KAIST 与 DeepAuto.ai 的 Super Library Agent 为代码智能提出了一个被所有人忽视的新问题设定：LLM 编码 Agent 逐应用生成时会在代码库间复制共享逻辑，长期自主维护还会积累冗余与结构侵蚀。论文定义’Super Library Agent’问题——顺序生成 N 个相关应用的同时维护一个共享组件库，并用三项技术（候选引导抽取、抽取前巩固、调用图条件化迁移）在 WebGen-Bench/PaperBench 上同时保住功能与可维护性：共享策略更新时补丁量从 936 行降到 256 行。这是把软件工程的’库’概念引入 Agent 时代的开创性工作。
北航联合上交、澜舟科技等机构的 WebWorld 直击 VLM 代码自改进的结构性缺陷：提出修复的模型同时是评判修复的模型，这种’自己批改自己’的闭环注定产出视觉可信但功能残缺的页面。解法是引入一个 VLM 骗不了的对手方——浏览器本身：作为确定性可执行模拟器，它扮演 Web 代码的’世界模型’，只有同时满足目标前进与既有能力保持的转换才能获得验收证书，认证数据形成只升不降的质量棘轮。WebWorld-27B 在 MiniAppBench-Val 提升 14.9 分，达到 Kimi-K2.6/GPT-5.4 水平；等尺寸消融证明去掉证书后增益几乎消失。
今日焦点：Purdue 团队发现 On-Policy Distillation 的真实增益并非来自教师蒸馏，提出无监督的 OPSA 自改进方法在 AIME24 上实现 263% 相对提升；Qwen Team 发布 Qwen3.8-Next 架构报告，以 1/9 训练 FLOPs 追平 397B 旗舰；PaperGym 把每篇论文变成完整 RL 训练环境，训练出的 Qwen3-8B 在 ResearchQA 上超越 Kimi K2.6；产业界 Anthropic 发布 Claude Fable 5.1 登顶 Artificial Analysis 智能指数，OpenAI 首次将 Astra 评为网络安全 Critical 能力级别。产学研合作呈现’企业定义场景+高校攻坚方法’的深度耦合态势。
8月31日arXiv周一新批次回归，108篇候选深读后聚焦三大主线：Agent基础设施的’可靠性形式化’浪潮（Logos跨进程harness四引理定理、EvoUndo可恢复性约束自演化、CAITLYN自扩展防御技能库）；评测维度从结果分数转向能力解耦（LoopArena首次单独评测模型编排能力最高仅24.69%、RealSWE逐字段受控消融揭示期望行为是关键信号、ElephantBench发现主流失败模式是不完整回忆）；训练信号精细化到快照级与状态级（ContextPilot快照级信用分配方差降1/n、VICT验证器转为训练期信用追踪器、Falcon修正快权重时间对齐外推+21.4点）。产业侧Runway发布首个界面世界模型Solaris、OpenAI购数万台Mac训练计算机操作智能体、Codex活跃用户达2500万、ChatGPT被欧盟列为超大型搜索引擎、智谱半年营收9.54亿元同比增399.7%。
纯文本训练的大语言模型到底能学到多少意义？这篇来自 Universitat Pompeu Fabra 与 ETH Zürich 的论文用信息论给出了严格答案：无论模型多大、数据多少，任何只看话语形式的系统恢复说话者意图的概率都存在不可逾越的上界。论文将语言使用建模为意义、语境、话语的联合分布，推导出由互信息刻画的意义恢复天花板，并在人工语言、中文零代词消解（天花板 0.93）与颜色指称（天花板 0.66）三类实验中验证了理论。本精读将拆解两大定理的证明思路、实验设计与这一结果对 LLM 语义能力争论的原理性回答。
RIKEN AIP、东京科学大学与浙江大学团队提出并利用了模型合并家族的族级越狱威胁：即使所有成分模型都独立安全对齐，从同一预训练骨架派生的合并模型仍共享源自骨架的脆弱方向。BAJ 方法把越狱后缀生成形式化为合并空间上的 min-max 优化，用任务算术参数化盆地，交替执行后缀变异搜索与合并系数梯度上升，迫使后缀攻破全族最难攻击的构型。六个主流骨架上族级迁移成功率 61.3-89.1%，领先最强基线 22-34 点；跨六种合并方法、水印与量化部署依然有效；Perplexity 等现有防御几乎无效。消融证实：系数最大化搜索换成随机采样 TSR 从 65.8 跌至 32.4，攻击普通微调模型降至 27-51%，跨骨架迁移显著弱于同骨架——证明漏洞确实源自预训练骨架且由合并结构暴露。
美团联合上海交大、中科院自动化所提出 AdaThinking-E，用一个 token 的熵调节教会文档理解多模态大模型自主决定何时深度思考。该方法把模式切换 token 与回答 token 分开优化，前者用熵奖励驱动从高熵探索到低熵决策的课程式过渡，后者只关心答案质量，从而避免了 GRPO/DAPO 训练中模式坍缩为全不思考的通病。在 8 个文档基准上，7B 模型以 27% 的思考率追平 SOTA 自适应思考模型 82% 思考率的效果，OCR-Reasoning 相对基座提升 10.8 个百分点，实现了该想才想、不该想不想的效率与精度兼得。
扩散语言模型（DLLM）以双向注意力实现并行解码，但也因此丧失了自回归模型前缀缓存的红利——共享文本段的 KV 状态与不断演化的生成 token 相互耦合，直接跨请求复用会立刻过期。本文提出 ACache：在请求开始时用一次跨注意力探针找出少数对生成 token 影响最大的『锚点令牌』，之后只重算锚点与请求特有位置的 KV，其余共享段缓存跨请求复用。在 LLaDA-8B 与 Dream-7B 上，约 20% 锚点率即可恢复大部分精度损失；基于 Nano-vLLM 的原型将重算延迟最高降低 55.7%，端到端吞吐最高提升 1.68 倍，峰值 KV 显存最高下降 43.3%。这项工作首次把『跨请求缓存复用』引入 DLLM 推理系统，揭示了双向注意力下共享上下文管理的新范式。
深度精读清华大学、腾讯优图实验室与华威大学合作的 ElephantBench：一个包含 1,094 道题的闭书知识探针，专门诊断大模型参数记忆中的『认知近视』——记得主流记述却漏掉少数派记述。文章拆解其从低曝光语料挖掘自然冲突的图构建管线、C/P/F/K 四指标体系、32 个模型的评测结果（最强者完整回忆仅 52.4%），以及曝光不对称与记忆完整性的因果关联，并提炼可推广到数据策展与评测设计的通用灵感。
当 LLM Agent 遇到从未见过的提示注入攻击时，防御系统能否不靠人工写规则、自主合成出经过验证的新防御？香港理工大学与香港中文大学提出的 CAITLYN 用双系统架构回答了这个问题：System I 以两级技能库（零成本规则层 + 合并双调用 LLM 层）实现低开销高精度检测，System II 借鉴程序合成的 CEGIS 思想，把每次漏检当作反例规格，驱动『生成—验证—审查』闭环自动产出新防御技能。在新基准 Emerging 上，静态防御攻击成功率高达 72.5-80.0%，进化后的 CAITLYN 净降约 40 个百分点。本精读拆解其技能表示、合成机制、实验证据与适应性攻击下的再免疫能力。