#2026-05-08 AI/LLM 最新论文与研究热点简报
检索时间：2026-05-08 08:00 CST。主要覆盖 arXiv 2026-05-04 至 2026-05-07 的新提交/更新、Hugging Face Daily Papers 2026-05-07 榜单，以及 GitHub 近期更新项目。arXiv API 在检索中出现 429 限流，因此本期以 arXiv recent/abs 页面与 HF Papers 页面交叉核验；X/Twitter 未作为主来源，改用 arXiv、HF、GitHub 作为可验证来源。
#0. 今日总览：给 wenjun 的快速判断
过去 24-48 小时最贴近你主线的信号非常集中：长轨迹 Agent 的瓶颈正在从“模型会不会推理”转向“轨迹、上下文、记忆、工具调用和训练反馈如何被组织”。值得注意的四条线：
- 长程 Agent 的上下文编排：LongSeeker/Context-ReAct 把 Skip、Compress、Rollback、Snippet、Delete 变成 Agent 可操作的上下文动作；这和“通用上下文压缩器”“长轨迹 RL”的交叉很强。
- Agent RL 的 credit assignment 更细粒度：SIOP、FineStep、Strat-Reasoner、OpenSearch-VL 都在处理长程或多智能体下的奖励稀疏、工具失败、过程信号缺失问题。
- 世界模型重新进入 Agent 语境：ARC-AGI-3 的 executable Python world model 和 OpenSearch-VL/RLDX-1 的环境/工具/世界表征，都暗示“model-based RL for LLM Agent”可以先从可执行外部世界模型而非纯 latent dynamics 开始落地。
- 代码 Agent 评测和工具化继续细分：SWE-WebDevBench、ARISE、CodeEvolve、CoREB、AuditRepairBench 分别从虚拟软件公司、repo graph/data-flow、运行时优化、代码搜索、评测泄漏稳定性几个角度补齐基础设施。
#1. 最值得关注的 5 条
#1.1 LongSeeker: Elastic Context Orchestration for Long-Horizon Search Agents
- 类别：LLM Agent / Context Compression / Tool-use / Long-horizon Agent
- 来源与日期：arXiv，2026-05-06；HF Daily Papers 2026-05-07 榜单相关方向
- 链接：https://arxiv.org/abs/2605.05191
- 一句话核心贡献：提出 Context-ReAct，把长程搜索 Agent 的轨迹上下文管理显式化为 Skip、Compress、Rollback、Snippet、Delete 五种原子操作，并基于 Qwen3-30B-A3B 微调出 LongSeeker，在 BrowseComp/BrowseComp-ZH 上显著超过若干 DeepResearch 类基线。
为什么值得关注：这篇不是简单“压缩 prompt”，而是把上下文当作 Agent 行动空间的一部分。它直接碰到长轨迹 Agent 的核心问题：中间观察、失败分支、已解决证据、工具返回结果到底应该如何保留、压缩或删除。
与 wenjun 研究方向的关系：如果你在做 LLM Agent RL 或 Dreamer-like Agent，context state 可以被看成环境状态的一部分；Context-ReAct 给出一组可离散化、可训练、可评估的 memory/action primitives。
#1.2 Self-Induced Outcome Potential: Turn-Level Credit Assignment for Agents without Verifiers
- 类别：LLM Agent / Post-training RL / Credit Assignment / Evaluation
- 来源与日期：arXiv，2026-05-06
- 链接：https://arxiv.org/abs/2605.04984
- 一句话核心贡献：提出 SIOP，把多次 rollout 的最终答案语义簇视为 latent future outcome states，在没有 gold verifier 的情况下为中间 turn 分配 potential-based reward。
为什么值得关注：当前 Agent RL 最大痛点之一是长程任务只有最终反馈；GRPO/RLVR 类方法容易把同一个 trajectory-level advantage 广播给所有步骤。SIOP 用“未来可能结果的语义分布变化”评价当前 turn 是否让轨迹朝可靠结果移动。
与 wenjun 研究方向的关系：这非常接近长轨迹 RL 和 latent-space reasoning：最终答案簇可以看成一种离散 latent outcome space；中间行为的价值由它对 latent outcome posterior 的影响决定。
#1.3 Executable World Models for ARC-AGI-3 in the Era of Coding Agents
- 类别：Model-based RL / Code Agent / World Model / Evaluation
- 来源与日期：arXiv，2026-05-06
- 链接：https://arxiv.org/abs/2605.05138
- 一句话核心贡献：在 ARC-AGI-3 中让 coding agent 维护可执行 Python world model，通过历史观察验证、向更简单抽象重构、基于模型规划后再行动；公开 25 个游戏上解出 7 个的初步结果。
为什么值得关注：这篇把“world model”从神经网络 latent dynamics 拉回到可执行程序：可验证、可重构、可规划。它很适合作为 LLM Agent model-based RL 的一个现实起点。
与 wenjun 研究方向的关系：Dreamer for LLM Agent 未必一开始就要学连续 latent dynamics；可执行 Python world model 也许是更适合代码智能/抽象推理任务的 world model 表示。
#1.4 OpenSearch-VL: An Open Recipe for Frontier Multimodal Search Agents
- 类别：LLM Agent / Tool-use / Post-training RL / Multimodal Agent
- 来源与日期：arXiv，2026-05-06；HF Daily Papers 2026-05-07 榜单
- 链接：https://arxiv.org/abs/2605.05185
- GitHub：https://github.com/shawn0728/OpenSearch-VL
- 一句话核心贡献：开源多模态 deep search agent 的训练 recipe：构造 SearchVL-SFT-36k 和 SearchVL-RL-8k，接入搜索、OCR、裁剪、超分等工具环境，并提出 fatal-aware GRPO 处理级联工具失败。
为什么值得关注：这是 recipe 型工作，价值在于把数据生成、工具环境、SFT/RL、失败处理串起来。multi-turn fatal-aware GRPO 对工具失败后的信用分配尤其值得借鉴。
与 wenjun 研究方向的关系：可迁移到代码 Agent：测试失败、环境安装失败、权限失败、irreversible file operation 失败，都可以有类似的 fatal-aware credit assignment。
#1.5 Towards Robust LLM Post-Training: Automatic Failure Management for Reinforcement Fine-Tuning
- 类别：Post-training RL / Systems / Evaluation
- 来源与日期：arXiv，2026-05-06
- 链接：https://arxiv.org/abs/2605.04431
- 一句话核心贡献：构建 RFT-FaultBench，覆盖 5 类、16 种 RFT 训练故障和 779 次训练 run，并提出 RFT-FM 做异常检测、故障诊断和自动修复闭环。
为什么值得关注：LLM RFT/RLVR 的真实训练经常死在 reward bug、采样异常、KL/entropy 崩坏、数据/评测泄漏、系统问题。该工作把“训练过程故障管理”本身变成 benchmark 和系统问题。
与 wenjun 研究方向的关系：如果后续做 Agent RL 或代码 RL，训练系统可观测性会变成硬瓶颈；RFT-FaultBench 的 fault taxonomy 值得拿来对照自己的训练 pipeline。
#2. 其他值得扫读的论文/动态
| 标题 | 类别 | 来源/日期 | 链接 | 一句话核心贡献 |
|---|---|---|---|---|
| Strat-Reasoner: Reinforcing Strategic Reasoning of LLMs in Multi-Agent Games | LLM Agent / Post-training RL / Multi-agent | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.04906 | 用递归建模其他智能体推理、中心化 CoT 比较和 group-relative RL 来提升多智能体博弈战略推理，摘要报告平均 22.1% 提升。 |
| Every Step Counts: Step-Level Credit Assignment for Tool-Integrated Text-to-SQL | Tool-use / Post-training RL / Credit Assignment | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.04719 | 为工具增强 Text-to-SQL 设计独立过程奖励和 step-level advantage，缓解只有最终 SQL 正确性奖励导致的信用分配问题。 |
| Uno-Orchestra: Parsimonious Agent Routing via Selective Delegation | LLM Agent / Systems / Routing | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.05007 | 用从真实 worker 交互中学习的统一编排策略，联合决定任务是否分解、分解深度、worker/model/primitive 选择和预算。 |
| AgentTrust: Runtime Safety Evaluation and Interception for AI Agent Tool Use | Tool-use / Safety / Systems | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.04785 | 在 agent tool call 执行前做 allow/warn/block/review 判定，覆盖 shell 去混淆、RiskChain、多步攻击链和 SafeFix 建议。 |
| Agent Island: A Saturation- and Contamination-Resistant Benchmark from Multiagent Games | LLM Agent / Evaluation / Multi-agent | arXiv, 2026-05-05 | https://arxiv.org/abs/2605.04312 | 用持续对抗的多智能体游戏替代静态题集，试图缓解 benchmark 饱和和污染，并发布 game logs。 |
| Rethinking Reasoning-Intensive Retrieval: Evaluating and Advancing Retrievers in Agentic Search Systems | LLM Agent / Retrieval / Evaluation | arXiv, 2026-05-05；HF Daily Papers 2026-05-07 | https://arxiv.org/abs/2605.04018 | 提出 BRIGHT-Pro 和 RTriever-Synth，强调 agentic search 中检索器要找互补证据组合，而非单段相关性。 |
| Telegraph English: Semantic Prompt Compression via Structured Symbolic Rewriting | Context Compression / Prompting | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.04426 | 将自然语言重写成符号化、结构化的 Telegraph English，在约 50% token reduction 下保留关键事实准确性，并把压缩与语义索引合一。 |
| Continual Knowledge Updating in LLM Systems: Learning Through Multi-Timescale Memory Dynamics | Continual Learning / Agent Memory | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.05097 | 提出 Memini，把外部记忆建成带快慢变量的关联图，模仿生物记忆中的快速可用、逐步巩固和选择性遗忘。 |
| Storage Is Not Memory: A Retrieval-Centered Architecture for Agent Recall | Agent Memory / Retrieval / Systems | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.04897 | 主张 ingestion 阶段不应过早抽取丢信息，提出以多阶段检索为中心、保留原始事件的 True Memory 架构。 |
| The Scaling Properties of Implicit Deductive Reasoning in Transformers | Latent Reasoning / Mechanistic / Scaling | arXiv, 2026-05-05 | https://arxiv.org/abs/2605.04330 | 在 Horn clauses 上研究隐式演绎推理的 scaling，发现足够深且带 bidirectional prefix mask 的模型可接近显式 CoT，但深度外推仍需 CoT。 |
| ResRL: Boosting LLM Reasoning via Negative Sample Projection Residual Reinforcement Learning | Post-training RL / Reasoning / RLVR | arXiv, 2026-05-01；HF Daily Papers 2026-05-07 | https://arxiv.org/abs/2605.00380 | 针对 RLVR 中正奖励过强导致多样性不足的问题，用负样本投影残差调制负梯度，减少正负语义共享部分被误伤。 |
| Reinforcement Learning for Compositional Generalization with Outcome-Level Optimization | Post-training RL / Generalization | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.04920 | 用 GRPO 的 outcome-level reward 改善组合泛化，认为 RL 可重塑输出分布、缓解 SFT 对高频组合的过拟合。 |
| SWE-WebDevBench: Evaluating Coding Agent Application Platforms as Virtual Software Agencies | Code Agent / Evaluation | arXiv, 2026-05-06；HF Daily Papers 2026-05-07 | https://arxiv.org/abs/2605.04637 | 将 vibe coding 平台按虚拟软件公司评测，覆盖需求理解、架构、生产代码、修改请求、运维、安全等 68 项指标。 |
| ARISE: A Repository-level Graph Representation and Toolset for Agentic Fault Localization and Program Repair | Code Agent / Program Repair / Tool-use | arXiv, 2026-05-04 | https://arxiv.org/abs/2605.03117 | 为 repo 级故障定位和修复提供多粒度 program graph 与 statement-level def-use slicing API，在 SWE-bench Lite 上提升定位和修复。 |
| CodeEvolve: LLM-Driven Evolutionary Optimization with Runtime-Enriched Target Selection for Multi-Language Code Enhancement | Code Agent / Search / Optimization | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.04677 | 将 OpenEvolve 扩展为带运行时 profiling、MCTS、自动评测过滤的多语言代码优化框架，企业 Java 热点函数平均 15.22x speedup。 |
| Beyond Retrieval: A Multitask Benchmark and Model for Code Search | Code Intelligence / Retrieval / Evaluation | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.04615 | 提出 CoREB，一个污染受限、多任务代码检索与 reranking benchmark，并发布 fine-tuned code reranker。 |
| AuditRepairBench: A Paired-Execution Trace Corpus for Evaluator-Channel Ranking Instability in Agent Repair | Code Agent / Evaluation / Benchmark Reliability | arXiv, 2026-05-06 | https://arxiv.org/abs/2605.04624 | 研究 agent repair leaderboard 在 evaluator reconfiguration 下的排名不稳定，发布 paired-execution trace corpus 并提出 evaluator-channel blocking 分析。 |
| ARIS: Autonomous Research via Adversarial Multi-Agent Collaboration | LLM Agent / Research Agent / Assurance | arXiv, 2026-05-04 | https://arxiv.org/abs/2605.03042 | 开源 autonomous research harness，用跨模型 adversarial collaboration、claim ledger 和证据审计降低长程研究 agent 的“貌似成功但证据不足”风险。 |
| RLDX-1 Technical Report | Embodied Agent / World Model-ish / Robotics | arXiv, 2026-05-05, v2 2026-05-06；HF Daily Papers 2026-05-07 | https://arxiv.org/abs/2605.03269 | 提出面向灵巧操作的通用机器人策略 RLDX-1，使用 MSAT 融合多模态流，并在复杂真实任务中优于若干 frontier VLA。 |
#3. 今日最值得精读的 3 篇
- LongSeeker: Elastic Context Orchestration for Long-Horizon Search Agents
链接：https://arxiv.org/abs/2605.05191
精读理由：直接命中长轨迹 Agent 的上下文状态管理，可抽象成 Agent action/state design 问题。
- Self-Induced Outcome Potential: Turn-Level Credit Assignment for Agents without Verifiers
链接：https://arxiv.org/abs/2605.04984
精读理由：无 verifier 场景下的 turn-level credit assignment 很可能是 Agent RL 下一阶段关键问题。
- Executable World Models for ARC-AGI-3 in the Era of Coding Agents
链接：https://arxiv.org/abs/2605.05138
精读理由：给 model-based LLM Agent 一个可执行程序世界模型路线，适合和 Dreamer/latent world model 思路对照。
备选精读：OpenSearch-VL（recipe 完整，适合复现/借鉴）、RFT-FaultBench/RFT-FM（适合训练系统可靠性）。
#4. 今日最值得跟进的 3 个 repo/model/dataset
- OpenSearch-VL
- 链接：https://github.com/shawn0728/OpenSearch-VL
- 近期状态：GitHub 2026-05-07 更新，约 69 stars（检索时）。
- 跟进点：SearchVL-SFT-36k、SearchVL-RL-8k、工具环境和 fatal-aware GRPO 是否已完整释放；可借鉴到代码/网页 Agent。
- ARISE / repo-level graph slicing toolset
- 论文：https://arxiv.org/abs/2605.03117
- 跟进点：如果作者释放 graph builder 和 slicing API，可作为 SWE-agent/OpenHands 类系统的工具增强组件；重点看 def-use slice 的接口是否足够泛化。
- CoREB / CoREB-Reranker
- 论文：https://arxiv.org/abs/2605.04615
- 跟进点：污染受限 timed releases + graded relevance judgments 对代码检索/代码 Agent memory 很有价值；尤其适合测试“agentic repository search”是否真的比 embedding 检索强。
补充可跟进：LongSeeker 如果释放训练轨迹/Context-ReAct 数据，优先级很高；RFT-FaultBench 若开放，适合作为 RL training infra 的回归测试集。
#5. 研究机会 / idea
#Idea 1：把 context operation 作为 RL action，而不是固定 prompt 工程
LongSeeker 把 Skip/Compress/Rollback/Snippet/Delete 定义为上下文操作。可以设计一个小环境：长程 web/search/code debugging 任务中，policy 不仅选择下一步 tool call，也选择上下文管理动作。奖励包括最终正确性、token cost、证据覆盖率和 hallucination penalty。关键问题：
- context action 的 credit assignment 如何做？
- 压缩后的状态是否保留了对未来决策的 sufficient statistics？
- 能否用 SIOP 式 latent outcome potential 给 context edits 打分？
#Idea 2：程序化 world model 作为 Dreamer for Code/Agent 的中间路线
Executable World Models for ARC-AGI-3 暗示：对许多 Agent 任务，LLM 更擅长构建“可执行假设程序”而不是黑盒 latent dynamics。可以考虑：
- world model = Python simulator / repo graph / database schema / environment contract；
- verifier = 单元测试、观察一致性、历史 trace replay；
- planning = 在 world model 上 rollout；
- policy improvement = 根据 verifier 和真实环境反馈更新 world model 与 action policy。
这条线很适合连接代码智能、model-based RL、LLM Agent。
#Idea 3：Agent RL 的 failure-aware credit assignment
OpenSearch-VL 的 fatal-aware GRPO、FineStep 的 step-level advantage、RFT-FM 的训练故障管理可以合起来形成一个方向：长轨迹 Agent 训练中，失败不是一个标量负奖励，而有类型、传播边界和可恢复性。代码 Agent 中尤其明显：编译失败、测试失败、依赖安装失败、权限失败、误删文件、评测泄漏，应该有不同的 masking/credit 策略。
可做的实验：在 SWE-bench Lite 或 WebDevBench 类环境中标注 failure type，比较普通 GRPO、step-level reward、fatal-aware masking、failure-type-conditioned advantage 的差异。
#6. 本期检索说明
- Hugging Face Daily Papers 页面可访问，检索到 2026-05-07 榜单，包含 RLDX-1、OpenSearch-VL、Rethinking Reasoning-Intensive Retrieval、ResRL、SWE-WebDevBench 等。
- arXiv recent/abs 页面可访问；arXiv export API 在本次 cron 检索中返回 429，因此摘要和日期通过 arXiv abs 页面核验。
- GitHub API 可访问，检索到 OpenSearch-VL repo，以及若干低 star 的新 Agent/RL/benchmark repo；本期只把与论文强绑定或较可信的项目列为重点跟进。
- X/Twitter 未纳入主检索，避免在不可稳定访问的情况下引用不可核验消息。