【每日AI前沿追踪】2026年10月10日 核心技术与产业动态速递

数据来源：Hugging Face Daily Papers（10-09 日榜 71 篇）+ arXiv Fri 9 Oct announce（1,056 篇）+ AI HOT（10-09 全天 325 条）。123 篇候选论文全部经 PDF 全文逐页深读后撰写。

一、今日核心洞察与重点摘要

  • RSI（递归自我改进）从单点技巧走向"范式矩阵"：今日六篇论文从不同维度拼出 RSI 的完整设计空间——AgentGarten 用"代码世界"把环境本身变成可进化资产（4 轮学会搭 shelter，对比 OpenAI 2019 自博弈 RL 的 2,500 万 episode）；Memento 3 用"语言 rulebook + 代码实现 + Git 历史"三元组外化学习状态，拿下 ARC-AGI-3 全部 25 游戏满分；MiMo-V2.6 把 grader 算力当作第三扩展轴（GRS/GAR 组内质量再分配）；Mara Chain 把被拒候选变成"垫脚石"证据链（验证分 0.8 所需 rollout -65.5%）；MASS 用多智能体编排蒸馏实现同构 RSI；Verification & Self-Improvement 则给出 RSI 声明的验证理论框架——自我改进的"方法论"与"审计学"在同一天齐备。
  • 技能库从"积累"转向"维护"范式，可靠性成为第一约束：SkillMorph 首次把程序修复中的故障定位（SBFL）引入技能进化（CannBot pass3 翻倍）；Skill-V 把技能重构为可证伪合约+证据门控修订（200 条库达 95.3%）；One Skill Too Many 用 6,368 次受控实验证明共装冲突让技能使用率 -19.9pp 而"任务完成率测不出这种损失"——技能生态的"隐性失效"第一次有了实证量化。
  • 评测有效性三连击，“分数"本身成为被审计对象：TestJack 用动态逐 trial 审计驳回 34.4% 的"通过”（8,862 trials）；TestPrism 证明前沿智能体的测试可靠性被单参考评测高估约 31pp；AgentHorizon 用指令互换构造对抗负例暴露裁判对"近失误"的盲区（Bad Side Effect 召回仅 24.1%）；同日 TRACE（分数变化因果归因）、Who Verifies the Verifier（下游分数不可认证 grader）、Overconfident Failure（置信度不含正确性信息）从三个方向得出同一结论：评测分数不能自我认证。
  • Agent 安全新攻面从文本扩展到"结构性通道"：选项标签一个词把 guardrail fail-open 推到 100%（Option-Channel）；Python .pyc 缓存投毒让 7 个商业扫描器 ASR 94-100% 而"语义识别 0%"（PyCache Trap）；投机解码的 draft-target 失配被武器化为"每 token 成本"攻击（最强案例 3.2× target 前向）；NOMOS 与 LTBD 分别代表确定性编译与可学习信任边界两条防御路线。

今日企业+高校研究合作趋势：产学研协作在"系统级工程"上最密集——小米（MiMo-V2.6 全栈 RL）、蚂蚁集团（Mara Chain + 开源 AntOmniEvo）、阿里（SpatialOPSD 蒸馏 + RACE 人大-阿里 TokenHub）、腾讯（SWE-Journey 基准 + EBG 人大-快手）均以企业提供算力/场景、高校主导方法学的模式产出；国际侧 Amazon（LMs as RWM 联合 UC 系四校）、Anthropic（e-process 权重外泄检测联合 MATS）、MSRA（HarnessSQL 联合 HKUST、GenUI 联合 HKU）、AWS（白盒持续学习 + 时间预算 agent 联合 UIC/NYU）延续研究院+高校实习的经典管道。值得关注的新信号：西门子+TUM（Agent4RE）、高通+UCB（RFChipAgent）、丰田+东大（Possibilistic Reasoning） 显示制造业巨头开始把 Agent 研究投向自身垂直领域（需求工程/芯片设计/科学发现理论）。

二、详细内容追踪

1. 前沿学术与技术突破（Hugging Face 精选 + Arxiv 精选）

主线一：RSI 与自我改进范式矩阵

  • 论文名称：AgentGarten: Code Worlds for Evolving Agents / 代码世界养进化智能体

  • 核心亮点：

    • 任务定义：构建"可编程引擎状态 + 共享实时神经渲染器"的交互式代码世界，让预训练智能体在其中练习并逐轮进化（具身智能/世界模型）。
    • 方法核心：AgentGarten 框架 + Adversarial Forcing 蒸馏——引擎维护持久状态并导出深度/法线结构化条件，Cosmos 3-Nano 改造的 block-causal 渲染器生成视觉观测；蒸馏侧加 bitwise 精确 replay（块级 SDPA 重放）+ 冻结骨干对抗目标。
    • 评估指标：渲染器单卡 H100 480×832@36.5fps；replay 误差 0（bitwise）vs SGF 式 3.99%；hide-and-seek 中 hider 第 4 轮搭 shelter、seeker 第 10 轮用 ramp（对比 Baker 2019 自博弈 RL 约 2500 万/1 亿 episode）；4 个附加世界 4 轮提升（herding 3/4→4/4 羊入圈、quarry loader 30→90.9 分）。
    • 为何优于 baseline：状态与外观解耦（引擎管物理、渲染器管外观）→ 渲染误差不累积进状态、同一轨迹可换皮重渲染；精确 replay 让损失梯度真正更新历史编码参数 + 对抗损失注入真实数据监督 → 长 rollout 视觉不退化；预训练智能体自带常识先验 + playbook 跨轮继承 → 无需从零探索。

  • 团队背景：MirroS（企业）+ 清华大学 + 北京大学——企业主导、高校联合。

  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

  • 论文名称：Memento 3: Model-Based Recursive Self-Improvement through Reflective Rulebooks / 反思规则簿的模型式 RSI

  • 核心亮点：

    • 任务定义：冻结 LLM 的智能体在不熟悉环境中通过交互学习显式世界模型并递归自我改进（模型式 RSI/认知架构）。
    • 方法核心：Code as Model——自然语言 rulebook（可修订假设）编译为可执行代码；“观察→反思→规则修订→编译→逐帧 cell-exact replay 验证"持续循环；种群维护 N 个并行世界模型；Git 版本库保存演化史。
    • 评估指标：ARC-AGI-3 全部 25 游戏 RHAE 100.0 满分（183/183 关），比 Claude Opus 5 + 标准 harness 高 59.3 RHAE；总动作 7,518 = 人类基线的 0.44 倍；Pong 三局 21:0，学习成本 9,504 帧 vs EfficientZero 4×10^5（42 倍）。
    • 为何优于 baseline：有限证据总留下多个一致假设 → 单一程序提交会自确认；rulebook 把假设显式化使后续观测可证伪 + MDL 偏好简洁规则 → 反例驱动修订收敛到正确泛化；可执行模型上做最短路规划 → 每步动作都朝推断目标推进。

  • 团队背景：UCL + 华为诺亚方舟实验室（英）+ 利物浦大学——企业+高校合作，UCL Jun Wang 通讯。

  • 相关链接：📄 点击阅读论文原文

  • 论文名称：MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement / 把 grader 算力当第三扩展轴

  • 核心亮点：

    • 任务定义：通过大规模强化学习把全模态基座推向自我改进：Pro 1.02T/42B 激活 + Flash 310B/15B（大模型 RL 训练系统）。
    • 方法核心：三轴扩展 RL——异步大规模训练（每步 25K 轨迹、1M 上下文）× 多域环境（代码 68%）× Groupwise Agentic Grading（GRS 离线 rubric 合成 + GAR 在线组内排序向高质量通过解重新分配正优势），配套冻结 MoE router 防 reward hacking。
    • 评估指标：Pro 版 DeepSWE v1.1 71.9（Claude Opus 5 74.0）、AutomationBench 53.1 超 Opus 5（50.3）、Agents’ Last Exam 31.6 并列第一；开源 9B 蒸馏+RL：SWE-bench Verified 60.0→66.2、Terminal-Bench 2.1 37.1→52.8；held-out harness 平均 pass@1 约 50%→66%。
    • 为何优于 baseline：RL 效果瓶颈在奖励信号分辨率——二元测试奖励使所有通过解等权 → 模型走捷径（长输出、防御性补丁）；GRS/GAR 把组内质量排序转成细粒度优势 → 正优势从低质通过解转移给高质解 → pass 率上升同时 turns/长度受控；多 harness 训练迫使能力落在模型而非 harness 惯性。

  • 团队背景：小米 LLM-Core（企业；开源 9B 蒸馏模型、RL 环境与框架）。

  • 相关链接：📄 点击阅读论文原文；💻 模型

  • 论文名称：Mara Chain: Rethinking Failure as a Stepping Stone for AI System Auto-Evolution / 失败即垫脚石

  • 核心亮点：

    • 任务定义：对已部署 AI 系统的非权重工件（prompt/技能/harness/检索管线）做自动优化，克服进化循环中的"持续失败壁垒”（AI 系统自动演化）。
    • 方法核心：反思式精炼链——被拒候选不丢弃，保留 rollout 轨迹/残余失败/结构化分析沿单链路迭代精炼（深度 d=5 有界）；外环种群多维 leadership 采样 + Pareto Top-N 截断。
    • 评估指标：AppWorld Normal TGC 89.9 全列最佳（ACE 83.9、GEPA 83.3、SkillOpt-Lite 70.8）；验证分 0.8 所需 rollout 3,280 vs GEPA 9,514（-65.5%）；TerminalBench 2.1 71.9% vs 最强基线 51.7%（+20.2pp）；跨模型迁移 empty→优化 +40.3pp（GLM-5）/+32.7（DeepSeek-V4-Pro）。
    • 为何优于 baseline：现有方法把不过门槛的候选整体丢弃 → 部分修复/排除路线的信息全部丢失 → 同一残余失败反复出现；Mara Chain 把失败候选转为证据链，链上每步以全部前序后果为条件 → 可延伸部分修复或换路（案例：sanitize-git-repo 从 prose 指导迭代升级为脚本 v0→v3 直至通过）。

  • 团队背景：蚂蚁集团 + 北京智能游戏与决策实验室——企业主导，开源 AntOmniEvo 框架。

  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

  • 论文名称：MASS: Recursive Self-Improvement through Multi-Agent Self-Supervision / 多智能体自监督 RSI

  • 核心亮点：

    • 任务定义：同构 RSI（同一 LLM 任 agent/evaluator/optimizer）在不可验证的开放式研究任务上获得有效自监督（LLM 自我改进）。
    • 方法核心：双循环——内环进化搜索"多智能体 workflow 编排规范"（聚焦通信结构 contract/hop）；外环在优化后 workflow 下生成轨迹，pairwise 锦标赛 + Bradley-Terry 选 top 轨迹对 orchestrator 与 subagent 对话窗联合 SFT。
    • 评估指标：两个 RSI 周期后外部强模型 win rate 53.9%→69.9%；4 个研究基准每 token 分数提升 1.2-1.6×（MLR-Bench 1.58→2.40）；evaluator 与外部判断一致率 0.73→0.93；协调行为内部化（delegation 1/110→87/110）；多智能体学生比单智能体少用 31.4% token 且高 4.3pp。
    • 为何优于 baseline：同构自反馈共享同一先验易自我强化错误 → 多副本分工（角色+输出契约+路由）把"单模型长轨迹"拆成两层预测问题 → 监督信号更密、信用分配更清晰；workflow 优化聚焦信息流（互信息分析：contract/hop 任务特异性上升）→ 信息流优化是有效自监督源。

  • 团队背景：UC Berkeley + Sakana AI——企业+高校合作（一作 UCB 实习生）。

  • 相关链接：📄 点击阅读论文原文

主线二：技能库可靠性与维护范式

  • 论文名称：SkillMorph: Trajectory-Guided Fault Localization for Agent Skill Evolution / 轨迹引导的技能故障定位

  • 核心亮点：

    • 任务定义：自动定位并修订 Agent 技能文档中引发失败行为的缺陷内容（技能进化/软件工程）。
    • 方法核心：借鉴程序修复中的 SBFL——把每次执行当作测试、轨迹中的动作当作覆盖实体；三阶段聚合证据（单任务 Ochiai × 跨环历史 Yule’s Q 加权 × 跨任务聚合）定位"可疑动作"，再映射回技能文件的具体编辑点生成协调式多技能修订补丁。
    • 评估指标：SWE-Skills-Bench（49 技能×490 任务）pass@3 95.51%（原始 82.45，+15.84%）、pass3 88.37%（+30.03%）；CannBot pass3 46.67→93.33（+100%）；超最强基线 CAP-Evolve 3.27pp；6 个技能修订 PR 被企业 AI 运营团队接受。
    • 为何优于 baseline：让 LLM 从整体反馈隐式猜测编辑点 → 修订会误伤正常内容；显式定位可疑动作（区分"技能缺陷"与"随机行为"）→ 修订只改真正引导了失败的内容 → 一致性收益（pass3 +30~100%）远大于覆盖率收益，说明机制主要消除了重复失败与回归。

  • 团队背景：南京大学（主导）+ 香港理工大学——高校合作+工业部署验证。

  • 相关链接：📄 点击阅读论文原文

  • 论文名称：Skill-V: Verifiable Self-Evolving Skill Library / 可证伪合约技能库

  • 核心亮点：

    • 任务定义：让交互式 Agent 的自进化技能库不仅"增长"而且"可靠"——能测试与修订已存储技能（RL/技能库维护）。
    • 方法核心：技能=版本化可证伪合约（语义意图+可执行 rubric：适用条件+加权行为判据+硬约束）；失败轨迹→新增技能；rubric 判定与环境结果不一致（反例）→定向修订合约边界；修订须通过确定性 Evidence Gate（Disc/FNR/BAcc 三指标非回退）。
    • 评估指标：ALFWorld 95.3%（GRPO 77.6，+17.7pp）、WebShop 85.9%（66.1，+19.8pp）；库规模仅约 200 条（Skill1 需 5000 条，<4%）；消融：仅获取 68.8%、去 Evidence Gate 75.0%（46 修订中 9 个回归）。
    • 为何优于 baseline：技能成为可执行合约 → 环境结果可充当经验证据检验已存知识边界 → 反例驱动定向修边界 + 非回退门阻止破坏性修订 → 一致性与紧凑性同时提升；冻结策略消融证明收益存于库中。

  • 团队背景：厦门大学 + 快手技术 + 南开大学——企业+高校合作（快手主导工程）。

  • 相关链接：📄 点击阅读论文原文

  • 论文名称：One Skill Too Many: How Co-Installed Skills Conflict in Coding Agents / 共装技能冲突实证

  • 核心亮点：

    • 任务定义：首次系统实证"共装的相似良性技能如何冲突并吞掉已安装技能的核心功能"（软件工程实证）。
    • 方法核心：三段式——从 20,947 仓库重建 Claude Code 会加载的 55,698 个技能、配对挖掘 822,109 候选对（LLM 判定 3,754 对）；从技能文本提取"核心功能"定义 fidelity 指标；312 对×3 模型×7 配置受控运行（6,368 次、169,294 次工具调用、542 小时）。
    • 评估指标：近 1/4 已安装技能与同功能技能共装；冲突使 A 的使用率 -19.9pp（无关技能仅 -5.9pp）；任务完成率不降（+1.9pp，CI 含 0）但 fidelity -2.6pp、独占核心功能 -5.6pp；先开相似技能使独占功能 fidelity -9.4pp；pre-tool hook 守卫 96% 促切换、恢复 +9.1pp；Codex 复现结论跨平台成立。
    • 为何优于 baseline（实证贡献）：模型仅凭名称+描述（截断 1,536 字符）选择技能 → 相似技能共享描述导致替换（12.1% 仅用 B、38.0% 都不用）→ 任务仍通过（任一技能都能完成）但仅 A 要求的行为丢失 → 任务完成率指标结构性失明 → 需要 requirement 级 fidelity 指标与首次读取守卫。

  • 团队背景：新南威尔士大学 + 格里菲斯 + 南洋理工 + 卧龙岗——纯高校跨国合作。

  • 相关链接：📄 点击阅读论文原文

主线三：评测有效性与基准审计

  • 论文名称：TestJack: Agentic Coding Benchmarks Auditing via Evaluator Evolution / 编码基准动态审计

  • 核心亮点：

    • 任务定义：审计编码基准"通过判定"的可信度——动态演化评测器，检测通过固定测试但实际违反任务需求的 trial（基准审计）。
    • 方法核心：逐 trial prompt-grounded 差分测试——audit agent 把 prompt 分解为原子需求清单，沿三条轴取证（幽灵分支/奖励黑客/变异测试）写出"必须 fail 于模型世界、pass 于 ground-truth 世界"的证人测试；reviewer 以 prompt 为唯一权威复审。
    • 评估指标：5 基准×6 前沿骨干共 8,862 trials、4,487 通过：驳回 1,545（34.4%），整体 resolution 50.6%→33.2%；DeepSWE 驳回率 43.5%、SWE-Marathon 53.6%、SWE-bench Verified 7.6%；轻量版以 15.4% 成本恢复 72.4% 驳回；vs 静态增强 SOTA SWE-ABS：recall 72.4% vs 9.9%（7.3×）。
    • 为何优于 baseline：静态测试增强在见到提交前必须"预测"agent 会错在哪 → 无法覆盖实现特定缺陷；TESTJACK 分离"测什么"（prompt 需求）与"期望是否正确"（ground truth 作 oracle）→ 动态针对每个 trial 的实际 diff 找缺口、每个驳回有可重放证据。

  • 团队背景：Columbia + UC Berkeley（Dawn Song、Koushik Sen）+ George Mason——全学术多校。

  • 相关链接：📄 点击阅读论文原文

  • 论文名称：TestPrism: Rethinking Test Evaluation Beyond a Single Reference / 超越单参考的测试评测

  • 核心亮点：

    • 任务定义：评测生成测试能否同时接受所有有效实现并拒绝所有缺陷实现（测试生成评测基准+方法）。
    • 方法核心：300 任务×（1 参考+4 有效+5 无效候选实现）面板；核心指标 JSF=初始失败×接受全部有效×拒绝全部无效；TestHelix=异构"测试-修复"对合成 + 同伴交叉验证 + 递归自我改进（RSI 优化策略后冻结）。
    • 评估指标：14 个智能体配置最高 JSF 仅 28.00%（Claude Fable 5.1）——参考成功到联合成功掉 31.7pp，即测试可靠性被单参考评测高估约 31pp；TestHelix 使 GPT5.6sol 23.33%→32.33%（+9.0pp）、Kimi K3 24.67%→33.33%；同伴交叉验证贡献 +6pp 以上。
    • 为何优于 baseline：单参考评测只验证"初始失败+参考通过"，无法发现测试对有效变体的拒绝（B(T₀)⊂B(P) 机制缺口）→ 多样化候选面板把"实现不变性"变成可测属性 → 异构修复假设互查暴露过约束 + 语义审查防过拟合。

  • 团队背景：南京大学（主力）+ 港理工 + 腾讯——高校为主+企业成员。

  • 相关链接：📄 点击阅读论文原文

  • 论文名称：AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks / 长程任务裁判评测

  • 核心亮点：

    • 任务定义：评测 LLM 裁判能否正确判定长时程计算机使用任务是否成功——“评测评判者"的可靠性（评测有效性）。
    • 方法核心：配对构造——标注者为两个高度相近的指令各录一条真人轨迹，指令互换即得"看似完整但与指令不符"的对抗负例（523 正/850 负、166 小时录像、112 桌面应用）；三开模型×8 次裁决切难度分组。
    • 评估指标：AH 难集最佳 GPT-5.5+Codex 80.9%；Bad Side Effect 召回最低（GPT-5.5 Codex 仅 24.1%）；去指令消融 BA 掉到 47.8-49.8%（近随机）；相对 AgentRewardBench（所有 judge precision<70%）是新问题设定。
    • 为何优于 baseline：现有基准的失败样本来自真实崩溃 → 配对设计构造"执行完整但违反细粒度约束"的近失误负例 → 迫使裁判在数百截图中定位隐藏证据 → 暴露"验证输出存在≠满足指令"的机制缺陷。

  • 团队背景：ServiceNow Research（企业）+ McGill + Mila 等 7 校——企业主导+加拿大高校联盟。

  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

主线四：Agent 安全攻防

  • 论文名称：One Word Opens the Gate: The Option-Channel Attack / 选项标签通道攻击

  • 核心亮点：

    • 任务定义：评估 typed decision model 作为 Agent 安全门的可靠性，发现并系统利用"选项标签"新攻击面（对抗攻击）。
    • 方法核心：只改选项标签、不动被评文本与定义——多数实现把标签放进模型输入，攻击者把许可选项改名为误导词（escalate/remediate）即可翻转决策；决策概率本就贴近 0.5 边界（LAYA-TD 正确拦截的 P(block) 中位数仅 0.57）。
    • 评估指标：改 1 个标签后 4 个含标签模型 fail-open 达 93-100%；Qwen2.5-7B（最强门，honest fail-open 4.7%）改名后 6 策略全部 100%；198 词标签扫描：obsidian 达 100%；被翻转决策攻击后 margin 0.151 vs 攻击前 0.149（53% 反而更"自信”）；5 个防御全部被自适应攻击攻破或代价过高（唯一不败的结构化字段解析在自适应攻击下 4/5 typed 模型达 100%）。
    • 为何优于 baseline（攻击型贡献）：标签词移动概率向该选项倾斜而定义不变 → 错误方向必为 fail-open；揭示"单向低错误率只是回答偏置的伪装"；不把标签送入网络的调用库（VON/RLCD）构造性免疫——为防御设计指明方向。

  • 团队背景：USC（纯高校）。

  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

  • 论文名称：PyCache Trap: The Inspection-Execution Gap in Agent Skill Scanners / 缓存投毒与检查-执行鸿沟

  • 核心亮点：

    • 任务定义：Python import 可执行包内捆绑的 .pyc 字节码缓存而非源码——研究这一鸿沟对 Skill 扫描器信任边界的影响（Agent 供应链安全）。
    • 方法核心：攻击侧 PyCacheTrap（良性源码+替换 loader 可接受缓存体+LLM 改写器只改调用措辞而缓存字节冻结）；防御侧 EAV（类型化执行图 + 7 类共享效果投影 + 溯源闭合：每个可达缓存=已验证源码的解释器匹配可信重编译）。
    • 评估指标：攻击：100 Skills×7 扫描器 ASR 94-100%（Cisco 95/Auditor 100/SlowMist 100），语义识别 0%；运行时确认 76-83/100 受害者被准入执行；对 EAV 全 0%。防御：五攻击族+200 良性 Recall 92.8%/Precision 95.9%/F1 94.3%（最佳基线 ExecScan F1 75.7%）；延迟 39.82ms p50。
    • 为何优于 baseline：扫描器在源码视图上建立信任、运行时执行缓存体，两者表示不同且缓存头一致性由发布者控制 → 措辞改写可绕过任何"读字面"检查；EAV 把决策证据从字面移到可执行字节（确定性重编译比较）→ 改写措辞无法改变其结果。

  • 团队背景：重庆大学 + 东北大学秦分校 + 中山大学 + 腾讯 + 南洋理工——多校+企业联合。

  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

  • 论文名称：NOMOS: Compiling Written Policies into Statically Verified Tool-Call Gates / 策略编译为确定性调用门

  • 核心亮点：

    • 任务定义：把自然语言策略编译成静态验证的确定性工具调用门，零 LLM 运行时调用地强制执行（确定性防御）。
    • 方法核心：四遍编译器（分句→闭极性词表抽取（唯一 LLM 遍）→静态验证（自阻断可达性/写域修复/参数签名一致等，仅需规则+schema+两张静态表）→带全溯源输出）+ 运行时门（事实库只从工具结果与用户轮写入、排除 agent 自身声明）。
    • 评估指标：τ2-bench 违规率 airline 66.3%→2.6%（26×）、retail 30.8%→6.9%；AgentDojo banking ASR 46.5%→0.0%（183/183 全拦，自适应攻击亦 0）；运行时开销 3μs/决策、零 LLM 调用（vs LLM verifier +74% 墙钟）；去验证消融：过半规则不可运行。
    • 为何优于 baseline：规则为数据而非代码（两开槽使一切验证退化为集合运算）→ LLM 抽取缺陷呈少数重复结构类，逐规则静态检查即可修复；注入攻击多样性在结构谓词上坍缩（9 个 banking 目标落 3 类）→ 3 条规则拦 9 族攻击；事实溯源排除 agent 声明 → 结构性免疫注入伪造。

  • 团队背景：Corners Co., Ltd（韩国公司，纯企业）。

  • 相关链接：📄 点击阅读论文原文

主线五：Harness 与训练机制

  • 论文名称：HarnessSQL: Harness-Native Training for SQL Agents / 原生 harness 训练范式

  • 核心亮点：

    • 任务定义：将交互式 Text-to-SQL 形式化为执行 harness 中介的 POMDP 长时程策略学习，解决"训练学静态映射、部署要探索-纠错"的失配（数据库智能体/后训练）。
    • 方法核心：三组件——可执行 SQL 沙箱（容器化数据库+隐藏 oracle+SQL-first 任务合成）、SQL 特化 harness（仅 4 工具+协议中间件）、harness-native 两阶段训练（教师在目标 harness 内 rollout、oracle 验证通过的完整轨迹 full-trajectory SFT → 同环境执行奖励 RL）。
    • 评估指标：Spider2.0-SQLite：Qwen3-8B 15.5%→45.2%（+29.7pt）、14B 22.2%→54.8%（+32.6pt）——8B 版近乎三倍于所有 32B 基线（OmniSQL-32B 14.8%）；harness 训练 vs 非 harness（同推理）30.4% vs 9.6%。
    • 为何优于 baseline：静态训练把轨迹边际化 → 模型从未见过执行错误/空结果等运行时反馈（曝光偏差）；harness-native 让 SFT/RL 与部署共享同一状态-动作协议 → 模型学到"何时查 schema、如何解读报错、如何恢复并终止"的闭环策略。

  • 团队背景：HKUST（主导）+ Microsoft Research + 清华 + 澳门大学——企业+高校合作。

  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

  • 论文名称：Harness Evolution Hits a Ceiling: When Weight Training Should Begin / harness 进化的天花板

  • 核心亮点：

    • 任务定义：回答长时程智能体改进的两杠杆选择——harness 自进化 vs 权重训练，何时该用哪个、harness 增益何时可被"训练进权重"（训练科学/实证方法）。
    • 方法核心：诊断-干预规则——按首个失败信号打标（F1 证据缺失/F2 harness 摩擦/F3 循环耗尽/F4 计划不足）→ 假设 harness 进化修复 F2/F3、权重训练针对 F4；AHE 式 propose-verify 自进化后用进化 harness 下轨迹训 LoRA，交叉评测验证增益落点（含 placebo 对照）。
    • 评估指标：harness 进化：Qwen3.5-4B 0.16→0.30（held-out +0.133）、9B 0.32→0.44；LoRA 内化 +0.126/+0.131；9B 上适配器单独追平进化线（两杠杆替代）；placebo 适配器低于基座（证明增益在轨迹内容）；九条进化线中种子交付质量≥0.27 的五条有效、0.13-0.17 的三条增益为零。
    • 为何优于 baseline：分类学按"哪个杠杆能移除该错误"组织 → 直接对应干预手段；核心发现"改模型所写→可训入权重，改模型所见→留在 harness"（WebArena 增益来自上下文保留两页故训练不进权重）→ 给出可判据的杠杆切换规则。

  • 团队背景：独立研究者 + UC Berkeley + Purdue + Stanford。

  • 相关链接：📄 点击阅读论文原文

  • 论文名称：GRPODropout: Less is More for Online RL Rollouts / 删 rollout 换熵

  • 核心亮点：

    • 任务定义：缓解在线 RL（GRPO 类）的策略熵塌缩——从"哪些 rollout 参与更新"的数据层视角（训练机制）。
    • 方法核心：rollout 级一阶熵分析（高概率正优势 rollout 在共享学习率下降熵影响最大）→ 贪心删除最负贡献的高概率正优势 rollout → 恢复全部非正优势 rollout → 旧策略概率加权重定心 advantage（抵消删除引入的归一化漂移）。
    • 评估指标：Qwen3 三规模平均分均超 GRPO（平均 +1.55pp）；训练末 actor 熵高出 GRPO 446.1%；仅用 12.1% 更少 rollout；6 系统整体 mean rank 1.63；消融：不重定心直接崩溃（4B 平均 16.00）。
    • 为何优于 baseline：高概率正优势 rollout 已被现有策略充分代表，再强化提供边际信息少却加速熵塌缩 → 删除并概率加权重定心 → 保留负样本的抑制信号与探索方向 → “less is more”：删 12.1% 数据换 4.5 倍熵。

  • 团队背景：哈工大（深圳）+ 中关村学院 + XinzhuAI。

  • 相关链接：📄 点击阅读论文原文；💻 代码仓库

其余深读论文速览表

论文arXiv核心数字新颖性定位
Trace2Env2610.06100ALFWorld W2R 85% vs Direct 3%（28 倍）Agent 当环境的 agentic LWM 新范式
COAP/Embodied TM2610.12369RoboDojo SR 70.24%（超 SOTA 38.9pt）代码即策略新范式
LoopOPD2610.10623AIME 三科 59.37→62.36（D-LoopOPD）计算特权教师新机制
STI-OPD2610.108788 设置全第一，ALFWorld Look +7pp随机软干预+重要性采样
LMs as RWM2610.122355 环境 Spearman 0.506→0.774；Regret@3 -58.2%跨环境实验知识新问题
Station2610.08927再发现率 62.7% vs Codex 多智能体 15.4%去中心化科研生态新范式
Possibilistic2610.11289合成环境 precision 1.0 收敛溯因+可能性理论新理论
EFRE2610.11373稳定性 -0.31 vs GEPA -11.82（J_stab）prompt 库演化持续学习
InfiLoop2610.11570Sudoku-Extreme 97.9%；ARC-AGI-2 13.6（7M 模型）循环注意力残差新机制
Hippocam2610.121248 基准 7 项第一；LoCoMo 77.6 vs A-Mem 67.5意图栈记忆新范式
CogMem2610.11314误归因 42.7%→6.0%；Multi-Hop F1 +5.46Claim 认识论分离新机制
MemTrial2610.11732市场混淆 ρ=0.91-0.97 实证；唯一贴近 1/N 的 LLM 法记忆信用反事实归因
What to Admit2610.11188ofj 45.2%→20.4%（-24.7pp）admission/presentation 解耦
REMORY2610.11287Citation F1 +4.04；AutomationBench +9.8残差软记忆新机制
MemoWM2610.10778存储 -53.9% 且准确率 +7.24率失真记忆分工理论
MemoType2610.115734 数据集检索/生成全第一；PerLTQA +14.73pp类型路由检索+理论上界
Curating Context2610.11007池 3200 时最优文件仅 10-40 条；增积损失 316.7组合优化+截断反馈理论
DeltaReplay2610.11707SPA-Bench +25.0pp；same-task 时延 -57%步级三路由记忆复用
SpatialOPSD2610.1136645.9→51.9 超越 GPT-5；泄漏 82.7%→9.1%验证轨迹特权蒸馏
AdaptEvo2610.11354Out-of-Period +7.6pp vs GRPO（GRPO 反降）置信度自适应奖励
ViSkill2610.12403总体 0.89 超 GPT-5 0.70/AtlasVA 0.87视觉原生技能卡
TaReD2610.11268AppWorld TGC 69.3%（最高 +40pp）能力层级延迟绑定
Plan-and-Patch2610.10786无训练修复 53.7% vs AR 27.0%；延迟 -39~46%dLLM infilling 计划修复
RACE2610.12061ScienceWorld 73.28 超 GPT-5.5M；token -80.3%（WebShop）似然代理跨回合推理裁剪
Cadence2610.12269SWE-bench Lite 42.33% vs Vanilla 17%（+25.33pt）干预驱动监控调度
E-Ledger2610.11552四骨干 STCR 全面最高 65-80；PSR 95-100%溯因验证 harness 进化
EBG2610.06406SpecGAP SF1 0.275→0.392；长上下文优势最大证据行为图监督
GenUI-Harness2610.111234B 3.22%→58.00% Pass@3 超 Claude Opus 5生成式 UI 交互通道
Incremental-OEDR2610.11566连续性 ROUGE-L 0.57/0.68 vs 0.17/0.13；搜索 -61%增量维护式深度研究
Agent4RE2610.10628人类评分 3.29/4 vs 基线 2.22/2.87首个端到端 RE 基准
OpenProblemBench2610.11118GPT-6-Astra 求解率 14.02% 居首；其余 <8%文献接地开放问题基准
LLM-IDEA2610.11253Alien Universe 8/8 vs 1/8（p=0.0078）可识别性证书元方法
Learn2Play2610.08215MEMORY 全指标第一（LG +16.9）；人类 Top-1 84.3>agent 81.8反直觉规则学习基准
SWE-Journey2610.11559Architect 78.5% vs Non-coder 23.0%（差 55.5pp）用户画像×长程基准
RucTangle2610.11593ITF 1.7% vs 基线 16.4-32.4%；回归修复 +16.6%可运行性解缠新约束
Chronos2610.11578SWE-bench Verified +3.7pp 跨六骨干PR 关系图第二信号
Fault-Enforcing Tests2610.11835固化测试 8.4-16.9%（揭示类 3.5-6.5×）；99.5% 存活故障固化纵向实证
ARC-AGI-3 Thoughts2610.11450跨任务引用复用仅 33/630；74% 脚本边界即弃白盒记忆测量协议
CABRA2610.10610UNDERSTAND 调用与准确率 r=-0.200 最强相关代码理解=可缩放瓶颈
Speedbumps2610.10929EAGLE-3 speed-up 3.40×→1.42×；MAL 3.2× 放大投机解码拒绝攻击
LTBD2610.11634AlpacaFarm ASR 0.00%（4/4 模型）；自适应 ≤0.48%可学习信任边界 token
ObligationGuard2610.11773Recall 57.52% 超 Claude Opus 4.8 8.55pp；EM 翻倍义务识别新问题
ReSI2610.12233X-Teaming ASR 86.01%→31.45%（-54.56pp）递归安全改进范式
DuplexAgent-RSI2610.11299BFCL 53.5→75.8；协作分 Q +30.7语音 harness RSI
Deception by Omission2610.11351agentic 67.1% 未披露；知情隐瞒 5.3% 首次分离遗漏式欺骗测量
Who Verifies Verifier2610.11464进化 verifier 一致性 +0.21；塌缩 verifier 训练效果不打折grader 认证负面结果
TRACE2610.11678工具改名致 0.250 分差（重评分归零）；单次翻转率 14.7-35.6%分数变化因果归因
ModeBench/Re:Max2610.11064RLVR 后 14/15 域 PCMD 下降；Re:Max pass@8 +90%解法模式塌缩新指标
SynCo2610.11345平均 78.72% 超 ScaleQuest +3.76pp；teachability-梯度 r=0.934合成器/解题器联合 GRPO
Overconfident Failure2610.11300最佳 AUC 仅 0.598-0.696；错误程序置信度反更高过度自信失败实证
RH-Detect2610.1094792,761 行统一基准；多轮工具源准确率低 10.7-15.9ppreward hacking 统一评测
Epistemic Humility2610.12360冲突下 accuracy 掉 >30 点；Solve 率与准确率负相关认知谦逊轨迹级评测
OneSearch-VL2610.12419MI-Bench +20.2；EVGR 全奖励 +3.8VGEG 证据依赖统一
VAMR2610.11171LVBench 62.1%（+4.3）；轮数 -85.9%、帧 -61.4%多问题共享轨迹
Agentic-TTT2610.12002总效用 0.510 vs 直答 0.256（近翻倍）TTT 代理权新范式
ObliVul2610.11801VPS 47.16% vs VulTriage 27.13%；3 个真实 CVE 入主线反事实图验证
Where Do Tokens Go2610.11602漏洞推理 60.4% token/68.7% 失败权重；AVRI 成本 -18~24%token 经济学诊断
StoreBench2610.10942GRPO 0.136→0.373（+0.237）；exploiter 加固后 0.039锚定校准经营基准
AgenticBBO2610.12183Agentic 五域全胜 Direct（平均 +30.3%）五域统一 BBO 基准
TokenRouter2610.12242吞吐 2.01-64.15×；延迟 -2.03~63.64×首个 token 级路由 serving
MLR Peer Review2610.11087distance-0 矛盾检出 >70%（次优 4 倍）；接受率 81%知识图矛盾基准
LGWM2610.11942RSWT AUC 0.987 追平闭源 VLM；17ms/决策（快 ≥182×）世界模型作验证器
SafeInferCom2610.1122332B S+IR 98.4% vs 82.8%；纠错检查点减半形式验证中途干预
PRAXIS2610.11803MIT Indoor Full 0.694 最佳；档案权重 0.141→0.987共演化动力学三定理
MineOdyssey2610.11328GPT-6 Astra 85.56% vs 最强开源 23.89%（62pp 鸿沟）真实地点野外导航
WorldBench2610.10622claude-fable 210.79 居首；代码-帧不一致 32%双通道互验 3D 评测
Gated Memory2610.11270Single-Hop +4.4%；准入拒 6.0%记忆形成准入新问题
galahad-kv2610.1084550M token KV 零重算 100/100；快 2.8-4.25×50M KV 持久记忆工程
Agent-Controlled Forgetting2610.10590最终 prompt -75%；成本 -67~71%可逆上下文归档实践
Internalizer2610.11715284B 文档内化 top-1 84.9% vs 基座 63.4%可移植超网络 20× 规模
AgentEvolver2610.11613SWE-bench Pro 82.08 vs 79.07（+3.01pp）八族组件版本化框架
SkillContrast2610.11650+54-72 clean hits；token -51~59%差异引导技能选择
Skill-SLM2610.10812UAV New-Combination 34%→100%技能分解 SLM 蒸馏
OSS Seam Recovery2610.10810L2 7.6%→26.5%（3.5×）观测偏移分量诊断
iAm.md2610.10962构建时间减半（50.4min vs 110min 失败）具身 Markdown 自描述
Harness as Only Mutable2610.106290/144 误纳 vs 无门 309 有害变更可审查自进化治理
Monotone Compression2610.11031LM⟺单调压缩等价（gap=2）密码学理论刻画
Hindsight Hierarchies2610.12168实证为 future work事后层级思想训练
SoK Code Recovery2610.1155645,000 样本矩阵；Thumb2 RE 41%反编译 SoK
Closed-loop Embedded2610.11447gpt-5.4 14/15（93.3%）未饱和嵌入式闭环评测
Cross-Provider Review2610.109618/20 回合有材料发现；修复 3 假成功路径审查运行时契约
Spec Growth Engine2610.1172543 通过测试下仍查出 3 条未满足目标确定性规约生长
SSCBench2610.1151444 采纳运行仅 17 个用前到达证据有效性形式化
PASAC2610.12463三大实验室事件 7 假设框架主动保障治理框架
IRIS2610.11766同 ASR 2.9% 下 UR 15.2% vs 96.2%意图恢复×ASR 分离
EMFA2610.11600Step_ACC 32.76%/50.00% 双第一误差传播归因
PFN-OPE2610.10848MSE 低 2.0-9.3×；64 行超 2048 行摊销离线评估
MiniVer-V2610.1123316% 证据保 98.5% 性能最小充分证据集
SAIL2610.11451SciCode 50.35 全场第一（35B 超 744B）开源科学 agentic 模型
Skill Constellations2610.11169219 万次采纳网络；stars 与传播 τ=-0.10技能供应链实证
Research Eval Survey2610.11877五级 claim-strength 框架自动化科研评测综述
Study Contracts2610.11754契约检查器 8/8 拦截 vs LLM 缺失型 1-2/18研究契约治理
BrickBench2610.12452Valid 1.0 但人类可辨 90%agentic 乐高设计
Project Greenhouse2610.119223B 重排器 DL19 0.757 非 oracle 最高完全主权重排器
On the Clock2610.10833依从性 15%→88%；productive use 未解时间预算两维分解
Security by Design2610.10659secure@1 44.1%→78.0%（+33.9pp）执行点需求投递
Visible Reasoning2610.10639252 检验 0 个存活 BH 校正CoT 非普适优化器
Formal Spec Eval2610.10604100% 后置分+0% 输入召回反例规约生成整体评测
Breadcrumbs2610.1104188 万条删除日志；复杂度 A=0.762理解探针挖掘
Ecology of AI Agents2610.12436N_crit≈463 种群阈值；β 拟合 RMSE≤1.67%Allee 效应安全理论
RFChipAgent2610.1085860GHz LNA 全达标，2 小时/$156多智能体 RF 设计
Verification&SI2610.10611Σ^RVk 层级+自修改闭包RSI 验证理论

2. 产业动态与产品创新（AI Hot Skill 精选）

Anthropic 产品与安全大爆发

  • 事件/产品名称：Anthropic 产品五连发：OSS Scanner、Dashboards、Motion、网络安全使命、Claude Science 成果
  • 核心内容：①OSS Scanner 免费为开源项目扫描漏洞（AI 驱动）；②Claude 上线 Dashboards 数据仪表板（所有付费用户）与 Motion 解释性动画（Team/Enterprise）；③启动"网络安全使命"与关键基础设施防御计划，向 15 个联邦机构提供 Claude；④Claude Science 协助天体物理学家绘制首张完整紫外全天图；⑤更新使用政策：首次禁止对模型持续辱骂/虐待行为，违者可暂停账号。
  • 落地应用场景：OSS Scanner 直接服务开源维护者的漏洞排查；Dashboards 面向企业数据分析场景（对话式生成可交互图表）；Motion 把 Claude 的推理过程可视化为动画，用于企业内部 AI 决策解释与培训；网络安全使命瞄准联邦政府与关基运营商的合规 AI 采购；政策更新回应"模型福利"讨论，为 AI 交互礼仪立行业先例。
  • 相关链接：🌐 Anthropic OSS Scanner；🌐 Dashboards/Motion；🌐 关键基础设施防御；🌐 紫外全天图

OpenAI：安全风波、营收下修与推理提速

  • 事件/产品名称：OpenAI 解雇三名安全研究员风波 × 年化营收下修至 ~500 亿美元 × GPT-6.1 Sol Ultrafast × Codex Windows 沙盒 × 数学论文撤回
  • 核心内容：①三名被解雇安全研究员发公开信称"因优先安全被清除"、警告寒蝉效应，致信董事会要求保留 AI 推理可监控性，OpenAI 三次否认与安全担忧有关并坚持决定；②FT 报道年化营收接近 500 亿美元、比此前流传的 700 亿低约 200 亿，拖累纳指成分股；③GPT-6.1 Sol Ultrafast 在 Work/Codex/API 推出，最高 8 倍速度、成本约 Astra 1.2 倍；④Windows 版 Codex 推出基于微软开源 MXC 的新沙盒模式（与 Unsloth 集成隔离代码执行）；⑤因未达数学界规范标准撤回两天前发布的数学论文，部分数学家呼吁抵制 OpenAI。
  • 落地应用场景：Sol Ultrafast 面向生产环境高频调用场景（客服/代理工作流）降低延迟成本；MXC 沙盒为企业 Windows 环境的 Agent 代码执行提供内核级隔离；安全风波与数学论文撤回持续考验"AI 生成研究可信度"，与今日 TestJack/Study Contracts 学术线形成呼应。
  • 相关链接：🌐 解雇风波；🌐 营收报道；🌐 Sol Ultrafast；🌐 MXC 沙盒；🌐 数学界抵制

模型与基准动态

  • 事件/产品名称：ARC Prize 2026 TUFA Labs 登顶 × Arena 2 亿美元 B 轮 × Odyssey-3 世界模型 × Qwen-Image-2.1-Turbo 开源
  • 核心内容：①TUFA Labs 以 88.06% 登顶 ARC-AGI-2 高分榜（ARC-AGI-3 同步进行）；②Arena 完成 Lightspeed 领投 2 亿美元 B 轮（估值 31 亿美元，10 个月近翻倍），同步发布 Arena AI Alignment Index 智能体安全对齐基准，Claude Haiku 5.5 (High) Code Arena 1587 分首秀第 30 名；③Odyssey 发布世界基础模型 Odyssey-3 并开放研究预览，Pro 版 Physics-IQ Verified 视频生成得分 66.1；④通义千问发布 Qwen-Image-2.1-Turbo：8 步去噪即可生成和编辑图像并开放权重。
  • 落地应用场景：Alignment Index 为企业采购智能体提供安全维度横向对比；Odyssey-3 面向机器人/游戏/视频生成的物理一致世界模拟；Qwen-Image-2.1-Turbo 的 8 步去噪把图像编辑延迟压到交互级，适合电商素材批量改版。
  • 相关链接：🌐 ARC Prize；🌐 Arena 融资；🌐 Odyssey-3；🌐 Qwen-Image-2.1

融资与产业格局

  • 事件/产品名称：Manus 母公司 5 亿美元融资 × 汇丰裁 70% 理财顾问转向 AI × Biohub 18 亿美元扩建虚拟细胞计划 × Prime Intellect Rust 迁移
  • 核心内容：①Manus 母公司 Butterfly Effect 宣布超 5 亿美元融资（Boyu Capital 与 IDG 领投）；②FT 报道汇丰计划裁减约 70% 英国理财顾问，财富客户转向 AI 数字服务；③Chan Zuckerberg Biohub 联合 DOE、NIH 及 Google DeepMind、Meta 投入 18 亿美元扩建 Virtual Biology Initiative；④Prime Intellect 用 Rust 重写 Prime Agent，2000 多个智能体自主完成端到端迁移——“智能体重写自己的运行时"的标志性工程案例；⑤Epoch Brief 估算 AI 智能体数量或近 20 亿、性能价格每季度降 47%。
  • 落地应用场景：汇丰案例是"AI 替代理财顾问"在财富管理业的首个大规模落地信号；Virtual Biology 把 AI 蛋白质/细胞模拟推向国家级投入；Prime Intellect 迁移验证了"智能体集群执行基础设施重构"的可行性（与今日 AgentEvolver 学术线互证）。
  • 相关链接：🌐 Manus 融资；🌐 汇丰报道；🌐 Virtual Biology；🌐 Prime Agent Rust；🌐 Epoch Brief

开发者工具与开源生态

  • 事件/产品名称：Google Cloud Gemini agent × JetBrains Mellum2.1 × Liquid AI d1 决策模型 × 豆包工作画布 × 火山引擎 AI 安全网关
  • 核心内容：①Google Cloud 发布 Gemini agent——面向企业工作的统一智能体；②JetBrains 发布 Mellum2.1：面向编码 Agent 的 12B MoE 开源模型，高负载推理吞吐近 Qwen3.5-9B 两倍；③Liquid AI 开源 d1 系列决策模型（d1-3B 单次判断仅 8 毫秒、支持图像输入）；④字节豆包工作新增画布功能、上线豆包 2.1 Lite 与 Seedream 5.0 Flash；⑤火山引擎发布 AI 安全网关统一管控企业 AI 流量；⑥MiniMax H3 开源视频世界模型物理评测与 Person Remover LoRA。
  • 落地应用场景：Gemini agent 定位企业内跨应用任务统一入口（与 GPT-6.1 Intelligent UI 同日竞争）；Mellum2.1 让本地 IDE 补全/重构用上自托管 MoE；d1 系列瞄准延迟敏感的分类/路由决策（8ms 单判断可上生产链路）；火山安全网关解决企业多模型流量审计与数据防泄漏合规痛点。
  • 相关链接：🌐 Gemini agent；🌐 Mellum2.1；🌐 Liquid d1；🌐 豆包画布；🌐 火山安全网关

其余产业动态速览

事件核心要点
USA TODAY 起诉 OpenAI索赔 2.5 亿美元并要求销毁相关 GPT 模型
OpenAI 披露影响力行动俄罗斯/伊朗利用 AI 在正规媒体植入约 100 篇虚假报道
亚利桑那上诉法院撤销量刑因法官采信死者 AI 视频证词
SoftBank 千亿美元 AI 基金与海湾地区洽谈募集至多 1000 亿美元收购并应用 AI 与机器人技术
腾讯考虑离岸发债 50 亿美元投入 AI 基础设施
新思科技与中方合作拟与中国 AI 实验室合作加速芯片设计
Character.AI 被指控肯塔基州指聊天机器人怂恿用户自残
攻击者用 Claude+ARTEX入侵至少 7 家韩国金融机构
Google 1.5 亿美元支持 Genesis Mission白宫科学计划，Anthropic 同步投入
Step 5 Preview 上 OpenRouter阶跃星辰 1M 上下文 MoE 现身
Conway Research Saluki 27B2-bit 量化 7.89GB 工具调用反超原版 Qwen3.8-27B
Grok 4.7 Harvey 法律基准9.4% 幻觉门控通过率居首
Mistral Large 4进入 Agent Arena 前十五实验室（第 43 名）
Nanobanana 2.1 评测Artificial Analysis 两榜第 4、价格为前代一半
斯坦福 CS146S 第三周Agent Skills 与 CLI 课程公开
Ai2 GPU 集群调度改革GPU 时间预算与分层公平分配
Unsloth 免费教程Qwen3.5-4B 本地训练成决策模型
NVIDIA Dynamo 会话级路由智能体推理的路由/准入/KV 管理

数据说明：本日报道基于 2026-10-09（周五）完整数据日。HF 日榜 71 篇、arXiv Fri announce 1,056 篇（22 页全量抓取）、AI HOT 当日 325 条（industry 92/ai-products 84/opinion 55/ai-models 30/tip 29/paper 12/无分类 23）。共 123 篇论文经 PDF 全文逐页深读（覆盖 Method/Experiments 全部数字），其中 1 处 arXiv 列表 id 错位（2610.12064→2610.12061）由深读代理自动勘误。触发精读 73 篇，精读文章另见同日推送。