MASS 借鉴在线游戏的权威服务器架构，将多人世界模型分解为推进权威类型化状态的 Logic Engine 与按需生成视角的 Rendering Engine，在匹配 Snake 基准上取得 0.764 的状态恢复（最强视频基线仅 0.128），并支持 1,024 个并发玩家、10,000 个循环 tick 的结构稳定预测。

深度精读《From Economic Agents to Agentic Economies: A Systems Blueprint for Economic World Models》，解析香港中文大学（深圳）、香港大学、南洋理工联合团队提出的经济世界模型（EWM）系统蓝图，详解六级能力阶梯 L1–L6、四大核心架构模块、五算子状态转移形式化，以及 737 篇文献揭示的研究空白。

CalibForge用对抗性求解器校准构建终端任务数据，30B模型Terminal-Bench 2.0从7.87%提升到32.58%（+24.71pp）；Activity Frames用零模型确定性编译将屏幕活动压缩86倍，1.7B学生匹配Opus 4.5前沿模型；When History Lies首次形式化历史轨迹’策略劫持’现象，Oracle-OPD使1.7B工具调用准确率从47%提升到87%。产业端：Claude Code默认Auto模式、谷歌布林接管Gemini重组AI领导层、菲尔兹奖得主加入OpenAI。

深度精读 arXiv:2608.05784——独立研究者 Nossa Iyamu 提出的 Activity Frames，一个零模型、确定性的屏幕活动编译管道。它将屏幕捕获流分割为携带应用、站点、时序、输入量和证据指针的『活动帧』，在 128,756 帧、51 活跃天的真实语料上把单日上下文从 126,812 token 压缩到 1,469 token（86×），编译延迟仅 68ms，下游问答准确率 98.4%（LLM 摘要仅 66-80%），幻觉率 0%。同一编译器还首次测量了代理成本模型假设但从未实测的两个参数：Routine Overhead Ratio R=60-343x 和可委托复发率 h=7.7%（样本外）。核心洞察：把『解释』从『测量』中剥离，用最无趣的确定性代码填补捕获与记忆之间的缝隙。

AgentOPSD 把 Agent 强化学习中长期被回避的’信用分配’难题重新拉回中心：在多轮交互、稀疏奖励的 Agent 任务里，GRPO 这类方法只能把最终成败均摊到每个动作上，导致长程任务里错误信号被稀释、优化方向被噪声淹没。本文提出一种无 critic 的递归自蒸馏方法——把教师（注入了成功技能 c+）与学生之间的 token 级对数概率差聚合为 turn 级证据，再在 log-odds 空间用类似贝叶斯更新的方式递归地累积成 turn 级信念 B_k，最后用 sigmoid 导数加权成有界优势重塑信号 Ã_k。这一过程把’稀疏结果监督’转化为’每一步的密集信用’，在 ALFWorld 上把 Qwen2.5-7B 从 81.2% 抬到 89.1%（+7.9pp），长程任务每轮交互衰减仅 0.54 点（GRPO 衰减 2.91 点）。消融实验进一步证明：先验锚定贡献 -10.2pp 是最关键设计，贝叶斯方向（符号保持）次之 -8.6pp。

CalibForge 提出了一个自主终端任务合成系统，把求解器行为当作’构建时反馈’，通过多求解器校准和对比求解器校准两种对抗式策略，将候选任务反复修订到’可证明可解但又不被统一求解’的求解器相对可学习区间。基于 5,431 个校准任务蒸馏 SFT 后，Qwen3-30B-A3B 在 Terminal-Bench 2.0 从 7.87% 跃升到 32.58%，并在 SWE-bench Pro、Doc2Repo 两个分布外基准上同步取得 +27.68、+30.04 个百分点的迁移提升。本文从终端任务与可学习区间讲起，逐层拆解对抗式作者-求解器循环、轨迹反馈的三类修订模式，并从第一性原理分析’为何校准优于单求解器反馈’。

蚂蚁集团与上海交通大学联合提出 EnvACE，让一个策略同时扮演「行动者」和「环境」两个角色：Acting 角色生成工具调用，Rehearsal 角色生成对应的环境响应，两个角色共享参数端到端联合优化。训练时完全不需要外部环境交互，却能在 BFCL-v4、τ²-Bench、VitaBench 三个 Agent 基准上全面超越依赖真实环境的 baseline，综合得分 32.91% 超过 14B 参数的 AWM。更精彩的是，模型内化出的「世界模型」还能在推理时用于 Test-Time Scaling，在提交执行前先在内部排练验证，把 Overall 推到 40.9%。本文从机制层面解释「世界排练为何比真实环境更高效」，并提炼出三条可迁移到其他领域的通用灵感。

深度精读港大与腾讯联合出品的 OSReward——首个系统检验计算机使用 Agent（CUA）轨迹评判器可靠性的基准与开源奖励模型工作。论文构建了覆盖 Web/Windows/macOS/Ubuntu/Mobile 五大平台的 1,019 条人工标注轨迹基准，揭示了所有主流 VLM 评判器存在的系统性「宽容偏差」，并训练出成本降低 30-60 倍的开源奖励模型 OS-Shepherd。本精读从背景补全、研究脉络定位、问题抽象、方法机制、评估证据、效果根源、必要知识反推到可推广灵感，九部分完整拆解这项为 CUA 评判建立标准化评估体系的开创性研究。

深度精读论文《When History Lies》——首次形式化『历史诱导的策略劫持』现象：结构有效、语义合理的历史轨迹仍可劫持 Agent 已有的正确策略，在 Qwen3-1.7B 上翻转 32.1% 的正确决策。论文提出 ContextPollute-Bench（同步三视图 Original/Polluted/Oracle State，十一类干扰算子）与 Oracle-OPD 方法（基于 Oracle State 的教师通过反向 KL 在策略蒸馏迁移到仅观察污染历史的学生），将 1.7B 模型的 BTA 从 47.2% 提升至 87.0%，8B 教师蒸馏后达 91.9%，并迁移到干净历史、未见工具与噪声多跳 QA。

深度精读浙江大学 VaG（Verifier-as-Gatekeeper）论文——首个正面刻画「自进化 Agent 中能力-污染相变」现象的工作。论文首次形式化了「技能池超过临界规模后新增技能反而降低性能」的非单调相变，并从数学上证明污染链具有结构不可逆性：有缺陷技能进入决策上下文后，其后代继承缺陷推理却从不引用原始缺陷源，导致事后回滚恢复率仅17%。VaG 采用「渐进信任层次 + 异构验证器检查不相交属性」的三级前commit门控（SchemaCritic 结构检查 / ExecCritic held-out重放 / AgentCritic 语义审查），配合边际增益贪心子集选择移除组合污染，在 Terminal-Bench 2 上以仅37个技能达到72% pass@1（Ungated崩溃至50%），技能池缩小近5倍，并在跨模型、跨基准迁移上全面领先。本文从背景、关联工作、问题抽象、三级门控解法、实验证据到不可逆性根源解释，完整拆解这一「前commit优于事后修复」的开创性研究，并提炼出可推广的系统安全设计灵感。