Ouroboros自进化编程Agent三基准SOTA、BDH-CQ循环潜在推理打破ARC-AGI成本Pareto前沿、SHE安全Harness进化ASR降3.1倍、NVIDIA 5000亿美元AI基建融资、GPT-5.6-Cyber网络安全专用模型发布、Anthropic Claude隐形水印全球上线、ZCode用户破百万。

交互式视频世界模型在长时程生成中会遇到一个隐蔽的「记忆失效」问题：KV cache 里明明存着过去的画面，模型却读不出来。本文精读 NVIDIA/Princeton/ Toronto 联合提出的 WorldTrace 框架，它精准定位了 RoPE 旋转位置编码超出训练范围导致的「内容不可寻址」根因，并用一套无需训练的虚拟槽位机制，在时间一致性上提升 15.5%、在 LoopBench 情景回忆上提升 19.5%。本精读将从世界模型的记忆机制讲起，逐层揭开位置编码、相位抵消、虚拟槽位、规范 key 平均等关键技术。

深度精读 Pathway 公司的 BDH-CQ（Dragon Hatchling 架构家族）——一种用 150M 参数挑战 ARC-AGI-1 的后 Transformer 序列模型。它抛弃了主流大模型’生成自然语言思维链’的推理范式，转而在高维潜在空间中迭代计算 R 次，把每次推理成本压到 0.85 GPU-秒、约 0.0007 美元，却能在 ARC-AGI-1 公共集上拿下 29.5% pass@2，比 GPT-5.6 Luna(Low) 便宜约 57 倍。本文用通俗类比讲透’潜在推理’、‘循环记忆’与’低秩通信’的本质，并解释为什么这套结构在’抽象推理流体智力’基准上能弯道超车大它三个数量级的模型。

深度精读论文《BONSAI》——首个以『可进化性（evolvability）』而非当前适应度引导技能搜索的框架。面对『单一验证分数无法区分宽广平台与狭窄尖峰』这一根本盲区，BONSAI 将技能生长为蒙特卡洛搜索树，让节点下的平均分数免费估计变异邻域的可进化性，无需任何额外模型调用。在冻结 30B Agent 上、三个基准平均，BONSAI 比无技能 Agent 提升 23.13 点，比 GEPA 提升 3.87 点，比 SkillOpt 提升 3.97 点；消融实验证明可进化性信号本身在相同树上贡献 +2.14～+7.02 点。

深度精读华为加拿大软件卓越中心与女王大学的 DCAS 论文——首个系统揭示开源 CLI Agent 存在’scaffold 锁定’现象的工作。论文发现：在 OpenHands 单一 scaffold 下微调的模型，迁移到其他 scaffold 时性能可从 52.6% 暴跌至 8.4%。通过提出 DCAS 后端替换拦截层和区分显式/隐式规划两种形式，论文给出了一条从 scaffold 制品到模型能力的可行迁移路径，仅用 576 条规划感知轨迹即可让模型在非训练 scaffold 上一致提升。

编码智能体在 RLVR 训练中长期受困于「信用分配粒度不足」——一个动作里同时打包了对代码不同区域的多种修改，谁贡献了通过、谁制造了失败，传统方法无法区分。DiDPO 从代码 diff 的结构出发，用「可分组性分数」动态选择锚点，把完整 diff 切成可比较的子 diff 组，把 episode 级优势投影到 token 级信号。Qwen2.5-7B-Coder 上超越可比方法超 10%，并附带开源 verl-code 代码库。本精读按九部分结构拆解：从背景、定位、问题抽象、解法、实验证据到优势根源的因果链，再到必要知识反推与通用性灵感。

本文精读 Anton Razzhigaev、Roman Yampolskiy 等人 2026 年发表的 Ouroboros——一个能够自开发的前沿编程 Agent。它把 Agent 的工具、提示词、上下文组装乃至核心实现本身都视为可被审查、可被修改的活体代码，并通过多模型对抗式 diff 审查作为变更门控，实现经审查的核心进化（Reviewed Core Evolution）。文章在 Terminal-Bench 2.1、OSWorld-Verified、CL-Bench 等基准上刷新 SOTA，并在代号为 Hope 的 161 天活体实验中持续运行（累计 1085 次自我修改提交、94.2% 由 Agent 撰写）。本精读将从背景、定位、问题定义、方法、评估、优势根源、必要知识反推、通用性灵感八个维度系统拆解这篇论文。

深度精读 arXiv:2608.09277——受 Dijkstra「程序与其正确性论证应携手开发」启发，P³ 提出「先从规范导出统一的程序-证明计划，再在该计划下细化实现与证明脚手架」的 Agent 工作流，在 Verina/AlgoVeri/Lean4Commit0 三个基准的全部 12 个（基准, 模型）单元中均获最高求解率，相比更强基线绝对提升 4.6–11.2 个百分点，困难子集上每任务 API 成本最高降约 40%、墙上时间最高降约 37%。文章还提出了从 108 个真实开源仓库提炼的库级基准 Lean4Commit0（1030 个占位符，含跨 API 关系规范），填补了仓库级验证代码生成评估的空白。

深度精读 Hui Xue 与 Fan Yang 的《Rethinking Self-Evolving Agents》——一项直面预设流水线是否仍然必要的反思性研究。文章提出 OEO（Open-Ended Optimization，开放式优化）：固定目标、交互、预算、数据边界和评估这五项不可妥协的约束，但把优化过程完全交给前沿模型自行组合。在 GPT-5.5 驱动下，OEO 在 14 次正面交锋中 12 胜 1 平 1 负，仅用 SkillOpt 配置预算中位数 34.3% 的目标交互 token。本精读按九部分结构拆解其背景、定位、问题抽象、机制、实验证据、优势根源、必要知识反推与通用性灵感，并重点解读能力依赖的脚手架这一核心洞见。

深度精读 RoMeRL 论文——首次将自进化 Agent 记忆中的’反馈稀疏’与’记忆-奖励陷阱’两大耦合难题统一刻画，并用’降阶效用状态’把不断增长的轨迹索引效用空间压缩到固定维度的语义坐标上。理论证明降阶参数化提升每个效用坐标的平均反馈量，并刻画错误坐标的稳态占用；ALFWorld 和 LifelongAgentBench 上 Cold-Q 比例降低 80.0%、反馈密度提升约 6.0 倍、维护记忆大小减少 84.4%、LLM 调用减少 21.1%。本精读覆盖问题根源、因子化机制、反馈聚集原理、实验设计与通用性灵感。