#2026-08-18 AI/LLM 最新论文与研究热点简报

覆盖窗口：截至北京时间 2026-08-18 08:00，重点覆盖 arXiv 在 8 月 17 日公开的周一批次。由于论文版本页统一标为 8 月 14 日、周末后才进入 recent 列表，本文把它们视为最近 24 小时可发现的新工作；Hugging Face Daily Papers 最新完整榜单仍主要停留在 8 月 14 日。

核验方式与限制：逐条检查 arXiv cs.AI recent 页面，并下载本文涉及论文的 PDF、抽取全文核验方法与数字；同时通过 Hugging Face API 和 GitHub API 核验模型或代码仓库。arXiv API 本次持续返回 429，但 recent 页面与 PDF 可访问；Google Scholar 返回 403；OpenAlex 搜索临时返回 503；X 搜索页只返回动态应用外壳，没有可审计的时间线内容，因此不引用无法核验的社交帖子。GitHub 最近 48 小时关键词搜索以低星应用项目为主，未把它当作论文发现主源。

#一、先看结论：今天最重要的 6 个信号

1. 最接近“LLM Agent 版 Dreamer”的新信号不是再训练一个神经视频模型，而是让 Code Agent 在测试时写出可执行 digital twin：Twin 对未知游戏从交互中归纳 transition program，要求每次真实行动前先通过全部历史转移的 replay validation，再在模型内规划。
2. 长轨迹 Agent 的关键抽象正在从“更长上下文”转为“可恢复状态”：AgentRewind 同时 checkpoint 语言上下文与环境；ScienceFlow 则把整个可执行研究 workspace 变成可分支、可回退、可重新锚定的研究状态。
3. 潜空间推理开始被要求对“任务增益”逐步负责：RGLT 不只让 latent state 模仿显式 CoT，而是把每一阶段对检索排序的实际增益分给对应 latent transition。这是比 representation alignment 更接近 credit assignment 的训练目标。
4. 基础模型架构在尝试显式拆开 knowledge storage 与 reasoning operator：Mobius 共享 FFN memory、循环使用轻量 Self-Attention reasoner；报告中既有 latent recurrence，也有 continual pretraining 迁移实验，值得关注但需要独立复现。
5. 高质量数据“重复几轮”不能脱离 scaling regime 讨论：固定总 token 与固定 tokens-per-parameter 会得到相反结论。实际按模型规模同步扩训练预算时，最优重复次数反而随模型规模轻微上升；domain learnability 比独特数据量更能预测可重复性。
6. 自演化 Agent 的训练单元正在从单条成功轨迹变成可归因的 sibling portfolio：HELIX 把 harness intervention 显式化，并保留成功、失败、near miss、替代解及 provenance，目标是同时优化当前执行和下一轮模型训练数据。

#二、重点精读（Top 5）

#1. Twin：让 Code Agent 在测试时写出可执行世界模型，再在“数字孪生”里规划

• 类别：Model-based RL / LLM Agent / World Model / Test-time Learning / Code Agent
• 标题：Twin: Playing an Unknown Game with a Test-Time Digital Twin
• 来源与日期：arXiv:2608.14490；v1 2026-08-14，进入 8 月 17 日 recent 批次
• 代码：Alexyskoutnev/TWIN-ARC-AGI-3
• 一句话核心贡献：frontier coding agent 从真实交互中持续编写和修复一个 Python transition model；只有当它能精确 replay 所有历史转移后，才允许在该模型中搜索计划并逐步提交到真实环境。

为什么值得关注？

这篇非常接近 wenjun 关注的“LLM Agent world model / model-based RL”，而且给出了一条不同于 Dreamer 的实现路线：世界模型不一定是端到端 latent dynamics，也可以是测试时归纳出的可执行程序。

Twin 的闭环是：

1. Observe：把每次 (previous state, action, next state) 写入 append-only log；
2. Induce / Repair：Code Agent 根据新反例改写 Python digital twin；
3. Validate：新版本必须重新跑过全部历史转移，不能只解释最新 observation；
4. Explore：若当前模型或目标假说不够，选择信息增益更高的真实行动；
5. Plan：只在通过验证的 twin 内搜索最短路径；
6. ExecuteChecked：计划逐步落地，任一 mismatch 立即变成修补 world model 的反例。

在 ARC-AGI-3 未知游戏上，论文报告清除 183 个 level 中的 179 个（97.8%）；在清除的 level 中有 158 个行动数优于首次玩的真人。相同 base model 直接行动只得 7.8%，放进普通 coding harness 是 61.1%，加入 test-time twin 后是 93.3%。更有意思的是，transition dynamics 在几乎所有 level 上可以恢复，但真正更难的是发现环境未明说的 goal：156 个已清除 level 在奖励出现前推断出目标，其余靠搜索发现。

与 wenjun 方向的关系：

• 这是一个可直接抽象到 Web/Code Agent 的 model-based loop：把 repo、测试、依赖、外部服务抽象成可执行 transition model；
• “全部历史转移 replay 一致”对应 world-model training 中的 consistency constraint，比只拟合下一步平均 loss 更不容易静默遗忘旧规则；
• 它把 epistemic exploration 和 goal inference 分开：先问“世界怎么变”，再问“到底什么算成功”。这也非常贴近“从指令理解到意图理解”。

研究判断与边界：ARC-AGI-3 是小型、确定性、离散、可精确比较的世界；真实软件环境包含网络、副作用、随机测试和隐藏服务，程序模型很难精确 replay。真正值得做的扩展不是简单复制 benchmark，而是研究 partial digital twin + uncertainty + selective real execution。

#2. AgentRewind：长轨迹失败后，不要只反思；同时回滚 context 与 environment

• 类别：LLM Agent / Code Agent / Long-horizon / Recovery / Evaluation
• 标题：AgentRewind: Recoverable Execution for Long-Horizon LLM Agents
• 来源与日期：arXiv:2608.14380；v1 2026-08-14，进入 8 月 17 日 recent 批次
• 代码：Futuresis/replay-agent-recorder
• 数据集：MettleBench
• 一句话核心贡献：在每个 LLM decision boundary 对齐记录 (agent context, workspace state)；陷入死路时，由 Agent 选 checkpoint、恢复两种状态，并把失败假说和替代策略作为 rewind memory 注回旧上下文。

为什么值得关注？

现有 Reflexion 类方法常做两件事之一：保持已经污染的环境继续修，或者把环境完全重置后从头再来。AgentRewind 提供第三种更合理的语义：保留正确前缀，删除失败后缀，但保留从失败中学到的信息。

论文的 recovery boundary 是工作目录文件树：能恢复被删文件、回退修改、移除新建文件；但网络请求、外部服务调用和 workspace 外状态不能撤销。这一边界说明，“rollback”不是一句 prompt，而是运行时事务语义。

作者还提出含 82 个长时域工程任务的 MettleBench，用有顺序的 acceptance checklist 同时测完整成功与部分进展。Terminal-Bench 2.0 上，论文报告：

• Continue：成功率 78.7%，平均满足条件 88.7%；
• Restart with Experiences：70.8% / 79.2%；
• AgentRewind：83.1% / 90.2%。

更关键的趋势是：相对 strongest baseline 的优势在短任务上不大，在中长 horizon 上明显增大。这比单个平均分更符合方法动机。

与 wenjun 方向的关系：

• 对 long-horizon Agent RL，state 应包括 language state + environment state + learned failure memory，三者不能错位；
• 对 Code Agent，git commit 只是文件 checkpoint，不等于恢复模型上下文、测试进度和已证伪假说；
• 对 model-based RL，可把 rewind 看成从过去 state 重新展开新 suffix，形成天然的 branch comparison 数据，用于训练 value、failure detector 或 branch selector。

研究判断与边界：如果 rewind 由同一个模型自由触发和选点，可能出现“反复回滚却不改变策略”。下一步应学习 continue / rewind-to-k / restart / abort 的 option policy，并把回滚代价、不可逆副作用和 checkpoint 密度写进目标。

#3. Intern-S2-Mobius：共享知识 Memory + 循环 Reasoner，试图从架构上拆开知识与推理

• 类别：Foundation Model / Latent Reasoning / Continual Pretraining / Architecture / Systems
• 标题：Intern-S2-Mobius: Foundation Model with Decoupled Knowledge and Reasoning
• 来源与日期：arXiv:2608.14290；v1 2026-08-14，进入 8 月 17 日 recent 批次；Shanghai AI Laboratory
• 模型：internlm/Intern-S2-Mobius
• 一句话核心贡献：把 FFN 组织成多个 reasoning stage 都可访问的全局 shared knowledge Memory，把 Self-Attention 作为循环 Reasoner，并让 hidden state 在 latent space 中多次检索、组合知识后再并行解码。

为什么值得关注？

标准 Transformer 把 FFN 与 attention 逐层绑定，深层 reasoning operator 很难重新访问浅层未激活的知识。Mobius 的核心假说是：

• Knowledge 主要存于共享 FFN vector memory；
• Reasoning 由多个轻量 Self-Attention operator 执行；
• hidden state 作为 carrier，循环查询同一知识库；
• 多次 latent refinement 后，不必把所有中间计算展开成长 CoT token。

技术报告给出两组结果：

1. 两个 7B-A1B MoE 从头训练实验中，以 Transformer 在 1T token 时的 MMLU 为参照，Mobius 用 62.6% 数据达到相同分数，即作者所称 1.6× data efficiency；
2. 从 Qwen3.5-35B-A3B 切换架构并继续预训练 1T token，再做 SFT/RL，作者报告相似或更高下游分数以及接近 4× 的端到端推理加速。报告表中，Mobius/Qwen3.5 的 general-task 平均为 67.88/65.05，但也存在 UGD-hard、HLE 等单项下降。

与 wenjun 方向的关系：

它把 latent-space reasoning 从“加几个 silent token”推进到 architecture-native recurrence，也把持续预训练变成结构迁移问题：如何从已有 Transformer checkpoint 继承知识，同时重新组织 reasoning path。对 Agent world model，还可以问共享 Memory 中是否能形成可复用的 transition primitives。

研究判断与边界：这是团队技术报告，训练配方、baseline 公平性、真实吞吐组成和迁移成本都需要独立审计；“FFN=知识、attention=推理”也是工作假说而非严格机制证明。HF 权重已可访问（本次 API 核验到 Apache-2.0、非 gated），但论文数字不应在未复现前视为定论。

#4. Scaling Domain Data Repetition：固定 TPP 时，大模型反而可以多看几轮高质量数据

• 类别：Pretraining Data / Scaling Law / Code Data / Foundation Model Training
• 标题：Scaling Domain Data Repetition in LLM Pretraining
• 来源与日期：arXiv:2608.14071；v1 2026-08-14，PDF 标注 2026-08-17；Tsinghua University / ByteDance Seed
• 一句话核心贡献：在总训练 token 随参数量同比增长、即固定 tokens-per-parameter（TPP）的实际 scaling 设置中，最优 domain repetition 随模型规模轻微增加，而其主要预测变量是该 domain 的最低验证 loss，不是独特 token 数量。

为什么值得关注？

“模型越大，重复数据越容易过拟合”并不总错，但它通常来自固定总数据预算的比较：参数变多、数据不变，大模型当然更快记住重复样本。实际大模型训练往往同步增加总 token；此时重复的 domain 数据也被更多通用 web token 正则化，结论可能反转。

论文在 code、math、Wikipedia、medical 四个 domain 中，令 unique high-quality fraction 为 1/40、1/20、1/10，repetition count 从 1 扫到 7，并固定每个模型的总预算。主要观察是：

• Math 的最佳点约在 5 次；Wiki、Code、Medical 更早达到最低 loss；
• 最优 repetition 与最低验证 loss 的 Pearson 相关为 -0.944：越容易建模、噪声越低的 domain，越能承受重复；
• 与模型规模相关为 0.400：固定 TPP 时，大模型偏好略多重复；
• 与 unique high-quality fraction 的相关仅 0.018；
• 固定 domain token 占比、用重复样本替代同量 unique 数据时，Math 重复 1→4 次损失很小，Wiki 超过 2 次后明显恶化；Code 和 Medical 也有退化，只是程度不同。

与 wenjun 方向的关系：

这直接影响 code pretraining / continual pretraining 配比：不要只按“代码 unique token 有多少”决定 epoch，而应先用同 TPP proxy model 测 domain validation loss × repetition 曲线。对 agent trajectory data 也有启发：高重复不是天然有害，关键是轨迹是否低噪、是否提供稳定可学习结构，以及重复是否稀释了环境多样性。

研究判断与边界：论文只分别混一个高质量 domain 与 web data，没有测 code+math+agent 多域交互，也没有把 exact duplicate 与 semantic near-duplicate 分开。对代码数据，license、模板化 boilerplate、仓库级泄漏和 benchmark contamination 仍需独立控制。

#5. RGLT：让每一步 latent reasoning 都对检索排序增益负责

• 类别：Latent Reasoning / Retrieval / Credit Assignment / Context Engineering
• 标题：Retrieval Grounding Latent Reasoning for Dense Retrieval
• 来源与日期：arXiv:2608.14107；v1 2026-08-14，进入 8 月 17 日 recent 批次；BUPT / Meituan LongCat / CASIA
• 一句话核心贡献：在 query 后附加固定 silent tokens，非自回归形成 latent trajectory；把显式 CoT 每阶段带来的正负文档排序增益，作为 retrieval-effect credit 分配给相应 latent transition。

为什么值得关注？

许多 latent reasoning 方法只要求中间 hidden state 与显式 CoT 表征相似，或只优化最终答案。这存在一个漏洞：中间状态可能“看起来像推理”，但对任务决策没有任何增量作用。RGLT 将监督改成：第 k 段显式 reasoning 让正文档相对 hard negative 改善了多少，latent transition 也应恢复对应 ranking effect。

其训练包含三层约束：

1. 把显式 CoT 切成 stages，做 stage-wise reconstruction / implicit distillation；
2. 每个 stage 维持对正负文档的 contrastive discriminability；
3. 按显式 stage 的 ranking gain 做 transition-level credit assignment。

使用 16 个 silent tokens 时，BRIGHT 上 nDCG@10 从 base representation 的 26.39，沿 ST4/ST8/ST12/ST16 逐步变为 32.25/32.48/33.56/34.20；最终 Recall@10 为 39.97。作者报告相对 LaSER 的 nDCG@10 和 Recall@10 分别提升 14.4% 和 16.6%。A100、batch 8 的 query latency 为 24.0 ms/query，仅比 base retriever 高 12%；显式 Rewrite-then-Retrieve 则有 186× latency overhead。latent budget 增到 24 反而下降，说明更多 silent compute 不自动等于更好。

与 wenjun 方向的关系：

它给 latent-space reasoning 一个很重要的训练原则：不要只监督 state resemblance，要监督 transition utility。迁移到 Agent RL，可以把每段 latent update 对 action ranking、value calibration、world-model prediction 或 verifier margin 的增益作为局部 credit，而不是强迫 hidden state 模仿自然语言 CoT。

研究判断与边界：当前任务是一次性 dense retrieval，latent trajectory 不接收真实环境 observation；它证明了 transition-grounded supervision 的价值，但还不是交互式 latent planning。真正关键的扩展是 observation-conditioned latent recurrence 和跨 turn 的 credit conservation。

#三、其他值得跟进的新论文与动态

#6. ScienceFlow：把研究进展存成可恢复的 executable workspace

• 类别：LLM Agent / AI Scientist / Long-horizon / Systems
• 标题：ScienceFlow: A Long-horizon Agent for ML Research, Scientific Discovery and Beyond
• 来源与日期：arXiv:2608.14354；v1 2026-08-14，进入 8 月 17 日 recent 批次；Huawei Noah’s Ark Lab
• 项目页：ScienceFlow
• 一句话核心贡献：把长时域研究拆成带可执行 workspace checkpoint 的 segments；ESTRA 在 live state 与 archived state 之间选择下一锚点，execution controller 再按资源、预算和已验证进展分配任务。

论文报告在完整 75-task MLE-bench、24 小时预算下达到 70.22% Any-Medal，较先前报告结果高 4.92 个百分点。对 wenjun 最重要的不是排行榜，而是它把 code、data、checkpoint、solver state、evaluation output 看成一等研究状态；文本 summary 只用于跨 worker 交流，不能代替可执行恢复。

#7. HELIX：模型和 Harness 必须共同进化

• 类别：Code Agent / Agentic RL / Self-evolution / Training Data
• 标题：HELIX: Model-Harness Co-evolution for Recursive Self-Improvement
• 来源与日期：arXiv:2608.13951；v1 2026-08-14；HKU In3 Lab
• 代码：HKUDS/HELIX
• 一句话核心贡献：把 OpenCode、Pi Mono、Nanobot、Hermes Agent 拆成 typed ports、atoms、recipes、shells 和 runtime policies，使 harness intervention 可枚举、可审计，并把 sibling outcomes 转成 SFT/critic/filter/preference 数据。

65-candidate evolution round 找到比 Pi task coverage 高 4.0% 的固定 harness；完整 portfolio 暴露最多 58.0% 额外 coverage。200-slot sibling slice 产生 438 条经验证训练记录。论文真正提出的是 build harness → 收集带 provenance 的 sibling trajectories → update model → 为新模型 rebuild harness，而不是把 harness optimization 当一次性 prompt search。

#8. SAFARI：专家成功轨迹会删掉探索，导致 SFT 后的 Agent 不会主动找信息

• 类别：LLM Agent / Post-training RL / Exploration / Long-horizon
• 标题：Clearing the Fog: Towards Installing and Refining Proactive Exploration Capabilities in LLM Agents
• 来源与日期：arXiv:2608.14339；v1 2026-08-14；Sichuan University / NUS / University of Leeds
• 代码：GuanZhizhao/SAFARI
• 一句话核心贡献：先合成保留分支和回溯的 exploration-rich trajectories，修正 SFT hindsight bias；再用同一 interaction state 上的候选 action 与参考 action做 Monte Carlo 对比，为 RL 提供 productive exploration 信号。

作者报告 task success 平均提高约 10%–15%，exploration efficiency 提高约 8%–18%。它与 Twin 的 goal discovery 遥相呼应：成功 demo 往往看似知道该去哪，但 Agent 真正需要学习的是何时当前信息不足、下一步探索值不值得。

#9. Second Thought：把工具等待时间变成并行推理窗口

• 类别：Code Agent / Tool-use / Inference-time Scaling / Systems
• 标题：Second Thought: Reasoning in Parallel as LLM Agents Act and Observe
• 来源与日期：arXiv:2608.13667；v1 2026-08-13；Singapore Management University
• 代码：匿名审稿仓库
• 一句话核心贡献：主线程发出 action 后，启动 assumption check、next-step rehearsal、context recall、contingency plan 四个并行分支；observation 返回时立刻中断并收集已经完成的 atomic thoughts，供下一轮使用。

在 3 个 benchmark × 3 个模型的 9 组实验中，平均 turn 数全部下降；6 组主线程 decoding 下降，最高 43%，这些组平均约 20%；wall-clock replay 的 median per-task latency 降 10.9%。它提示 agent systems 的 inference scaling 不必全部放在 critical path，但总 GPU token 成本并未消失，部署时必须同时报告 latency、main-thread tokens 和 total tokens。

#10. Demystifying Agent Skills：Skill 主要是程序锚点，不是知识注射包

• 类别：LLM Agent / Continual Learning / Skill / Evaluation
• 标题：Demystifying Agent Skills: Why They Work-Until They Don’t
• 来源与日期：arXiv:2608.14036；v1 2026-08-14
• 一句话核心贡献：通过 8,135 次受控 trial 和 paired trajectory analysis，发现 skill 的主要价值是稳定过程而非补充事实；skill pool 扩大后，真正被使用的精度急剧下降。

论文报告 skill 相比 Workflow Memory 的 matched comparison 高 6.06 分；65.7% 的有效案例来自 procedural anchoring，显式知识注入仅 4.5%。候选池从 5 增到 100 时 actual-use precision 从 29.6% 降到 3.3%。这意味着 self-evolving Agent 的核心瓶颈可能不是“再写更多 SKILL.md”，而是 skill applicability、adaptation 和 retrieval calibration。

#11. MOOSEDev：代码 Agent 的项目记忆应记录 supersession、negation 和 provenance

• 类别：Code Agent / Memory / Continual Learning / Knowledge Graph
• 标题：Ontology-Grounded Project Memory for Coding Agents
• 来源与日期：arXiv:2608.13662；v1 2026-08-13
• 代码：Trivyn/moosedev
• 一句话核心贡献：把 architecture decision、constraint、rationale、lesson、anti-pattern 存成带 lifecycle status、provenance 和 supersession link 的 typed graph，并通过 MCP 暴露给 Coding Agent。

在 835 条 typed records 的公开 corpus 上，MOOSEDev 对 supersession、set completeness、negation 问题返回预期集合的 0.98–1.00，而 vector-memory baseline 的 top-k 仅覆盖 6%–27%；普通相关性检索与 token 成本则大致相当。它支持一个重要判断：语义相似检索解决不了“旧决策已被撤销”和“是否枚举完整”这类逻辑问题。不过 MOOSE engine 是 proprietary，结果更适合作为研究问题而非立即可复现的最终答案。

#12. Handover of ICL State：上下文交接不是摘要相似，而是保留后续任务的 predictive sufficiency

• 类别：Context Compression / LLM Agent / Theory / Memory
• 标题：Handover of In-Context Learning State Across Session Boundaries
• 来源与日期：arXiv:2608.14528；v1 2026-08-14，论文标注 2026-08-17
• 一句话核心贡献：把跨 session handover 形式化为 pre-query state coding：writer 在不知道未来 query 时，必须保留对 continuation target 分布充分的信息，而不是复述旧文本。

论文建议三部分记录：决策和约束精确保留；重复证据在有任务保证时存充分统计量；不能证明统计量保留作用时，保留原始 observation。它没有大型 Agent 实验，但理论上澄清了通用 context compressor 的关键误区：handover writer 不知道未来会问什么，因此比 query-aware compression 更难；文件和外部数据库只要携带旧 session 信息，也必须计入总 memory budget。

#四、今日最值得精读的 3 篇

1. Twin：今天与 LLM Agent model-based RL 最贴近的论文；重点看 validate–explore–plan loop、transition replay consistency 和 goal inference failure。
2. AgentRewind：重点看 context/environment 对齐 checkpoint、rewind memory 以及 MettleBench 的 ordered checklist 设计。
3. Scaling Domain Data Repetition：重点看 fixed-data 与 fixed-TPP 结论为何反转，以及 code/math/wiki/medical 的 domain difference。

候补：若今天更想沿 latent reasoning 深挖，把第 3 篇换成 RGLT；若更关注基础架构，换成 Intern-S2-Mobius。

#五、今日最值得跟进的 3 个 repo / model / dataset

1. Repo — TWIN-ARC-AGI-3：优先看 world-model Python representation、全历史 replay validator、real/twin action boundary。
2. Model — Intern-S2-Mobius：HF API 核验为公开、非 gated、Apache-2.0；适合检查 custom architecture、实际 generation loop 与吞吐。
3. Dataset — MettleBench：82 个带系列 acceptance requirements 的长时域工程任务，可用于测 rollback、partial progress 和 branch recovery。

额外高优先级 repo：HKUDS/HELIX，因为它直接提供 harness decomposition 与 sibling-data 生成框架。

#六、研究机会 / Idea

#Idea 1：Programmatic Dreamer for Code Agent——部分可执行世界模型 + 不确定性驱动真实行动

把 Twin 从确定性游戏迁移到 repository：

• world state：文件、AST、dependency graph、test state、build artifacts；
• learned transition：patch 对编译、单测、接口和性能的预测；
• exact component：可静态执行或 sandbox replay 的 deterministic rules；
• uncertain component：外部依赖、flaky test、hidden test，用 calibrated uncertainty 表示；
• planner：优先在 twin 内 rollout，只在模型分歧或 goal uncertainty 高时调用昂贵真实工具。

核心实验不是“能否预测下一段日志”，而是 真实 tool calls 减少多少、model exploitation 有多少、planner regret 是否下降。

#Idea 2：Rewind-aware Agent RL——把失败后缀变成 branch-level counterfactual credit

AgentRewind 会自然产生共享前缀、不同后缀的 sibling trajectories。可以训练：

• checkpoint value：从哪个历史 state 重开最有价值；
• option policy：continue / rewind / restart / abort；
• failure memory writer：什么经验应跨分支保留，什么污染应删除；
• counterfactual advantage：同一 checkpoint 下，新 suffix 相对失败 suffix 改善了多少。

这比只对最终 success 做 trajectory-level GRPO 更适合 long-horizon credit assignment，也能与 HELIX 的 sibling data provenance 对接。

#Idea 3：Transition-grounded Latent World Reasoning——从“latent state 对齐”转向“每次隐状态更新改变了什么决策”

沿 RGLT 的思路，给 Agent latent recurrence 设计 task-grounded local objectives：

• 每个 latent transition 对候选 action ranking margin 的增益；
• 对 world-model next-state calibration 的增益；
• 对 constraint violation probability 的下降；
• 对 information-gain action 的识别提升。

再与 Mobius 类 shared memory / recurrent reasoner 对比：固定 silent tokens、显式 recurrent depth、共享 knowledge memory，哪种结构能让 utility 沿 latent depth 单调增加？这可以形成一个比“最终准确率 + probe”更强的 latent reasoning benchmark。

#七、今日研究判断

今天最连贯的主线是：长轨迹智能不再等价于把历史塞进更长 prompt，而是在可验证状态上做模型学习、分支探索和可恢复执行。

• Twin 把 world model 变成受反例约束的可执行程序；
• AgentRewind / ScienceFlow 把 history 变成可恢复的 state graph；
• RGLT 把 latent computation 变成对任务增益负责的 transition；
• HELIX 把 harness 差异变成可归因训练数据；
• Handover theory 则说明，压缩目标必须由未来 continuation task 定义。

对 wenjun 当前主线，最值得下注的交叉点不是单独再做一个 memory、world model 或 rollback 模块，而是把三者统一成：

外部可验证状态 + 内部 latent state + 可恢复分支 + transition-level credit assignment。

这会比单纯扩 context、单纯做结果奖励或单纯存经验更接近真正的 model-based long-horizon Agent learning。