每日调研 2026-10-13 ★★★★☆ daily AI LLM Agent Code Intelligence Research Briefing

#2026-10-13 AI/LLM 最新论文与研究热点简报

信息窗口：HF Daily Papers 2026-10-12 榜单（覆盖 10-08 ~ 10-09 提交的新论文），GitHub Trending（daily）。本简报发布于 2026-10-13 08:00（Asia/Shanghai）。

来源说明（透明化）：

Hugging Face Daily Papers API（/api/daily_papers?date=2026-10-12）可用，共抓取 50 篇新论文并按 upvote 排序、按 wenjun 关注关键词过滤；
arXiv API（export.arxiv.org）今晨持续返回 429 限流，无法直接拉取最近提交列表，改用 HF Daily Papers 所收录论文的 arXiv ID 反查链接（这些论文均发布于 arXiv，ID 真实可查）；
X/Twitter 从本环境不可访问，按既定策略以项目页/GitHub/HF 替代；
Google Scholar 无公开 API，同样以 HF + GitHub trending 替代。

#一、核心论文精选（按与 wenjun 方向的相关度排序）

#1. RSI-Anything: Unlocking Recursive Self-Improvement with World Models ⭐ 重点

链接：https://arxiv.org/abs/2610.13912
来源：HF Daily Papers 10-12 榜（30 upvotes）；GitHub: https://github.com/Gen-Verse/RSI-Anything ；数据集: https://huggingface.co/datasets/Gen-Verse/RSI-Anything
日期：2026-10-09
类别：Model-based RL / LLM Agent / Self-Evolving Agent
一句话贡献：基于 JEPA-Anything 预测式世界模型做递归自改进（RSI）的领域通用框架——用世界模型引导动作选择与学习数据选择，用组件与兼容性检查决定"策略-模型"更新对的保留，代码修复 26.3%→31.2%，实验室规划分数五轮迭代翻倍（21.80%→46.01%）。

为什么值得关注：这是"world model + LLM agent 自改进"方向的直接命中。它把 Dreamer 一系"用学到的世界模型做规划/数据选择"的思路迁移到 agent 递归自改进循环中，且明确处理了两个此前被忽略的问题：(1) 策略演化后世界模型预测漂移（通过条件化世界模型自适应解决）；(2) 保留哪些更新（通过 component/compatibility check 而非盲目保留）。这正是 wenjun 关注的 model-based RL for LLM Agent 的核心痛点。

与 wenjun 研究的关系：可以直接对标你关注的 "Dreamer for LLM Agent" 主线——它给出了"预测式世界模型如何参与 agent 的经验转化"的首个跨领域实证；其"策略-世界模型共演化 + 兼容性门控"机制可以搬到长轨迹 agent RL 里做 model-based 数据选择与 rollout 长度控制。

#2. SoftwareGym: Scaling Computer-Use Agent Training with Diverse Synthesized Software Environments

链接：https://arxiv.org/abs/2610.12611
来源：HF Daily Papers 10-12 榜（83 upvotes，当日第 4）；GitHub: https://github.com/MrKiing-Jin/SoftwareGym
日期：2026-10-08
类别：LLM Agent / Computer-Use / 环境设计
一句话贡献：自动合成带可执行功能、运行时验证行为、结构多样 GUI 软件环境的 pipeline（182 个应用、12 类、平均 GUI 任务通过率 91.5%），用合成环境轨迹训练 CUA，使严格 out-of-domain 的 OSWorld Pass@3 从 41.39% 提升到 56.97%。

为什么值得关注：答案直接回应"通过环境设计催生自演化智能"这条主线——不再手工构造环境，而是"生成式环境工厂 + 迭代修复"，且证明了合成环境监督能迁移到真实 OOD 基准。CUA 训练数据的可扩展性问题（原生应用环境建造成本高、浏览器环境交互深度不足）被系统地解决了。

与 wenjun 研究的关系：环境合成 pipeline 是 agent 预训练数据工程的模板；"GUI 评估 + 迭代修复保证功能可靠性"这一环可以直接迁移到代码 agent 训练环境（比如 repo 级沙箱合成）上。

#3. ProgramGym: Scaling Training Environments for Long-Horizon Program Reproduction Agents ⭐ 重点

链接：https://arxiv.org/abs/2610.13395
来源：HF Daily Papers 10-12 榜（48 upvotes）；GitHub: https://github.com/Acm1011/ProgramGym ；项目页: https://programgym.github.io/
日期：2026-10-09
类别：Code Agent / Long-Horizon Agent / RL 环境
一句话贡献：从代码仓库自动构建"程序复现"可验证训练环境（反馈驱动修复沙箱构建与黑盒测试质量），得到 1648 个跨 C/C++/Go/Rust 的环境；配套 role-isolated（分析/实现/评审）工作流 + 编译检查 + 失败恢复的 Program-Agent，把 Qwen3.8-27B 从 34.87% 提到 42.84%（SFT）乃至 56.25%（agent 工作流），超过部分旗舰模型。

为什么值得关注：这是"长时程代码 agent 的 RLVR 环境规模化"范例。现有 coding agent 环境多是 issue-fix 型（bug 定位+补丁），而 ProgramGym 强迫 agent 自己发现需求、决定系统设计——这更接近真实软件工程，也是"从指令理解走向意图理解"在代码域的具体形态。可验证环境数量（1648 个）跨 4 种系统级语言，是目前该类环境最大规模之一。

与 wenjun 研究的关系：与 self-evolving code agent / agentic RL 直接相关：(1) 环境构造 pipeline（repo→可验证环境）可作为 agentic RL 的数据/环境基础设施；(2) role-isolated 工作流把"长轨迹"拆成职责隔离的子轨迹，是长轨迹 credit assignment 的一种工程解法，值得与 GIGPO/HGPO 一类的分组方法对照。

#4. Judging in Latent Space (LatentGRM): Efficient Generative Reward Modeling via Semantics-Preserving Compression ⭐ 重点

链接：https://arxiv.org/abs/2610.09788
来源：HF Daily papers 10-12 榜（16 upvotes）；GitHub: https://github.com/EADMO/LatentGRM
日期：2026-10-08
类别：Latent Reasoning / Post-training RL / Reward Modeling / 评测
一句话贡献：把 rubric 引导的生成式 judge 过程压缩到连续潜空间轨迹中（8.9-9.2x 轨迹压缩、6.1-7.0x 推理加速），不生成文本评语也能做出 pairwise 判断，并用单独的 interpreter 把潜轨迹还原成评语文本，验证压缩保留 criterion 依赖的偏好信息。

为什么值得关注：这是"latent-space reasoning 用于 reward modeling"的第一批正式工作之一。它给了潜空间推理一个可度量、可复现的落地场景：reward model 推理成本是 agent RL 的主要瓶颈之一（vote@5 类投票 judge 尤其贵），latent judge 把成本压掉一个量级且准确率不掉。

与 wenjun 研究的关系：双命中：潜空间推理 + post-training RL。其"rubric 结构引导压缩"的思路可迁移到 latent CoT（COCONUT 一系）——如何保证潜空间推理保语义，LatentGRM 用 reconstruction interpreter 给出了一个可检验的方案；对 agent RL 而言，latent judge 直接降低 process reward 的成本。

#5. EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents

链接：https://arxiv.org/abs/2610.13021
清单来源：HF Daily Papers 10-12 榜（62 upvotes）；GitHub: https://github.com/PKU-VaLuE-Lab/EmbodiedCLBench ；项目页: https://pku-value-lab.github.io/EmbodiedCLBench-homepage/
日期：2026-10-09
类别：Continual Learning / LLM Agent / 评测
一句话贡献：第一个具身仿真环境下的 agent 持续学习基准，以组合泛化为核心评估原则（先学基础任务、再重组技能解决未见复杂任务），核心发现：基础任务经验带来稳定提升，但"提升不随学习样本数扩展"——当前 agent 无法从更多经验中提取有意义信息。

与 wenjun 研究的关系：这个"经验不随样本数 scale"的负结果很有信息量：它指出 agent 经验→能力的转化率是瓶颈，而非数据量。这与你关注的"agent 预训练数据如何塑造能力"、"经验回放/反思式持续学习"直接相关——经验蒸馏效率是个值得投入的问题。

#6. Continually Post-training Small Models via Synthetic Self-distillation (SynthSelf)

链接：https://arxiv.org/abs/2610.13113
来源：HF Daily Papers 10-12 榜（41 upvotes）
日期：2026-10-09
类别：Continual Learning / 高效后训练
一句话贡献：发现小模型上 SDFT 失败的根因是分布偏移（acquisition/forgetting 与 post-trained 模型分布偏移线性相关），提出用"同家族略大的 aligner 模型"做合成自蒸馏来模仿 SDFT 的 in-distribution 重写，在 4 个 acquisition 数据集 × 14 个 retention 基准上超过 6 种方法。

与 wenjun 研究的关系：LLM 持续学习与高效后训练方向的扎实工作。"in-distribution learning 是持续学习的关键"这一线性相关性发现本身就有方法论价值，可用于诊断任何持续后训练 setup。

#7. Stateless Language Agents (SLA): Scaling Long-Horizon Automated Research

链接：https://arxiv.org/abs/2610.07625
来源：HF Daily Papers 10-12 榜（18 upvotes）；GitHub: https://github.com/Alex-q-z/stateless-language-agents
日期：2026-10-06
类别：LLM Agent / 长时程 / Systems
一句话贡献：提出 "stateful search + stateless agents" 架构原则：agent 不携带对话历史，harness 持有研究状态并为每次调用重建角色特异的上下文；在 10 亿 token 预算的软件工程/内核优化/算法设计任务上全面胜过三个近期框架，用少于 84% 的 token 达到最强 kernel 基线的最终性能。

与 wenjun 研究的关系：通用上下文压缩器方向的替代思路——不是压缩历史，而是"重构上下文"。对长轨迹 RL 很有启发：rollout 时 context 构造本身是一个可控的设计变量（ akin to 部分可观测 MDP 中的 belief state 构造），而不是被动累积的日志。

#8. ReHarness: Recurrent Harness for Agentic Continual Learning

链接：https://arxiv.org/abs/2610.12668
来源：HF Daily Papers 10-12 次榜（16 upvotes）
日期：2026-10-10
类别：Continual Learning / LLM Agent / Harness 设计
一句话贡献：给 agent harness 加"反向修正"：每个实例结束后用产生的轨迹作为反馈去修订"该实例检索到的 reflections"，把反馈沿文本 harness 状态向后传播；在三个持续学习基准、三个 backbone 上超过 raw-context、memory/reflection 与 prompt 优化基线，并在分布偏移下修正过泛化/过时经验。

与 wenjun 研究的关系：与你近期"agent 持续学习/自演化 harness"兴趣点直接重叠。与 SLA（第 7 条）构成一组很好的对照：SLA 主张"状态外置+上下文重构"，ReHarness 主张"状态内化+反向传播修正"，两者都是对 naive 长上下文记忆的反思。

#9. SWE-Duel: Towards a Self-Scaling Arena for Coding Agents

Link: https://arxiv.org/abs/2610.12569
来源：HF Daily Papers 10-12 榜（20 upvotes）；GitHub: https://github.com/sweduel/SWE-Duel ；项目页: https://sweduel.github.io
日期：2026-10-08
类别：Code Agent / 评测
一句话贡献：提出"自扩展竞技场"评测范式：两个 coding agent 在镜像红蓝轮次中互为出题人与解题人——Red 提出新功能并埋 bug + 密封触发测试，PR 需通过"盲修复可行性"门控才被收录；11 个模型-harness 组合、15 个仓库、5 种语言、1500 轮的锦标赛显示 GPT-5.5+Codex CLI 是最强 solver（98.3% 修复率），Claude Opus 4.8+mini-swe-agent 是最强出题人。

与 wenjun 研究的关系：解决 coding 基准泄漏与饱和问题（SWE-bench 类静态基准被训练数据污染），"评测时生成任务"的思路与自演化训练环境同源，对你的 agentic RL 训练环境设计有直接参考价值。

#10. When Do We Need On-Policy Distillation? (Semi-OPD)

链接：https://arxiv.org/abs/2610.11291
来源：HF Daily Papers 10-12 棷（17 upvotes）
日期：2026-10-08
类别：Post-training / Distillation
一句话贡献：17 组 1.5B-235B 师生对上系统比较发现：用学生初始 rollout 的离线蒸馏（Semi-OPD）在 14/17 组上优于 on-policy 蒸馏（最高 +13.6% 准确率、11.4x 加速），并用 output-token overlap ratio 给出何时该用 OPD 的判据——只有师生输出高度重合时 OPD 才有利。

与 wenjun 研究的关系：对高效后训练/蒸馏管线有直接实用价值；"on-policyness 需同时相对 teacher 和 student 成立"的分析框架，对 agent RL 中的 off-policy 数据复用判断同样适用。

#11. One Model to Loop Them All: Elastic Latent Recurrence (ELR)

链接: https://arxiv.org/abs/2610.12582
来源：HF Daily Papers 10-12 榜（3 upvotes，低关注但方向契合）
日期：2026-10-08
类别：Latent Reasoning / Pretraining 架构
一句话贡献：训练"循环潜空间 LM"的新配方（门控状态更新+学习步长、混合 loop 数、loop index/budget 条件化），消除 one-loop tax：一个 checkpoint 既能以一循环等价同尺寸非循环模型，又能加循环换精度，且晚接入 mixed-depth 比从头训更优。

与 wenjun 研究的关系：潜空间推理的架构侧进展。Latent recurrence = 用同一块层反复计算换取测试时自适应计算，与 test-time scaling / 潜空间 CoT 高度相关，ELR 解决的 "one-loop tax" 是这类模型走向实用的关键障碍。

#12. Surfing the Activation Wave: LLM Hidden States for Speculative Decoding

链接：https://arxiv.org/abs/2610.12939
来源：HF Daily Papers 10-12 榜（13 upvotes）
日期：2026-10-09
类别：Systems / Mechanistic Interpretability
一句话贡献：用 matrix-entropy（信息量）+ CKA（冗余度）双准则做 speculative decoding 的多层隐状态选择，替代固定位置启发式（如 [2, N//2, N-3]），并引入 token-entropy 过滤提升层选择统计质量。

与 wenjun 研究的关系：属于"隐状态几何/信息量分析"的方法学工作，其 matrix-entropy + CKA 工具箱可用于任何需要分析 LLM 内部表征的场景（包括潜空间推理的表征分析）。

#13. 其他值得留意（一句话带过）

TIPS: Inducing Process Supervision from Outcome-Only RL（https://arxiv.org/abs/2609.36641 ，10-12 榜 18 up，Post-training RL）：仅用 outcome 标签的 RL 训练生成式 PRM，3.2K 轨迹在 ProcessBench 达 85.2 F1 超过 GPT-5.4/Claude-4.7 judge——outcome-only RL 能自发强化 step 级验证能力，对长轨迹 RL 的 process reward 获取是重要证据。
Video-RSI: Recursive Self-Improvement via Harness Evolution（https://arxiv.org/abs/2609.37950 ，10-12 榜 11 up，LLM Agent）：用模型自身修订 harness 实现视频理解 agent 的递归自改进，代价感知地决定保留哪些修订——与 RSI-Anything 同一主线，可对照阅读。
Work2Skill（https://arxiv.org/abs/2610.12984 ，10-12 榜 39 up，Tool-use/Skill Induction）：首个同步多模态人类桌面 GUI 演示数据集（WorkDemo-350），从人类经验归纳可复用 agent skill——"agent 预训练数据"来自人类演示这一支线。
Coding-Agent Benchmarks Should Match Their Users' Task Flows（https://arxiv.org/abs/2610.09633 ，JetBrains，10-12 榜 11 up，Code Agent 评测）：基于 4782 个真实 IDE 会话指出静态基准的任务流分布与真实使用差异巨大，发布 SWE-TaskFlow 转换方法。
Universal Textual Teaching (UTT)（https://arxiv.org/abs/2610.12114 ，10-12 榜 10 up，Distillation/知识迁移）：免参数更新的蒸馏——把师生差距蒸馏成可解释、跨模型复用的自然语言 Primer（KernelBench 9.4%→48.6%）。
The Life Cycle of a Massive Activation（https://arxiv.org/abs/2610.00423 ，10-12 榜，Mechanistic）：attention sink/massive activation 的生命周期分析，发现 weight decay 因果控制全局激活尺度更替——基础模型训练机制的微观证据。
MetaKernelBench（https://arxiv.org/abs/2610.05014 ，10-12 榜 16 up，Code Agent/Skill Transfer）：测量跨 DSL 的 GPU kernel 经验迁移价值（paired lift -19%~+29%），首测"蒸馏出的技能是否真的可复用"。

morluto/rea（https://github.com/morluto/rea ，45,327 stars/day）：agent 反向工程一切——从应用行为到原生二进制。热度爆表，方向是 agent × 逆向工程。
mksglu/context-mode（https://github.com/mksglu/context-mode ，246 stars/day）：AI coding agent 的上下文窗口优化——沙箱化工具输出（98% 缩减）+ 持久会话记忆。与"通用上下文压缩器"方向直接相关。
Alishahryar1/free-claude-code（626 stars/day）：多 harness 免费 token 渠道聚合，工程侧动向。
lyogavin/airllm（879 stars/day）：单张 4GB GPU 推理 2.8T 参数模型，推理系统侧。

注：X/Twitter 不可达，机构动态以 GitHub/HF 替代；今日无重大机构博客更新可确认。

#三、今日最值得精读的 3 篇

RSI-Anything（https://arxiv.org/abs/2610.13912 ）——world model 驱动的递归自改进，直接命中 model-based RL + 自演化 agent 交叉点。
ProgramGym（https://arxiv.org/abs/2610.13395 ）——长时程代码 agent 可验证环境的规模化范例，1648 个跨语言环境 + role-isolated 工作流。
LatentGRM（https://arxiv.org/abs/2610.09788 ）——潜空间推理在 reward modeling 的落地，压缩 8.9x/加速 6.1x 且保留判断质量。

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

Gen-Verse/RSI-Anything（https://github.com/Gen-Verse/RSI-Anything ）+ HF 数据集：JEPA 世界模型 + RSI 的完整开源栈，值得复现其 policy-model 兼容性门控。
Acm1011/ProgramGym（https://github.com/Acm1011/ProgramGym ）：1648 个可验证程序复现环境，可作为代码 agent RL 的现成训练环境池。
mksglu/context-mode（https://github.com/mksglu/context-mode ）：coding agent 上下文压缩 + 会话记忆持久化的实用工具，可与学术线（SLA/ReHarness）对照。

#五、研究机会 / idea

世界模型引导的长轨迹 agent 经验选择：RSI-Anything 证明世界模型可以选择"哪些经验值得学"，但它做的是数据选择而非 rollout 内的 credit assignment。一个自然的深挖方向：在长轨迹 agent RL（如 GIGPO/HGPO 分组框架）中，用潜空间世界模型预测每步的 outcome advantage，替代昂贵的 Monte Carlo rollout——即 "latent model-based credit assignment"。EmbodiedCLBench 的负结果（经验不随样本数 scale）恰好暗示：瓶颈在经验→信号的转化效率，而非数据量。
Harness 状态的显式 MDP 化：SLA（状态外置+重构）与 ReHarness（状态内化+反向修正）都把 harness/context 视为可学习对象，但都停留在工程层。把 harness 状态定义为 MDP 的一部分（belief-state construction），用 RL 直接优化"给 agent 看什么"，可以统一这两条线，并与"通用上下文压缩器"形成理论对照：压缩器最小化信息损失，harness 学习最大化任务效用——两者间存在明确的可形式化的 trade-off。
Latent process reward 的可信性：LatentGRM 证明潜轨迹能保留 criterion 依赖的偏好信息，但只验证了 pairwise judge。对长轨迹 agent RL 更重要的是 step-level latent reward——可检验的问题：latent 判断是否保持步级可分解性（能否定位到具体错误步），以及 latent PRM 与 TIPS（outcome-only RL 诱导 process supervision）能否组合成"低成本 latent PRM 训练配方"。

本简报由 Hermes Agent 自动生成；来源访问受限情况已在文首说明。