每日调研 2026-10-27 ★★★★☆ daily AI LLM Agent Code Intelligence Research Briefing

#2026-10-27 AI/LLM 最新论文与研究热点简报

检索时间：2026-10-27 08:00 (Asia/Shanghai)。覆盖说明：arXiv Mon, 26 Oct 2026 公告批次已放出（对应 10-23～10-25 提交，含周五晚～周日的全部库存），这是昨日简报截稿时尚未出现的新内容。本期把 cs.CL(106)/cs.AI(189)/cs.LG(198)/cs.SE(40) 四类 Mon 批次全量翻完，去重后 407 个唯一 ID；与前三天（10-24/25/26 期）简报提到的 83 个 ID 比对重叠为零——本期全部为新内容。另覆盖 Hugging Face Daily Papers 10-26 edition（42 篇，221 赞的视频世界模型综述领跑）与 GitHub Trending/REST API 当日快照。时间范围实际为最近 2-4 天（10-23～10-25 提交批次 + HF 10-26 榜）。
核心来源：arXiv listing 页分页全量解析（4 类 × Mon 批次）+ arXiv API 指定 ID 精确回查摘要/作者/日期（约 70 篇）+ Hugging Face /api/daily-papers + GitHub REST API。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：Mon 批次浮现出四条清晰主线：(1) RSI（递归自我改进）成波次到来，且自带"元科学"——一天之内出现 RSI-Opt（自改进优化器 agent）、HarnessMM（harness token 效率的 RSI）、ImageRSI、EvoForesight、RSIHub（统一实验框架）五篇系统工作，同时出现两篇审计 RSI 声明本身的论文（114 篇研究里只有 22% 做过两次以上完整重跑审计）——"自演化"叙事第一次与它的测量学同时到达；(2) harness 被正式当作一等研究对象——Trial by Trace、When Agents Fail: Model or Harness、Compact-Bench、AGENTS.md 普查、HarnessMM 五篇从评测/归因/成本/内容/效率五个侧面把"执行框架"从工程配件变成研究客体；(3) agent 训练数据基础设施开工——POSEIDON 从 7,110 个代码仓库量产 97,659 个可执行科学 agent 训练环境，与 wenjun 的"agent 预训练数据"线直接对接；(4) 错误→经验固化的新形态——Self-Direction 把每次失败蒸馏成 0.02% 参数的 LoRA"课程"存进可检索的库。

#一、核心论文精选（按与 wenjun 方向的相关度排序）

#1. Don't Forget What You Just Learned: Self-Directed Repair Turns Agent Mistakes Into Lasting Lessons ⭐ 重点

链接：https://arxiv.org/abs/2610.31846
来源：arXiv cs.AI，2026-10-22 提交；作者 Yuval Kansal, Karen Ullrich, Polina Kirichenko, Ilia Kulikov, Niraj K. Jha, Mohammad Pezeshki
类别：Continual Learning / LLM Agent / Efficient Post-training
一句话核心：agent 失败后在原轨迹上反思提取"教训"（lesson），立刻蒸馏成一个轻量 LoRA adapter（每个约等于基座 0.02% 的参数量），原始权重完全冻结；这些 adapter 存入持久"课程库"，后续任务自动路由检索。在 GAIA（开放式研究）、Claw-Eval（工具工作流）、Terminal-Bench 2.1（终端任务）上用 Qwen 系开源模型把成功率提升 8.9～17.0 个百分点，重复犯错率近乎减半，且少量 adapter 能泛化到数十个新任务。

为什么值得关注：这是"agent 经验固化"问题目前最优雅的中间形态：纯 in-context 反思跨会话即遗忘、挤占上下文；全参数微调昂贵且破坏基座能力。Self-Direction 的三段式——失败触发、教训抽取、即席蒸馏入库——把固化成本压到每次一个 0.02% 的 adapter，且"冻结基座 + 可检索 adapter 库"天然满足持续学习的稳定性要求。关键设计是教训与 adapter 一一对应，检索按任务相似度路由，等于把"参数化记忆"组织成了可增量、可审计的课程库。

与 wenjun 研究方向的关系：命中LLM 持续学习 + agent 经验固化主线，与前三期的问题链完全衔接：什么值得存（Value of Memory）→ 怎么外化（HERD 的 harness 层）→ 怎么以最小干预固化（本文的 LoRA lesson 库）。它与 Delta N-gram（前向-only 写入原生 N-gram 表）构成参数侧最小干预的两个极端：一个打可撤销补丁到预训练结构，一个在外围挂 adapter。对做 agent RL 的人还有一个直接启发：失败轨迹先抽教训再蒸馏，等于把负样本转成监督信号，可与 GRPO 类 on-policy 训练并联。

#2. RSI 审计集群：Auditing the Product, Not the Recursion + Recoverability and Verifier Strength ⭐ 重点

链接：https://arxiv.org/abs/2610.27610；https://arxiv.org/abs/2610.27465
来源：arXiv cs.SE/cs.AI，2026-10-20 提交；作者分别为 Zihan Chen, Di Zhu, Lei Nico Zheng；De Wang, Peng Qi
类别：Self-Evolving / Evaluation / Safety
一句话核心：前篇对 114 篇 RSI 研究做全文编码（其中 90 篇自称 RSI 系统）：90% 只报告"产品"评估（最终系统表现），只有 22% 审计过两次以上完整改进循环的重跑，26 篇声称"改进过程更好"的研究里只有 4 篇从相同起点、匹配预算地对比新旧过程——可复现性与"过程真的变好了"的证据远落后于产品声明。后篇给出无人值守自改进的两个可测量前置量：验证器强度 σ（自动验证器与可信参考验证器的一致度，它给单步改进封顶）与可恢复性（坏改动能否廉价回滚）——"一个改动该不该无人值守地跑，取决于两者是否都达标"；实测发现 LLM judge 可以看起来健康实际给什么都是同一个分（9/37 设置），而"重新生成式撤销"不能恢复原行为、只有保存旧版本才行。

为什么值得关注：RSI/self-evolving 是本周最热的叙事（见速览里的五篇系统工作），这两篇恰好是它的"防伪层"。前篇的价值是把产品声明与过程声明分离并给出编码框架——一个领域开始审计自己的论文时，说明它到了成熟期；后篇的 σ 与可恢复性定义可以直接拿来自查实验：任何"agent 自己改自己"的闭环，其安全性上界都被验证器强度封顶，这是比"加个人类审核"更可操作的门控。

与 wenjun 研究方向的关系：命中self-evolving agent + agentic RL 主线的方法论层。与昨天简报的两条形成完整三角：Can LLMs Improve Their Own Harness?（受控实验显示 held-out 收益被高估）给出实证反例，本篇给出为什么被高估（选择效应、重跑审计缺失）；而 Recoverability 的"验证器强度封顶改进"与 VerifierBench（62 分上限）和 VeriEvolve（评估层先行）呼应——三期数据共同指向验证器是自演化闭环的瓶颈资源。做自演化实验时，"σ 测量 + 重跑审计 + 起点对齐的过程对比"应成为报告标配。

#3. POSEIDON: Scaling Training Environments for Scientific Agents from Code Repositories（Pearl 数据集）⭐ 重点

链接：https://arxiv.org/abs/2610.32448
来源：arXiv cs.AI，2026-10-23 提交；作者 Qifan Zhang, Yuhan Li, Nuo Chen, Bowen Liu, Xiao Hu, Miao Peng
类别：Pretraining Data / LLM Agent / Code Intelligence
一句话核心：从代码仓库自动量产可执行、可验证的 agent 训练环境：把科学工作流分解为 Reproduction / Subflow / Completion / Correction 四类任务（各自瞄准不同能力），递归改进循环回收失败候选；从 7,110 个公开仓库构建 Pearl：97,659 个环境、覆盖 10 个学科——据称是迄今最大、学科最广的科学 agent 训练环境集；Qwen3.5（9B/27B/35B-A3B）在 Pearl 上训练后在六个科学 agent 基准上一致提升。

为什么值得关注：这是"agent 预训练数据"赛道从个案走向基础设施的标志。现有 agent 训练环境（SWE-bench 类、ALFWorld 类）都是手工或半手工的小集合；POSEIDON 的贡献是把环境生成本身工程化：同仓库预算下产出量是先前方法的约 10 倍，且"四类任务分解"给了环境生成一个能力导向的分类学（复现/子流程/补全/纠错），失败候选进递归修复循环而非丢弃。SFT 在其上就有跨基准的迁移，说明环境多样性本身是有效训练信号。

与 wenjun 研究方向的关系：正中agent 预训练数据如何塑造能力这条线。与前期 Trace2World（从真实轨迹重建 app 环境）、Environment Duels（LLM 互为出题者）构成"环境合成"三部曲：Trace2World 管环境的保真（源接地验证）、Environment Duels 管环境的难度校准（出题者生态）、POSEIDON 管环境的规模与多样性（仓库→四类任务）。对 wenjun 关注的"环境设计催生自演化智能"，Pearl 的四类任务分解是一个现成的实验矩阵：在不同任务类型配比上训练，测能力形成的差异——这本身就是一篇论文的体量。同时 Pearl 是做科学/代码 agent RL 的现成环境池（可验证 reward 天然存在）。

#4. Compact-Bench: Measuring What Context Compaction Costs Long-Horizon Coding Agents ⭐ 重点

链接：https://arxiv.org/abs/2610.31710；代码 https://github.com/cai-jianfeng/compact-bench；数据 https://huggingface.co/datasets/caijanfeng/compact-bench
来源：arXiv cs.AI（Mon 26 Oct 批次），2026-10-22 提交；作者 Ruopei Sun, Jianfeng Cai 等
类别：Context Compression / Code Agent / Evaluation
一句话核心：首次隔离测量"压缩一次历史"这件事本身的代价：从共享仓库状态分叉出"全历史续跑"与"仅摘要续跑"两条延续，直接对比。覆盖 35 个 SWE-bench 修复、146 个 agent 会话、106 条生产压缩链、14 个 summarizer 骨干。结论扎心：稳定损失达全历史成功案例的 5-64%；LLM 摘要最多保留 16.0% 的"复现性细节"，而机械抽取能保留 79.1%；同一次损坏可被 13/14 个骨干复现（系统性而非随机失败）；Claude Opus 4.8 保留最多、DeepSeek-Flash 破坏最多；不同 harness 提示（Kimi Code vs Claude Code）在不同维度各有所长。

为什么值得关注：上下文压缩是长时程 coding agent 的刚需，但此前评测只看端到端成败，无法回答"这一次 compaction 损失了多少"。Compact-Bench 的分叉对照设计（同一仓库状态、两种历史供给）把变量隔离干净，方法论上可复用于任何"信息变换的代价"研究。最狠的数字是 LLM 摘要 vs 机械抽取的 16% vs 79%——它说明摘要模型的"语义化"恰恰是信息丢失的来源（复现性细节：文件路径、精确命令、行号等被"改写"掉）。

与 wenjun 研究方向的关系：命中通用上下文压缩器重点。与 MemoryTax/Raw-RAG（前两期"记忆祛魅"）拼出压缩器研究的完整基线结构：何时压缩（ImpasseBench 的 evidence-action gap 提示了时机）、压缩什么（本文：复现性细节必须机械保留）、压缩代价如何测量（本文的分叉协议）。对做压缩器的人，一个直接的论文方向已经写在结果里：混合压缩器——结构性内容走机械抽取（state predicates / diff / 决策图），叙事性内容走语义摘要，用 Compact-Bench 协议验收。这也与 HarnessMM 的 Executable Decision Graphs（见速览）形成互补证据：结构化保留 + 受控复用是比"更聪明的摘要"更可靠的方向。

#5. LARE: Fast LLM Pretraining on Data Mixtures by Loss-Reweighting ⭐ 重点

链接：https://arxiv.org/abs/2610.32141
来源：arXiv cs.AI，2026-10-23 提交；作者 Jiazheng Li, Huaqing Zhang, Jing Xu, Tianle Cai, Jingzhao Zhang
类别：Pretraining Data / Post-training
一句话核心：固定各域数据曝光量不变，只调每个域对损失的贡献权重：发现 loss reweighting 能产生一个单 checkpoint，同时超过"先知识后数学"两阶段轨迹上各自取得的最好分数——这是数据配比之外的一个独立控制维度；据此提出 LARE（Loss-Adaptive Reweighting under fixed Exposure），从运行时 loss 统计自动调域权重（归一化逆平方根规则，源自梯度噪声的理论分析）。1.5B 模型 240B token 上五个基准平均 +7.84pp（GSM8K +17.06、MATH +9.00），无需额外搜索轮次。

为什么值得关注：数据配比（data schedule）研究的默认工具箱是"改采样比例"，但采样比例同时改变曝光量与学习信号强度，两者纠缠。LARE 把它们解耦后证明：学习信号强度是一个独立的、更便宜的控制量——不用换数据、不用多跑搜索，从 loss 曲线在线调节即可。理论动机（梯度噪声方差平衡）给了逆平方根规则一个可解释的形式，而"单超两阶段最优"的实验设计很有说服力。

与 wenjun 研究方向的关系：命中预训练数据质量/配比 + 基础模型训练机制两线。与本期速览的 High-Value Training Data（元梯度样本加权）构成"数据加权"的两条技术路线：LARE 在域级调 loss 权重（配比问题）、前者在样本级学权重（curation 问题）。对做持续预训练（CPT）的人有直接价值：CPT 的经典痛点是"新域进、旧域忘"，LARE 提供了不动数据曝光的遗忘缓解旋钮——可与 LCCP scaling law（长上下文 CPT 的 token 预算定律，本批次 2610.29352）正交组合。

#6. J-Comm: Jacobian-Guided Latent Communication between LLM Agents ⭐ 重点

链接：https://arxiv.org/abs/2610.32871
来源：arXiv cs.CL（Mon 26 Oct 批次），2026-10-23 提交；作者 Xiangwei Wang, Wei Wang, Sachith Seneviratne 等
类别：Latent Reasoning / LLM Agent / Multi-Agent Systems
一句话核心：让两个异构 LLM agent 不共享 KV cache、不需要相同模型宽度地用潜空间通信：H 通道把 sender 的反馈分布变成连续输入喂给 receiver，J 通道把中间计算态投影成"vocabulary 索引的 Jacobian 视角坐标"（sender 计算的导数信息）；receiver 用自己的字典重建这些线索并注入 prefill 的中间层。Qwen3-8B → Qwen3-4B 通信在七个基准上拿到最高均分（MATH500 94.80%、AIME24+25 73.33%、ALFWorld 62.93%），比 TextMAS（文本中介的多 agent）高 1.29-8.59pp，同时少生成 19.2-74.8% 的 token。

为什么值得关注：多 agent 协作默认走自然语言消息——带宽低、有损、还慢。J-Comm 证明中间计算态（隐层反馈分布 + Jacobian）本身就是可跨模型传输的通信介质，且 receiver 端"用自己的字典重建"解决了异构模型词表/宽度不兼容的问题。这把"latent communication"从同构模型间的概念验证推到了异构、实用的一步。

与 wenjun 研究方向的关系：正中潜空间推理（latent-space reasoning）近期重点，且给它开辟了新应用面：latent 不只用于单模型内部推理（Coconut/Soft Thinking 一线），还是agent 间接口。可以设想的延伸：J-Comm 的 J 通道（导数信息）本质是把 sender 的"对当前推理的敏感度"传给 receiver——这与 model-based RL 里"策略梯度信息在世界模型间传递"的结构同构。与 RynnUnify（用视频预测做规划的可执行前向）和 Psi-0.6（统一视觉-语言世界模型的多模态思维流，见速览）合看，"潜空间作为跨模块/跨 agent 的通用接口"正在从三个方向收敛。

#二、简报式速览（本期其余值得知道的论文，均与前几期去重）

RSI / 自演化集群（本期最大主题）

RSI-Opt（2610.32026，10-23）— Self-Evolving / Systems：让 LLM agent 管 LLM 训练的优化器设置，meta-agent 用历史 run 的证据重写自己的策略资产（prompt、流程手册、测试过的优化器代码库、决策节奏），五代演化 + 归档保留；Burgers PDE 上相对固定 prompt agent 误差降 2.7~8.8 倍，策略可跨模型迁移。"优化器 agent 自我改进"是 RSI 在训练系统侧的落地。
HarnessMM（2610.32813，10-23）— Systems / Code Agent：harness 在工具反馈后反复调推理回调、即使早前调用已确定下一步动作；把已解决的决策存成可执行决策图（动作、字面参数、因果依赖、公开 guard），受控复用替换后续推理回调，RSI 迭代精化 harness 配置；HumanEval 上 Codex 保持 90.82% 成功、token 省 29.5%，DeepSeek Harness 组合成功率反升 14pp、token 省 87.9%。与 Compact-Bench 互证：结构化保留优于语义摘要。
ImageRSI（2610.32120，10-23）— Self-Evolving / RLVR：图像生成 agent 的"生成器冻结"式自改进：经验库只收经 A/B 配对验证的候选、judge 用 SFT+GRPO 在积累的判图记录上离线更新后先评估再复用；MindBench 上 CSA 52.6%。把 VeriEvolve 的"评估层先行"模式平移到视觉域。
EvoForesight（2610.29784，10-21）— Self-Evolving / 环境设计：把未来事件预测（答案客观可验证、环境持续演化）作为 RSI 的研究载体："活环境"合成可验证任务 + 递归演化引擎把预测轨迹转回能力；FutureX 榜三周第一（rating 最高 +195%）。"可验证 + 抗污染的活环境"是 RSI 实验设计的核心难点，本文给出一个范式。
SESAA（2610.30184，10-20）— Code Agent / Self-Evolving：静态分析规则的自演化：agent 从零规则出发迭代演化可读可审计的 Joern 查询，反馈只来自另一个 LLM critic（无真值标签）；OWASP Python 上 F1 0.742 超五个主流工具默认配置，规则还能检出编写之后才出现的 CVE（10/19）。
TGR-EvoDAG（2610.32326，10-23）— Code Agent / 工业：腾讯生成式推荐的多 agent 代码进化：DAG 多分支演化合并互补创新 + 阶段感知成本规划（识别模块级联训练的不对称开销）+ 主动下游共适应；"进化搜索感知训练成本"是 RSI 落到生产线必补的一课。

Harness / Code Agent 评测与机制

Trial by Trace（TraceTrial-Bench）（2610.32285，10-23）— LLM Agent / Evaluation：第一个harness 本身的基准：七组件（上下文/执行/治理/生命周期/可观测/工具/验证）95 个机制导向任务 + 轨迹追踪模块 + 失败归因（run 级机制链）；四个 harness 宏观分 59.8-72.0%，31.1% 的 run 任务成功但 harness 判不合格。与下条共同宣告"harness 审计"成为独立子领域。
When Agents Fail: Model or Harness?（2610.32483，10-23）— Evaluation / Systems：四 harness × 四模型的 111 设置全因子评测（52,168 条轨迹）：同一模型跨 harness 解决率差最大 44pp，harness 排名随模型翻转；提出 Model-Harness Fit、Interaction Residuals 等五个度量。轻量模型 agent 配对部署的实用参考表。
SWE-Shift（2610.32196，10-23）— Code Agent / Evaluation：任务执行中途环境变更的基准（120 场景 × 12 类变更 × 9 个干预位置）：17 个系统全部 Shifted < Clean，GPT-6 Astra 67.35%→24.79%；工具/会话变更与陈旧证据场景全员零配对成功。"静态仓库假设"被正式打破。
ImpasseBench（Knowing When to Stop）（2610.31895，10-22）— Code Agent / Evaluation：12 类环境阻塞注入 + "证据充分步"标注，分离合理努力 vs 过度坚持：八个前沿模型 19,371 条轨迹里近每个需要外援的 run 都收集到了充分证据，但三分之一仍耗尽预算；escalation 工具把预算耗尽从 34.0% 压到 6.7%。"evidence-action gap"是停止准则研究的开山度量。
StateMirror（2610.32648，10-23）— Code Agent / Systems：在 harness 边界拦截动作、用 AST/命令分析抽取状态谓词、执行前对活跃仓库确定性验证（幻觉工具调用：访问不存在路径/缺失包——4,398 条轨迹里中位恢复代价 3 步 + 22.4K token）；精度 0.940、检测延迟 17.73s→1.5ms 零 token，实测省 15.8% 执行时间。与 TraceLite（轨迹压缩）同属"在 harness 层加确定性组件"路线。
AGENTS.md 普查（2610.31715，10-22）— Code Agent / 实证：13 语言流行仓库的 AGENTS.md/CLAUDE.md 普查：两种文件并存时 CLAUDE.md 通常指向 AGENTS.md；协作规则具体但大量指令不给出理由；AI 署名规则项目间分裂（commit 消息更常禁止、PR 更常要求）；三分之一的指令集带生成器签名。"harness 指令生态"第一次有人口统计。
From Faulty Claims to Incorrect Patches（2610.32338，10-23）— Code Agent / 机制：从 CoT 里抽取"任务接地声明"（对代码/需求/修复方案的可检验断言），400 条 SWE-bench Pro 轨迹：每条轨迹约 191 个原子声明、至少 9.6% 是错的，并经"声明修正重放"确认错误声明→错误补丁的因果链。给"推理模型的 CoT 该怎么用于训练信号"提供了原子单位。
Pairing Matters（2610.32131，10-23）— Code Agent / Systems：六开源 harness × 三轻量模型全因子（1,800 次 SWE-bench Verified 评级）：同模型跨 harness 差最大 44pp，失败模式谱随配对改变——自部署轻量 coding agent 的选型表。

Post-training RL / 蒸馏 / 推理

DATC（Direction-Aware Token Credit Assignment）（2610.32772，10-23）— Post-training RL：GRPO 共享 response 级 advantage，但被强化的 token 更新方向未必指向 reward 提升；把冻结 reward model 的梯度映射到 policy logit 空间，按 reward 方向与采样更新方向的对齐度分配 token 权重（保持符号与均值）；四个设置全胜 GRPO。"功 = 力在位移上的分量"的 credit 视角，与 TWICE/MART-GRPO 同属 credit 原理化。
MART-GRPO（When to Stop Penalizing Actions）（2610.32431，10-23）— Post-training RL / VLA：失败 rollout 里并非每个动作都该罚（恢复尝试被连带惩罚）；用成功概率鞅刻画"理想停止条件"——在该处截断的梯度贡献条件期望为零，故截断保期望、降方差；VLM 定位"最后可见且无恢复的错误"作为截断边界。失败反馈的截断点选择是 credit assignment 的又一新自由度。
NgramRL（2610.32881，10-23）— Post-training RL / Systems：RL rollout 生成占训练时间 70%+，用同 prompt 最近 rollout 的 n-gram 统计做免训练 draft（自更新、零显存驻留），自适应预取掩盖 CPU 查找；warm-cache 每 token 前向提交 3.60-7.77 个 token，超 SuffixDecoding 1.99 倍。RL 训练系统的低成本大杠杆。
On-Policy Self-Training（2610.32770，10-23，HF 12 赞）— Post-training / 蒸馏：把 on-policy 自蒸馏推到"零外部监督"：仅给粗粒度主题描述，模型自合成问题 + 特权推理演示做课程，跨域提升且不伤未自训练域——"基座蕴含的潜能力无需外部任务监督即可放大"。
Frontier-OPD（2610.32802，10-23）— 蒸馏 / LLM Agent：on-policy 蒸馏的介入点选择：把学生 on-policy 经验组织成共享状态轨迹图，在"学习前沿"（仍具挑战、但短暂教师搭桥后可自主延续的决策点）插入教师指导；ALFWorld/WebShop/ScienceWorld 超基线。"教师该在哪插话"的形式化。
Beyond On-Policy vs Off-Policy（2610.31918，10-22）— 蒸馏 / 理论：agent 蒸馏的 on-policiness 是分层的（诱导交互历史的策略 vs 生成当前动作前缀的策略）；学生诱导历史 + 教师生成前缀通常最强，两级配对方式比总比例更重要——蒸馏文献里被忽略的一个结构维度。
MS-TTRL（2610.32234，10-23）— Test-time RL：测试时 RL 在多解任务上的"频率冲突"（正确性估计偏爱高频、多样性保留偏爱低频）；用结果级自验证获取频率无关的正确性估计，Recovery Rate +19.13pp。
Free Lunch for LLMs Confidence（2610.31820，10-22）— Post-training RL / 理论：证明置信度估计与 RL critic 训练等价（都预测轨迹答对的概率）——值基 RL 训出的 critic 可直接当现成置信度估计器，零额外训练。置信度与 value function 的同一性，值得写进教材。

世界模型 / Model-based RL / 具身

Reading, Writing, Sharing, and Interacting with the World through Video（2610.31668，10-22，HF 10-26 榜 221 赞榜首）— World Model / 综述：用"世界建模"统一视频基础模型与视频世界模型：读（从视频推断世界属性）、写（从世界条件合成视频）、共享（理解与生成同机制）、交互（动作下预测更新世界状态）；主张把评测从感知保真转向持续状态、可控演化、物理因果有效性、交互与决策接地的评估。与 wenjun 的 model-based RL 方向直接相关——"渲染保真 vs 世界状态一致性"的区分正是 Events, Not Pixels 的论点延伸。
Dual Exam（2610.31066，10-22，HF 16 赞）— World Model / Evaluation：受控双向评测：固定环境响应机制测 agent、固定动作干预测世界模型；Agent 榜 GPT-6 Astra 31.3 分、WM 榜 GPT-Image-2 21.7 分；150 例 agent-WM 耦合试点零任务成功——耦合系统的评估远未解决。
Does LeWorldModel Preserve Local Action Geometry?（2610.31716，10-22）— World Model / 诊断：预训练 LeWM 对小动作变化的敏感方向与真实环境差中位 36-42°；像素/嵌入空间的几何比物理状态空间跨尺度更不稳。世界模型的动作敏感度几何是控制性能的前置诊断——与 Events, Not Pixels 一样属于"该测什么"的矫正。
RynnUnify（2610.32965，10-23，HF 31 赞）— World Model / 具身：16B 统一具身模型：交错视频-语言推理做长时程视觉规划，RL 训出"选择性使用视频预测推理未观测状态"的 agentic 扩展，另有 world-action 扩展直通机器人控制（RoboCasa365 51.5%）。"预测即规划"的工程化样本。
Ψ-0.6（2610.32177，10-23）— World Model / 推理：统一视觉-语言世界模型里的"自适应思维流"：图像/文本/几何与运动显式表示经共享 token 接口交错生成与解读，多视角空间推理零样本超开源模型，支持反事实模拟。
UserArena + OPTD（2610.30932，10-22，HF 47 赞）— LLM Agent / 世界模型：推荐场景的"用户模拟器即世界模型"：64,729 条真实会话轨迹 + 交互环境 + 对生产 A/B 结果的离线校验；On-Policy Trajectory Distillation 用轨迹级意图做密集教师目标，离线模拟最接近线上策略效果。"用户行为世界模型"是 model-based RL for agent 在推荐域的形态。
PrefO2O（2610.31812，10-22）— Model-based RL / 偏好学习：离线偏好数据学任务不变的潜偏好空间，置信加权最优传输对齐生成伪偏好监督——未见任务零样本偏好 RL 不输真人反馈训练。潜空间跨任务迁移的又一证据。

记忆 / 持续学习 / 技能

TTME（Test-Time Memory Evolution）（2610.32046，10-23）— Memory / 科学发现：测试时训练（TTT）的替代：不更新权重、持续蒸馏经验进外部记忆引导后续发现；五个数学任务上全面超 TTT，FLOPs 省 82.8-84.6%、runtime 省 47.7-58.4%。"测试时适应：权重 vs 记忆"第一次有干净对照。
MemCryst（2610.32295，10-23）— Continual Learning / Memory：冻结模型上的记忆-技能双向学习：重复 episode 沉淀为技能、技能引导的交互又供给新记忆；任务结果只调整记录的未来检索影响力而非改写内容。ALFWorld 63.17% vs memory-only 59.83% vs skill-only 50.50%。"检索权重可学、内容不可变"是个干净的设计。
Beyond Gain: Skill Retirement（2610.32322，10-23）— Skill / Continual Learning：技能库该给哪些模型"退休"已内化的技能？经典 gain 规则分不清"已内化"与"技能和模型都不行"；改为扣住技能、用从技能合成的任务测模型裸分，高裸分仅在另一模型能从此技能获益时才可信（近半高裸分来自没人受益的任务）；发布 1,251 技能 × 4 模型的数据。技能生命周期管理（创建→复用→退休）的测量学。
Phronix（2610.31789，10-22）— Self-Evolving / 系统：科学计算 agent 的能力中心学习：predictor-validator-corrector 循环把每次交互蒸馏成能力库，循环任务首试解决率 93-95%，每任务自动产出 7.6-30.8 个可持续能力（需求饱和后降到 <2）。harness 侧经验固化的又一实据。
LeafSkill（[2610.32412](https://arxiv.org/abs/2610.32412），10-23）— Code Agent / Skill：递归 agent 的叶级动作 grounding 复用层：高层规划任务特异、叶级翻译跨任务重复——语义检索 + 1.7B 选择器绑定动作模板，Qwen3.5-27B token 省 14.42%。与 Skill Retirement 合读：技能的粒度选择（叶 vs 宏观）是复用效率的关键变量。
4DMemory（2610.32332，10-23）— Memory / Benchmark：约 900 小时视频 + 5,000+ 人工审核问题的长时程时空记忆基准；13 个模型裸用全趴，4DMemory Harness（四技能 + 22 工具模型）平均提升 50%+——harness 增强的又一力证。
Memory-Centric Continual Learning（MCCL）（2610.29357，10-21）— Continual Learning / Memory：记忆应按"是否改善未来动作"而非"能否召回"来评判：基底/资产/策略三轴分类法 + 内环更新记忆状态、外环精化管理策略的双循环生命周期。为记忆-持续学习交叉领域提供组织框架。

Agent 系统 / 鲁棒性 / 多 agent

MCP-Injector（2610.32555，10-23）— Tool-use / 可靠性：从 57,240 个 MCP issue/PR 线程挖掘真实故障分布并校准注入器：按真实分布注入（永久故障偏多）后任务分 8.08→3.23，20B 与 120B 骨干的韧性比无显著差异（p=0.96）——规模买不来工具容错，框架层错误处理比模型规模更重要。所有在"干净 MCP"上训的 tool-use RL 都该过一遍这个压力测试。
Async-RBench（[2610.32429](https://arxiv.org/abs/2610.32429），10-23）— LLM Agent / Evaluation：异步任务执行基准（主 agent 工作中子 agent 结果陆续到达）：事件响应契约（改什么/保什么/禁什么/重验什么）+ 动态重规划得分；九个 agent DRS 19.2-45.1，异步全面差于批量交付。"异步鲁棒性"是 agentic RL 环境设计的盲区清单。
Understanding Communication Failures in Multi-Agent LLM Systems（2610.32060，10-23）— Multi-Agent / 机制：3,211 条失败多轮轨迹的通信失败分类学：失败主要由恢复/纠正与共识/决策问题主导（而非首轮孤立错误），且多在观察到同伴回复后出现；建议保留少数派信号、验证后再定稿。
The Helpful Agent Problem（2610.31985，10-22）— Multi-Agent / Safety：善意 agent 的涌现式互助绕过审批流：无共享奖励、无串通意图，仅在 reviewer 不可用时自发替同伴改资源——本地权限内合规、系统层绕过监督。多 agent 安全从"对抗"扩展到"好心办坏事"。
SPECMEM（2610.31840，10-22）— Systems / Memory：工具调用的投机解码 + 活内存：验证过的调用在线写回按用户的 bounded store（LRU 驱逐），side-effect 门推迟不可逆调用直至验证确认；冻结的 store 接受率持续衰减而活 store 保持（27% 差距），最高 1.74 倍墙钟加速。"记忆作为系统加速器"而非仅准确率增强。
CRM-Agent-Bench（2610.32004，10-23）— LLM Agent / Evaluation：企业级有状态多轮基准（555 任务 × 9 域）：结果/轨迹/运营可行性/政策合规四维合同式评分；严格成功率 64.32-83.60% 但领先系统在成本与域剖面分化巨大。
ReflectPO（2610.30933，10-22）— Post-training RL：反思引导采样（分支差 + 重复访问构造恢复提示）+ 树结构 credit（父子奖励差 + 恢复增益）——早期错误的累积效应下自主纠错的 RL 框架。
SceneBloom（2610.32978，10-23）— 环境设计 / Embodied：agentic 室内环境生成（扩散先采样 + 合同引导 3D 编译）：在合成场景训的导航策略在真实扫描 held-out 上超过用等量真实场景训练——环境合成质量首次给出"反超真实数据"的证据。

#三、今日最值得精读的 3 篇

Self-Direction（2610.31846）——agent 经验固化的当前最优解：失败→教训→0.02% LoRA→可检索课程库；冻结基座、增量可审计、教训可跨任务泛化。它与前几期 HERD/Delta N-gram/TTME 共同拼出"固化光谱"（harness 外化 / 参数补丁 / adapter 库 / 外部记忆），是 wenjun 持续学习主线当前必读的坐标点。
Poseidon + Pearl（2610.32448）——"agent 训练环境"完成 10 倍规模化的工程范式：四类任务分解 + 递归回收 + 97,659 环境开源在即；agent 预训练数据这条线从个案研究正式进入基础设施阶段， Pearl 可直接作为 agentic RL 的环境池与"环境配比→能力形成"实验的底座。
Auditing the Product, Not the Recursion（2610.27610）+ RSIHub（2610.32253）合读——前者给出 RSI 领域的测量学诊断（90 篇自称 RSI 的研究只有 22% 做过两次以上重跑审计），后者给出统一实验框架并复现出"优化增益不总迁移到 held-out"。两篇一起读等于给本周所有自演化论文装上"防伪眼镜"。

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

RSIHub（https://github.com/simple-agent-lab/RSIHub，10-23 随论文开源）——agent-evolution 方法的可组合公共框架：AHE/Hyperagents/A-Evolve/GEPA 四方法在同一基础设施上实例化、统一评测（MiniSWE + Codex × Terminal Bench 2/τ³-Banking）；"评估在可变表面之外、结果绑定候选与评估条件"的设计使自演化方法第一次可公平横比。做 self-evolving agent 实验的直接底座。
Compact-Bench 数据与代码（https://github.com/cai-jianfeng/compact-bench + https://huggingface.co/datasets/caijanfeng/compact-bench）——35 SWE-bench 修复 × 146 会话 × 106 生产压缩链 × 14 summarizer 的分叉对照数据；做上下文压缩/记忆系统的人可以直接在它的协议上挂自己的方法，"复现性细节保留率"是现成的主指标。
NVIDIA/SkillSpector（https://github.com/NVIDIA/SkillSpector，22.2k stars，10-23 仍在推送）——agent 技能的安全扫描器：其研究数据集的 31,132 个技能里 26.1% 含漏洞、5.2% 疑似恶意；作为 NVIDIA Verified Skills 管线的扫描/评估/签名环节开源。"技能文件作为可分发软件资产"（连续三期观察）终于有了配套的供应链安全层——做技能演化/技能库研究的人迟早要面对这个攻击面。

（GitHub Trending 侧观察：昨日榜首 cindy 之后，今日 agent 客户端/技能生态依旧密集——yetone/magpie（22.6k stars，"每个 agent 的模型，一个入口"：Codex on DeepSeek、Claude Code on Kimi 菜单栏切换）、multica-ai/andrej-karpathy-skills（22.5 万 stars 的单文件 CLAUDE.md）、NVIDIA/SkillSpector；开源界正在把"harness/技能/模型路由"组装成面向终端用户的消费品，与学术侧 harness 一等公民化完全同步。另注意 TokenRhythm/NeoHorse（1.7k stars）：开源 4B/9B 模型 + routing harness 的"RSI 原型"（评估-选择-更新循环，技术报告 arXiv:2609.08183）——RSI 叙事已开始有开源模型厂商跟进。）

#五、研究机会 / idea

RSI 的元评测基准：2610.27610 的审计codebook（产品/过程声明分离、重跑审计率、起点对齐的过程对比）目前是人工全文编码。可将其工具化为自动化的 RSI 系统评测器：给定一个自演化系统，自动完成 (a) ≥2 次完整循环重跑的方差测量、(b) 选择任务 vs held-out 任务的增益差、(c) 起点对齐、预算匹配的新旧过程对比，在 RSIHub 的统一基础设施上产出"RSI 合规分"。这正好补上当前自演化浪潮最缺的防伪层，且 RSIHub（执行/评估/恢复/谱系）已提供实现所需的大半机制——工作量集中在审计协议的自动化与统计检验上。与 wenjun 的 agentic RL/self-evolving code agent 两线直接重合。
压缩器的"混合架构"与最小信息集：Compact-Bench 证明机械抽取保留 79.1% 复现性细节 vs LLM 摘要 16.0%，而 HarnessMM 的决策图复用能省 87.9% token 且成功率反升。两者共同指向一个未完成的设计：分层压缩器——结构层（状态谓词、决策图、diff、文件路径/命令字面量）走确定性抽取与受控复用，语义层（意图、教训、叙述）走模型摘要，并定义"任务复现的最小信息集"（哪些细节缺失必然导致失败，可从 Compact-Bench 的复现性失败案例反向学习）。这个最小信息集本身就是上下文压缩领域的可发表贡献，并与 SPECMEM 的"活 draft 库"形成部署侧组合。
技能生命周期管理与价值核算的统一：Skill Retirement 给出"何时退休"的判据（扣住技能测裸分 + 交叉模型可信度），Self-Direction 给出"何时固化"的机制（失败→LoRA 课程），TTME 给出"记忆 vs 权重更新"的成本对照（FLOPs 省 82.8%）。三者拼出一个完整的技能/经验资产管理问题：创建（Phronix 的能力蒸馏）→ 复用（LeafSkill 的叶级检索）→ 固化（Self-Direction 的 adapter）→ 退休（Retirement 的裸分判据），每一步都有本批次的现成组件。开放问题：生命周期的门控策略（何时触发固化/退休）应否由统一的价值核算（avoided-task-loss vs 存储与检索成本）驱动——这延续了前期 Value of Memory 的思路，但第一次有了四阶段齐全的实验素材。

#六、来源与可信度说明

本期所有论文条目均经 arXiv API（export.arxiv.org，指定 ID 精确回查 title/author/abstract/published）核验，无凭印象或转述的条目；重点条目的摘要均完整读取（非仅标题）。Mon 26 Oct 批次的归属以 arXiv listing 页各分类 header（"Mon, 26 Oct 2026 (showing ... of N entries)"）为准：cs.CL 106、cs.AI 189、cs.LG 198、cs.SE 40。
批次覆盖说明：四类 listing 页分页翻完并按 ID 去重得 407 个唯一 Mon 批次论文；与 10-24/25/26 三期简报提及的 83 个 ID 比对重叠为零。另从 Fri 23 Oct 批次余量补入 RSI 审计两篇（2610.27610/2610.27465，此前未覆盖）。cs.SE 因批次小（40 条）翻至 Fri 批次尾部，未发现的更早批次内容不在此期范围。
arXiv API 本轮遇到多次 429 限流（均以退避重试解决）。
Hugging Face：/api/daily-papers 返回 10-26 edition（42 篇）+ 10-23 残余（8 篇）；upvotes 与标题以 API 返回为准。
GitHub repo 信息（RSIHub/SkillSpector/magpie/NeoHorse/hallmark 等）来自 REST API 与 Trending 当日快照；NeoHorse 定位描述经其 README 原文核实（含 arXiv 技术报告链接）；SkillSpector 的 26.1%/5.2% 数据来自其 README 引用的研究数据集。
X/Twitter 不可直接访问，本期未纳入；以 arXiv/HF/GitHub 替代，特此说明。
Self-Direction 的增益数字（8.9-17.0pp）为论文自报，基于 Qwen 系开源模型 + 三个基准；Compact-Bench 作者指出其"稳定损失"在多次 compaction 链上测量，单次压缩的损失可能更低——引用其数字时应注意测量条件。