东京大学团队提出Task-CoEvolve，让验证任务集与harness共进化：用方差加权采样把评估预算聚焦在候选harness分歧最大的能力前沿任务上，再用Horvitz-Thompson/Hájek类估计器从采样子集无偏还原全量分数。在Terminal-Bench 2.1上仅用20%预算就逼近全量搜索（均值51.7 vs 52.8），整体搜索成本降67-80%；文本分类7%预算接近全量、20%预算反超。本精读覆盖背景、定位、方法机制、实验证据、效果根源因果链、必要知识反推与通用灵感九个部分。
深度精读 Einsia.AI 与清华大学 2026 年 8 月提出的 AI4AI-Bench：首个隔离测量 LLM Agent 训练算法设计能力的基准。10 个冻结研究仓库、单块 B300 四小时改写、十二小时从零重跑、0/0.1/1.0 三锚点统一量表，29 个配置平均仅 0.166、最佳 0.250——最强系统连’已有算法到最优’距离的五分之一都没走完；而推理预算买到的主要是’敢去改’的意愿，参与率从 8% 提升到 64%。
深度精读 EnvHarness——与 Agent Harness 对称的环境侧革命：不改环境本身，在交互接口上包装一层可编程插件（Stage/Contract/Chain 三类组件），把静态冻结环境重塑为针对当前策略弱点的定制化训练场。EnvRigger 自动化引擎通过 Observe→Diagnose→Write→Validate 四阶段循环，自动诊断策略缺陷并生成验证过的组件，在 ALFWorld、WebArena、SWE-bench Verified、OfficeQA、SpreadsheetBench 五大基准上全面超越原环境与领域特定生成器，环境规模化收益持续未饱和。
深度精读 USTC+上海AI Lab+复旦合作的 FACET 论文——面向终端 agent 训练的任务合成框架。论文指出多阶段任务合成的两大失败根源：源信息逐步丢失与任务制品间漂移，提出三阶段方案：71K 技能库构建、五维情景重构、以及以’共享可执行状态’为核心的环境先行接地，按 I→S→V 顺序让指令/解法/验证器共享同一真实容器状态。基于 6078 个任务（每任务 22.77 项可执行检查）、仅 1.2K SFT 轨迹，即让 Qwen3.5-27B 在 Terminal-Bench 2.1 上提升 6.75 分，距 397B 巨兽仅差 1.49 分而参数少约 15 倍。
深度精读中科院自动化所、国科大与腾讯微信联合发表的 FlashPrefill V2——面向长上下文 LLM 服务的训练免费块稀疏 prefill 注意力方案。针对前作「精度失控、内核落后、不兼容生产引擎」的三重差距，V2 以块均值校正补偿被剪枝块的注意力贡献、以对齐 FA3/4 的 warp 特化稀疏内核兑现稀疏收益、以原生 paged KV 与连续批处理无缝接入 SGLang。128K 上下文下 H20 算子级较 FA3/4 对齐 dense 基线加速 17.5 倍（FP8 达 30 倍），端到端 TTFT 最高 4.83 倍，而 RULER/LongBench 精度损失不足 1.1 分，是「算法-内核-系统」三层协同落地的教科书级范例。
计算机使用 agent 要真正进入真实工作，必须先搞清楚’这项工作实际是怎么做的’。Stanford 与 CMU 的这篇论文提出 TMI（TaskModelInduction），从被动录制的自然计算机使用轨迹中诱导结构化任务模型：先把多条交织的并发任务解缠成独立潜任务，再为每个任务构建’层次目标模型（做什么）+ 过程模型（怎么做）‘双模型。在受控轨迹上任务分组与 ground-truth 一致性达 0.974，重建 74.9% 的观测执行步骤；由任务模型派生的技能使 held-out 任务准确率提升 30.0%。本精读覆盖其问题定义、双模型解法、内外双层评估设计、优势根源与可推广的通用性灵感。
深度精读浙大 ZJUNLP 联合 NUS、东北大学、赫瑞瓦特大学与腾讯的 MemTrapBench——首个系统评估’记忆诱导认知陷阱’的基准。论文发现：忠实记录、语义相关的记忆仍可能扭曲模型推理与信念，1050 个对抗实例上所有记忆框架全面低于无记忆基线，最好的 EverMemOS 也落后 13.99 个百分点。文章拆解两类四情景陷阱分类、三段式对抗构建流水线、四组归因消融实验，以及仅靠推理时提示就挽回 14.9 个百分点的 AdaptiveMem 修复方案。
深度精读 Phantom Gains——一篇审计 LLM 自训练’自我改进’证据的测量学论文。当社区从平均准确率转向逐题增益/损失转移分析时，转移统计本质上是两个噪声估计的差分，极易产生’幻影增益’。作者让一个冻结控制模型穿过与三轮 LoRA 自训练完全相同的流水线，识别出七类测量失效——每一类在缺少控制时都会反转结论：单次贪心解码的批处理伪影在未训练模型上制造能力变化、expansion 统计给冻结模型分配 0.28 的假获取率、阈值修复后的 null 依然非零。替代方案（逐问题精确检验 + 合并基线池 + FDR 控制）在任何 held-out 副本上检测不到任何真实转移。梯队实验进一步揭示：外部蒸馏能改善 base 模型未触及的问题而三种自训练不能，回归分析以 p<10⁻⁸ 拒绝该不对称性是总体增益差异的副产物。本文为转移级审计立下规矩：每个报告的统计量都需要单独测量的 null。
深度精读 KAIST 与 DeepAuto.ai 产学合作论文 PolicyGuide：客服 LLM Agent 的合规失败不仅来自危险动作，更来自跳过身份核验、跳过确认等程序遗漏，而动作局部检查的运行时守卫无法引导多步流程。该工作把每个领域的策略编译为工作流图，在用户轮次边界调用前瞻验证器，从持久化图状态对账未决请求并返回步骤级补救，兼具外部守护与工作流强制双角色；在 τ²-bench 三域上将 GPT 5.4 平均 PASS⁴ 从 0.42 提升到 0.62，telecom 域从 0.19 跃至 0.61，同一工作流零改动迁移到 Claude Sonnet 4.6 与 Gemini 2.5 Pro。
现有代码生成系统大多假设仓库架构已经设计好，只负责往里填代码。Repo0（上海交通大学 + 重庆大学，2026年8月）直面「零到全」生成：从一句自然语言需求出发，构建整个软件项目，同时推断功能与架构。它的核心是把软件设计从「一次性静态蓝图」变成「持续结构演化过程」——用需求 DAG + 组件 DAG + 对齐关系构成的双 DAG 架构状态，在内聚/耦合等模块化度量引导下，通过 split/merge/revise/add/save 五种结构动作迭代演化至收敛，再由收敛架构引导测试驱动开发生成。在 RepoCraft 六个真实仓库 × GPT-5 mini 与 DeepSeek V3.2 双骨干上，Repo0 全部设置 Functionality Coverage 与 Pass Rate 最高，相比最强基线 RPG，Pass Rate 最高提升 29.74 个百分点。本精读覆盖问题定义、双 DAG 机制、五种结构动作、跨模型互评设计、消融证据与通用灵感。