每日调研 2026-08-23 ★★★★☆ dailyAILLMAgentCode IntelligenceResearch Briefing

#2026-08-23 AI/LLM 最新论文与研究热点简报

覆盖窗口：截至北京时间 2026-08-23 08:00。由于 arXiv 周末不发布新批次，本期重点覆盖 8 月 20 日提交、8 月 21 日进入 recent 列表的最后一批新作，以及 8 月 19–20 日进入 Hugging Face Papers 的高相关项目；不是把周末重复榜单当成“新论文”。

检索与核验：扫描 arXiv cs.AI / cs.CL / cs.LG / cs.SE / stat.ML recent 页面，下载并全文抽取 16 篇高相关候选；核对 Hugging Face Daily Papers API、GitHub API、论文项目页与公开数据/模型入口。Google Scholar 返回 403，OpenAlex 返回 503；X 搜索页面虽返回动态应用外壳，但浏览器无法获得稳定、可审计的公开时间线，因此本文不引用无法核验的社交帖子。GitHub 推荐只列已核验目录结构的仓库；仅 README 的占位项目不会列入 Top 3。

#一、早读结论：今天最值得抓住的 7 个信号

  1. “Agent 会不会自我改进”需要两个比排行榜更严格的测量对象：AI4AI-Bench 测 Agent 是否真改了 learning algorithm；Phantom Gains 则要求任何逐题能力“获得/遗忘”都先过 frozen-control measured null。
  2. Agent 能力塑形正在前移到 mid-training：MidTool 用 20.3B token 的 web/PDF/code/tool mixture 教 affordance、argument grounding、workflow composition 与 missing-information recovery，而不是把通用工具使用全部留给 SFT/RL 补课。
  3. 环境设计从“生成新题”转向“给静态世界加可编程 harness”：EnvHarness 保留原 verifier，仅用可插拔组件改变课程、反馈与组合方式；EnvRigger 再根据目标 policy 的失败轨迹自动定制环境。
  4. 长轨迹 credit assignment 出现一次很重要的正反对照：MileGPO 从 rollout graph 提炼 milestone、trap 与 sibling evidence；但 executed-replay audit 发现现有 judge/logprob/confidence 信号没有一个比随机更能识别真实因果贡献。
  5. Memory 的目标不应再是“检索到相关旧文本”：一条线发现相关记忆本身会造成 fixation / belief distortion，另一条线发现 memory 必须显式维护 supersession 与 derived-state dependencies。
  6. 自演化 skill 的粒度比数量更重要：整任务总结型 skill 平均有害；subtask-level text skill 才更稳定迁移。Skill library 应先做 transferability audit，而不是无上限累积。
  7. Code Agent 的下一阶段是显式维护结构与领域状态：Repo0 用 requirement/component Dual-DAG 持续演化架构；SWE-bench Science 证明科学代码修复既需要领域知识，也必须避免错误知识造成 anchoring。

#二、重点精读（Top 5）

#1. AI4AI-Bench：Agent 真能改训练算法，还是只会调预算和超参数？

  • 类别：Code Agent / Self-improvement / Foundation Model Training / Evaluation
  • 标题：AI4AI-Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-Improvement
  • 来源与日期：arXiv:2608.20318；v1 2026-08-20，8 月 21 日 recent
  • 代码/任务：Einsia/AI4AI-Bench
  • 一句话核心贡献：用 10 个冻结研究仓库、10 类训练算法，把“改运行方式”和“改学习机制”分开：Agent 有 4 小时/单 B300 改训练代码，提交后从零训练最长 12 小时，再由不可见 evaluator 打分。

为什么值得关注？

多数“AI 自动研究”benchmark 最终奖励的是收集更多数据、加算力或调超参，而不一定要求 Agent 提出新的 objective、supervision signal 或 update rule。AI4AI-Bench 强制提交一个可从零重训的 source patch，并把各任务归一到统一尺度：0 是无信息模型，0.1 是仓库原算法，1.0 是任务最优。

29 个配置、6 个系统、10 个任务的平均分只有 0.166，最强系统平均 0.250；也就是说，最强者也只走完“原算法到最优”距离的不到五分之一。263 个实际改动中，141 个没有触碰学习过程；122 个真正修改 objective / data / update rule 的提交平均 0.226，其余只有 0.126。增加 reasoning effort 的主要作用，是把愿意触碰 learning algorithm 的比例从 8% 提到 64%，而不是自动发现突破性算法。

与 wenjun 方向的关系：

  • 对 self-evolving Code Agent，这是比“能不能修 issue”更接近 recursive improvement 的评测：Agent 要修改训练系统本身，并承受 clean retrain 的延迟反馈；
  • 对 model-based RL，可把 cheap proxy 与 hidden final metric 的偏差建模成实验 world model，规划“先跑什么小实验最能缩小算法不确定性”；
  • 对基础模型训练机制研究，它把训练代码搜索、实验设计、指标代理与算法创新明确拆开，适合研究 Agent 为什么停留在外围超参而不进入 learning rule。

研究判断与边界：这是今天最值得精读的新 benchmark，但它仍是有限仓库、单卡、小时级 proxy。高水平算法研究往往需要跨代码库知识、数天训练与理论分析；后续应测跨 repo 方法迁移，以及 Agent 能否把一个任务发现的优化原理编译为另一个任务可复用的实验 skill。

#2. MidTool：通用工具使用不应只靠后训练，应该在 mid-training 形成能力底座

  • 类别：Agent Pretraining Data / Tool-use / Mid-training / Post-training RL
  • 标题：MidTool: Mid-training Data Synthesis for Agentic Tool Use
  • 来源与日期：arXiv:2608.20314；v1 2026-08-20，8 月 21 日 recent；Snowflake 等
  • 数据与模型：MidTool Release Collection
  • 一句话核心贡献：构造 20.3B-token、11.22M-sample 的 agentic tool-use mid-training mixture，把真实 API/MCP skill、技术文档、代码与 context-grounded trajectory 联合训练，再接统一 SFT/RL 配方。

为什么值得关注？

MidTool 不是简单堆 function-call JSON。其数据结构直接对应能力形成机制：

  • Web 42%、Code 26%、PDF 23%、native agentic trajectory 9%；
  • 从文档和代码中恢复真实工具 affordance 与 schema；
  • 合成 multi-turn workflow，并严格校验 turn ordering、参数、schema grounding 与 tool response consistency；
  • 混入 Agent World Model 环境 rollout 和过滤后的 Nemotron Agentic trajectories；
  • 显式训练 incomplete information 下的恢复，而不只训练理想调用。

在 Qwen3-4B-Base 上，BFCL overall 从 SFT-only 的 39.73 提到 MidTool+SFT 的 50.25，再经 RL 到 54.18；8B 对应从 47.62 到 51.12 / 55.12。在更交互式的 τ2-Bench 上，4B overall Pass@1 从 SFT-only 8.54 提到 MidTool+SFT+RL 19.96。论文还在 MCP-Universe 检查真实 MCP server 上的分布外工具泛化。

与 wenjun 方向的关系：这直接命中“agent 预训练数据如何塑造能力”。真正有价值的变量不是 trajectory token 占比本身，而是 工具语义来源、workflow 结构、argument grounding、失败恢复和环境真实性。可把 MidTool 当作 agent-native mid-training 的强开放基线，再研究 world-model data、探索分支和长期状态转移是否带来不同能力。

研究判断与边界：论文证明 targeted mid-training 比只做 SFT/RL 更强，但尚未因果分清 source documents、context-grounded augmentation、native trajectory 与 AWM rollout 各自贡献。最值得复现的是数据 mixture ablation，而不是只复跑最终分数。

#3. EnvHarness：不重造世界，用可编程 harness 让静态环境持续追着 policy 的弱点走

  • 类别：LLM Agent / Environment Design / Self-evolution / Post-training RL
  • 标题：EnvHarness: Awakening Static Worlds for Agent Learning
  • 来源与日期：arXiv:2608.19880；v1 2026-08-20；Hugging Face Papers 8 月 20 日榜单（本次 API 核验 246 upvotes）
  • 代码与项目页：google-research/envharness · Project
  • 一句话核心贡献：在不修改底层环境逻辑和 verifier 的前提下，用 plug-in harness 改写环境行为；EnvRigger 根据目标 policy 的成功/失败轨迹诊断弱点、合成组件，并用 fresh rollout 验证是否真的补到缺口。

为什么值得关注？

SPADE 类方法选择“生成新环境”，EnvHarness 选择更工程化的一条路：保留已有 benchmark 的可信执行与 verifier，只改变 presentation、stage、contract、feedback、environment chain 等外层结构。这降低了 verifier 幻觉和重建环境成本，也让环境变化可以版本化、回滚和审计。

跨四个领域五个 benchmark，论文报告 held-out task 最高 +9.0，同时少 9.8% execution steps。更关键的是 RL 实验：Qwen3-8B-Base + GRPO 在 EnvHarness 环境训练后，ALFWorld ID 由 81.4 到 87.9，WebShop score 75.6→79.2、success 66.0→67.4；但 ALFWorld OOD 略降 89.6→88.8，提醒环境定制可能引入新的训练偏置。

与 wenjun 方向的关系：这非常贴近“通过环境设计催生自演化智能”。对 Dreamer-like LLM Agent，可把 EnvHarness component 视作高层 environment action，让 world model 预测某种环境改写会暴露什么 policy failure、带来多少 transfer，而不是只用当前 rollout 成败做局部搜索。

研究判断与边界：EnvHarness 最大优势是复用真实 verifier，最大风险是优化成对当前 policy 的“定制补丁”。后续必须同时看 learner improvement、held-out transfer、环境多样性和 policy–harness co-adaptation，而不能只看训练环境增益。

#4. Credit Without Ground Truth：现有 step credit 可能只是在奖励模型自己的“说话顺滑”

  • 类别：LLM Agent / Agentic RL / Credit Assignment / Evaluation
  • 标题：Credit Without Ground Truth: Auditing Step-Level Credit Assignment in LLM Agents Against Executed Replay
  • 来源与日期：arXiv:2608.19760；v1 2026-08-20；49 页，预注册分析
  • 一句话核心贡献：在 ALFWorld 的每个决策点重采样 policy 自己支持的替代 action 并执行到终局，以 outcome distribution shift 构造因果 ground truth；发现 judge、outcome-conditioned logprob ratio、policy confidence 都不能比随机更好识别真正关键步骤。

为什么值得关注？

今天 MileGPO、SkillGate、TRCA 都在设计更细的 step-level signal，这篇提供了必须正视的审计标准：step correctness 不等于 step contribution。一个动作可以表面正确但对结果无影响，也可以看起来笨拙却是不可替代的转折点。

论文在 Qwen2.5-7B policy 上对 50 条轨迹逐点 replay；在可定义 ground truth 的决策点中，只有 30.5% 有可测因果效果。不同同规模 policy 中，没有 policy-supported counterfactual 的比例可从 13.1% 到 26.8%。Implicit credit 与 policy fluency 的中位 rank correlation 达 +0.75（另一模型族复现 +0.70），而 outcome conditioning 的 partial correlation 为 -0.004。七臂预注册训练中，没有一种 credit arm 可靠超过未训练 policy；表面差异主要能被“稀疏 credit 导致 optimizer step 更少”解释。

与 wenjun 方向的关系：这是长轨迹 Agent RL / model-based counterfactual credit 的核心警报。任何 learned world model、judge 或 latent value 都不应只在 annotation 上自洽；应在共享前缀下做可执行干预，测试“换掉这一步，后续成功分布是否改变”。

研究判断与边界：结论目前来自单 Agent、单工具环境 ALFWorld，不能直接宣判所有 process reward 无效；但它足以要求未来论文报告 dose-matched training、shuffled credit control 与 replay-grounded causal fidelity。

#5. Phantom Gains：自我改进研究必须给每个“能力获得/遗忘”统计量配一个 measured null

  • 类别：Self-improvement / Continual Learning / Evaluation / Post-training
  • 标题：Phantom Gains: Auditing Self-Improvement Against a Measured Null
  • 来源与日期：arXiv:2608.20290；v1 2026-08-20
  • 代码与评测产物：chengxuphd/phantom-gains
  • 一句话核心贡献：让冻结 Qwen3-8B 走完整个自训练/评测 pipeline，测出逐题 transition statistics 自己的噪声底；证明七种常见测量做法都可在未训练模型上制造“能力获得/遗忘”。

为什么值得关注？

平均准确率相同并不代表能力集合相同，因此很多 self-improvement 工作追踪“某题从错变对、某题从对变错”。问题是两次 noisy estimate 相减会放大抽样、batching 和 decoding 不稳定性。论文发现：单次 greedy ledger 会在冻结模型上制造变化；用于区分 acquisition 与 sharpening 的 expansion statistic，冻结对照也可得到 0.280。简单要求至少两次答对仍不能消掉 null。

作者用 pooled baseline + per-problem exact test + FDR control 替代阈值法。受控比较中，外部 teacher distillation 能改善 base model 很少触及的问题，而三类 self-training 没有同等证据；self-training 还会以显著高于 measured floor 的频率破坏基线已会题目。

与 wenjun 方向的关系：self-evolving Code Agent、持续 RL 与 skill accumulation 都需要这种 control。所谓“新增能力”“减少遗忘”“技能可迁移”，至少应与 frozen pipeline、repeated rollout 和 workload-matched null 比较，否则可能把 nondeterminism 当学习。

研究判断与边界：论文审计的是 rank-32 LoRA、Qwen3-8B 与特定评测集合，不代表 self-training 原理上无效；它真正否定的是没有 measured null 的强结论。

#三、其他高相关论文与热点动态

#6. MileGPO：从 rollout graph 中找 milestone、trap 与同状态 sibling evidence

论文报告 ALFWorld ID/OOD 为 96.29/94.60，ID–OOD gap 1.69；相对 GraphGPO，ALFWorld overall +3.13，WebShop success +3.78。它是很有潜力的低成本 credit 方法，但应与上面的 executed-replay audit 联读：same-state observed siblings 比纯 judge 更接近 counterfactual，却仍不等于真正执行所有替代 action 的因果 ground truth。

#7. SAPO：一个自回归 backbone 同时做 policy、state value 与 action value

Qwen2.5-1.5B/7B 的 ALFWorld、WebShop 实验中，论文报告相对 PPO/GRPO 平均 +15.1/+12.1 pp，且去掉独立 critic 模型、每轮耗时比 PPO 少 33.2%。值得关注的是 memory-efficient actor–critic，而不是把大幅增益直接外推到更复杂 harness。

#8. Break It Down, Pass It On：task-level skill 平均有害，subtask-level text skill 才更能迁移

  • 类别：LLM Agent / Continual Learning / Skill Memory / Self-evolution
  • 标题：Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents
  • 来源与日期：arXiv:2608.20274；v1 2026-08-20
  • 一句话贡献：在 AppWorld、OfficeBench、KramaBench 与 11 个模型上控制比较 induction granularity × skill format，并提出 specificity × abstractness 的 execution-free skill utility。

整任务 text/code skill 相对 no-memory 平均 -1.2/-4.1；subtask-level 则 +1.9/+0.5。同粒度下 text skill 比 code skill平均高 1.4–2.9 点。最重要的不是“文本优于代码”这一局部结果，而是 skill 必须同时足够贴近真实 subproblem、又能跨任务复用；过于完整的成功轨迹总结往往携带无关前提和 source-task 偶然性。

#9. MemTrapBench：相关且正确的记忆，也可能让当前推理变差

  • 类别：LLM Agent / Memory / Evaluation / Continual Learning
  • 标题：MemTrapBench: Benchmarking Cognitive Traps in LLM Memory Use
  • 来源与日期：arXiv:2608.20202；v1 2026-08-20；HF Papers 8 月 20 日榜单
  • 项目：zjunlp/MemTrapBench（当前仅 README，暂不列复现 Top 3）
  • 一句话贡献：构造 Reasoning Fixation 与 Belief Distortion 两类 memory-induced trap；五种 memory framework 全部低于 no-memory，最强者也下降超过 10%。

这与 skill transfer 结果共同说明：memory relevance 不是 utility。Agent 需要 remember / verify / ignore / ask / overwrite 的 meta-policy，而不是检索后默认服从。

#10. StateMemBench / StateMem：memory 要存当前世界状态，而不是一堆相互冲突的历史事实

  • 类别：LLM Agent / Memory / Continual Learning / State Tracking
  • 标题：Can Agent Memory Systems Track Evolving State?
  • 来源与日期：arXiv:2608.19652；v1 2026-08-20
  • 一句话贡献：用 234 个多 session 场景显式区分 current state 与 superseded state；StateMem 维护 supersession 与 relational dependency，再以单调用 wrapper 套在现有 memory backend 上。

DeepSeek-V4-Flash current-state accuracy 从 0.205→0.363；Qwen3.5-9B 相对最强 memory 从 0.149→0.233。wrapper 在六种 memory/retrieval backend 上提升 32–67 points，cost/length-matched control 仍有 15–32 点来自 state structure。对 Code Agent，architecture decision、API contract、实验结论和用户意图都应是可更新状态，而不是相似文本集合。

#11. Orthogonal JEPA：把 monolithic latent state 拆成互补 predictive factors

  • 类别：Model-based RL / Latent Reasoning / World Model
  • 标题：Orthogonal JEPA: Factorized Predictive States for Latent World Models
  • 来源与日期：arXiv:2608.20065；v1 2026-08-20
  • 一句话贡献：用多组 learned basis 与独立 prediction branch 分解 target latent，配合正交、factor activity 和 variance regularization，减少主导信号重复占用容量。

在 500 条 random-action trajectory 训练的 MuJoCo CEM planning 中，Walker2d return 从标准 JEPA 4.9±12.6 到 45.1±11.2，InvertedPendulum 从 18.1±2.3 到 30.6±3.8；还测了 100-step molecular rollout。它对 wenjun 的启发是：LLM Agent latent state 可以按 goal / belief / dynamics / constraint / uncertainty 分 factor，但“正交”不等于语义独立，也不保证 planner 真使用，应继续配合 decision-metric / intervention audit。

#12. SWE-bench Science：领域知识既能约束修复，也会造成错误锚定

失败集中在科学抽象不足、误导探索/表面修复、集成覆盖不全、知识无法迁移。配对消融说明：grounded scientific information 可提高平均表现与 token efficiency，但 poorly aligned guidance 会 anchoring，且不保证 exact repair。对 agent pretraining data 的含义是：领域知识必须绑定 executable evidence 与适用条件。

#13. Repo0：从自然语言需求到完整仓库时，架构状态必须持续演化

  • 类别：Code Agent / Intent Understanding / Planning / Self-evolution
  • 标题：Repo0: Design-Driven Zero-to-All Code Generation
  • 来源与日期：arXiv:2608.19854；v1 2026-08-20；HF Papers 8 月 20 日榜单
  • 代码：cslsolow/Repo0
  • 一句话贡献：显式维护 requirement DAG、component DAG 及二者 alignment，根据 modularity metric 持续做 structural action，收敛后再指导 TDD 代码生成。

六个 RepoCraft 仓库、GPT-5 mini / DeepSeek V3.2 上，相对最强 repository-planning baseline，Functionality Coverage 提高 4.55–20.08 pp，Pass Rate 提高 7.61–29.74 pp。对“指令→意图”研究，Dual-DAG 是一个可执行的中间 state：用户需求不是一次性 prompt，而是必须持续映射到组件、依赖、测试与变更影响。

#14. Outcome Monitors：silent tool failure 需要 outcome contract + 明确 recovery affordance

  • 类别：Tool-use / LLM Agent / Systems / Recovery
  • 标题：Outcome Monitors: Recovery Affordances for Silent Tool Failures
  • 来源与日期：arXiv:2608.19303；v1 2026-08-19
  • 一句话贡献：从 task-disjoint traces 或 public schema 中挖 outcome contract；返回值违反合同时不删除结果，而是附带 violated property 与可用 recovery tools。

ToolMaze completion 从 10.9%→28.1%，τ-bench retail 两档分别 +14/+12 点。对照实验显示，真正起作用的是 recovery-tool list，而不是更多诊断文字或更早提示。这提示工具可靠性不只要检测 anomaly，还要把可恢复 action space 暴露给 policy。

#四、今日最值得精读的 3 篇

  1. AI4AI-Bench：最贴近“自演化 Agent 能否反过来改进基础模型训练机制”；重点看 algorithm change 与 run tuning 如何区分、proxy/final metric 如何隔离。
  2. MidTool：最贴近 agent pretraining data 与能力形成；重点看 20.3B mixture、context-grounded synthesis、AWM rollout、SFT/RL 接力和数据消融缺口。
  3. Credit Without Ground Truth：最贴近长轨迹 credit assignment；重点看 executed replay、policy-supported counterfactual、measurability map 与 dose-matched training。

强烈候补：做环境自演化时换成 EnvHarness；做 self-training 测量时换成 Phantom Gains。

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

  1. Repo / Benchmark — Einsia/AI4AI-Bench：GitHub API 核验包含 tasks/、orchestrator/、tools/、license 与 pyproject；适合研究算法搜索、clean retrain 和 hidden evaluator。
  2. Repo — google-research/envharness：包含 envharness/、experiments/、rl/、scripts/、tests/，不是论文占位页；适合复现 environment component、EnvRigger 与 GRPO 环境对照。
  3. Dataset / Benchmark — OpenMOSS/SWE-bench-Science（代码）：GitHub 已含 manifests、profiles、scripts、tests 与 HF 数据发布结构；适合做 scientific abstraction、knowledge grounding 与错误 anchoring。

额外推荐：MidTool release 是今天最值得跟进的数据/模型集合，但本次匿名 HTTP 请求返回 401，论文给出的 collection 链接可见性需要稍后复核；Repo0 与 phantom-gains 均已核验为有代码/测试/结果的实仓库。

#六、研究机会 / Idea

#Idea 1：Causal Credit Benchmark for Long-Horizon Code Agents

把 MileGPO 的低成本 rollout-graph credit 与 executed replay ground truth 合并：

  • 在共享 repository checkpoint 上采样 sibling edits / tool actions；
  • 用 sandbox 从 checkpoint 重放到 acceptance tests，得到真实 outcome shift；
  • 对比 LLM judge、logprob、confidence、milestone、world-model counterfactual 的 causal fidelity；
  • 训练时严格匹配 optimizer dose、被保留 token 数和 rollout budget；
  • 测试 credit fidelity 能否预测真实训练收益，而不只预测 annotated correctness。

这能回答一个关键问题：哪类廉价 credit estimator 在什么 state/action regime 下，能逼近昂贵 executed counterfactual？

#Idea 2：Agent-Native Mid-Training Data Causal Accounting

围绕 MidTool 做可解释的数据能力归因，不只比较 final mixture：

  • source technical text vs context-grounded QA/trajectory；
  • API/MCP schema vs executable environment rollout；
  • successful trajectory vs failed/recovery/branch trajectory；
  • atomic tool call vs long workflow；
  • exact/semantic dedup 强度、repo-level contamination 与 benchmark blacklist；
  • 先测 affordance recognition、argument grounding、state tracking、recovery，再测 BFCL/τ2/MCP final success。

目标是得到“哪种数据塑造哪种 agent primitive”的 scaling map，为 agent 预训练数据配比提供机制解释。

#Idea 3：World-Model-Guided Environment Harness Co-Evolution

把 EnvHarness 从 LLM 生成 + fresh rollout 验证升级为 model-based curriculum optimization：

  • world model 输入 policy failure trace、当前 harness 与能力 probe；
  • action 是添加/修改 stage、contract、feedback、chain、tool availability；
  • 预测 learner improvement、held-out transfer、reward-hacking 风险和环境成本；
  • 用真实训练结果更新 environment-effect model；
  • 对 OOD 略降等 negative transfer 设置安全约束。

这会把“Dreamer for LLM Agent”从预测环境 transition 扩展到预测 训练环境改动如何改变 learner。

#七、今日研究判断

今天最连贯的一条主线是：

自演化 Agent 的瓶颈已经不只是生成更多轨迹，而是能否严谨区分“真的改变了学习/能力/因果贡献”与“只改变了运行方式、测量噪声或模型自身偏好”。

  • AI4AI-Bench 区分改 learning algorithm 与调 run；
  • Phantom Gains 区分真实能力 transition 与 pipeline null；
  • executed-replay audit 区分 step correctness / fluency 与 causal contribution；
  • MidTool 追问 agent 能力应在什么训练阶段、由什么数据形成；
  • EnvHarness 追问训练环境如何持续跟随 learner，而又不丢 verifier 与 OOD transfer；
  • skill/memory 两条线则共同说明，保存更多历史并不等于能力更强，粒度、状态语义、supersession 与使用策略才是核心。

对 wenjun 当前主线，我最看好的交叉问题是：

建立一个“可测量的自演化 LLM Agent”闭环：agent-native mid-training 形成工具与 world-model primitives，programmable environment harness 生成能力边界任务，executed counterfactual 校准长轨迹 credit，所有能力获得/遗忘再通过 frozen measured null 审计。

鼠鼠研究站 · 自动整理调研 / 论文 / 历史主题