| 2026-08-12 | SWE-Bench ProMax：当 AI 编程基准被"刷爆"之后，用大规模多语言重构给 Agent 来一记狠的 |
| 2026-08-12 | Ouroboros：一个会自己改自己代码的编程智能体，顺手刷穿了三个榜单 |
| 2026-08-12 | Macaron-V1：冻结744B底座，用4个LoRA和一套自我改进循环，把"部署即固化"撕开一道口子 |
| 2026-08-12 | 让大模型自己当"脚手架工程师"：Evo-Bench 把智能体自我进化变成了一场可测量的大考 |
| 2026-08-12 | 4B 小模型追平 GPT-5-mini：把教师 Agent 的记忆拆成三层再喂给学生 |
| 2026-08-11 | 优化器即智能体：把进化搜索、Bandit 和文本梯度全部扔掉，一个 Agent 端到端搞定 Prompt、代码和训练流程优化 |
| 2026-08-11 | 多任务训练时 SFT 互相打架、RL 却能和平共处？这篇论文把原因算明白了 |
| 2026-08-11 | 换个脚手架就掉 29 个点？DCAS：问题不在模型，在它没学会"怎么规划" |
| 2026-08-11 | 环境不是越多越好：中科院这篇论文教你给多模态智能体"配菜" |
| 2026-08-10 | 把工具轨迹"升维"成函数图：ToolLIFT 让工具规划跨工具集泛化 |
| 2026-08-10 | TCPO：Verifier 给的分数很稠密，但"分数"和"信用"从来就不是一回事 |
| 2026-08-10 | LC-GRPO：一步 Langevin 校正，缝合 Flow 模型 RL 训练与推理之间的那道缝 |
| 2026-08-10 | Fail-Fast, Restart-Smart：SWE 智能体任务的早期失败预测与重启 |
| 2026-08-09 | 一次失败到底错在哪？SkillHEX：给 Agent 的技能进化装上"假设-验证"大脑 |
| 2026-08-09 | 涨分不等于变强：一套逐题审计框架，把 LLM benchmark 增益的来源扒了个底朝天 |
| 2026-08-09 | 小模型装上"工具使用说明书"，反超了没用这招的大模型——ExpG 论文解读 |
| 2026-08-09 | CodeGrep：RL 训练的检索智能体，为 LLM 编码 Agent 提效 |
| 2026-08-09 | CoEvo-Mem：检索策略和记忆库，谁也别想单独变强 |
| 2026-08-08 | VLM 裁判集体「心太软」：OSReward 给电脑操控智能体的奖励信号立了把标尺 |
| 2026-08-08 | 用"教师减基座"的差值信号蒸馏多语言数学推理：OPD² 在韩日语上比英语还猛 |
| 2026-08-08 | 调 Agent 的脚手架，模型自己行不行？HarnessOpt-Bench 给了一次正面测量 |
| 2026-08-08 | 训练 Agent 不用真环境了？EnvACE 让模型自己"脑内排练"环境响应 |
| 2026-08-08 | 别再给整条轨迹发"平均奖"了：AgentOPSD 用递归贝叶斯信念揪出真正立功的那几轮 |
| 2026-08-08 | Activity Frames：不用一个模型，把你一天的屏幕活动"编译"成 Agent 能读的记忆 |
| 2026-08-07 | 模型单项满分、串起来就崩？Skill Entropy 给"跨技能切换"称了次重，还顺手变成了 RL 奖励 |
| 2026-08-07 | 编程智能体部署之后就"死"了？这篇综述把"会自己进化的 Coding Agent"盘了个遍 |
| 2026-08-07 | 一个任务 5 美分：RST 用"递归自我加难"把终端智能体数据的价格打下来了 |
| 2026-08-07 | RSTG：只在失败处蒸馏——自适应教师指导恢复负零方差组的学习信号 |
| 2026-08-07 | GDPevo：在真实业务任务上评测智能体自我进化 |
| 2026-08-07 | ABSeeker：把最终答案"倒推"成每一步的评分标准，4B 小模型打赢 30B 搜索智能体 |
| 2026-08-05 | 技能好不好，回滚跑一遍才知道：Skill-α 把技能生成变成了 RL 问题 |
| 2026-08-05 | SWE-Touch：用户随手改了两行代码，你的编程 Agent 就崩了？ |
| 2026-08-05 | SKT：60 万个 Agent Skill 摆在面前，模型却不知道怎么用——那就造题教会它 |
| 2026-08-05 | LongHorizon-Harness：别再让智能体自己骗自己了——把长任务拆成"管、干、验"三权分立 |
| 2026-08-05 | DAPD：学生看不到答案，凭什么装得像看过答案？ |
| 2026-08-02 | 让模型自己出题、自己判卷、自己攒"技能包"：Skill Self-Play 怎么把自进化的两头都占了 |
| 2026-08-02 | Multi-Head Latent Control: 隐状态驱动的 LLM 智能体统一决策控制 |
| 2026-08-02 | 代码只有 8.6K 行，吞吐却打平 Megatron：NVIDIA 把"能读懂"做成了 RL 框架的核心能力 |
| 2026-08-02 | IDEAgent：让 AI 想科研点子，别只会"单点优化"，要像人一样做质量×多样性搜索 |
| 2026-08-02 | 别再叫它"记忆"了：这篇论文把 Agent 的上下文问题拆成一条五段流水线 |
| 2026-07-31 | 跨任务技能演化：让 Agent 学会"举一反三"——SkillRise 解读 |
| 2026-07-31 | 27B小模型追平前沿大模型：MindForge用"无源码"环境蒸馏全生命周期软件工程能力 |
| 2026-07-31 | GRPO 的"平均主义"问题，被一个反事实重放解决了 |
| 2026-07-31 | 用游戏求解器给 LLM 当"回合级老师"：CAST 如何解决长程决策的信用分配难题 |
| 2026-07-31 | CADENCE：覆盖自适应蒸馏缩小推理差距——用一台 Mac Studio 把 0.5B 模型蒸馏到 69.8% GSM8K |
| 2026-07-29 | 让相关性重新做主角：RARG 如何把 ripgrep 从无头苍蝇变成精准搜索 |
| 2026-07-29 | 让代码"跑得快"也能被强化学习出来 |
| 2026-07-29 | 接力式在线蒸馏：把"半路崩掉"的学生轨迹从老师手里救回来 |
| 2026-07-29 | 当大模型"会"很多种思路：怎么把隐式策略显式拎出来？ |
| 2026-07-29 | InMind 论文解读 隐式关联盲点 |
| 2026-07-29 | Coding Agent 上下文为啥越用越慢？CodeNib 用一份 Manifest 把"碎一地"的仓库视图焊死 |
| 2026-07-28 | 别再卷截图感知了：StateAct 把长程桌面智能体的瓶颈挪到了「推理」上 |
| 2026-07-28 | 多轮长程规划的"物理定律"：一份统一框架把预训练、RL后训练和多教师蒸馏讲透了 |
| 2026-07-28 | 把 LLM 评审员"代码化"：PAJAMA 用 80 个 Python 函数替代一整支裁判团 |
| 2026-07-28 | 蒸馏 Claude 给 Qwen 总是翻车？问题出在「风格」上 |
| 2026-07-28 | 2.8T 参数全开源：Kimi K3 把 KDA 与 AttnRes 推到 3T 级 MoE |
| 2026-07-28 | 把画布当 Workspace：JarvisHub 给长程多模态创作搭了一张可审计的底座 |
| 2026-07-25 | 把环境关掉，多轮蒸馏反而更好？ReOPD 的"前缀陷阱"和解药 |
| 2026-07-25 | 把方向判别换回"原配"：LLM 强化学习里被忽略的一致性漏洞 |
| 2026-07-25 | 当用户意图开始漂移，LLM为什么集体掉队？ |
| 2026-07-25 | 把试错经验烧进模型权重：体验一次 EPD，告别昂贵的环境交互 |
| 2026-07-25 | AREX：把验证当方向舵，深度研究 Agent 的递归自改进 |
| 2026-07-24 | 用 surrogate 策略给潜空间推理装上 outcome-RL：拆解 SLPO |
| 2026-07-24 | nDCG@5=100%却答错题目？用 rubric 重定义 RAG 文档集评估 |
| 2026-07-24 | 黎曼等距优化破解LLM强化学习探索坍缩 |
| 2026-07-24 | 当"做一个类似 xxx 的小工具"真的被丢给 AI，它会怎么收场 |
| 2026-07-23 | Stale but Stable：当异步强化学习的"老数据"撞上PPO裁剪半径 |
| 2026-07-23 | 固定谱、自由帧：ISO 把 RLVR 训练提速 2.7×，还不丢点 |
| 2026-07-23 | 成功用幅度，失败用 KL：H²SD 的混合事后自蒸馏 |
| 2026-07-23 | 把代码 Agent 钉在数据平台里：北大 DataFlow-Harness 怎么桥接自然语言到可编辑流水线 |
| 2026-07-23 | AutoIndex 论文解读 把文档预处理变成可优化对象 |
| 2026-07-23 | AgentDebugX：把 LLM 智能体的失败溯源变成一条可复用的闭环 |
| 2026-07-22 | 让模型自己决定删掉哪些行：SWE-Pruner Pro 如何省掉那台外置剪刀 |
| 2026-07-22 | GRPO的熵盲区:为什么多任务强化学习总在某个任务上翻车? |
| 2026-07-22 | 丢掉沙箱，让LLM当世界模型：ESAT如何用API说明书训出能打的调用智能体 |
| 2026-07-22 | 当 LLM 化身"教练"：经验学习如何把标量奖励按在地上摩擦 |
| 2026-07-22 | 把教师监督"塞"进RL目标：Distilled RL 的三板斧 |
| 2026-07-22 | DeepSearch-World：可验证环境里长出来的搜索智能体 |
| 2026-07-21 | 少改几行提示词，就能让 Claude Opus 的代码任务胜率反超 ultracode |
| 2026-07-21 | 把教程视频蒸馏成Agent可执行技能：Resource2Skill让软件Agent在7个创作领域平均涨11.9个点 |
| 2026-07-21 | 用国际象棋测出预训练到RL的缩放律 |
| 2026-07-21 | 蒸馏信号再设计：把"推理知识"和"自然偏好"拆开，OPD² 在 Qwen3 / Gemma4 上全面打赢了 OPD 和 ExOPD |
| 2026-07-21 | CPO：当熵不再可信，token 级"对比"如何重塑 RLVR 的优势信号 |
| 2026-07-21 | 让模型自己当自己的对手：Agon 用对手互相评分把 GRPO 翻倍 |
| 2026-07-20 | 不需要老师、不需要验证器、不需要 RL——苹果这篇论文让我重新思考代码后训练 |
| 2026-07-20 | GATS：把 LLM 从搜索循环里赶出去，用分层世界模型做确定性的 Agent 规划 |
| 2026-07-20 | FFN幅度门控：在不动模型权重的条件下，工具调用涨了11个点 |
| 2026-07-20 | 当 LLM Agent 的记忆被"用死"——一篇把记忆访问变成在线学习的论文 |
| 2026-07-20 | 搜不出来硬答对吗？阿里 x 城大这篇 AWA-RL 想让搜索 Agent 先学一句"我查不到" |
| 2026-07-17 | 短到长蒸馏拯救剪枝LLM：ShortOPD如何让"复读机"重获生成能力 |
| 2026-07-17 | 从自指学习到自改进Agent:97页综述把"快慢双循环"讲透了 |
| 2026-07-17 | 把Zero RL推到万亿参数：苦涩教训的一次完整验证 |
| 2026-07-17 | 多轮搜索智能体：让模型自己给"哪一步有用"打分的 LOTAPO |
| 2026-07-17 | KnowAct-GUIClaw：把记忆和技能闭环塞进 GUI 智能体，让"用过就记住"在手机上变成现实 |
| 2026-07-17 | HarnessHandbook 论文解读 行为图谱让Agent Harness可读可改 |
| 2026-07-16 | 先把能学的教会，剩下的再搜：聊聊 Agentic 视觉生成里那条"知识边界"是怎么被发现的 |
| 2026-07-16 | 函数调用就是 Agent 的脚手架：功能感知 FIM 如何给 Coding Agent 装上"行动脑" |
| 2026-07-16 | 谁的智能体在给"自己"打分？当评估器也得跟着 Agent 一起进化 |
| 2026-07-16 | CEB 论文解读 自进化步骤级信心估计 |
| 2026-07-16 | 先问再修：用QA对识别Coding Agent的"知识盲区"——ACQUIRE论文解读 |
| 2026-07-14 | 让模型自己挑证据去训练：Self-Guided TTT 如何用一次"自标注"撬动长上下文 |
| 2026-07-14 | KnowingUsingGap 论文解读 记而不用知识的电路错位解释 |
| 2026-07-14 | 把 Harness 当成可学习控制层：Offline RL 让冻结的 LLM 学会"何时检查" |
| 2026-07-14 | 智能体推理记忆的伪造术：FARMA 攻击与五层防御 SENTINEL 拆解 |
| 2026-07-10 | 多教师在线蒸馏翻车现场：当一个 token 决定整条轨迹 |
| 2026-07-10 | 用稀疏内存把线性RNN的状态放大1000倍：Meta SDM 在 8B 规模反超 Full Attention |
| 2026-07-10 | 单次轨迹异步优化：智谱这篇论文，把 GRPO 的组采样彻底拆了 |
| 2026-07-10 | EPPO：多任务智能体RL的熵速调度，让clip随任务节奏自动变速 |
| 2026-07-10 | AgentLens: 当我们停止用"通过/不通过"评判代码 Agent |
| 2026-07-09 | 把轮次当成分配单位：TurnOPD 如何让长程 Agent 蒸馏提速 2.29 倍 |
| 2026-07-09 | TREK论文解读：把蒸馏从模仿变成探路，GRPO在难题上才有的救 |
| 2026-07-09 | 只动一层就够：RL后训练里Transformer的"层贡献"集中现象 |
| 2026-07-09 | LLMTutor 论文解读 把prompt调成动态难度 |
| 2026-07-09 | HiLS：层次稀疏注意力做到位了，8K 训练解锁 4M 上下文 |
| 2026-07-08 | UI-MOPD：多平台GUI智能体的蒸馏防遗忘术 |
| 2026-07-08 | SeKV：把 KV 缓存做成"可变分辨率"地图，长上下文推理终于能两条腿走路 |
| 2026-07-08 | PaperPilot：把文献搜索重写成可编辑的 DAG 工作流 |
| 2026-07-08 | 把 logit 期望当成新 scaling 轴：LLM-as-a-Verifier 论文解读 |
| 2026-07-08 | 预测式在线剪枝：JKU 把 KV cache 压缩做到了 88% 还几乎不掉点 |
| 2026-07-08 | 把顶会的成败打包成可复用的研究构思技能：拆解 ResearchStudio-Idea 与 IdeaSpark |
| 2026-07-07 | 当 LLM 在做"研究想法"时，它到底在干嘛？ |
| 2026-07-07 | 训练侧在狂飙，部署侧在翻车：LLM RL 真正的优化目标到底是谁 |
| 2026-07-07 | AGE：让图嵌入学会"哪些节点值得重点编码" |
| 2026-07-06 | 用形式概念分析给 LLM 戴上"可验证"的笼头：聊聊 2607.01773 |
| 2026-07-06 | 把 166 篇论文和它们的失败一起扔出来：FARS 是怎么跑通全自动科研流水线的 |
| 2026-07-06 | 长 context 一拉长，LLM 就开始"摆烂"——一篇论文讲透 deep search 里的 context rot |
| 2026-07-03 | LLM 读表格总抄错数：被忽视的「数据引用错误」 |
| 2026-07-03 | 性能优化基准真能测准编码Agent吗 |
| 2026-07-03 | Agent记忆里的奉承陷阱：当长期记忆开始替用户说话 |
| 2026-07-03 | 当 Agent 学会回头看：DiscoPER 用"元反思"把自主科学发现拉到了新水位 |
| 2026-07-03 | 让模型自己训练自己？AutoTrainess：把人类训练经验外挂给智能体 |
| 2026-07-01 | 给工具调用立个"功劳簿"：TACO 如何用差分探针解决智能体代码调用的信用归因 |
| 2026-07-01 | 35B 撬动万亿：用「时程」换「参数」的 Agent 缩放新路径 |
| 2026-07-01 | 把真人拽回评测中心：SWE-Together 重新定义编码 agent 的多轮考核 |
| 2026-07-01 | ReFreeKV：别再为 KV 缓存压缩挑阈值了 |
| 2026-07-01 | 异步蒸馏能多旧？Furiosa AsyncOPD 把 on-policy distillation 推到 1.6×–3.8× 加速 |
| 2026-07-01 | 智能体何时该停手：28,000 任务下 LLM 弃权能力全景实测 |
| 2026-06-29 | SPIRAL：让 RL 学会搜索和聚合，三种推理原语端到端联合训练 |
| 2026-06-29 | FACTOR：不是每句话都值得同等对待——声明级风险感知的自适应事实验证 |
| 2026-06-29 | CalVerT：给 Agent 装上"校准的仪表盘"——两路遥测信号让 QA 智能体不再瞎忙活 |
| 2026-06-26 | 训练数据里"答错的那批"反而更值钱：ReNIO 把负样本权重玩明白了 |
| 2026-06-26 | 别让用户每次查询都等LLM"想"半天——把推理搬到索引侧，offline做完 |
| 2026-06-26 | 智能体的计划，活不过一步：上下文管理为什么是"承重墙" |
| 2026-06-26 | 当合成数据这件事，被做成了一个"会自我进化的数据科学家" |
| 2026-06-26 | 我们真的准备好做"Agent 原生"的记忆系统了吗？——12 个记忆系统的一次硬核体检 |
| 2026-06-25 | 当 Agent 训练缺了一半：Qwen-AgentWorld 把"环境"也做成了大模型 |
| 2026-06-25 | 训练一个通用 Agent，到底该喂什么数据？这篇论文把 100 多次消融实验全摊开给你看 |
| 2026-06-25 | Coding Agent 能复现 Nature 论文的 SOTA 吗？这个新基准给出的答案有点扎心 |
| 2026-06-25 | 手机里的 Agent 用着用着就"失忆"？这篇论文把上下文管理变成了一个可以学的动作 |
| 2026-06-25 | Agent 越用越"自信",却越来越错——EDV 用三权分立堵住经验学习的自我确认陷阱 |
| 2026-06-24 | 上下文压缩从"到点就砍"到"自己判断"：让Agent决定何时给自己做减法 |
| 2026-06-24 | 同一个问题，换个上下文就该检索出不同答案——嵌入模型终于学会"看人下菜碟"了 |
| 2026-06-24 | 最强企业 Agent 也只考了 0.663 分：一个从真实公司会话里"挖"出来的基准 |
| 2026-06-24 | 数据标注还能再被动一点吗？这篇论文想让数据自己"裁"出来 |
| 2026-06-24 | 最后一层不一定最聪明：用"熵谷解码"绕过对齐税，免训练零内存白嫖推理能力 |
| 2026-06-24 | 别再给 Agent 写脚手架了：阿里这篇论文想直接把"越用越聪明"训进模型里 |
| 2026-06-24 | 6000 条数据把 32B 模型干到 SOTA：CLI-Universe 是怎么"造题"的 |
| 2026-06-23 | 扩散模型也能"边写边改"：让掩码模型学会自己回头改错 |
| 2026-06-23 | 做了十次PPT还是不记得我喜欢什么？这篇论文给Agent装上了"分层记忆" |
| 2026-06-23 | 大块也能精准搜：主题元数据当"语义罗盘"，把 RAG 检索做快 5 倍 |
| 2026-06-23 | 单标量奖励喂不饱长推理：HSD 用"成功的同伴"把信用钉死在出错那一刻 |
| 2026-06-23 | 记忆力越强反而越危险？这篇论文把"共享记忆"的安全账算清楚了 |
| 2026-06-22 | GRPO 把奖励均匀撒给每个 token，这篇论文让模型用自己的解法当"老师"重新分配 |
| 2026-06-22 | 自回归证明定理总在"走着走着就崩了"，他们干脆把生成范式换成了扩散 |
| 2026-06-22 | 当代码成了Agent的"工作语言"：三个编码智能体如何啃下企业数据这块硬骨头 |
| 2026-06-18 | 让模型"穿越回去"教自己：扩散语言模型的第一个自蒸馏框架 d-OPSD |
| 2026-06-18 | 让小模型"够一够就能学会"：ZPPO 把教师塞进提示词，而不是梯度里 |
| 2026-06-18 | 大模型真的需要“睡觉”吗？这篇论文想把短期记忆慢慢熬成长期能力 |
| 2026-06-18 | 给智能体装了记忆，它就会自我进化了吗？这篇论文说：差远了 |
| 2026-06-18 | 循环 Transformer 的甜点居然是「只跑两圈」——LoopCoder-v2 把循环次数掰开揉碎讲清楚了 |
| 2026-06-18 | 混合架构里,高效注意力其实没在"干长程检索"这件事——它只是个优化先验 |
| 2026-06-18 | 超越 GRPO！ICLR 2026 Oral 新作 GEPA：反思式 Prompt 进化，1/35 算力如何“翻盘”强化学习？ |
| 2026-06-18 | 当检索不再是终点，而是 Agent 手里的一把铲子：DR-DCI 把"工作区"做活了 |
| 2026-06-17 | 三个 Agent 成功率都是 32%，但它们的"翻车方式"完全不一样——这篇论文教你看清"哪里出错了" |
| 2026-06-17 | 一个 3B 小模型把 AIME26 刷到 94.3，跟 671B、1T 的旗舰打平——这事到底怎么做到的 |
| 2026-06-17 | 谁来主导这一步解码？让扩散语言模型互相"接力"，把错的拉回正轨 |
| 2026-06-17 | 多个奖励互相打架，模型就废了？GD²PO 用一招"冲突过滤"把信号救了回来 |
| 2026-06-17 | 让一个 4B 小模型专门"找代码"，主模型省掉 60% token：FastContext 把仓库探索拆出来了 |
| 2026-06-17 | 给Agent扔进980个文件的"垃圾堆"，它还能写对代码吗？ |
| 2026-06-12 | 把 Rollout 预算花在刀刃上：TRACE 如何用一棵"树"重塑 Agentic RL 的探索效率 |
| 2026-06-12 | 三种"反 Transformer"架构掰头，xLSTM 凭什么赢了 Mamba-2 和 DeltaNet |
| 2026-06-12 | 可验证环境是乐高积木：把环境"拼"起来，RL推理泛化能涨多少？ |
| 2026-06-12 | 同一个模型，换个"外壳"成绩差 27 个点——Claw-SWE-Bench 把 Agent harness 当成正经变量来量 |
| 2026-06-12 | MTP在RL里为什么越训越慢？这篇论文把锅甩给了"熵"，然后用拒绝采样把它解了 |
| 2026-06-12 | 让 AI 智能体真正"做研究"：Arbor 用一棵假设树把零散试验变成累积式探索 |
| 2026-06-10 | 网页Agent的技能复用，一直在用错误的方式 |
| 2026-06-10 | 一个模型分饰两角：Role-Agent 如何让 LLM 自己当裁判、自己出题 |
| 2026-06-10 | 没有标准答案，Agent也能自己把自己调好——RHO：在黑暗中进化的harness优化 |
| 2026-06-10 | 注意力遗忘症：思维链微调如何悄悄抹掉混合模型的长程记忆，以及怎么一行不练把它修回来 |
| 2026-06-10 | 推理的信用该记在哪个 token 头上？FlowTracer 用注意力信息流给出了一个答案 |
| 2026-06-10 | PPO 的信任区域一视同仁，可句子根本不是"一视同仁"长出来的 |
| 2026-06-05 | ThoughtFold：让推理模型把"想得太多"的废话自己折叠掉 |
| 2026-06-05 | MemTrain：不靠下游标注，光啃维基百科就把"记忆代理"训出来了 |
| 2026-06-05 | MMG2Skill：把网上现成的多模态攻略，喂成 Agent 自我进化的技能包 |
| 2026-06-05 | 你的多模态大模型，其实根本"不会记"——M³Eval 用认知心理学把视频记忆这件事彻底拆开 |
| 2026-06-05 | 先把烂轨迹扔了，再给好 token 加权——FiRe-OPD 把 OPD 的优化粒度重新做了一遍 |
| 2026-06-05 | 给 reward hacking 装上一面"放大镜"：rubric-based RL 的可控复现环境 |
| 2026-06-05 | AutoLab：把模型扔进 12 小时的"科研闭环"，看谁还能坚持下去 |
| 2026-06-04 | TrOPD 论文解读 信任区域在线策略蒸馏 |
| 2026-06-04 | 让大模型也学会"睡一觉"：Google 把 NREM 和 REM 直接搬进了 LLM 训练协议 |
| 2026-06-04 | 教师不给 logit 也能搞 on-policy 蒸馏？OmniOPD 用 chunk 级语义投票把 Claude/Gemini 拉进了蒸馏管线 |
| 2026-06-04 | 多域RL训练完Math就忘？这篇论文给出了"局部扰动"层面的解释 |
| 2026-06-04 | KVarN：方差归一化让 2-bit KV 缓存扛住长链推理 |
| 2026-06-04 | 答案已经对了，模型却还在絮叨——这段"多说的"才是 SFT 数据真正的毒 |
| 2026-06-04 | 自动 harness 在线上部署越跑越烂？这篇论文把"进化"和"适应"两个损失彻底拆开了 |
| 2026-06-03 | 失败一整条轨迹，到底该怪哪一步？SkillAdaptor 用步级归因把 Agent 的技能库改对了 |
| 2026-06-03 | PEFT 不只是省钱的小补丁——它能撑起百万级人格模型 |
| 2026-06-03 | 观测掩码不是免费午餐：搜索智能体的 Regime Map 与机制拆解 |
| 2026-06-03 | 让 Agent 自己长记忆：用代码覆盖率当奖励，把"探索"和"记住"绑在一起训 |
| 2026-06-03 | Harness-1：把"思考过程"写到外面去——一个 20B 搜索智能体如何打过 Opus 和 GPT-5 |
| 2026-06-03 | RL 训练时模型已经走错了，还非要让它写完 8192 个 token？阿里 Tongyi Lab 这篇 ESPO 把失败 rollout 提前掐了 |
| 2026-06-03 | Draft-OPD：让推测解码的草稿模型，从"自己犯的错"里学习 |
| 2026-06-02 | SAAS：让 Agent 学会"我自己其实知道"——用自感知 RL 治理过度搜索 |
| 2026-06-02 | 长上下文 RL 训练数据该怎么造？让搜索 Agent 帮你筛干扰项 |
| 2026-06-02 | Harness 更新 ≠ Harness 受益：把自进化 Agent 的两种能力彻底拆开 |
| 2026-06-02 | GrepSeek：让搜索智能体扔掉向量索引，直接用 grep 翻语料 |
| 2026-06-02 | 把一个"懂事的同事"打包成 Skill：从异构痕迹蒸馏可检查、可修正、可回滚的 AI 技能 |
| 2026-06-02 | 让 AI 自己当数据工程师：从零自主策划训练数据，把学生模型涨了 57.29% |
| 2026-06-01 | 让 8B 小模型学会"我不知道"：TIAR 用 GRPO 轨迹给弃权 reward 动态加权 |
| 2026-06-01 | ROSD：让自蒸馏去"改错"，而不是去"抄答案" |
| 2026-06-01 | 3%的注意力头，扛起了LLM整个演绎推理过程——一篇可解释性论文的硬核拆解 |
| 2026-06-01 | 不要再卷神经验证器了：用维基百科"共现次数"当奖励，事实问答RL训练快 8 倍 |
| 2026-05-31 | TCP-MCP：把多 Agent 系统的 prompt 和拓扑当作"基因组"一起进化 |
| 2026-05-31 | Focal Reward：当 RL 把"容易拿分的维度"刷爆了，剩下的硬骨头怎么办 |
| 2026-05-31 | Entity-Collision：把 Agent 记忆系统的检索增益拆开归因 |
| 2026-05-31 | 两万真实会话揭示 Coding Agent 七大失配模式：开发者-Agent 错位的大规模实证 |
| 2026-05-31 | 进化搜索的算力分配重构：从深度-广度到多臂老虎机 |
| 2026-05-30 | 密集检索凭什么给高分？Xetrieval 用稀疏特征把黑箱掰开了 |
| 2026-05-30 | 别只盯着最终答案：Agent 幻觉真正危险的地方在轨迹里 |
| 2026-05-30 | 把 Agent 的 Skill 当参数来训：SkillOpt 让一个 Markdown 文件涨 23 个点 |
| 2026-05-30 | 25% 的 Agent 技能其实在帮倒忙：一篇把"技能生命周期"拆到底的系统研究 |
| 2026-05-30 | 技能到底该"记住"还是"带着"？Skill0.5 给出了一个折中但有效的答案 |
| 2026-05-30 | 单向量 Embedding 模型其实"早就会"多向量检索——SMART 把被压扁的隐藏状态用起来了 |
| 2026-05-30 | 长程智能体不是缺上下文，而是缺会翻旧账的记忆 |
| 2026-05-30 | 8K 条合成任务，把开源深度研究 Agent 拉到闭源水平 —— QUEST 论文细读 |
| 2026-05-30 | Agent的"空闲时间"被浪费了——ProAct想用它干点正事 |
| 2026-05-30 | 该不该把这条会话存进 Agent 记忆？这篇论文说：先看是哪个用户 |
| 2026-05-30 | LoRA 到底能记住多少东西？一个优雅的幂律定律告诉你答案 |
| 2026-05-30 | LLM 记忆系统也会“甩锅”：MemTrace 把错误追到具体操作 |
| 2026-05-30 | MemForest：当 Agent 的"记忆"被当成数据库问题来做，写吞吐量直接 6 倍 |
| 2026-05-30 | MUSE-Autoskill：把 Agent 技能从"一次性产物"管成"有生命周期的资产" |
| 2026-05-30 | 搜索智能体的皇帝新衣：它们真的在搜索，还是在用Google验证自己的记忆？ |
| 2026-05-30 | 用合成数据喂出来的终端智能体，凭什么只用 1 万条轨迹就能打平 50 万条的效果？ |
| 2026-05-30 | HINT-SD：长程 Agent 训练里，"在哪里反馈"比"反馈多稠密"更值钱 |
| 2026-05-30 | FluxMem：当智能体的记忆不再是"死档案"，而是一张活着的网 |
| 2026-05-30 | 把"40000层迭代"写成吸引子收敛：CMU 团队让 5M 小模型在 Sudoku-Extreme 上从 2.6% 干到 99.8% |
| 2026-05-30 | 别总找更强老师了，让推理模型从错误里爬出来 |
| 2026-05-30 | 多奖励 RL 训练崩了？阿里云这篇 DVAO 给了 GRPO 一个真正干净的多目标解 |
| 2026-05-30 | 并行推理别再各想各的：CPT 让多条思维链学会“共享情报” |
| 2026-05-30 | 你以为在测 CoT 忠实度？这篇论文说现有指标基本都接近瞎猜 |
| 2026-05-30 | BES：别只让模型往前猜，倒着拆目标再重组答案 |
| 2026-05-30 | 当AI智能体学会"一心多用"：AsyncTool揭示大模型异步工具调用的真实水平 |
| 2026-05-30 | Agent训练越练越爱乱调工具？这篇论文让模型自己学会"什么时候该闭嘴查工具" |
| 2026-05-24 | TransMamba：把 Transformer 和 Mamba 塞进同一套参数里，按 token 长度自由切换 |
| 2026-05-24 | 别再只看准确率了：用认知负荷理论给工具智能体画一张"能力边界图" |
| 2026-05-24 | ToolACE-R：让模型自己决定训练吃什么、推理时改几遍 |
| 2026-05-24 | 当 RAG 检索到的内容跟模型脑子里的"记忆"打起来——AAAI 2026 这篇用信息瓶颈给出了一个有理论支撑的解法 |
| 2026-05-24 | KV Cache 还能再砍一刀：SparK 在通道维度上做了一件被忽略多年的事 |
| 2026-05-24 | Reasoning-SAE 论文解读：用稀疏自编码器抓住 DeepSeek-R1 的"思考时刻" |
| 2026-05-24 | RALM 真的"知道自己不知道"吗？AAAI 2026 揭开检索增强模型的过度拒答陷阱 |
| 2026-05-24 | RAG-R1：让模型自己决定要搜几次，把 RAG 从串行链改成自适应多查询并行 |
| 2026-05-24 | LogicRAG：把图谱从离线建变成推理时即时拼，GraphRAG 这条路是不是走偏了 |
| 2026-05-24 | 给Claude 3.7一个GitHub仓库让它干活，54个真实任务它只做对了48% |
| 2026-05-24 | 给投机解码的草稿模型加一个"耳麦"：从验证器隐藏态算 steering 向量，接受 token 数最多多 35 个百分点 |
| 2026-05-24 | 长篇小说推理卡壳怎么办？ComoRAG 让 RAG 学会"想到一半再去翻书" |
| 2026-05-24 | CoT-SAE 论文解读：用稀疏自编码器看穿"思维链是否真在思考" |
| 2026-05-24 | 多Agent投票投出个寂寞？这篇AAAI 2026把冷战时期的情报学方法搬了进来 |
| 2026-05-23 | UnPRM：用"不确定性"省 60% PRM 标注成本，再回头修一遍多数投票 |
| 2026-05-23 | SubGCache 论文解读：子图级 KV 缓存把图谱 RAG 推理首字延迟砍到原来的 1/6 |
| 2026-05-23 | 用数学训出来的 PRM，跑到代码任务上还能涨 4 个点——这事让我对"PRM 是不是被高估了"重新想了一遍 |
| 2026-05-23 | PPPO 论文解读：前缀决定推理，RLVR 只优化开头就够了 |
| 2026-05-23 | MEML-GRPO 论文解读：异构多专家互学习破解 RLVR 的奖励稀疏 |
| 2026-05-23 | Length Bias Causal 论文解读：用因果反事实拆掉 RLHF 奖励模型的"啰嗦偏好" |
| 2026-05-23 | Latent Reasoning Refinement：在不训练任何参数的前提下，给 Coconut 套一层"心理调节器" |
| 2026-05-23 | LLMdoctor：用小模型 doctor 在 token 级别给冻结的 patient 大模型做"对齐处方" |
| 2026-05-23 | GenPRM：让 1.5B 的过程奖励模型，靠"边写边推理边跑代码"打赢 GPT-4o |
| 2026-05-23 | DeCoRL：把推理链拆成"乐团合奏"——AAAI 2026 一篇把 RLHF 推到 32B 打 GPT-4o 的工作 |
| 2026-05-23 | 一个 query 写五份草稿、互评后再选最好的那一条去更新——DRAFT-RL 把 RL 训练里的"独白"改成了"群聊" |
| 2026-05-23 | DEPO：把"少 token + 少步骤"同时塞进 KTO 的偏好优化 |
| 2026-05-23 | Conformal CPO：把保形预测嵌入 LLM Agent 编排策略，可证明可靠性 + 30% 成本节省 |
| 2026-05-22 | 不要任何人工标注，PRM 也能训出来——EPFL 这套 uPRM 把"+/-"两个 token 玩出花了 |
| 2026-05-22 | 大模型工具调用的"知行差距"：它知道该调用工具，但就是不动手 |
| 2026-05-22 | Solvita：四智能体闭环 + 可训练知识网络，让大模型在 Codeforces 打到 Legendary Grandmaster |
| 2026-05-22 | SkillsVote：当智能体技能库长到百万级，怎么不让它把Agent带歪？ |
| 2026-05-22 | LLM 智能体的记忆「悄悄过期」问题：最强模型也只能拿 55 分 |
| 2026-05-22 | SDAR：让每个 token 自己决定蒸馏强度——多轮 Agent RL 的一次"非对称信任"修补 |
| 2026-05-22 | Attention 自己就是检索器：NVIDIA 把外挂 retriever 拆了，多跳 QA 反而更强 |
| 2026-05-22 | RLVR 训练只跑前 15% 步，剩下的可以"算"出来——一篇让我重新审视 RL 训练动力学的论文 |
| 2026-05-22 | 把多跳 RAG 写成一段 Python 程序：当推理过程从"自由发挥"变成"编译器说话" |
| 2026-05-22 | π-Bench：当 AI 助理被要求"猜你想说但没说的话"，9 个旗舰模型集体翻车 |
| 2026-05-22 | 当模型已经"想明白"了还在絮叨——这篇论文教你怎么让它闭嘴 |
| 2026-05-22 | 给智能体一张"地图"：PEEK 把长上下文里反复重学的那部分缓存了下来 |
| 2026-05-22 | 用策略提示把模型推出舒适区：NudgeRL 让 8 个 rollout 跑赢 64 个 |
| 2026-05-22 | 一篇综述把多智能体的"协作—归因—自演化"串成一条因果链：LIFE 框架的意义 |
| 2026-05-22 | MetaAgent-X：让设计器和执行器一起进化，自动 MAS 的天花板被端到端 RL 撞穿了 |
| 2026-05-22 | Many-Shot CoT-ICL：把上下文窗口当课程表来排，几何任务直接拉高 5.42 个点 |
| 2026-05-22 | 当 Prompt 优化器在 6 个任务里 4 个原地踏步：MOCHA 用切比雪夫退火给 Agent 技能找出路 |
| 2026-05-22 | 把 7B 视觉语言模型从 32K 拉到 128K，他们只花了 50 亿 token——还顺便外推到了 512K |
| 2026-05-22 | 给Agent记忆系统泼一盆冷水：长时程多目标干扰下，所有主流方案平均只有27.9% |
| 2026-05-22 | OPD 为什么这么快？腾讯混元从参数动力学给了一个让人服气的答案 |
| 2026-05-22 | 工业质检领域的 MLLM 卡在哪了？这篇论文给了一个把工具调用塞进 RL 的解法 |
| 2026-05-22 | 把 Agent 的"技能"从文本提示升级成可执行护栏：HASP 框架到底解决了什么 |
| 2026-05-22 | HAGE：让 Agent 的记忆图自己学会该走哪条边 |
| 2026-05-22 | 30B 小模型拿 IMO 金牌：SU-01 把"会做题"和"会证明"拆开来打 |
| 2026-05-22 | 全注意力的反击：百步训练把稠密注意力"翻译"成稀疏，1M 上下文 prefill 提速 9.36 倍 |
| 2026-05-22 | EvolveMem：让 Agent 的记忆系统自己改自己的检索配置 |
| 2026-05-22 | EnvFactory：85 个环境如何打掉 500+ 的工具调用 RL 数据工厂 |
| 2026-05-22 | EndPrompt：短序列也能撑起 64K——给 LLM 长上下文塞一个"终点路标" |
| 2026-05-22 | 2011 年的 DAgger 被搬回来训 SWE 智能体，4B 模型干翻一票 8B 系统 |
| 2026-05-22 | 三个推理模型轮流接力解一道题，蒸出来的学生反超老师 |
| 2026-05-22 | 42 位作者联手发声：代码不再只是 Agent 的"输出"，而是它赖以生存的"操作系统" |
| 2026-05-22 | 答对了题，却抄错了出处——CiteVQA 把多模态大模型的"归因幻觉"摆上了台面 |
| 2026-05-22 | 论文不再线性跑流水线：AutoResearchClaw 用辩论、自愈和跨次进化把 AI 科学家推上一个台阶 |
| 2026-05-22 | 长前缀的第三条路：把注意力"提前算好存起来"，推理时直接查表 |
| 2026-05-22 | AstraFlow：把Agentic RL训练系统拆开重写，2.7×加速背后是一套被忽视的抽象 |
| 2026-05-22 | 教蒸馏教师"少看一点"，反而学生学得更好——LLM 推理自蒸馏的一个隐藏旋钮 |
| 2026-05-22 | ActGuide-RL：把 SFT 冷启动换成"动作引导"的智能体 RL 新范式 |
| 2026-05-22 | Agent 轨迹的"监督盲区"：把多轮工具调用编译成长上下文训练数据，30B 干到 235B |
| 2026-05-14 | Web2BigTable：用 GPT-5 mini + Gemini 3 Flash 干翻 GPT-5 High——双层 Agent + 自演化 skill bank 把 SR 拉到 7.5 倍 |
| 2026-05-14 | UniSD：不靠"更强的老师"，LLM 能不能自己教自己变强？ |
| 2026-05-14 | UniPrefill：当稀疏注意力遇到混合架构，长上下文 Prefill 该怎么加速？ |
| 2026-05-14 | ThinC：让模型用代码"思考"，而不是用代码"验证" |
| 2026-05-14 | TMAS：当并行多路推理不够用，怎么让多 Agent 真正"协同"起来？ |
| 2026-05-14 | 让 Agent 先「想清楚再动手」：StraTA 给长程 Agent RL 加上一层策略抽象 |
| 2026-05-14 | SkillOS：与其训练 Agent 自己变强，不如训练一个专门管"技能库"的小模型 |
| 2026-05-14 | Skill1：用一个奖励信号，把 Agent 的"选、用、攒"三件事一起练出来 |
| 2026-05-14 | SSL：把 SKILL.md 拆成三层结构化图谱——技能检索 MRR 涨 8 个点、风险评估 F1 涨 10 个点 |
| 2026-05-14 | SLIM：Agent 的"技能仓库"不应该一味变大或变小——技能要有生命周期 |
| 2026-05-14 | SEIF：让模型自己出题考自己——指令跟随能力的自演化训练 |
| 2026-05-14 | S2G-RAG：让 RAG 学会回答"我到底还差什么"——HotpotQA 上 F1 暴涨 13 个点 |
| 2026-05-14 | RubricEM：当 Deep Research Agent 没有 ground truth，RL 还怎么训？ |
| 2026-05-14 | Ψ-RAG：把 Tree-RAG 从"单文档玩具"推到"语料库级跨文档多跳"——比 RAPTOR 强 25.9%、比 HippoRAG 2 强 7.4% |
| 2026-05-14 | 多智能体 LLM 的 RL 该往哪走？这篇 84 篇综述把"编排轨迹"作为新单元 |
| 2026-05-14 | NanoResearch：研究自动化跑得起来不算赢，跑出"你这个研究员要的东西"才算赢 |
| 2026-05-14 | 往 Prompt 前面拼一段 Lorem 乱码，GRPO 居然就训出来了——LoPE 是怎么靠"废话"破开零优势困境的 |
| 2026-05-14 | LenVM：把"还剩多少 token"建模成 value——给 LLM 装上了一个 token 级长度刻度尺 |
| 2026-05-14 | LPO：把 GRPO 的"隐式投影"翻到台面上——RLVR 的几何统一视角 |
| 2026-05-14 | HeavySkill 论文解读 重思考即智能体内化技能 |
| 2026-05-14 | G-Zero：开放域任务里，没有 verifier 也能跑出 self-play 的奇迹？ |
| 2026-05-14 | 当工具库膨胀到4万个，Agent该怎么"找工具"？UCLA这篇FitText把检索塞进了推理循环 |
| 2026-05-14 | 当 LLM 不断"总结过去的经验"，记忆反而变坏：Agentic Memory 的隐性陷阱 |
| 2026-05-14 | Faithful Uncertainty：把"幻觉"重新定义为"自信地说错"——Google 在告诉你下一步该怎么走 |
| 2026-05-14 | Fast-Slow Training：让 LLM 的"参数"和"上下文"一起学 |
| 2026-05-14 | Eywa：当 LLM 不再"什么都自己来"，让科学基础模型上桌一起聊 |
| 2026-05-14 | δ-mem：一个 8×8 的矩阵，能给 LLM 当"长期记忆"吗？ |
| 2026-05-14 | 扔掉向量库，让 Agent 直接 grep 原始语料库——一篇打破检索神话的论文 |
| 2026-05-14 | Ctx2Skill：让模型读完一份文档就"自己出题考自己"——无反馈下的 skill 自演化 |
| 2026-05-14 | Claw-Eval-Live：连 Opus 都过不了 70%，工作流 Agent 离"自动化"还差一个数量级 |
| 2026-05-14 | BRIGHT-Pro 与 RTriever：把"推理密集型检索"从静态榜单拉回 Deep Research 真实战场 |
| 2026-05-14 | 把"提想法-写代码-跑实验-改下一版"整个交给Agent：CMU这篇把ML自动研究跑成了一条可审计的轨迹 |
| 2026-05-14 | Agentic Architect：让 LLM 帮你"进化"出 CPU 微架构——预取器跑赢 SMS 21% |
| 2026-05-14 | 多跳RAG总在桥接事实上栽跟头：NYU这套AdaGATE把证据装配当成了"修补题" |
| 2026-05-14 | ARIS：当你怀疑 AI 在"看起来很对"地胡说八道——上海交大开源的跨模型对抗科研 Harness |
| 2026-05-14 | 不要再给Agent硬塞PRM了：百度这篇AEM用一个"熵的呼吸节奏"把信用分配做了 |
| 2026-05-07 | iTool：合成数据加越多越没用？哈工大+华为用 MCTS 找出"那一小片错"，8B 反超 GPT-4o |
| 2026-05-07 | 让 Web Agent 自学不停滞——WebEvolver 用一个共演化世界模型撑起多步 Look-Ahead |
| 2026-05-07 | WebAgent-R1：8B小模型在网页操作上把o3拉下马，多轮RL把分从8.5%硬拉到44.8% |
| 2026-05-07 | TurboRAG：把RAG的Prefill搬到离线，TTFT直接快9.4倍 |
| 2026-05-07 | TokenSelect：把 KV Cache 的"块级粗筛"砸碎到 Token 级，128K→1M 上下文加速 23.84 倍 |
| 2026-05-07 | Think-Search-Patch：让 7B-14B 模型把仓库级 bug 修出 GPT-4 三倍的命中率 |
| 2026-05-07 | 部署即固化的Agent，怎么在线学新规则？ARIA给了一个能落地的答案 |
| 2026-05-07 | 让 o1 学会自己上网查资料：Search-o1 给大推理模型补上的那块知识短板 |
| 2026-05-07 | 把 Reward Model 拆成五个"专科医生"——SRM 用工程套路在 RM 上又榨了 8 个点 |
| 2026-05-07 | Agent别再"想都不想就动手"了：SAND教大模型先在脑子里把候选动作走一遍 |
| 2026-05-07 | RethinkMCTS：让MCTS会"反省"，把走歪的思路改对再继续搜代码 |
| 2026-05-07 | 让奖励模型先"想清楚"再打分：R-PRM 把 PRM 从打分器升级成推理者 |
| 2026-05-07 | PPO 不是 RLHF 的最优解：Google 跑了 3500 次实验、烧了 30000 TPU 小时给出最终排名 |
| 2026-05-07 | 代码生成里 Process Reward 第一次被认真验证：PRLCoder 把"行级别"奖励喂给 PPO，难题 Pass@80 涨了 9.6 个点 |
| 2026-05-07 | NOVER：把 R1-Zero 的"激励训练"从数学题搬到任意文本任务，靠的不是更大的 verifier，而是一个 perplexity |
| 2026-05-07 | AWS 这篇论文让 LLM Agent 的记忆"自己长出索引"，RAG Recall 暴涨 34% |
| 2026-05-07 | 不动模型、没有标签，让 Agent 在测试时把准确率干到 93.94%——EMNLP 2025 这篇 Schema Mapping 论文挺有意思 |
| 2026-05-07 | 让模型"故意答错"，反而把验证器训得更准——逻辑推理上的 ORM + Test-Time Scaling 实验 |
| 2026-05-07 | 训RAG Agent老犯"搜了又搜"和"乱搜一气"两个毛病？LeTS给出了一个不靠人工标注的解法 |
| 2026-05-07 | GRPO-LEAD：让推理模型说人话——给 GRPO 加上长度、罚分和难度三味药 |
| 2026-05-07 | 好过程无需好答案：把 Agent 的规划和总结拆开训，工业 RL 才走得通 |
| 2026-05-07 | 把 RL Agent 直接扔进真实互联网：DeepResearcher 撕开了 RAG 训练的舒适区 |
| 2026-05-07 | 决策和执行拆开训：一篇把 Agentic RAG 写成 MDP、再用剪枝把数据造快 6 倍的工业界论文 |
| 2026-05-07 | 别让模型「想太多」：中国联通团队把推理长度做成难度自适应——DAST 论文精读 |
| 2026-05-07 | CodeRAG：把"检索什么"和"重排什么"都想清楚——仓库级代码补全的一次系统性重做 |
| 2026-05-07 | CODI：让模型把思维链"塞"进连续空间，6 个隐向量顶 20 个 token |
| 2026-05-07 | 三套 Prompt 互相甩锅，怎么调？三星 × GMU 把记忆 Agent 的 APO 做成可落地闭环 |
| 2026-05-07 | 多目标文本生成里，权重别再手写：AW-GRPO 把 GRPO 从「偏科」拉回正轨 |
| 2026-04-29 | 撕掉"自进化"的伪装：让Agent在没人喂奖励的时候，自己摸清楚一个陌生世界 |
| 2026-04-29 | 测试时训练为什么总崩？TEMPO 用 EM 把缺失的那一步补回来 |
| 2026-04-29 | 终端Agent的"上下文垃圾场"清理工：TACO 用一个不停进化的规则池替代手写 prompt |
| 2026-04-29 | 给Agent装"持续学习"开关：写技能容易，修技能难——SkillFlow揭开11个前沿模型的真实差距 |
| 2026-04-29 | SimpleTES：用开源 gpt-oss 把 LASSO 提速 2 倍、量子门数砍掉 24.5%——靠的不是更强的模型，而是更多的"评估" |
| 2026-04-29 | ShadowPEFT：把 LoRA 的"分散低秩"换成共享影子网络，顺便让 PEFT 模块可拆可装 |
| 2026-04-29 | 上下文永远不够用：SLIDERS 把长文档问答从"读完所有 token"换成"查数据库" |
| 2026-04-29 | 8个样本就能涨32个点？RLVR的"奇迹"为什么换到Llama身上就不复现了 |
| 2026-04-29 | Agent Coding 测试时算力怎么花？Meta 给出了一个反直觉的答案：先做"摘要"再做"选拔" |
| 2026-04-29 | NPO：让"未来的自己"教会"现在的自己"，RLVR走出Q/V困局 |
| 2026-04-29 | Too Correct to Learn：当模型"答得太对"时，GRPO反而学不动了 |
| 2026-04-29 | Memanto：当所有人都在堆图谱时，他们用一颗朴素的向量索引把SOTA又拿回来了 |
| 2026-04-29 | 强LLM不一定是好"优化器"：决定胜负的不是参数量，而是"局部精修"的能力 |
| 2026-04-29 | GFT：把 SFT 当成"极度稀疏奖励 + 不稳定重要性权重"的 RL 重做一遍 |
| 2026-04-29 | 你的检索器其实在"假装"听指令——Snowflake 用一个反转技巧把 305M 小模型拉到 SOTA |
| 2026-04-29 | DR-Venus：4B 小模型靠 1 万条开源数据，把 Deep Research 干到 9B 全员碾压 |
| 2026-04-29 | 异质任务下的记忆提取：为什么单一Prompt就是搞不定，得"先聚类再演化" |
| 2026-04-29 | AgentSearchBench：在 1 万个真实 Agent 里挑一个能干活的，到底有多难？ |
| 2026-04-29 | AgentSPEX：当 Agent 框架开始把"控制流"从 Python 里抠出来 |
| 2026-04-29 | Agent-World：当智能体训练终于不用再"假装"在跟世界打交道 |
| 2026-04-29 | Agent 当裁判光看 Trajectory 不够，它得自己去环境里查证 —— AJ-Bench 论文解读 |
| 2026-04-24 | DeepSeek-V4 技术报告精读：1.6T 参数、49B 激活、1M 上下文，开源模型的"算力性价比"被重新定义 |
| 2026-04-21 | \(p1\)：用2道题训练出的系统提示，凭什么碾压全量数据？ |
| 2026-04-21 | 让Agent自动调模型：TREX用搜索树把LLM微调做成了下棋 |
| 2026-04-21 | TPO：把"该学什么"和"怎么学"拆开，梯度自己知道什么时候停 |
| 2026-04-21 | 当AI编码Agent被"焊死"在产品里，怎么把它的核心引擎拆出来？ |
| 2026-04-21 | SPPO：别再逼Critic逐token猜了——序列级建模一招解决长链推理信用分配 |
| 2026-04-21 | OPD不是万能药：大模型在线策略蒸馏什么时候能work，什么时候一定崩 |
| 2026-04-21 | Reasoning Graphs：让RAG Agent不再"翻车"的证据图谱 |
| 2026-04-21 | Coding Agent的记忆能跨域迁移吗？这篇论文给出了让人信服的答案 |
| 2026-04-21 | 记忆增强的动态奖励塑形：MEDS如何让LLM不再"重蹈覆辙" |
| 2026-04-21 | 30 GPU小时训出AIME 69.9%：Lightning OPD把在线蒸馏搬到了离线 |
| 2026-04-21 | LLM能从零重新发明基础算法吗？遗忘后再发明，最强模型成功率90% |
| 2026-04-21 | KnowRL：给RL训练开一份"最小处方"，1.5B模型数学推理直逼7B水平 |
| 2026-04-21 | 对话AI的记忆困境：什么时候该记，什么时候该忘？ |
| 2026-04-21 | GraSP：给Agent的技能加上因果图，多了反而更行 |
| 2026-04-21 | LM Agent的探索和利用居然可以被量化，而且探索才是命门 |
| 2026-04-21 | 你以为你在用不同的数据集训练模型？谱系图告诉你：它们都是同一棵树上的枝条 |
| 2026-04-21 | 从推理到智能体：LLM强化学习中的信用分配，到底难在哪？ |
| 2026-04-21 | CodeTracer：给AI代码智能体装上"黑匣子"，故障追溯一步到位 |
| 2026-04-21 | 当最强Agent也只能做对45%的任务：CocoaBench揭开统一数字智能体的真实水平 |
| 2026-04-21 | AiScientist：扔掉对话接力棒，用文件总线撑起23小时自主科研 |
| 2026-04-21 | AggAgent：把并行轨迹当环境来交互，智能体聚合的新范式 |
| 2026-04-21 | AgentSwing：长时Web Agent的上下文管理，为什么"一条路走到黑"行不通 |
| 2026-04-10 | Anthropic Managed Agents: 把"脑"和"手"拆开，Agent 基础设施才算真正成熟 |
| 2026-04-09 | 不看Attention分数也能压缩KV Cache？TriAttention用三角函数找到了捷径 |
| 2026-04-09 | ThinkTwice: 让模型学会"做完题再检查一遍"，推理+自纠错联合训练只加3%开销 |
| 2026-04-09 | 推理模型其实是"先决定，再编理由"？这篇论文用探针抓了个现行 |
| 2026-04-09 | Chinchilla 法则过时了？当推理预算纳入考量，过度训练小模型才是最优解 |
| 2026-04-09 | 用2B小模型给Coding Agent的工具输出"挤水分"：砍掉92%的token，召回率反而更高 |
| 2026-04-09 | SkillX：让 Agent 学会"传帮带"，自动构建可复用的技能知识库 |
| 2026-04-09 | 训练时把技能"喂"进参数里，推理时不带小抄也能满分——Skill0的技能内化之路 |
| 2026-04-09 | 让代码模型学会"脑内编译"：不执行代码也能验证对错？ |
| 2026-04-09 | GRPO 和自蒸馏都不够好？这篇论文用样本路由把两者粘在一起，还真work了 |
| 2026-04-09 | RLSD：当自蒸馏遇上RLVR，token级信用分配的一次漂亮融合 |
| 2026-04-09 | 找论文这件事，是时候让 Agent 替你干了 -- Paper Circle: 多智能体学术发现与分析框架 |
| 2026-04-09 | 不调模型调"脚手架"：斯坦福 Meta-Harness 让AI自动优化LLM外围代码，效果炸裂 |
| 2026-04-09 | 一个7B模型怎么干翻32B？这篇论文把Agent的记忆系统玩明白了 |
| 2026-04-09 | LightThinker++：让大模型学会"记笔记"，推理token砍掉70%还能涨点 |
| 2026-04-09 | 检索模型该为谁训练？当搜索的用户从人变成了AI Agent |
| 2026-04-09 | AI打比赛，连续三场第一名碾压所有人类选手——GrandCode做对了什么？ |
| 2026-04-09 | FileGram：让AI助手"记住"你怎么管文件，而不只是记住你说了什么 |
| 2026-04-09 | Claw-Eval: 你以为你的 Agent 很安全？44% 的安全违规被漏检了 |
| 2026-04-09 | 你的AI助手会"翻旧账"吗？ClawArena告诉你，绝大多数Agent在信息变化面前一塌糊涂 |
| 2026-04-09 | CORAL：当多个 AI Agent 学会自己搞进化，效率碾压传统搜索 3-10 倍 |
| 2026-04-09 | Agent的技能库看起来很美好，但真用起来呢？这篇论文给出了残酷的答案 |
| 2026-04-09 | ASI-Evolve: 让AI自己搞研究、自己做实验、自己迭代进化 -- 这事靠谱吗？ |
| 2026-04-07 | AI写的论文到底有多少幻觉？东京大学提出首个系统评估框架PaperRecon |
| 2026-04-03 | 推理偷工减料？上下文是如何悄悄"缩短"大模型思考过程的 |
| 2026-04-01 | TurboQuant：用 3-bit 把 KV Cache 压 6 倍，Google 给内存芯片上了一课 |
| 2026-04-01 | AI能自主做临床科研了吗？港中文&斯坦福联手造出第一个医学AI科学家 |
| 2026-04-01 | 从一个Agent到一支团队：Claude Code多Agent协作架构全解——源码精读（三） |
| 2026-04-01 | 上下文撑破之前，Claude Code 如何"清理记忆"——源码精读（二） |
| 2026-04-01 | 30行代码，就是一个完整的AI Agent——Claude Code源码精读（一） |
| 2026-03-29 | 自蒸馏让大模型变"自信"了，推理能力却崩了——不确定性才是推理的命脉 |
| 2026-03-29 | LLM能学会合作还是学会作弊？社会困境博弈中的策略生成与奖励黑客 |
| 2026-03-29 | 一次推理输出多个答案：MIT用强化学习打破LLM的"熵坍缩"困局 |
| 2026-03-29 | 8B小模型干翻GPT-4o？用"信息不对称"让LLM自己查自己的幻觉 |
| 2026-03-29 | 用λ演算驯服LLM的递归：8B小模型干到70B的表现 |
| 2026-03-29 | Cursor 自研 Composer 2：1万亿参数 MoE + 强化学习，编程 Agent 性能暴涨 61% |
| 2026-03-29 | 当AI学会自己搞安全研究：Claude自主发现的攻击算法，把30多种人类方法全干趴了 |
| 2026-03-29 | 7B小模型吊打GPT-5？CarePilot用Actor-Critic范式攻克医疗软件自动化 |
| 2026-03-29 | BEAVER：不用训练也能把12万token压到3000，还比LLMLingua快26倍？ |
| 2026-03-29 | AI Agent做数据科学，排名不如一半的人类团队：AgentDS竞赛的冷水与启示 |
| 2026-03-25 | 当知识图谱变成"黑箱"：BubbleRAG 用气泡膨胀算法让 Graph RAG 的召回率和精准率同时起飞 |
| 2026-03-24 | 4B 小模型击败 GPT-5：Learning to Self-Evolve 用强化学习教会 LLM 在测试时自我进化 |
| 2026-03-23 | 递归不是长上下文的解药，自反思才是：SRLM 用不确定性信号让 LLM 超越 RLM 22% |
| 2026-03-23 | 部署不是终点，而是学习的起点：微软提出 OEL 框架，让大模型从真实交互中持续进化 |
| 2026-03-23 | MiroThinker-1.7 & H1：搜索 Agent 的天花板不在"搜得多"，而在"每步都靠谱" |
| 2026-03-23 | MetaClaw：让 AI 智能体"边干边学"——双时间尺度持续进化框架 |
| 2026-03-23 | 不改模型参数，准确率翻倍：Memento-Skills 让 Agent 自己设计 Agent |
| 2026-03-23 | 让LLM智能体像人脑一样从经验中共同进化：Complementary RL 如何用双系统协同打破样本效率瓶颈 |
| 2026-03-19 | blocks: 历史 block 表示 [b0, b1, ..., b(n-1)] |
| 2026-03-17 | ReAct：让大模型学会"边想边干"的智能体范式 |
| 2026-03-17 | OpenSeeker：首个完全开源训练数据的搜索 Agent，单次 SFT 逆袭复杂工业管线 |
| 2026-03-17 | OpenSWE 论文解读：147 万美元打造最大开源 SWE 训练环境，45k Docker 环境助力代码 Agent 登顶 SWE-bench |
| 2026-03-17 | 从零搭一个 AI Agent 框架，到底需要理解什么？ |
| 2026-03-16 | EvoScientist：让AI科学家学会"长记性"——多智能体进化框架如何实现端到端科研自动化 |
| 2026-03-14 | 你以为大模型在"思考"？其实它只是在努力"回忆" |
| 2026-03-14 | 💥 别再死磕 Prompt 和 Workflow 了！DeepSeek-R1 引爆的 Agent 端到端强化学习革命 |
| 2026-03-14 | OpenClaw 刷屏了，但 90% 的人没看懂它真正在做什么 |
| 2026-03-14 | OpenClaw-RL 论文解读：用"下一状态信号"统一所有智能体的强化学习训练 |
| 2026-03-14 | IndexCache：跨层索引复用，让稀疏注意力推理再快一倍 |
| 2026-03-14 | 不需要SFT，仅靠上下文强化学习就能教会LLM使用工具 |
| 2026-03-14 | Harness Engineering 深度解读：AI Agent 时代的「缰绳与马鞍」 |
| 2026-03-14 | Claude Code 玩法大全：从入门到上瘾的终极指南 |
| 2026-03-14 | 🔬 Autoresearch 深度解读：Karpathy 的"AI 自主科研"到底有没有戏？ |
| 2026-03-14 | Agent Teams 深度解读：从 Claude Code 到多智能体协作的技术全景 |
| 2026-03-13 | 🎯 用模拟器"养"出一个能打的搜索Agent：8B小模型如何在无限上下文下学会推理、追问与规划 |
| 2026-03-13 | 强化学习到底给大模型带来了什么？从 Search Agent 实战到三篇顶会论文的交叉验证 |
| 2026-03-12 | 当AI学会"欺骗"裁判：推理型LLM评判员的双刃剑效应 |
| 2026-03-07 | UniG2U-Bench 论文解读：统一多模态模型真的提升了视觉理解吗？ |
| 2026-03-07 | SciDER：当AI学会从原始数据开始做科研，GPT-5也得靠边站 |
| 2026-03-07 | Qwen3-Coder-Next：80B参数只激活3B，如何用"小代价"训出最强编程智能体 |
| 2026-03-07 | PRISM：用过程奖励模型为DeepThink系统装上"导航仪" |
| 2026-03-07 | 广度看偏好、深度看对错——Mix-GRM用8B模型打败一众开源奖励模型 |
| 2026-03-07 | MemSifter：用4B小模型给大模型当"记忆管家"，检索又快又准 |
| 2026-03-07 | Legal RAG Bench：当检索拖了后腿，大模型再聪明也白搭 |
| 2026-03-07 | 4B小模型干翻70B？CoVe用约束验证让工具调用Agent数据效率提升18倍 |
| 2026-03-07 | 9K条数据训4B模型，逼近DeepSeek-R1？CHIMERA用合成数据破解推理冷启动难题 |
| 2026-03-07 | BeyondSWE 论文解读：当前代码智能体能否超越单仓库修 Bug？ |
| 2026-03-07 | 图像编辑也能"看菜下饭"：ADE-CoT 用自适应策略让测试时扩展快了 2-5 倍 |
| 2026-03-03 | Tool-R0：零数据也能训出工具调用高手——自进化LLM Agent的破局之路 |
| 2026-03-03 | 当 AI 研究员学会了"搜索"，搜索引擎该怎么配合？——深度研究中的文本排序再审视 |
| 2026-03-03 | OmniGAIA：迈向原生全模态AI智能体——基准测试与基础模型的全面突破 |
| 2026-03-03 | EMPO²：让LLM智能体学会"记笔记+开卷考"的强化学习框架 |
| 2026-02-27 | GPT-5.1 也只拿了 69 分？妙问团队三篇论文揭秘：大模型在真实业务中翻车的真相与破局之道 |
| 2026-02-27 | 腾讯广告的RAG实战：如何用强化学习干掉92.7%的URL幻觉？ |
| 2026-02-27 | AD-Bench：当LLM Agent遇上真实广告投放，最强模型也只能拿69分 |
| 2026-02-26 | Search-P1：让AI搜索代理从"只看结果"到"关注过程"的训练革命 |
| 2026-02-25 | SkillOrchestra：用"技能手册"取代强化学习，让AI智能体调度又好又省 |
| 2026-02-25 | SAGE：你的推理模型其实知道何时该停下来，只是你没让它说 |
| 2026-02-25 | 当AI客服犯了错，怎么在不动系统的情况下"洗脑"它纠正？——ReIn: 对话错误恢复的推理植入 |
| 2026-02-25 | DSDR：让推理模型别再"一条路走到黑"——双尺度多样性正则化探索框架 |
| 2026-02-25 | Avey-B：抛弃注意力机制，用"分拣员+处理器"重新定义双向编码器 |
| 2026-02-25 | 给Agent装上"大脑"有多难？一篇Survey揭示了智能体记忆系统的残酷现实 |
| 2026-02-20 | 当RAG的"压缩包"爆了：如何检测Token溢出？ |
| 2026-02-20 | TAROT：测试驱动 + 能力自适应课程，让代码强化微调"因材施教" |
| 2026-02-20 | ResearchGym：当最强AI被扔进真实科研战场，它们交出了怎样的答卷？ |
| 2026-02-20 | 给大模型装一台"事实核查显微镜"：RLFKV 如何用细粒度知识验证治愈金融 RAG 幻觉 |
| 2026-02-20 | 30B参数的搜索代理，凭什么在BrowseComp上和GPT-o3掰手腕？拆解REDSearcher的三段式训练框架 |
| 2026-02-20 | Nanbeige4.1-3B：3B 参数的"六边形战士"是怎么炼成的 |
| 2026-02-20 | MemFly：当智能体的记忆学会了"断舍离"——信息瓶颈驱动的即时记忆优化 |
| 2026-02-20 | InnoEval：当AI也组了一个"评审委员会"，它比人类审稿人更靠谱吗？ |
| 2026-02-20 | 当RAG遇上知识图谱：一个让LLM"开卷考试也翻车"的新基准 |
| 2026-02-20 | GLM-5：当大模型学会"自己写代码"，从Vibe Coding到Agentic Engineering的跨越 |
| 2026-02-20 | DeepImageSearch：当图像检索需要"侦探式推理"，现有AI还差多远？ |
| 2026-02-20 | 扩散语言模型也能当搜索代理？DLLM-Searcher用"边想边搜"的并行范式干掉了自回归模型 |
| 2026-02-19 | 冥想盆范式：让大模型学会管理自己的上下文 |
| 2026-02-19 | 当AI学会"搜论文"，传统搜索算法反而赢了？——SAGE基准测试揭示的反直觉发现 |
| 2026-02-19 | 金融RAG的幻觉难题：用原子知识单元让模型"说实话" |
| 2026-02-19 | MiniCPM-SALA：让Transformer在百万token下跑起来 |
| 2026-02-19 | 别再给AI助理写死记忆规则了：MemSkill让智能体自己学会怎么记 |
| 2026-02-19 | 当Agent遇到"上下文腐烂"：LOCA-bench揭示长上下文的真相 |
| 2026-02-19 | InternAgent-1.5：让AI真正成为科学家——自主科学发现的统一智能体框架 |
| 2026-02-19 | 让大模型学会"教人做事"：How2Everything从98万网页中挖出35万份操作指南 |
| 2026-02-19 | GISA：当最好的AI搜索助手也只有19%准确率 |
| 2026-02-19 | 体验式强化学习：让模型学会"吃一堑长一智" |
| 2026-02-19 | Dr. MAS：给多智能体LLM系统开一剂"镇静药"——稳定强化学习的理论与实践 |
| 2026-02-19 | 给大模型一本参考书，它反而考得更差了？DeR2揭示RAG推理的致命盲区 |
| 2026-02-19 | 把简单题"拼"成难题：Composition-RL 如何让大模型越练越聪明 |
| 2026-02-19 | Chain of Mindset：让AI学会像人一样"切换脑回路" |
| 2026-02-19 | Agent World Model：给智能体造一个"矩阵世界"——无限合成环境驱动的强化学习 |
| 2026-02-18 | SkillRL：让AI智能体学会"练功升级"的递归技能强化学习框架 |
| 2026-02-07 | 你的多智能体系统是"真协作"还是"真烧钱"？一个指标帮你看清真相 |
| 2026-02-03 | AI Agent 的分身术：深度解析 OpenClaw 子代理系统设计 |
| 2026-02-03 | OpenClaw Cron 深度解读：让 AI Agent 学会自主定时工作 |
| 2026-02-03 | 扒开 Claude Code 的底裤：为什么你的 AI Agent 总是半途而废？ |
| 2026-02-03 | AgentScope 深度解读：多智能体开发框架的工程化实践 |
| 2026-01-26 | Zep：时间知识图谱驱动的智能体记忆架构——让 AI 真正"记住"你 |
| 2026-01-25 | Voyager：让 GPT-4 在《我的世界》里自主探索、终身学习 |
| 2026-01-25 | Plan-and-Act：让AI智能体学会"先想后做" |
| 2026-01-25 | A-Mem：让LLM智能体拥有"会思考"的记忆系统 |
