依赖外部强教师的问题。该方法通过提高每个词元的专家激活数量，释放MoE架构中的潜在专家容量，并先恢复新共激活专家之间的协作能力，再强化高-$k$配置。随后，蒸馏方向被反转，将高-$k$内部教师获得的能力迁移回原始低-$k$配置，从而保持既有推理激活预算。实验显示，MoEvolve最高带来22.2个领域平均分提升，并比同等预算的RLVR基线最高高出6.5分，最终低-$k$模型还常常超过其高-$k$教师。

用途与启示
  • 利用MoE内部未充分激活的专家容量构造兼容的强教师，减少对外部教师或人工特权信息的依赖。
  • 通过双向蒸馏将训练阶段的额外激活容量转化为低预算配置的能力增益，实现训练增强与推理成本解耦。
  • 表明先修复扩展配置中的专家协作、再实施能力迁移，比直接增加专家激活数量更有效。
  • 可为MoE后训练、RLVR稠密监督补充及自蒸馏系统设计提供参考。
📝 原始笔记（逐字保留）
标题：A Stronger Teacher Within: Strengthening MoE Models via On-Policy Bidirectional Distillation 来源：arXiv 链接：https://arxiv.org/abs/2610.23185 摘要：Reinforcement Learning with Verifiable Rewards (RLVR) has substantially improved Mixture-of-Experts (MoE) LLMs, but its outcome-level rewards provide only sparse supervision. On-Policy Distillation offers dense token-level feedback, yet requires a stronger compatible teacher, while on-policy self-distillation relies on hand-designed privileged information. We observe that the MoE architecture itself offers a way to resolve this dilemma, as increasing the activation budget per token exposes latent expert capacity and yields a potentially stronger teacher within the model. However, naive expansion degrades performance because newly co-activated experts are not optimized to work together. We therefore propose MoEvolve, a bidirectional distillation framework following a recovery-then-improveme
Groom2 条
★2 Annotrace：智能体轨迹步骤级标注工作台 arXiv · 过程评测 · 论文 Annotrace 将多种智能体轨迹统一为有序嵌套步骤，并通过人机协同标注和一致性度量支持智能体失效分析。

★ 2 子主题：过程评测 arXiv  Groom

 智能体评估 轨迹审计 过程评估 人在回路 工具调用

Annotrace 可读取 OpenTelemetry GenAI、LangSmith、Langfuse 等六种轨迹格式，将每次智能体运行转换为有序且嵌套的步骤列表，显式表示委派与工具调用。标注者可以自行编写标签体系，并由前沿模型根据真实轨迹样本提出初始标签集合。模型先独立回答与人工标注者完全相同的问题，使标注成为可比较的人机协同过程。系统能够度量任意两名人工或 AI 标注者之间的一致性；在多智能体问答语料上，它精确复现了既有人工工作的 235 个标注单元，两个模型的标注一致率达到 91%，Cohen’s κ 为 0.82。

用途与启示
  • 为智能体失败分析提供统一的步骤级轨迹标注单元，减少重复开发一次性标注工具的成本。
  • 兼容多种可观测性平台的轨迹格式，有助于开展跨框架、跨系统的比较分析。
  • 通过让人工与模型回答相同问题，可系统评估 AI 辅助标注的可靠性与一致性。
  • 适用于构建智能体失效分类体系、审计工具调用与委派过程，以及制作过程级评测数据集。
📝 原始笔记（逐字保留）
标题：Annotrace: A Workbench for Step-Level Annotation of Agent Traces 来源：arXiv 链接：https://arxiv.org/abs/2610.23284 摘要：Every study of why LLM agents fail begins by labelling traces by hand, and every such study builds its own throwaway tool. Observability platforms record agent traces but offer no structured labelling; annotation tools label text but have no notion of a step, a delegation or a tool call, leaving it unclear what the smallest unit of execution to label should be. Annotrace reads six trace formats, including OpenTelemetry GenAI, LangSmith and Langfuse, and turns each run into an ordered, nested list of steps. The annotator writes their own labelling codebook; a frontier model proposes a starting set from a sample of their own traces, answers first, and is asked exactly the questions the human is asked, making annotation a joint human-AI process. Annotrace measures agreement between any two an
★2 多智能体共享上下文中的 Token 预算理论：多思考还是多阅读？ arXiv · 推理效率 · 论文 论文提出共享上下文窗口下的 Token 预算理论，用于权衡阅读通信内容与保留推理空间，并预测多智能体辩论的最优智能体数量。

★ 2 子主题：推理效率 arXiv  Groom

 推理预算 多智能体系统 推理 成本优化 长上下文

论文将上下文阅读与推理生成视为竞争同一固定 Token 窗口的两类开销，并把准确率建模为剩余推理预算的函数。作者结合允许错误相关的 Condorcet 陪审团模型，推导出多智能体辩论最优智能体数量的闭式预测，而且可仅凭单智能体测量完成估计。该预算框架也适用于异构模型组合和自我改进，其中模型读取自身草稿等同于读取其他智能体消息。在五个开放模型、四项推理任务的 980 组匹配实验中，自一致性在 93% 的设置上持平或超过实际部署的辩论，尤其在窗口紧张时优势明显。结果表明，共享窗口下保留多少思考空间通常比读取什么内容更重要。

用途与启示
  • 可在不实际运行大量辩论实验的情况下，根据单智能体测量估算最优群体规模，降低校准成本。
  • 为多智能体辩论、自我改进和异构模型集成提供统一的 Token 预算分析框架。
  • 提示系统设计者在上下文窗口受限时优先保留推理预算，而非无条件增加通信轮次或共享内容。
  • 可用于比较自一致性与多智能体通信方案，并依据窗口大小动态选择推理策略。
📝 原始笔记（逐字保留）
标题：Think More or Read More? A Token-Budget Theory of Reasoning with Shared Context 来源：arXiv 链接：https://arxiv.org/abs/2610.23246 摘要：Reasoning systems increasingly improve answers by incorporating additional context into the model's input, from multi-agent debate, where agents read their peers' responses, to self-refinement, where a model revisits its own drafts. In these systems, communication consumes context as one agent's output becomes another's input. We study the regime where token reading and generation draw on one fixed token window, so every token spent reading is a token that cannot be spent reasoning. We develop a \textbf{token-budget theory} that formalizes this trade-off, modeling accuracy as a function of the reasoning budget remaining after reading and aggregating votes with a Condorcet jury model that permits correlated errors. For multi-agent debate, the theory gives a closed-form prediction for the op
SwarmEvolve2 条
★2 4 个 Gemini 智能体在《我的世界》自主协作击败末影龙 AIbase · 多智能体协作框架 · 原文 4 个 Gemini4Argon 智能体无需预设角色，通过聊天、共享笔记和自主编程持续协作 27 小时，最终在随机《我的世界》生存世界中击败末影龙。

★ 2 子主题：多智能体协作框架 AIbase  SwarmEvolve

 多智能体协作 长程任务 人工智能辅助编程 工具调用 执行验证

Google DeepMind 让 4 个 Gemini4Argon 通用编码智能体进入随机生成的《我的世界》生存世界，在无人类分配角色的情况下自主协商分工。智能体通过 Mineflayer 库将意图转化为游戏动作，累计编写 2783 个程序，并在 27 小时 14 分钟内持续执行任务。团队经历 605 次死亡仍未退出，通过反复试错自主发现了破坏末影水晶的战术，最终击败末影龙。整个过程仅产生 229 条聊天消息，并经独立裁判智能体与人工双重审计确认不存在作弊。

用途与启示
  • 展示无预设角色和固定协作架构的多智能体系统也能形成有效分工，并完成长程开放式任务。
  • 说明代码生成与工具调用可以充当智能体的动作接口，使其在动态环境中即时构造技能。
  • 为编码、科研、工程和机器人场景中的自主组队、低通信协作及故障恢复提供实验参考。
  • 双重审计机制可用于验证长时间智能体执行轨迹的真实性与合规性。
📝 原始笔记（逐字保留）
标题：不操控键鼠、自己写代码：4 个 Gemini 智能体在《我的世界》里自主组队击败末影龙 来源：AIbase 快讯（aibase.com） 链接：https://www.aibase.com/zh/news/31703 摘要：Google DeepMind实验显示，4个Gemini4Argon通用编码智能体在无人类分配角色下，仅靠游戏内聊天频道和共享笔记自主协商分工，进入随机生成的《我的世界》生存世界，鏖战27小时14分钟，最终击败末影龙通关。全程未碰键鼠，重新审视了“AI协作”的边界。
★2 以调查报告的党派接触验证 LLM 生成的政治网络 arXiv · 模型评测 · 论文 研究以 ANES 调查中的个体党派接触数据为基准，发现仅凭网络整体结构与政治同配性无法充分验证 LLM 社会仿真的个体环境真实性。

★ 2 子主题：模型评测 arXiv  SwarmEvolve

 模型评估 社会仿真 群体行为建模 人工智能可靠性

研究基于 ANES 2020—2022 Social Media Study 的代表性样本构造人物画像，并使用 LLM 生成相应的政治关系网络。作者同时评估网络结构、政治同配性，以及个体层面的同党和跨党派接触情况。结果显示，不同实验配置会产生不同程度的党派隔离，部分模型夸大民主党与共和党群体之间的分离，另一些则普遍低估对共和党人的接触。即使两个网络具有相近的整体政治同配性，它们也可能为同一人物生成显著不同的局部政治环境，并对特定社会群体产生系统性高估或低估。

用途与启示
  • 为 LLM 社会仿真建立兼顾整体网络统计与个体局部环境的验证框架。
  • 提醒研究者不要将结构合理或同配性接近真实值直接视为仿真有效。
  • 可用于诊断生成式社会网络中的群体特异性偏差和党派接触失真。
  • 为政治传播、社会网络分析及计算社会科学中的 LLM 仿真提供经验校准依据。
📝 原始笔记（逐字保留）
标题：Validating LLM-generated political networks with survey-reported partisan exposure 来源：arXiv 链接：https://arxiv.org/abs/2610.23199 摘要：Large language models (LLMs) are increasingly used to simulate human behavior in social science research, including decisions, interactions, and social relationships. However, in network formation tasks, existing evaluations often focus on aggregate network properties, while networks with plausible structural properties may still fail to reproduce individuals' social and political environments. Here, we generate LLM-based political networks using personas sampled from the nationally representative ANES 2020--2022 Social Media Study and use respondents' survey-reported partisan exposure as an empirical benchmark for the political environments generated for the corresponding personas. We first characterize the structural properties and political assortativity of the generated networks, and t
EnvironmentEvolve1 条
★2 JAXtari：高吞吐、易修改的街机学习环境 arXiv · 系统优化 · 论文 JAXtari以JAX和GPU大规模并行重构Atari 2600环境，同时支持对象中心观测与灵活环境修改，可显著加速强化学习训练及因果鲁棒性研究。

★ 2 子主题：系统优化 arXiv  EnvironmentEvolve

 强化学习 系统优化 智能体评估 神经符号人工智能

JAXtari是对Atari 2600街机环境的开源高性能重实现，旨在解决传统ALE依赖CPU模拟所造成的训练瓶颈。借助GPU大规模并行，PPO智能体可在单张A100 GPU上于一小时内完成1亿环境步训练。该环境提供对象中心观测，并支持灵活修改游戏环境，便于检验智能体学习的是稳健因果模型还是脆弱的视觉捷径。其快速迭代能力也适用于神经符号方法、捷径发现以及智能体的快速适应实验。

用途与启示
  • 为GPU加速的强化学习实验提供高吞吐环境，缩短训练与迭代周期。
  • 通过对象中心观测支持神经符号学习、结构化状态建模和可解释性分析。
  • 利用环境修改开展反事实实验，识别智能体依赖的视觉捷径并评估因果鲁棒性。
  • 降低大规模PPO训练的时间成本，提升消融实验和环境干预研究的效率。
📝 原始笔记（逐字保留）
标题：JAXtari: High-Throughput and Easy-to-Modify Arcade Learning Environment 来源：arXiv 链接：https://arxiv.org/abs/2610.23650 摘要：The Arcade Learning Environment (ALE) has been a cornerstone of Deep Reinforcement Learning research, providing a standardized benchmark for evaluating general agents. However, its lack of native support for object-extraction and environment modification restricts research into evaluating whether agents learn robust causal models or rely on brittle visual heuristics. Furthermore, the ALE's dependence on CPU-based emulation creates a significant bottleneck in modern GPU-accelerated training pipelines, limiting both experimental scale and iteration frequency. In this work, we introduce JAXtari, an open-source, high-performance reimplementation of Atari 2600 environments. By leveraging massive GPU parallelization, JAXtari allows PPO agents to finish training on 100M environment steps on a sin
0%