#2026-07-25 AI/LLM 最新论文与研究热点简报
时间范围：主要覆盖 Hugging Face Daily Papers 与 arXiv 在 2026-07-23 至 2026-07-25（Asia/Shanghai 早 8 点前）出现/更新的内容；GitHub/HF 取最近更新作为辅助信号。X/Twitter 在当前运行环境未登录，未作为一手来源；本期以 Hugging Face、arXiv、GitHub 与 HF API 交叉验证。
#一句话总览
过去 24-48 小时最值得关注的信号很集中：Agent RL 正在从“只训练模型输出”推进到“训练真实 harness 中的长轨迹智能体”，同时 coding agent 评测也从静态 issue 修复转向交互式、意图逐步变化、污染更难的工作流任务；另一条与 wenjun 当前兴趣高度相关的线是 latent reasoning 开始尝试 RLVR/test-time scaling，不再停留在 imitation-bound 的连续思维。
#今日重点 5 条
#1. OpenForgeRL: Train Harness-native Agents in Any Environment
- 链接：arXiv:2607.21557 / HF Papers
- 来源/日期：arXiv cs.AI/cs.CL，2026-07-23 提交；HF Daily Papers 2026-07-24/25
- 类别：LLM Agent / Post-training RL / Tool-use / Systems
- 一句话核心贡献：提出 OpenForgeRL，用轻量 proxy 截获/记录真实 agent harness 的模型调用，并用 Kubernetes 为每条 rollout 提供隔离环境，使 Claude Code、Codex、OpenClaw 这类复杂多进程 harness 能接入标准 RL 栈（如 veRL）做端到端训练。
为什么值得关注： 这正中 “agentic RL 的基础设施瓶颈”。过去很多 LLM Agent RL 论文默认环境是简单 Python API 或静态 benchmark，但真实 coding/research agent 的状态分布来自 shell、文件系统、浏览器、tool server、长上下文和失败恢复。OpenForgeRL 的关键点不是又一个 reward trick，而是把真实 harness 的 inference 轨迹转成可训练数据/rollout 单元。
与 wenjun 研究方向的关系： 如果要做 LLM model-based RL / Dreamer for Agent，首先需要一个能稳定采集 (history, action, observation, reward) 的真实 agent 环境层。OpenForgeRL 这类 proxy+harness-native 方案可以作为世界模型数据采集接口：先记录长轨迹，再学习 latent dynamics / outcome predictor / plan verifier。
#2. SLPO: Scaling Latent Reasoning via a Surrogate Policy
- 链接：arXiv:2607.19691 / GitHub: ModalityDance/SLPO / HF Papers
- 来源/日期：arXiv cs.CL/cs.AI/cs.LG，2026-07-22 提交；HF Daily Papers 2026-07-23；GitHub 2026-07-24 更新
- 类别：Latent Reasoning / Post-training RL / Test-time Scaling
- 一句话核心贡献：提出 Surrogate Latent Policy Optimization，让 latent reasoner 在缺少显式 token likelihood 与固定 thinking budget 下，仍能用 outcome reward 做类似 RLVR 的 test-time scaling。
为什么值得关注： 显式 CoT 的 RLVR 已经证明“结果可验证 + 更多思考 token”能拉升推理，但成本高且所有中间思考都必须离散化。SLPO 的问题意识是：连续 latent 思考已经能用更短 horizon 表达推理，但如何被 outcome reward 优化？这是 latent-space reasoning 从“模仿教师 hidden trajectory”走向“奖励驱动探索”的标志。
与 wenjun 研究方向的关系： 这条线可以与 model-based RL 自然结合：latent thought 本身就是可学习状态，surrogate policy 可以被看成对不可观测连续推理轨迹的可优化代理。值得进一步看它如何定义停止、预算分配、credit assignment，以及是否能迁移到 Agent 的长轨迹 latent planning。
#3. PATS: Policy-Aware Training Scaffolding for Agentic Reinforcement Learning
- 链接：arXiv:2607.21419
- 来源/日期：arXiv cs.AI，2026-07-23 提交
- 类别：LLM Agent / Post-training RL / Long-horizon Agent
- 一句话核心贡献：把 agent RL 中的“技能/提示/经验”从静态资产改造成随当前 policy rollout 失败模式动态更新的训练脚手架，用 evidence cards 和任务评估指导下一轮 rollout。
为什么值得关注： 长轨迹 RL 的早期策略往往反复失败，rollout 信息熵低，导致优化信号贫乏。PATS 的思路是让环境/上下文对当前 policy 自适应，而不是只在 policy 端硬训。这相当于把 curriculum、memory、skill hint 和 evaluation feedback 融成训练时 scaffolding。
与 wenjun 研究方向的关系： 对“通过环境设计催生自演化智能”非常相关。一个可深挖问题是：scaffold 是否应被建模为世界模型/teacher policy 的一部分？当策略变强后，脚手架如何退火，避免训练-部署分布不一致？
#4. Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction
- 链接：arXiv:2607.20911 / GitHub: Tencent/workbuddy-bench / HF Dataset: tencent/workbuddy-bench
- 来源/日期：arXiv cs.CL/cs.SE，2026-07-23 提交；GitHub 2026-07-24 更新；HF Dataset lastModified 2026-07-21
- 类别：Code Agent / Evaluation / Tool-use
- 一句话核心贡献：构建覆盖 Code、Web、Office、Security 四类工作域的 coding-agent 评测，任务由真实 commit/PR/业务场景反向构造并改写成口语化需求，降低直接检索污染。
为什么值得关注： coding agent benchmark 最大风险是 benchmark leakage 和“issue 文本可搜索”。WorkBuddy 的任务构造强调污染抵抗，并公开 task directory、环境镜像、评测 harness、测试与参考解，有利于做可复现实验。
与 wenjun 研究方向的关系： 这类数据非常适合作为 agent 预训练/后训练的环境分布样本：不仅包含代码修复，还包含 office/web/security 等真实工具链。若要研究“agent 预训练数据如何塑造能力”，WorkBuddy 的跨域任务可用于分析模型在哪些工具/文档/安全场景上形成稳定策略。
#5. LLMs Get Lost in Evolving User Intent
- 链接：arXiv:2607.20734 / HF Papers
- 来源/日期：arXiv cs.LG，2026-07-22 提交；HF Daily Papers 2026-07-24/25
- 类别：LLM Agent / Evaluation / Intent Understanding
- 一句话核心贡献：把静态单轮任务转成多轮对话，其中用户意图会逐步披露、修订甚至中途转向，用来评估 LLM 是否能持续跟踪并执行变化中的真实意图。
为什么值得关注： 这是从“指令理解”走向“意图理解”的直接评测信号。许多 agent 失败并非不会调用工具，而是把早期假设固化到上下文里，后续用户修订无法正确覆盖。
与 wenjun 研究方向的关系： 对长轨迹 Agent RL 来说，reward 不应只验证最终 artifact，还应验证 agent 是否维护了可更新的 user-state belief。可以考虑把 evolving intent 作为部分可观测环境，研究 belief-state compression 与反事实意图修正。
#其他值得扫读的论文/动态
#Agent / Memory / Context Management
- AREX: Towards a Recursively Self-Improving Agent for Deep Research
- 链接：arXiv:2607.21461 / HF Papers
- 来源/日期：arXiv cs.AI，2026-07-23；HF Daily Papers 2026-07-24/25
- 类别：LLM Agent / Deep Research / Self-improvement
- 一句话贡献：利用“发现难、验证相对易”的不对称性，让 deep research agent 在内层研究循环后用外层 constraint-wise audit 递归修正未解决 claim。
- Agentic Context Management: Solving Agent Memory and Cost by Treating Them as Lifecycle and Architecture Problems
- 链接：arXiv:2607.21503
- 来源/日期：arXiv cs.AI/cs.IR，2026-07-23
- 类别：LLM Agent / Context Compression / Memory
- 一句话贡献：主张 agent 记忆不是单纯 RAG 存取，而是覆盖记忆选择、结构化、存储、巩固、遗忘、召回与成本控制的生命周期架构问题。
- AttriMem: Attribution-Guided Process Feedback for Agent Memory Learning
- 链接：arXiv:2607.21106
- 来源/日期：arXiv cs.AI，2026-07-23
- 类别：LLM Agent / Memory / Credit Assignment
- 一句话贡献：针对 memory-construction policy 的细粒度 credit assignment，用 attribution-guided process feedback 判断哪些中间记忆内容真正支撑最终答案。
- CMI-Mem: Toward Generalizable Long-Term Memory Management via CMI-Augmented Reinforcement Learning
- 链接：arXiv:2607.20553 / GitHub: Wyb0627/CMIMem
- 来源/日期：arXiv 2026-07-15；GitHub 2026-07-24 更新
- 类别：LLM Agent / Memory / Post-training RL
- 一句话贡献：训练轻量 memory manager，把下游 QA 正确性 reward 与条件互信息 CMI intrinsic reward 结合，减少仅靠 sampled QA 评价记忆价值的偏差。
- ArbiGraph: Arbitrarily Scalable Verifiable Task Graphs for Evaluating Context Management
- 链接：arXiv:2607.20764
- 来源/日期：arXiv cs.AI，近期出现在 arXiv recent
- 类别：Evaluation / Context Management
- 一句话贡献：用可验证任务图评估 agent context 管理是否能扩展，而不只是短上下文 QA。
#Code Agent / 软件工程评测
- ICAE-Bench: Evaluating Coding Agents as Interactive Project Builders
- 链接：arXiv:2607.21217 / HF Papers
- 来源/日期：arXiv cs.AI，2026-07-23；HF Daily Papers 2026-07-23
- 类别：Code Agent / Evaluation / Intent Understanding
- 一句话贡献：以模糊产品需求开局，通过自动 User Agent 模拟交互，把 coding agent 评测从静态补全推进到项目构建、需求澄清、调试与仓库级实现。
- Agentic coding without the cloud: evaluating open-weight large language models on longitudinal data preparation tasks
- 链接：arXiv:2607.21482 / GitHub: UCL-ARC/RRBench
- 来源/日期：arXiv cs.AI/cs.CL，2026-07-23
- 类别：Code Agent / Open-weight Models / Evaluation
- 一句话贡献：评估本地开源权重模型在纵向人口研究数据准备任务中的 agentic coding 能力，服务于不能上传敏感数据的研究场景。
- DocOps: A Verifiable Benchmark for Autonomous Agents in Complex Document Operations
- 链接：arXiv:2607.19865 / HF Papers
- 来源/日期：arXiv 2026-07-22；HF Daily Papers 2026-07-23
- 类别：LLM Agent / Evaluation / Tool-use
- 一句话贡献：提出确定性可验证的复杂文档操作 benchmark，揭示前沿 agent 在长程耦合文档工作流中的限制。
- DynamicMCPBench: A Trace-Grounded, Effect-Scored Benchmark for LLM Agents over Live MCP Servers
- 链接：arXiv:2607.20531
- 来源/日期：arXiv 2026-07-10；近期在 arXiv recent/HF 相关列表出现
- 类别：Tool-use / Evaluation / MCP
- 一句话贡献：面向 live MCP server 生成目标、记录成功轨迹并蒸馏成 path-agnostic effect checkpoints，以“是否复现效果”而非固定工具列表打分。
- NVIDIA-labs OO Agents: Native Python Object-Oriented Agents
- 链接：arXiv:2607.20709 / HF Papers
- 来源/日期：arXiv 2026-07-22；HF Daily Papers 2026-07-24/25
- 类别：LLM Agent / Tool-use / Software Architecture
- 一句话贡献：把 agent 抽象成 Python object：方法是 action，字段是 state，docstring 是 prompt，类型注解是 contract，使 agent 更像可测试、可重构的软件组件。
#RL / Post-training / 推理机制
- Predictive Divergence Masks for LLM RL
- 链接：arXiv:2607.10848 / HF Papers
- 来源/日期：arXiv 2026-07-12；HF Daily Papers 2026-07-24/25
- 类别：Post-training RL / RL Algorithms
- 一句话贡献：改进 LLM RL 中 trust-region mask 的 direction criterion，用 predictive divergence 判断 policy 更新是否偏离行为策略，而非只依赖 sampled-token importance ratio。
- Beyond Euclidean Clipping: Overcoming Exploration Collapse in LLM RL via Riemannian Isometric Policy Optimization
- 链接：arXiv:2607.10169 / HF Papers
- 来源/日期：arXiv 2026-07-11；HF Daily Papers 2026-07-23
- 类别：Post-training RL / Exploration
- 一句话贡献：指出 PPO-Clip 用欧式度量衡量 policy discrepancy 会导致低概率区域过度保守、高概率区域过激，提出 Riemannian Isometric Policy Optimization 缓解 exploration collapse。
- Multi-Turn On-Policy Distillation with Prefix Replay
- 链接：arXiv:2607.04763 / HF Papers
- 来源/日期：arXiv v2 2026-07-16；HF Daily Papers 2026-07-24/25
- 类别：LLM Agent / Distillation / Long-horizon Agent
- 一句话贡献：提出 Replayed-Prefix On-Policy Distillation，用预采集 teacher trajectory 作为 prefix replay，让 student 在部分步骤行动、teacher 提供逐步监督，降低在线多轮蒸馏成本。
- Sample-Efficient Learning from Agent Experience
- 链接：arXiv:2607.21051 / HF Papers
- 来源/日期：arXiv cs.CL，2026-07-23；HF Daily Papers 2026-07-24/25
- 类别：LLM Agent / Continual Learning / Code Agent
- 一句话贡献：研究 Experience Distillation：在不增加环境交互的前提下，把 agent 自身交互历史通过 context distillation 内化到模型权重中，并在 749 个软件工程任务上验证。
- Token Budget Saturation and Mechanistic Early Detection of Reasoning Non-Convergence in Chain-of-Thought Models
- 链接：arXiv:2607.21433
- 来源/日期：arXiv cs.CL/cs.AI/cs.LG，近期提交
- 类别：Reasoning / Evaluation / Mechanistic Interpretability
- 一句话贡献：关注 CoT 模型 token budget 饱和与推理不收敛的早期机制检测，可作为 test-time scaling 的“何时停止/何时放弃”信号。
#基础模型训练机制 / 系统 / 数据
- SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD
- 链接：HF Papers: 2607.20145 / arXiv:2607.20145
- 来源/日期：HF Daily Papers 2026-07-23；arXiv 近期
- 类别：Post-training / Systems / Foundation Models
- 一句话贡献：报告 DeepSeek-V4 家族在 Ascend SuperPOD 上做全参数后训练的系统与训练实践，适合关注国产算力大规模训练栈。
- Scaling Laws for Hypernetwork-Based Knowledge Injection in Large Language Models
- 链接：HF Papers: 2607.19604 / arXiv:2607.19604
- 来源/日期：HF Daily Papers 2026-07-23
- 类别：Continual Learning / Knowledge Injection / Scaling Laws
- 一句话贡献：研究 hypernetwork 形式的知识注入在 LLM 中的 scaling law，可作为持续学习/知识更新不破坏基座能力的参考。
- OPTScientist: Multi-Agent Discovery of Typed Optimizer Programs for Transformer Pretraining
- 链接：arXiv:2607.20486
- 来源/日期：arXiv 2026-06-02；近期在 arXiv recent 出现
- 类别：Foundation Model Training / Agentic Science / Optimization
- 一句话贡献：用多 agent 在 typed DSL 中搜索 Transformer 预训练 optimizer program，强调优化几何、状态动态、数值稳定与实现约束。
- InferenceBench: A Benchmark for Open-Ended LLM Inference Optimization by AI Agents
- 链接：arXiv:2607.20468
- 来源/日期：arXiv 2026-05-20；近期在 arXiv recent 出现
- 类别：Systems / Code Agent / Evaluation
- 一句话贡献：给 agent 一个 H100、目标模型和两小时预算，让其部署 OpenAI-compatible inference server 并优化 prefill/decode/throughput，评估开放式系统优化能力。
- Dataset Distillation by Influence Matching
- 链接：HF Papers: 2607.16859 / arXiv:2607.16859
- 来源/日期：HF Daily Papers 2026-07-24/25
- 类别：Pretraining Data / Data Efficiency
- 一句话贡献：用 influence matching 做 dataset distillation；虽然未必专门针对 LLM 预训练，但对“数据质量/代表性样本选择”问题有方法启发。
#今日最值得精读的 3 篇
- OpenForgeRL — 优先级最高。它回答“真实 harness 中的 agent 轨迹如何被 RL 训练栈消费”，是做长轨迹 Agent RL / model-based Agent RL 的基础设施入口。
- SLPO — 与 latent-space reasoning 直接相关，重点看 surrogate policy 如何绕开 latent trajectory likelihood 与 stopping/budget 问题。
- Tencent WorkBuddy Bench — 适合作为 coding agent 研究的近期强基准；重点看污染抵抗任务构造、环境镜像、评分协议和任务分布。
备选精读：PATS（如果今天更想看 Agent RL 训练策略）与 LLMs Get Lost in Evolving User Intent（如果今天更想看意图理解/交互评测）。
#今日最值得跟进的 3 个 repo/model/dataset
- Tencent/workbuddy-bench：<https://github.com/Tencent/workbuddy-bench>
多域 coding-agent benchmark，配套 HF Dataset：<https://huggingface.co/datasets/tencent/workbuddy-bench>。
- ModalityDance/SLPO：<https://github.com/ModalityDance/SLPO>
SLPO 官方 repo，值得看 latent reasoner 的训练接口、reward 实现与实验任务。
- Wyb0627/CMIMem：<https://github.com/Wyb0627/CMIMem>
记忆管理 RL repo，适合追踪 memory reward、CMI intrinsic signal 与轻量 memory manager 实现。
补充观察：GitHub 搜索中出现多个 2026-07-24 更新的 agent RL/coding benchmark 小 repo（如 Tree-GRPO、AgentGym-RL、openbench 等），但星标和可信度信号尚弱，建议等论文/实验复现更明确后再投入。
#研究机会 / idea
#Idea 1：把 OpenForgeRL 轨迹变成 Agent 世界模型数据集
OpenForgeRL 解决了真实 harness rollout 采集问题。可以进一步做：
- 从 shell/file/tool/browser observation 中学习一个 latent transition model；
- 对 action 的 effect 做可验证 checkpoint 预测，而不是只预测文本 observation；
- 用 learned world model 做 rollout pruning / imagination planning，再回到真实 harness 校正。
这会把 Dreamer-style model-based RL 与 LLM Agent 真实长轨迹连接起来。
#Idea 2：Evolving Intent 作为 POMDP，研究 belief-state/context compression
“LLMs Get Lost in Evolving User Intent” 可以被形式化成部分可观测任务：真实用户意图是隐藏状态，用户每轮消息是 noisy observation。值得尝试：
- 训练一个显式 user-belief state summarizer；
- 用反事实 user revision 测试 summary 是否能覆盖旧假设；
- 将 belief 更新质量作为过程 reward，而不只看最终任务成功。
这和“从指令理解走向意图理解”高度贴合。
#Idea 3：Memory credit assignment 与 latent reasoning credit assignment 是否可统一？
AttriMem/CMI-Mem 关心“哪条记忆对最终答案有用”，SLPO 关心“哪段 latent computation 对最终 reward 有用”。二者都面临不可直接标注的中间状态 credit assignment。可以探索统一框架：
- memory item / latent state 都看作可压缩中间变量；
- 用 conditional mutual information、counterfactual deletion、verifier attribution 来估计贡献；
- 在 Agent 长轨迹中同时优化“记什么”和“怎么想”。
#来源访问说明
- Hugging Face Daily Papers 页面可访问，并检索了 2026-07-23/24/25 页面。
- arXiv recent 与 abs 页面可访问，并抽取了 cs.AI/cs.CL/cs.LG/cs.SE/stat.ML 近期条目。
- GitHub API 可访问，用于验证 WorkBuddy、SLPO、CMIMem 等 repo 更新与链接。
- X/Twitter 当前环境未登录，未纳入直接引用；为避免编造，只使用可访问网页/API 作为来源。