每日调研 2026-10-24 ★★★★☆ daily AI LLM Agent Code Intelligence Research Briefing

#2026-10-24 AI/LLM 最新论文与研究热点简报

检索时间：2026-10-24 08:00 (Asia/Shanghai)。覆盖说明：arXiv 公开 API 的最新全量批次为 2026-10-22 提交（150 条全量拉取，逐条按 wenjun 方向过滤；10-23 批次尚未通过 API 公开）。Hugging Face Daily Papers 最新榜单为 10-23（50 篇），其中大部分条目为 10-16～10-22 批次论文，本期已择优合并。上期（2026-10-20）已详述的论文（Darwin-Claw、TreeOPSD、Execution Before Memory、GlobeBench、LEV、Looped Models Done Right 等）不再重复展开。本期主覆盖 10-22 批次（10-21～10-22 两天提交），HF 10-23 榜单里上两期未覆盖的 10-16～10-20 条目作为补充，整体时间范围约最近 2-4 天。
核心来源：arXiv API（cs.AI/cs.CL/cs.LG/cs.SE 按提交时间倒序 150 条 + 指定 ID 精确回查摘要与作者）+ Hugging Face Daily Papers API（10-23 榜单，含摘要/AI 关键词/项目页/GitHub）+ GitHub Trending weekly 页面解析 + GitHub REST API（repo 元数据核验：stars/创建时间/最近 push）。X/Twitter 不可直接访问，未纳入检索，已注明（以项目页/GitHub/arXiv 替代）。
主题观察：本期最强的信号是 "agentic RL 的 credit assignment 正在从启发式走向原理化"——TWICE 用"孪生世界"同噪声耦合把反事实优势的方差压低一个量级、RIPPLE 把恢复行为拆成阶段化局部 credit、AOPD 用 advantage 重加权 teacher 监督、RouteWeaver 把轨迹优势解耦成模式选择与执行两层——同一个问题的四种解法在一周内同现。第二条主线：记忆方向的"清算时刻"——Raw-RAG 证明朴素 RAG 在对话记忆任务上碾压复杂 agent 记忆系统、The Value of Memory 给出决策论式的记忆价值度量、State Integrity Collapse 证明"记得但不再遵守"是行为漂移而非遗忘——记忆领域同时被"方法祛魅"和"理论补课"两头挤压，正在进入重新洗牌期。

#一、核心论文精选（按与 wenjun 方向的相关度排序）

#1. TWICE: Twin-World Credit Assignment for Agentic Reinforcement Learning ⭐ 重点

链接：https://arxiv.org/abs/2610.31544
来源：arXiv cs.LG，2026-10-22 提交；作者 Zeropy Surio, Tobias Engel, Mei-Lin Chou, Anika Raman, Samuel Okafor
类别：Post-training RL / LLM Agent / Credit Assignment
一句话核心：指出反事实分支（counterfactual branching）做 credit assignment 的根本缺陷——分支轨迹独立采样噪声，导致"决策的因果效应"与"后续运气"混在一起；利用 agentic search 中 retriever/corpus/grader 均为确定性这一观察，提出"孪生世界"：把每个 token 的 Gumbel 噪声按 (turn, line) 键控，反事实分支继承事实轨迹的下游噪声，从而配对差异就是纯决策效应。

为什么值得关注：这是本期方法论上最锋利的一篇。它形式化了"luck vs choice"的分离：孪生 credit 对任意耦合质量无偏，方差是独立反事实的 (1-ρ) 倍（ρ 为孪生结果相关性），且把"分辨大小为 Δ 的优势所需 rollout 数"从 Θ(Δ⁻²) 降到 Θ(Δ⁻¹)——对熟悉 bandit/重要性采样理论的读者，这是一个把 common random numbers 技术系统引入 agentic RL 的完整工作。实验上 7 个 QA 基准平均提升 GRPO 5.3/4.5 点（Qwen2.5-3B/7B），辅助 token 比 VinePPO 少 68%。

与 wenjun 研究方向的关系：直接命中长轨迹 RL / agentic RL 的 credit assignment 主线。上期 TreeOPSD 做的是树结构后验蒸馏（模型层），TWICE 做的是噪声耦合反事实（估计层）——两者正交，可组合。"环境确定性 ⇒ 同噪声反事实可实现"这一观察对 LLM agent 环境普遍成立（工具调用、检索、编译执行都是确定性的），适用面极宽。

#2. RIPPLE: Recovery Internalization for Long-Horizon Agentic Coding ⭐ 重点

链接：https://arxiv.org/abs/2610.31276
来源：arXiv cs.AI，2026-10-22 提交；作者 Jingxuan Xu, Zihang Xu, Yuechen Luo 等
类别：Code Agent / Post-training RL / Long-Horizon
一句话核心：命名并测量长时程代码 agent 的 Critique-to-Action Handoff Gap——agent 能对失败生成看似合理的批评，却继续沿错误轨迹走；RIPPLE 用 prefix-only teacher（只看前缀、不看未来动作和终局）提供有证据依据的恢复监督，轻量蒸馏后用 RL 给"触发反思/诊断/纠正动作"三个阶段分别分配 credit，局部有效性信号门控轨迹优势，使中间恢复决策不盲目继承终局结果。

为什么值得关注：上期简报提到 SWE-at-Scale 一类工作把规模化 agentic RL 推向真实仓库级任务，RIPPLE 补上了其中最薄弱的一环：恢复行为的内化。它把"会批评"和"会改"分离成可测量的 gap，再证明阶段化局部 credit 优于让恢复决策搭终局 reward 的便车——这是过程奖励在代码 agent 场景的一次干净落地。4 个仓库级基准平均 +4.8 分，部署时无需辅助 critic。

与 wenjun 研究方向的关系：命中 agentic code RL + 长时程 credit assignment 双线。TWICE 解决"给哪一步 credit"，RIPPLE 解决"给恢复行为的哪个子阶段 credit"，是同一问题的两个粒度。若你在做代码 agent RL，prefix-only teacher 蒸馏 + 阶段化门控优势这条流水线可直接复用。

#3. LaLa-World: Scaling Latent World Models with Natural Language Actions ⭐ 重点

链接：https://arxiv.org/abs/2610.27851（v2 更新；HF Daily 10-23 榜单收录）
来源：arXiv cs.RO/cs.CV/cs.LG，2026-10-20 提交、v2 于本周更新；NAVER/EU 作者（Junha Song, Sangdoo Yun 等）
类别：Model-based RL / Latent World Model / Tool-use
一句话核心：证明 JEPA 式 latent world model 可以借语言条件接口跨域联合训练：把数值动作和视觉变化都描述成语言，单一 future predictor 就能同时吃仿真轨迹、机器人轨迹和普通图像/视频数据；predictor 直接建在语言模型上，支持 MPC"想象规划"，比视频生成式世界模型基线训练省 6×、规划快 13.9×，还能作为 LaLa-Policy 的初始化。

为什么值得关注：这是"LLM model-based RL / Dreamer for LLM Agent"路线在具身侧的一次关键结构验证：语言既是动作接口又是世界模型的骨干。它绕开了"为每个域单独训一个世界模型"的老路，用语言做跨域对齐介质——这个"语言作为统一动作空间"的思想对纯文本 agent 的世界模型同样适用（把工具调用/状态变更统一编码为语言条件）。

与 wenjun 研究方向的关系：正中 model-based RL for LLM Agent 近期重点。"数值动作 + 视觉变化统一进语言"这一设计可直接迁移到文本环境：agent 轨迹里的工具调用与环境状态变更本就是自然语言序列，LaLa-World 提供了"LM 作为 latent dynamics predictor + 语言条件动作 + 规划时想象 rollout"的完整参考实现（含 MPC 细节和 5.5× 推理加速数据）。

#4. Raw-RAG: Naive RAG Is Stronger Than We Thought（记忆方向的祛魅论文）⭐ 重点

链接：https://arxiv.org/abs/2610.30755
来源：arXiv（HF Daily 10-23 榜单收录），2026-10-22；西安交通大学作者
类别：LLM Agent / Memory / Context Compression / Evaluation
一句话核心：在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 四个基准的七组设定中，朴素 Raw-RAG（对原始对话历史做稠密检索 + 重排 + reader LLM）在六组里排名第一，超过最强 agentic memory 系统 0.13-5.53 点；证据分析表明，复杂记忆变换（mutation/结构化组织）会造成必要证据覆盖率的净损失，"保留原始证据"比"精致的记忆变换"更重要。

为什么值得关注：这是给 agent memory 子领域的一盆及时冷水，与上期 Skip the Compressor（压缩器篇）构成同一主题的延续：复杂中间层在对话记忆任务上没有证明其必要性。作者进一步做了"完全访问变换后记忆库仍有精度差距"的对照实验，把矛头指向变换本身而非检索方式。做记忆/上下文压缩方向的工作，从现在起必须以 Raw-RAG 为基线。

与 wenjun 研究方向的关系：命中通用上下文压缩器 + agent 记忆两线。它给出的核心教训是"覆盖 > 利用"：压缩/记忆系统的收益必须超过它对原始证据的破坏。这直接关系到压缩器的评测协议设计——只在 QA 准确率上比较会掩盖证据覆盖差异，需要显式做 evidence-coverage accounting。

#5. The Value of Memory in Language Agents（记忆的决策论框架）⭐ 重点

链接：https://arxiv.org/abs/2610.31303
来源：arXiv cs.AI/cs.CL，2026-10-22 提交；上海交大 Kai Chen 组作者
类别：LLM Agent / Memory / Theory
一句话核心：给 agent 记忆建立决策论式的价值度量：记忆价值以"避免的任务损失"为单位，沿"原始历史 → 持久状态 → 操作性使用 → 代价高昂的恢复与修正"整条链路追踪；提出 value profile（需求未知时）、risk-cost frontier（恢复与保持的可达边界）等分析工具，并用五个最小反例 + LoCoMo/长时程案例诊断出保持失败、使用失败、度量失败三类失效。

为什么值得关注：与 Raw-RAG 的"实证祛魅"互为表里——这篇做"理论补课"。最有意思的反直觉结论：一个与答案零互信息的指针仍能降低精确恢复的代价（指针告诉你去哪找，而不是答案本身）。这为"记忆系统该存什么"提供了第一性原则：存的不是答案，是降低未来恢复成本的索引。

与 wenjun 研究方向的关系：为 agent 记忆/持续学习提供价值核算语言。与 1 里 Darwin-Claw 的"经验分级固化"呼应：什么经验值得固化为原型、什么只需保留指针，可用本框架的 avoided-task-loss 单位量化。适合作为记忆方向论文的 related-work 理论支点。

#6. AOPD: When to Follow the Teacher（优势加权的在线蒸馏）

链接：https://arxiv.org/abs/2610.31563
来源：arXiv cs.LG/cs.AI/stat.ML，2026-10-22 提交；UPenn 作者（George Pappas, Hamed Hassani 等）
类别：Post-training RL / Distillation / Efficient Post-training
一句话核心：标准 Online Policy Distillation 假设 teacher 在每个状态都有益，AOPD 用学生视角的反事实 advantage 加权 teacher 动作——对学生期望结果有改善的 teacher 动作被强化，否则降权；关键贡献是无偏估计器只需学生 rollout 及其终局奖励（teacher 重要性权重），无需额外 rollout 或奖励评估。
为什么值得关注 / 与 wenjun 的关系：命中高效后训练线。8 月 OPD 双面性论文（2608.16647，IQuest）已证明 teacher 能力可跨域迁移但有 seesaw，AOPD 给出了"何时听 teacher"的原则化答案。对 code agent 蒸馏（强 teacher → 可部署 student）场景是即插即用的 loss 改法。

#7. IQuest-Q1: 320B MoE Agentic Coding 基座模型（开源）

链接：https://arxiv.org/abs/2610.30949
来源：arXiv，2026-10-22；IQuest Research；开源模型
类别：Code Agent / Pretraining / Systems
一句话核心：稀疏 MoE（320B 总参/15B 激活）agentic 基座，三段式：Stable SplitNorm + Muon + muP 与两阶段课程（第二阶段加大代码数据占比）的稳定预训练 → 多域多格式、渐进扩 context 的细粒度 mid-training → 多 scaffold 多版本后训练（SFT + 领域 RL + MOPD），并用模型合并整合不同 scaffold 的互补信号。
为什么值得关注 / 与 wenjun 的关系：同时命中代码智能 + agent 预训练数据 + 基础模型训练机制三条线。技术报告里"多 scaffold 后训练 + 跨 scaffold checkpoint 合并"是少见被完整披露的配方——scaffold（执行框架）与模型能力共同进化这一设计，是"agent 预训练数据如何塑造能力"的工业级案例。开源权重可供复现实验。

#8. RouteWeaver: 统一 LLM 路由的模式选择与执行解耦训练

链接：https://arxiv.org/abs/2610.19705（v3 更新；HF Daily 收录）
来源：arXiv cs.AI，2026-10-14 提交、本周 v3；NTU 作者
类别：LLM Agent / Post-training RL / Systems
一句话核心：把单轮/多轮/agentic 三种路由模式统一进一个 policy，COMET-GRPO 将轨迹级 advantage 解耦为"模式选择"和"模式内执行"两个 credit 信号，配合渐进探索（先被指定模式学执行，再学自主选模式）；5 域平均准确率 61.4%（+11.03% 相对），去掉渐进探索则策略坍缩回单轮。
为什么值得关注 / 与 wenjun 的关系：credit assignment 主题的又一实例——层级化优势解耦（mode 层 vs execution 层），与 TWICE（噪声层）、RIPPLE（恢复阶段层）构成同一周的三个不同切面。路由本身是 agent 系统成本控制的关键组件。

#9. Inherited, Not Invented: "wait" 标记的溯源研究

链接：https://arxiv.org/abs/2610.30882
来源：arXiv（HF Daily 10-23 榜单），2026-10-22；中科大/上海 AI Lab 系作者
类别：Post-training RL / Pretraining Data / Evaluation
一句话核心：追踪推理模型中 "wait" 反思标记的来源：zero-RL 几乎从不创造该标记——在不含 "wait" 的 base 上，RL 大幅提升 MATH-500 准确率而 "wait" 几乎不出现；它随训练数据到来（OLMo-3 的 mid-training、或 reasoning trace 微调）；OLMo-3/MiMo 两个 RL-Zero 配方会放大已有标记，KL-free GRPO 不会，SFT 后的 RL 甚至会擦除 SFT 种下的标记。
为什么值得关注 / 与 wenjun 的关系：命中预训练数据塑造能力 + 基础模型训练机制线，方法论也值得学：无标注的 frequency/position/form 索引 + 注入错误测试。结论直接冲击"RL 发现了反思行为"这类常见叙事——所谓涌现行为很多时候是数据遗产，对判断 RLVR 到底学到了什么（而非继承了什么）有校准价值。

#10. TTR-Compressor: 测试时回归做序列压缩

链接：https://arxiv.org/abs/2610.31574
来源：arXiv（HF Daily 10-23 榜单），2026-10-22；Weiyang Liu 组等作者
类别：Context Compression / Systems / Multimodal
一句话核心：把序列压缩重构为测试时回归：输入 token 定义一个回归问题，拟合出的系数作为压缩表示——回归问题通过反向传播端到端学习，系数在前向中闭式求解；在块级稀疏注意力上大幅超越注意力式压缩器的 RULER 性能，视觉 token 合并上以少 55.6% 的 token 追平 MLP merger。
为什么值得关注 / 与 wenjun 的关系：命中通用上下文压缩器线，且是上期 Skip the Compressor（训练-free 层）之后"可学习压缩"侧的新原语。"闭式解系数 = 压缩 token"的构造兼得端到端适配与前向效率，思路可迁移到 agent 轨迹压缩（把长轨迹回归成少量系数 token 喂给 policy）。

#11. State Integrity Collapse: 长对话中的"记得但不再遵守"

链接：https://arxiv.org/abs/2610.31314
来源：arXiv cs.CL/cs.AI，2026-10-22；StateTrack-Bench 已开源（https://github.com/xzzvsxd/StateTrack）
类别：LLM Agent / Evaluation / Long-Horizon
一句话核心：定义并测量状态完整性坍塌：模型能把约束复述出来（recall 保真）却不再应用于后续轮次（compliance 失效）；forked recall 审计显示 88.6% 的失效是行为漂移而非普通遗忘，结构性状态锚定可在不可变约束上挽回最多 24.4 分。
为什么值得关注 / 与 wenjun 的关系：长时程 agent 可靠性诊断的精细工具。对 memory 方向是第三个证据点（与 Raw-RAG、Value of Memory 同期）：问题常不在"存没存"，而在"存的东西是否仍操作性地约束行为"——这为记忆系统的使用侧（而不只是存储侧）设计提出了新要求。

#12. Inside-JEPA: 潜空间世界模型的关系接地

链接：https://arxiv.org/abs/2610.31194
来源：arXiv cs.LG/cs.CV/cs.RO，2026-10-22
类别：Model-based RL / Latent Reasoning
一句话核心：在 JEPA 潜状态中内置有序实体对的关系通道，证明 inverse-dynamics 损失可以在无关系标签时接地这些通道：纯潜空间预测不优于随机关系头，而从通道变化恢复动作的逆动力学监督显著提升关系 AUROC；给定动作时，预测的关系变化接近观测未来关系的质量（AUROC .599 vs .621）。
为什么值得关注 / 与 wenjun 的关系：命中 latent reasoning + model-based RL。核心教训对 LLM 世界模型同样成立：潜空间可预测 ≠ 潜空间语义接地，需要任务侧损失（如逆动力学）来给潜变量装上接地；这对"世界模型的 latent 该学什么"给出了可操作答案（动作可解码性作为接地的代理指标）。

#13. Cola2: 连续语义压缩的层级语言生成

链接：https://arxiv.org/abs/2610.31305
来源：arXiv（HF Daily 10-23 榜单），2026-10-22；北大/HKU 系作者
类别：Latent Reasoning / Pretraining / Systems
一句话核心：层级语言生成框架：动态语义分段 + 免辅助损失的压缩率负反馈 + 块因果 masked diffusion 解码器，token 预测梯度穿潜变量更新编码器而 Flow Matching 先验学习 stop-gradient 解耦；约 2100 亿训练 token 验证设计，未收敛 checkpoint 在 8 任务平均 60.10，HellaSwag/StoryCloze 超越预算大 43 倍的 Llama-3-8B。
为什么值得关注 / 与 wenjun 的关系：命中 latent-space reasoning：这是"连续语义潜空间 + 离散解码"路线目前最完整的规模化验证，与上期 LEV/Looped Models（深度换 token）一起构成潜空间推理的两条并行路径（分层压缩 vs 深度循环）。

#二、简报式速览（本期其余值得知道的论文）

Deep Fusion Memory（2610.25100，10-18，HF 10-23 榜单）— Continual Learning / Memory：块级参数化记忆：因果记忆预测器从上文预测记忆、门控交叉注意力融入中间隐层，推理免检索；构造训练数据比已有参数化记忆少 32× 检索查询/2048× 检索项。与 DFM 与 Raw-RAG 形成"参数化 vs 检索式"记忆的有趣对峙。
Questioning Instrumental Convergence in RLVR（2610.31624，10-22）— Post-training RL / Evaluation：OLMo-3-7B-Think 全 checkpoint 轨迹追踪：工具性趋同率非单调——SFT 25.0% → RL 中期 46.1% → 终点 11.8%，RLVR 不单调增加工具性/权力寻求行为；32B 端点同向（35.53% → 22.37%）。
How Depth Growth and Looping Shape ICL（2610.31421，10-22；von Oswald 组）— Latent Reasoning / Pretraining：深度生长与循环模型对 in-context learning 有共同归纳偏置：更早习得 ICL、在权重学习可行时仍更强依赖上下文；induction heads 随深度生长跨层传播——潜空间推理路线的机制层证据。
BeNice!（2610.31633，10-22；Daniel Fu 组）— Systems / Latent Reasoning：循环模型推理的 KV 共享：随机深度预训练诱导收缩残差动力学 + 后训练广播末次循环 KV 到首次循环，匹配未共享验证困惑度；与 MLA/KDA、fp4/fp8 KV 量化正交可叠加，长上下文 TTFT p90 降 83.6%——上期 looped 模型两篇的工程续作。
Training Small LMs for Transferable Tool Selection（2610.31483，10-22）— Tool-use / Post-training RL：RL 训练 8B 开源模型替代 Claude/ChatGPT 驱动万级工具库检索器：ToolBench 上 Qwen3-8B 超过 Llama-4-Maverick-402B，且跨检索器/跨工具域直接迁移。
Subgoal-aware Memory Graph for GUI Agent（2610.31307，10-22）— LLM Agent / Memory：以"共享单一意图的连续动作"（subgoal）为粒度把轨迹蒸馏成可复用图节点，支持合并/扩展/检索；SPA-Bench 成功率 +11.11%——记忆粒度问题（单动作太细、整轨迹太粗）的一个干净解。
Adaptive Skill Granularity for Coding Agents（2610.31461，10-22）— Code Agent / Skill：把 skill 粒度视为动作抽象策略：运行时在原始工具调用/宏技能间路由 + 宏失败时微级恢复；结论是代码 agent 技能库应被当作"可控、可验证、可恢复的执行抽象"而非仅检索资源——与 10-20 期 SkillBrowser/CDSE 的技能组织主题衔接。
SkeLAM（2610.31474，10-22，HF 榜单）— Model-based RL：骨架监督把 latent action 分解为运动学分量 + 残差分量，跨模态交换重建 + 分支 dropout 抑制对未来信息依赖；DROID 上端到器 ADE -19.5%。
FRED（2610.30320，10-21，HF 榜单）— Model-based RL：世界动作模型（WAM）中用自蒸馏从噪声单步去噪直接预测未来视频表示；长时程与域外任务增益最大，人示教→机器人技能迁移成功率 50.0% vs 最强基线 19.4%。
Memory-Aware Reward Modeling（2610.31272，10-22）— Post-training RL / Memory：87 名用户约 1000 组配对判断：知道用户更多不等于用户更满意；为"记忆使用是否真正让用户受益"建立偏好式 reward 模型——记忆评测从能力侧转向用户价值侧的信号。
A Fix for Softmax and Cross-Entropy（2610.31642，10-22）— Systems：主流 softmax/log-softmax/交叉熵实现的两个数值 bug（Softmax Collapse：目标 logit 梯度被舍入为零；Softmax Cancellation：师生 logit 相等时梯度非零）——影响所有蒸馏/RL 训练管线的基础数值审计，做训练系统的值得核对自家框架。
EvalResearchBench（2610.04184，10-03 v2、HF 10-23 榜单；OSU 作者）— Evaluation / Self-Evolving：让 agent 自建评测器（选题、写 grader、试点修订、冻结可执行评测器）：最佳者与目标基准的配对一致率约 75%（上限 91%）；最低成本评测器反而一致率最高——RSI 的评测瓶颈的第一次系统量化。
Beyond Causal Masks（2610.31522，10-22）— Pretraining / Evaluation：自适应序列模型里"隐性未来 token 泄漏"可造成虚假架构增益（24 层异常 checkpoint 验证损失 3.5958→1.4259 却在生成中劣化）；提出 prefix-invariance 契约 + LeakScore 审计。对"架构新意 + 异常涨点"类论文的防伪工具。
T2Quant（2610.31198，10-22，HF 榜单）— Systems：扩散语言模型按任务与去噪步的敏感度动态分配激活精度——dLLM 部署侧跟进。

#三、今日最值得精读的 3 篇

TWICE（2610.31544）——把 common random numbers 引入 agentic RL credit assignment 的完整理论 + 实证；与 TreeOPSD（上期）正交可组合，是本周 credit assignment 密集爆发里原理性最强的一篇。
RIPPLE（2610.31276）——Critique-to-Action Handoff Gap 的命名、测量与阶段化 credit 内化；代码 agent RL 从"能跑通"到"能恢复"的关键一环。
Raw-RAG（2610.30755）+ The Value of Memory（2610.31303）（作为一组对读）——实证祛魅 + 决策论补课；任何做 agent 记忆/上下文压缩的人本周都应把这组读完，并从此以 Raw-RAG 为强制基线。

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

IQuest-Q1 开源模型（论文 2610.30949）— 320B/15B 激活 MoE agentic coding 基座，多 scaffold 后训练 + checkpoint 合并配方完整披露；适合作为代码 agent RL 实验的开源底座，与 Qwen 系形成互补对照。
StateTrack / StateTrack-Bench（https://github.com/xzzvsxd/StateTrack）— State Integrity Collapse 的基准、缓存输出与复现脚本；长时程可靠性诊断可直接取用的现成工具。
EvalResearchBench / self-evaluation-bench（https://github.com/Mercury7353/self-evaluation-bench，项目页 https://mercury7353.github.io/self-evaluation-bench/）— "agent 自建评测"基准与 9 个 researcher × 13 模型的完整对照数据；做 self-evolving agent 评测闭环的上佳起点。

（GitHub Trending 侧观察：CLI agent 生态持续吸筹——anomalyco/opencode（22 万 stars，本周仍日日更新）、HKUDS/CLI-Anything"让所有软件 agent 原生化"（5.6 万 stars）、akitaonrails/ai-memory（agent CLI 长期记忆与跨厂商交接，1.3 万 stars）——终端侧 agent 记忆/技能标准化正成为开源热点，与上期 agent harness 趋势一致。）

#五、研究机会 / idea

孪生世界 × 恢复阶段 credit 的组合：TWICE 证明"同噪声反事实"在确定性 agentic 环境可行，RIPPLE 证明"恢复行为需要阶段化局部 credit"。一个自然的问题：在代码 agent 的恢复场景里做孪生世界反事实（同一 Gumbel 噪声、不同恢复决策），能否同时获得低方差与阶段对齐？两者的方差分析与门控机制理论上可直接拼装，缺的只是实验——这几乎是一篇论文的完整骨架。
记忆的"覆盖-使用"核算作为压缩器的统一评测协议：Raw-RAG 证明原始证据覆盖（coverage）是朴素 RAG 胜出的原因，Value of Memory 给出以避免任务损失计价的价值单位。可以把两者合成一个压缩器/记忆系统的评测协议：强制报告 (a) 必要证据覆盖率、(b) 覆盖证据的利用率、(c) 以 avoided-task-loss 计的净值——目前没有任何上下文压缩论文同时报告这三项，先建立协议者拿到领域话语权。
语言条件世界模型迁移到纯文本 agent 环境：LaLa-World 的核心设计是"数值动作 + 视觉变化统一编码为语言条件，predictor 建在 LM 上"。纯文本 agent 环境（检索、工具调用、状态变更本就是语言序列）是否可以零翻译成本复用这套 JEPA + LM predictor + MPC 想象规划？与 Inside-JEPA 的教训结合（潜状态需要任务侧损失接地），可在文本世界模型上加 inverse-dynamics 头作为接地正则——这直接落在 wenjun 的 "Dreamer for LLM Agent" 主线上，且本周两篇论文恰好提供了正反两面的设计约束。

#六、来源与可信度说明

本期所有论文条目均经 arXiv API（export.arxiv.org，原子级 title/author/abstract/published 字段）或 Hugging Face Daily Papers API 核验，无凭印象或转述的条目；作者顺序与提交日期以 API 返回为准。
arXiv API 本轮检索遇到间歇性 429 限流（已通过退避重试解决），如个别 10-23 提交条目缺失，是 API 公开延迟所致。
X/Twitter 不可直接访问，本期未纳入；以 arXiv/HF/GitHub 替代，特此说明。
GitHub repo 的 stars/创建/push 时间来自 GitHub REST API 当日快照。
HF Daily Papers 10-23 榜单共 50 条，本期择优收录约 10 条，其余多为 CV/机器人/视频生成方向，与 wenjun 主线相关度较低，未展开。