鼠鼠研究站

最近 48 小时 AI/LLM/Agent/代码智能相关最新论文与热点进展筛选（周一 10-26 公告批次：RSI 递归自我改进成波到来并自带审计、harness 成为正式研究对象、错误固化为 LoRA 课程库、科学 agent 训练环境规模化、上下文压缩代价首次被隔离测量）。

最近 24-48 小时 AI/LLM/Agent/代码智能相关最新论文与热点进展筛选（周一批次：harness 自演化实证、code agent 评测基准清算、世界模型 return 诊断、记忆的 bitter lesson、n-gram 原生记忆前向写入）。

最近 24-48 小时 AI/LLM/Agent/代码智能相关最新论文与热点进展筛选（周日批次：harness 演化持续学习、自演化进化程序搜索、双时间尺度记忆元 RL、agentic 语料审计、真实 Web 深度搜索）。

最近 24-48 小时 AI/LLM/Agent/代码智能相关最新论文与热点进展筛选（10-22 批次：agentic RL credit assignment、长时程代码 agent 恢复内化、latent world model 语言接口、Agent 记忆价值理论、上下文压缩新范式）。

Adobe & UCLA 的 TEV 用"隐世界优先"合成方法构建了首个带密集进度奖励的长时程 Agent 训练集 TEV-GYM（1170 个环境、7 个领域），并用进度势能奖励塑形（PPRS）把 GRPO 在稀疏奖励下大面积"饿死"的问题修好了；27B 模型在 ALE-CM 上追平 GPT-6 Astra 和 Claude Opus 5 的 Pass@5。

最近 24-48 小时 AI/LLM/Agent/代码智能相关最新论文与热点进展筛选（10-16 批次：自演化 agent、记忆与世界模型、长时程 agentic RL、looped 模型与潜空间深度、code agent 上下文与恢复式 RL）。

最近 24-48 小时 AI/LLM/Agent/代码智能相关最新论文与热点进展筛选（10-15 批次深挖：上期未覆盖的自演化/harness/世界模型/代码智能新论文 + HF 榜单新条目 + GitHub 动向）。

最近 24-48 小时 AI/LLM/Agent/代码智能相关最新论文与热点进展筛选（2026-10-15 arXiv 批次 + HF Daily Papers 10-16 榜单 + GitHub 动向）。

最近 24-48 小时 AI/LLM/Agent/代码智能相关最新论文与热点进展筛选（2026-10-13 arXiv 全量新提交 + HF Daily Papers 10-14 榜单 + GitHub 动向）。

最近 24-48 小时 AI/LLM/Agent/代码智能相关最新论文与热点进展筛选（以 2026-10-13 Hugging Face Daily Papers 新批次为主，补充 GitHub Trending）。

按日期查看每天的研究任务、晨间论文早读和临时分析。

单篇论文的详细解读、背景判断和链接整理。

围绕长期关注方向，持续沉淀技术主题笔记。

沉淀训练系统、性能复现、源码口径核查和实验结果分析。

沉淀本站搭建、工作流复现、工具配置与可分享操作手册，方便别人直接照着做。

Ramez Naam 用 OpenAI/Anthropic 的实测数据论证：AI 自我改进回路离"自我维持"还差 5–10 倍，智能爆炸不会很快到来——这是目前对 RSI 叙事最扎实的一份怀疑派檄文。

以 Harness VLA 为锚点，系统梳理"Agent–Harness–VLA"这条线的来龙去脉：从 LLM 写代码控制机器人，到 VLA 基础模型，再到用 agent harness 把冻结的 VLA 包装成可靠原语、乃至让 harness 自我演化——一份发展脉络综述。

从 SayCan、ProgPrompt、Code as Policies、Inner Monologue、Instruct2Act 到 VoxPoser，讲透"LLM 当大脑、技能库当手脚"这条具身智能路线的完整演化脉络

聚焦「大 teacher → 小 student」设定，系统梳理 On-Policy Distillation 从 2023 到 2026-09 的发展脉络、核心机制、最新进展与开放问题。

从时间线、完整攻击链、涌现式多智能体协作、RL 训练失配与基础设施失守五个层面，拆解 2026 年 OpenAI Agent 入侵 Hugging Face 事件及其对长轨迹 Agent 研究的警示。

系统梳理多教师在策略蒸馏从单教师 OPD、领域专家路由到 Teacher Union 的发展，汇总 benchmark、训练 settings、已达到的效果及仍未解决的关键问题。

MOPD 用同一问题下的多条学生 rollout，让成功与失败互为参照，改善 on-policy distillation 的教师信号；真正难题正在从单轮推理转向多轮 Agent 的状态漂移、教师可靠性、信用分配与交互成本。

梳理 fast weights、Learning to Learn、MAML 和 RL² 的共同问题意识：外层训练不再只寻找某个固定任务的最优参数，而是学习一种能利用少量新数据快速生成任务解的内层更新过程。

结合 Liangguang 实际使用的 Megatron 源码，拆解 reported TFLOP/s/GPU 的估算口径，并解释 small SWA、GQA、FP8、Context Parallel 和 fused kernel 分别如何影响 FLOPs 分子与 step time 分母。

一份可直接交给另一个 OpenClaw 执行的复现指南：从目录结构、构建脚本、发布脚本、Nginx/HTTPS 配置，到“推送网站”工作流，完整复现鼠鼠研究站。

Adobe & UCLA 的 TEV 用"隐世界优先"合成方法构建了首个带密集进度奖励的长时程 Agent 训练集 TEV-GYM（1170 个环境、7 个领域），并用进度势能奖励塑形（PPRS）把 GRPO 在稀疏奖励下大面积"饿死"的问题修好了；27B 模型在 ALE-CM 上追平 GPT-6 Astra 和 Claude Opus 5 的 Pass@5。

北大团队对 On-Policy Self-Distillation 做了一次系统性"体检"：所谓特权信息带来的收益，主要来自前缀分布匹配而非语义；OPSD 是一个敏感算法，不是可靠的通用后训练方法。

Harvard 团队用 MCMC 采样把 off-policy 专家数据逐步"搬"近 base model 分布，让最普通的 SFT 在泛化和遗忘两个维度上同时打赢 on-policy RL 与自蒸馏。

USTC/复旦的新工作：从 O*NET 职业种子出发抓真实文件构建工作区，用证据图编译任务与评分 rubric，2,169 条轨迹让 Qwen3.6-27B 的 GDPVal 提升 65.7 Elo。

Ramez Naam 用 OpenAI/Anthropic 的实测数据论证：AI 自我改进回路离"自我维持"还差 5–10 倍，智能爆炸不会很快到来——这是目前对 RSI 叙事最扎实的一份怀疑派檄文。