每日调研 2026-07-06 ★★★★☆ daily AI LLM Agent Code Intelligence Research Briefing

#2026-07-06 AI/LLM 最新论文与研究热点简报

检索时间：2026-07-06 08:00（Asia/Shanghai）附近。
主要来源：arXiv API、Hugging Face Daily Papers / Papers API、GitHub Search、Hugging Face Models/Datasets API。
说明：arXiv 最近一批高相关论文集中在 2026-07-01 至 2026-07-02；Hugging Face Daily Papers 今日可见条目主要覆盖 2026-06-25 至 2026-07-01。X/Twitter 未作为主证据源使用，本简报以可直接验证的论文、HF、GitHub 链接为准。
今日判断：最近 48 小时最值得 wenjun 注意的不是单个大模型发布，而是 Agent 长轨迹记忆/技能自演化评测、代码 Agent 安全边界、RLVR/后训练机制、以及 latent/状态表示结构 四条线同时出现了一批可以互相拼接的工作。

#一句话总览

Agent 方向：EvoPolicyGym、AgenticSTS、SkillCoach 把“Agent 会不会自我改进、怎样使用记忆/技能”从最终分数拆成可诊断的过程评测，和 wenjun 关心的长轨迹 Agent RL / 环境设计高度相关。
代码智能方向：多篇代码 Agent 论文从“能不能做完任务”转向“是否越界、是否安全、是否可靠、是否只是撞测试”，说明 Code Agent 评测正在从 SWE-Bench 式完成率走向 operational safety / oversight。
后训练/RLVR 方向：单层 RL、RLVR+人类示范、多域 curriculum、self-distillation 的反例，集中指向一个问题：RL 后训练的增益到底存在哪里、会不会破坏原有能力。
latent reasoning / 基础结构方向：Multimodal Continuous Reasoning 和 State-Prediction Separation 都在尝试把“可见 token 预测”和“内部状态/连续推理”拆开，这与 latent-space reasoning、Dreamer-style state learning 有直接概念连接。
数据/预训练机制方向：WARP 试图从权重反推训练数据组合，给“训练数据如何塑造能力”提供了一个新的逆向审计角度。

#A. 今日最值得关注的 5 条

#1. EvoPolicyGym: Evaluating Autonomous Policy Evolution in Interactive Environments

类别：LLM Agent / Model-based RL / Evaluation / Self-evolving Agent
来源与日期：arXiv，2026-07-02
链接：<http://arxiv.org/abs/2607.02440>
一句话核心贡献：提出 Autonomous Policy Evolution 评测设定，让 Agent 在固定交互预算内反复编辑一个可执行 policy，并用 compact interactive RL environments 诊断它如何把环境反馈转化为策略改进。

为什么值得关注：

这篇很贴近 wenjun 近期关心的“通过环境设计催生自演化智能”。它不是泛泛地让 Agent 写代码或打榜，而是把“agent 自我改进”落到一个较干净的闭环：观察环境反馈 → 修改可执行 policy → 再评估。相比传统 Agent benchmark 只看最终分数，EvoPolicyGym 提供 trajectory-level diagnostics，可以分析预算分配、反馈利用、参数/规则调优等过程。

与 wenjun 研究方向的关系：

它可以被看作 LLM Agent 版的“小型 Dreamer 环境”：虽然论文重点是 policy editing 而不是显式 world model，但它提供了一个研究入口——能否让 LLM 学一个环境 dynamics / reward 的 latent model，再在模型内做 policy evolution？这正好连接 LLM model-based RL / Dreamer for LLM Agent。

#2. AgenticSTS: A Bounded-Memory Testbed for Long-Horizon LLM Agents

类别：LLM Agent / Long-horizon Agent / Memory / Context Compression / Evaluation
来源与日期：arXiv，2026-07-02；HF Daily Papers 2026-07-01
链接：<http://arxiv.org/abs/2607.02255>；<https://huggingface.co/papers/2607.02255>
一句话核心贡献：提出 bounded-memory contract：每一步决策都由 typed retrieval 组装新 prompt，不再把完整历史 transcript 直接拼进去，并在 Slay the Spire 2 等长轨迹环境中做可消融评测。

为什么值得关注：

这篇把 Agent memory 从“多塞上下文”重新定义为“未来每一步允许看到什么的契约”。这个观点对长轨迹 Agent 很关键：如果上下文总是原样累加，既不可扩展，也很难判断某个 memory component 是否真的有用。bounded-memory 让每一层记忆都可以独立 ablate，评测更干净。

与 wenjun 研究方向的关系：

它与通用上下文压缩器、长期记忆、Agent RL 的状态表示直接相关。若把 retrieval-assembled prompt 看作可观测状态，把被丢弃的 transcript 看作历史压缩问题，就自然引出：Agent 是否应该学习一个 latent belief state，而不是 hand-crafted memory schema？

#3. SkillCoach: Self-Evolving Rubrics for Evaluating and Enhancing Agentic Skill-Use

类别：LLM Agent / Tool-use / Self-evolving Skill / Evaluation / Post-training Data
来源与日期：arXiv，2026-07-02；HF Daily Papers 2026-07-01
链接：<http://arxiv.org/abs/2607.01874>；<https://huggingface.co/papers/2607.01874>
一句话核心贡献：针对 Agent skill repository 中技能重叠、误选、漏步骤等问题，自动从真实 rollout 中生成 skill-grounded process rubrics，并按技能选择、遵循、组合、反思四维评估轨迹。

为什么值得关注：

现在很多 Agent 系统都有 skills / SOP / workflow / MCP tools，但评估常常只有 final verifier。SkillCoach 的价值在于：它把“结果对了”与“过程是否合理使用技能”分开，避免 agent 通过 trial-and-error 碰巧通过。

与 wenjun 研究方向的关系：

对 Code Agent 的 agentic RL 很有用：如果把 skill rubric 转成过程奖励，可以缓解 sparse reward；如果让 rubric 自演化，又可能形成“技能库—评估器—策略”共演化闭环。这个方向适合作为长轨迹 RL 中 credit assignment 的实验平台。

#4. Multimodal Continuous Reasoning via Asymmetric Mutual Variational Learning

类别：Latent Reasoning / Multimodal Reasoning / Representation Learning
来源与日期：arXiv，2026-07-01；HF Daily Papers 2026-06-30
链接：<http://arxiv.org/abs/2607.00461>；<https://huggingface.co/papers/2607.00461>
一句话核心贡献：针对 MLLM 把视觉推理压成离散语言 token 的瓶颈，提出 continuous latent reasoning，并用 AMVL 缓解训练时 posterior 看见答案、推理时 prior 看不见答案造成的 train-inference mismatch。

为什么值得关注：

这是 latent-space reasoning 近期比较直接的一篇：它不是简单说“隐藏状态中有推理”，而是明确构造连续 latent pathway，并指出 variational latent reasoning 的关键坑：训练后验可能偷看答案，导致测试时先验学到错误目标。

与 wenjun 研究方向的关系：

如果 wenjun 想研究 LLM latent reasoning 或 Dreamer-style latent dynamics，这篇的 mismatch 问题很重要：训练时用未来信息构造 latent target 很容易导致不现实的 world state。后续可考虑把 AMVL 思路迁移到文本 Agent：用可验证结果校准 latent state，但禁止其在策略执行时泄露最终答案。

#5. WARP: Weight-Space Analysis for Recovering Training Data Portfolios

类别：Pretraining Data / Foundation Model Training Mechanism / Model Forensics
来源与日期：arXiv，2026-07-02；HF Daily Papers 2026-07-01
链接：<http://arxiv.org/abs/2607.01686>；<https://huggingface.co/papers/2607.01686>
一句话核心贡献：从已发布模型权重出发，通过模型合并式插值构造 pseudo-checkpoints，试图恢复 fine-tuning / training data mixture 的全局组合。

为什么值得关注：

过去训练数据审计多是 membership inference，关注单样本是否出现；WARP 关心的是“整个数据配方的 mixture weights”。这对基础模型训练机制更关键，因为能力差异往往来自数据域比例、质量与顺序，而不只是某条样本是否被记住。

与 wenjun 研究方向的关系：

这给“agent 预训练数据如何塑造能力”“代码数据质量如何影响代码智能”提供了逆向工具。如果能从不同 Code LLM / Agent 模型权重中估计数据组合，可能帮助解释为什么某些模型更擅长 repo-level editing、debugging 或 tool use。

#B. 其他高相关论文与动态

#6. Coding Agents Are Guessing: Measuring Action-Boundary Violations in Underspecified DevOps Instructions

类别：Code Agent / Safety / Evaluation / Tool-use
来源与日期：arXiv，2026-07-02
链接：<http://arxiv.org/abs/2607.02294>
一句话核心贡献：提出 UnderSpecBench，评测 Claude Code、Codex、OpenCode 等 coding agents 在 DevOps 模糊指令下是否发生 action-boundary violations。
简评：这篇的关键不是“任务完成率”，而是 benign underspecification 下 agent 会不会擅自执行危险操作。对真实代码 Agent 落地非常重要，也对应“从指令理解走向意图理解”：当意图不完整时，正确行为可能是追问或保守行动，而不是猜。

#7. Steerability via constraints: a substrate for scalable oversight of coding agents

类别：Code Agent / Scalable Oversight / Security / Systems
来源与日期：arXiv，2026-07-02
链接：<http://arxiv.org/abs/2607.02389>
一句话核心贡献：主张用访问控制、网络策略、强制代码规范、工具化文档等工程约束作为 coding agent oversight substrate，并报告小模型 reviewer 在约束 substrate 下后门召回提升。
简评：这篇值得和 UnderSpecBench 一起看：前者问“Agent 会不会越界”，这篇问“怎样用低 token 成本约束 Agent”。对 Code Agent RL 来说，环境约束可能比单纯奖励惩罚更稳定。

#8. Reasoning effort, not tool access, buys first-try reliability in agentic code generation

类别：Code Agent / Evaluation / Tool-use
来源与日期：arXiv，2026-07-02
链接：<http://arxiv.org/abs/2607.02436>
一句话核心贡献：在 90 次独立 agentic code generation run 中比较模型代际、harness、reasoning effort、测试工具和设计提示，结论倾向于 reasoning effort 比额外工具访问更能提升 first-try reliability。
简评：这对“工具越多越好”的直觉提出挑战。更值得追问的是：reasoning effort 的收益来自更长 CoT、更多自检，还是更稳定的内部状态规划？这和 latent reasoning / test-time scaling 有交叉。

#9. Is One Layer Enough? Training A Single Transformer Layer Can Match Full-Parameter RL Training

类别：Post-training RL / Mechanistic Analysis / Efficient Fine-tuning
来源与日期：arXiv，2026-07-01，更新 2026-07-02
链接：<http://arxiv.org/abs/2607.01232>
一句话核心贡献：系统研究 RL 后训练的层级分布，发现只训练单个 Transformer layer 在一些设定下可恢复大部分 full-parameter RL 增益甚至超过它。
简评：这对理解 RL 到底在模型中“改了什么”很关键。若单层足够，说明后训练可能更多是在特定路由/控制层调节行为，而不是全模型知识重写。

#10. Right in the Right Way: LM Training with Verifiable Rewards and Human Demonstrations

类别：Post-training RL / RLVR / Human Demonstrations
来源与日期：arXiv，2026-07-01
链接：<http://arxiv.org/abs/2607.01181>
一句话核心贡献：在 RLVR 的可验证奖励之外，引入来自人类示范的 learned signal，试图同时优化客观正确性与风格/结构等非可验证质量。
简评：RLVR 容易 reward hacking 或输出风格坍缩；这篇可看作“verifiable reward + preference/style prior”的组合。对 code/math/agent 任务都值得关注。

#11. Transferability for General Reasoning: An Automated Curriculum for Multi-Domain RLVR

类别：Post-training RL / RLVR / Curriculum / General Reasoning
来源与日期：arXiv，2026-06-23，更新 2026-06-27；HF Daily Papers 2026-06-26
链接：<http://arxiv.org/abs/2606.25178>；<https://huggingface.co/papers/2606.25178>
一句话核心贡献：提出 Transfer-Aware Curriculum，用 bandit-style online curriculum 优先采样那些对其他 domain 也有迁移收益的训练域。
简评：对 multi-domain agent RL 特别有启发：训练环境/任务不应只按当前 learnability 采样，还要看一个任务的梯度是否改善其他任务。

#12. Denser ≠ Better: Limits of On-Policy Self-Distillation for Continual Post-Training

类别：Continual Learning / Continual Post-training / Self-distillation
来源与日期：arXiv，2026-07-02；HF Daily Papers 2026-07-01
链接：<http://arxiv.org/abs/2607.01763>；<https://huggingface.co/papers/2607.01763>
一句话核心贡献：发现 on-policy self-distillation 虽可加速域内 specialization，但在 continual post-training 中可能更强遗忘、甚至 collapse；GRPO 等 on-policy RL 反而更保守。
简评：这是对“更 dense 的 teacher signal 一定更好”的重要反例。对高效持续学习来说，稳定性比短期域内收益更重要。

#13. Neuron-Aware Data Selection for Annotation-Free LLM Self-Distillation

类别：Post-training / Data Selection / Self-distillation / Continual Learning
来源与日期：arXiv，2026-07-02
链接：<http://arxiv.org/abs/2607.02460>
一句话核心贡献：提出 Neuron-OPSD，利用内部神经元激活指导 annotation-free self-distillation 中的训练样本选择与 teacher construction。
简评：和 Denser ≠ Better 可以配套看：一个强调 self-distillation 的风险，一个尝试用 neuron-aware data selection 缓解无标注后训练的问题。

#14. The State-Prediction Separation Hypothesis

类别：Pretraining Mechanism / Architecture / Latent State
来源与日期：arXiv，2026-07-01；HF Daily Papers 2026-06-30
链接：<http://arxiv.org/abs/2607.01218>；<https://huggingface.co/papers/2607.01218>
一句话核心贡献：提出 state-prediction separation hypothesis：Transformer 同一前向流同时承担 next-token prediction 和 future-useful state storage，若拆成两条计算流可提升 data/compute efficiency。
简评：这篇对基础模型机制很有意思。语言模型可能不该把“当前 token 输出头”和“为未来保留状态”混在一条 stream 中；这与 latent state、world model、memory model 的研究方向天然相连。

#15. AutoMem: Automated Learning of Memory as a Cognitive Skill

类别：LLM Agent / Memory / Long-horizon Agent / Skill Learning
来源与日期：arXiv，2026-07-01；HF Daily Papers 2026-06-30
链接：<http://arxiv.org/abs/2607.01224>；<https://huggingface.co/papers/2607.01224>
一句话核心贡献：把 memory management 视为可训练的 cognitive skill，让模型把文件系统操作作为一等 memory action，并通过自动化 loop 优化记忆结构与使用能力。
简评：和 AgenticSTS 一起构成“Agent memory”两种路线：AutoMem 更偏让模型学习怎么写/读记忆；AgenticSTS 更偏定义可消融的 bounded memory contract。

#16. PACE: A Proxy for Agentic Capability Evaluation

类别：LLM Agent / Evaluation / Benchmarking Cost
来源与日期：arXiv，2026-07-02；HF Daily Papers 2026-07-01
链接：<http://arxiv.org/abs/2607.02032>；<https://huggingface.co/papers/2607.02032>
一句话核心贡献：尝试从便宜的 atomic/non-agentic eval 中挑选子集，预测昂贵 agentic benchmarks（如 SWE-Bench、GAIA）的表现。
简评：如果有效，可以降低 Agent 迭代成本；但需要警惕 proxy benchmark 被过拟合，尤其是 code agent 的真实环境能力未必可由 atomic task 可靠外推。

#17. AgenticDataBench: A Comprehensive Benchmark for Data Agents

类别：LLM Agent / Data Agent / Evaluation
来源与日期：arXiv，2026-07-02；HF Daily Papers 2026-07-01
链接：<http://arxiv.org/abs/2607.01647>；<https://huggingface.co/papers/2607.01647>
一句话核心贡献：面向数据科学 Agent，构建覆盖多领域、细粒度任务的综合评测。
简评：数据 Agent 是代码 Agent 的近邻场景：需要读表、写代码、运行分析、解释结果。对 long-horizon tool-use evaluation 有参考价值。

#C. Repo / Model / Dataset 动态

说明：GitHub 搜索结果中存在大量低星、自动生成或占位项目；这里只保留与 wenjun 方向明显相关、且可作为线索继续跟进的条目。HF Models/Datasets 的最新更新中也有很多噪声，因此更强调“研究可用性”而非下载量。

#1. yologdev/yoyo-evolve

类别：Code Agent / Self-evolving Agent
来源与日期：GitHub，检索时显示 2026-07-05 更新
链接：<https://github.com/yologdev/yoyo-evolve>
一句话核心贡献：一个“self-evolving AI coding agent”项目，描述为让 coding agent 在公开环境中持续改写自身代码。
为什么跟进：虽然需要进一步审计技术真实性和实验设计，但它代表了社区对 self-evolving code agent 的工程化尝试。可作为观察“自演化叙事如何落地”的样本。

#2. albert-lv/OpenAgora

类别：Agentic RL / Rollout / Verification / Trajectory Infrastructure
来源与日期：GitHub，检索时显示 2026-07-05 更新
链接：<https://github.com/albert-lv/OpenAgora>
一句话核心贡献：项目描述为 open-source rollout、verification 与 trajectory plane for agentic reinforcement learning。
为什么跟进：如果仓库持续完善，可能成为收集 agent rollout、verifiable reward、trajectory 数据的基础设施，和 wenjun 的 long-horizon Agent RL 方向贴近。

#3. leapeto/latent-reasoning-data 与 leapeto/latent-reasoning-ckpts

类别：Latent Reasoning / Dataset / Model Checkpoints
来源与日期：Hugging Face，数据集 2026-07-01 更新，模型 2026-07-01 更新
链接：<https://huggingface.co/datasets/leapeto/latent-reasoning-data>；<https://huggingface.co/leapeto/latent-reasoning-ckpts>
一句话核心贡献：提供 latent reasoning 相关数据与 checkpoint 线索。
为什么跟进：可用于快速检查当前 latent reasoning 社区实践：他们如何构造隐式推理监督，是否只是 CoT 变体，还是确有连续/隐藏状态训练。

#4. LLM-OS-Models/LFM2.5-8B-A1B-Terminal-ECHO-RLVR-Rollouts

类别：Post-training RL / RLVR / Tool-use Rollouts
来源与日期：Hugging Face Datasets，2026-06-24 更新
链接：<https://huggingface.co/datasets/LLM-OS-Models/LFM2.5-8B-A1B-Terminal-ECHO-RLVR-Rollouts>
一句话核心贡献：与 terminal/tool-use RLVR rollouts 相关的数据集。
为什么跟进：如果数据质量足够，它可能适合分析 tool-use / terminal agent 的 verifiable reward 轨迹，尤其是成功/失败路径的 credit assignment。

#5. Nexlab/fable5-agentic-coding-sft 与 PotatoHD/agent-coding-traces-public

类别：Code Agent / Agentic Coding Data / SFT
来源与日期：Hugging Face Datasets，分别于 2026-06-24、2026-06-22 更新
链接：<https://huggingface.co/datasets/Nexlab/fable5-agentic-coding-sft>；<https://huggingface.co/datasets/PotatoHD/agent-coding-traces-public>
一句话核心贡献：agentic coding SFT / trace 数据线索。
为什么跟进：可以用于研究“agent 预训练/后训练数据如何塑造 repo-level coding 能力”，但需要先做数据 schema、来源与去重审计。

#D. 今日最值得精读的 3 篇

EvoPolicyGym: Evaluating Autonomous Policy Evolution in Interactive Environments

链接：<http://arxiv.org/abs/2607.02440>

理由：最贴近“环境设计 + 自演化 Agent + RL 闭环”，适合延伸到 model-based RL / Dreamer for LLM Agent。

AgenticSTS: A Bounded-Memory Testbed for Long-Horizon LLM Agents

链接：<http://arxiv.org/abs/2607.02255>

理由：把长轨迹 Agent 的记忆问题表述为 bounded state contract，对上下文压缩、latent state、长期记忆评测都有启发。

Multimodal Continuous Reasoning via Asymmetric Mutual Variational Learning

链接：<http://arxiv.org/abs/2607.00461>

理由：直接触及 latent-space reasoning 的训练/推理 mismatch，可迁移思考到文本 Agent 的 latent belief state 学习。

备选精读：Is One Layer Enough?（<http://arxiv.org/abs/2607.01232>）适合研究 RL 后训练机制；WARP（<http://arxiv.org/abs/2607.01686>）适合研究训练数据与能力形成机制。

#E. 今日最值得跟进的 3 个 repo / model / dataset

OpenAgora：<https://github.com/albert-lv/OpenAgora>

关注点：agentic RL 的 rollout / verification / trajectory infrastructure 是否能复用。

leapeto latent reasoning data/checkpoints：

<https://huggingface.co/datasets/leapeto/latent-reasoning-data>

<https://huggingface.co/leapeto/latent-reasoning-ckpts>

关注点：latent reasoning 数据构造方式与是否存在可复现实验。

LLM-OS terminal RLVR rollouts：<https://huggingface.co/datasets/LLM-OS-Models/LFM2.5-8B-A1B-Terminal-ECHO-RLVR-Rollouts>

关注点：terminal/tool-use 轨迹能否用于研究长轨迹 credit assignment 与 verifiable reward。

#F. 研究机会 / idea

#Idea 1：把 AgenticSTS 的 bounded memory contract 改造成 latent belief state 学习任务

现有 bounded memory 主要靠 typed retrieval 与人工设计的 memory layer。可以进一步问：

能否训练一个压缩器，把长轨迹历史压成 latent belief state？
这个 latent state 是否比文本 memory 更适合 RL credit assignment？
在 Slay the Spire、WebArena、DevOps sandbox 等环境中，latent state 哪些维度对应长期目标、资源、风险边界？

这条线可连接 context compression → latent reasoning → model-based Agent RL。

#Idea 2：用 SkillCoach 式 process rubric 做 Code Agent 的中间奖励，而不是只用最终测试

Code Agent 常见问题是 reward sparse：最终测试通过/失败太粗。SkillCoach 的思路可以迁移到代码场景：

技能选择：是否选对 debug / search / test / refactor workflow？
技能遵循：是否按 SOP 先复现 bug、再定位、再最小修改？
技能组合：是否会把静态搜索、单测、日志、类型检查组合起来？
反思：失败后是否基于证据更新假设，而非随机改代码？

可以将这些维度作为 reward model 或 verifier，和 RLVR 的最终测试奖励结合。

#Idea 3：从 WARP 出发做“代码 Agent 能力—训练数据组合”的逆向研究

如果 WARP 类方法能从权重恢复数据 mixture，那么可做一个很有价值的分析：

对比不同 Code LLM / Agent 模型的代码、issue、PR、StackOverflow、文档、轨迹数据比例；
看 repo-level editing、bug localization、tool-use、DevOps safety 与哪些数据域更相关；
再结合 agentic coding trace 数据，研究“预训练数据 vs 后训练轨迹数据”分别塑造了哪些能力。

这条线非常贴合 wenjun 对 基础模型训练与能力形成机制、代码数据质量、agent 预训练数据 的兴趣。

#G. 可访问性与检索备注

arXiv API、Hugging Face Papers/Models/Datasets API、GitHub Search 均可访问。
X/Twitter 未作为证据源纳入本次简报；为避免不可验证或登录墙导致的信息噪声，本次以可公开访问的论文、仓库和数据集为主。
今日 arXiv/HF 中与 wenjun 方向高度相关的新论文数量充足，因此未扩展到 7 天之外；少量 HF 数据集/仓库条目覆盖到 2026-06-22 至 2026-06-24，用于 repo/model/dataset 跟进线索。