本文精读蚂蚁国际的 Code2Skill：一种从开源代码库大规模合成「接地（grounded）、可验证、可迁移」技能库的全自动流水线。它把 GitHub 上经过人类调试打磨的仓库代码抽象为三粒度技能卡（原子/复合/模式），并用「源码盲重建 + 源码感知裁判 + 仲裁器」的往返验证过滤不可靠记录，最终产出含 1,006,822 条记录的 CodeSkillBank。在 72 组协议匹配评测中 57 组提升、宏平均 +11.7%，并在统一接口下全面超越轨迹派技能库。文章按九部分结构，从 Skill 概念的「岗位操作手册」类比讲起，逐层拆解其问题定义、四阶段解法、实验证据、优势根源与外部交叉验证，并提炼可推广的通用性灵感。
RecreationWorld 由阿里巴巴 Token Hub 提出，围绕「应用复刻」构建五平台可验证环境，训练并评测能融合 GUI 探索与代码实现的混合计算机使用智能体(hybrid CUA)。本文梳理其背景、与 OSWorld/WebArena 的谱系定位、任务抽象、五平台+双通道测试生成+拒绝采样训练的解法、250 任务十模型评测与 OOD 迁移，并深究「为何满分复刻仅 2.8%」及优势根源。
SWE-Proof 把 SWE 类基准的判定信号从「隐藏测试」升级为「机器检查的形式化证明」，提出 BENCHPROOFER 流水线（规范合成 + 环境公理化 + 13 道正确性门）与 SWE-PROOF 基准（500 例 SWE-Bench Verified 100% 过门 + 242 例 SWE-Bench Pro）。核心发现：隐藏测试只采样有限输入，会放过四分之一到一半的缺陷 patch；给定正确形式化规范可将解决率从 85.0%/81.2% 提升至 96.2%/94.4%，且对抗审计后仅损失 0.9 个百分点；但让模型自写规范对解决率零收益，瓶颈在于 faithfulness——规范只约束了部分行为面。本文按九部分结构拆解其背景、定位、问题定义、解法、评估、根源与外部交叉验证。
本文合并精读两篇同主题论文：CoVer（UT San Antonio）与 DENSE（复旦+美团）。二者共同回答 RL 与智能体自改进中「信号从哪来、可不可信」这一核心问题。CoVer 在单策略 GRPO 内协同训练 coder 与 verifier，用协方差门控的互信息奖励挤出退化测试、用三级去重降低估计方差，把「自生成测试的信息价值」变成可证明的训练信号；DENSE 在完全结果盲视（无奖励、无验证器、无标签）下，把一条执行轨迹蒸馏成证据接地的嵌套 shortcut 树，用 REFIT 协议隔离出反馈这一唯一信息通道。文章从背景、定位、问题定义、解法、评估、根源、知识反推到通用灵感和交叉验证表，系统梳理两条「信号质量」路线如何从不同方向逼近同一结论：高质量信号胜过信号特权。
本篇合并精读两篇关于「统一智能体」的论文，二者分别从空间域与推理结构两个维度回答同一个问题：能否用一个模型替代一堆专用模型而不掉点？Apple 的 MintAct 用 2B/4B/8B 单一 VLM 统一 UI grounding、移动/桌面/网页/VTU 四域导航与视觉工具调用，靠四阶段训练（高分辨单步 SFT→低分辨多步均衡 SFT→每域 RL 专家拒绝采样蒸馏→联合异步 RL）与异步四机制（配额、背压、双裁剪、截断 IS）在 OSWorld-Verified 上以 48.9 同尺寸登顶。TTIC 的《Recursive Language Models Generalize Out of Domain》则从理论（MDL）与受控实验证明：递归模型用「隔离上下文栈」让 CoT 在分布内占到的「看得全」的便宜，在分布外变成致命捷径——mod-10 长度泛化上 RM 95.7% 对 CoT 6.2%。两文共同揭示：统一的代价不在模型容量，而在如何控制「每个子任务看到什么」。
MIT 与 Sakana AI 的 SIFT 把递归自改进（RSI）编码智能体的最大瓶颈从’生成候选’移到了’验证候选太贵’：用 pairwise LLM-as-a-judge（每次 $0.044）+ 正则化 Bradley-Terry 聚合替代 $6.0 的基准子集评估作为中间信号，在完全解耦的树搜索流水线中让扩展与评估并行。Polyglot-225 上以 DGM 约 1/10 的 CPU 小时拿到 31.1%（Qwen3-30B）/35.1%（o3-mini）全面超越 DGM/HGM/SICA，TerminalBench 2.1 从 29.2% 提到 36.7%。本精读覆盖’便宜排名+昂贵验证’分离范式的机制因果、judge 输入格式的消融证据、与 DGM 谱系的定位对比，以及’把验证成本当一等公民’的通用性灵感。
微软研究院与 UIUC 的 StudentSim 把’AI 学生模拟器’形式化为可优化的双目标问题：行为保真度 F（复现特定学生的真实行为）与指导响应度 R（被导师教会的能力）。两阶段训练——跨学生池化预训练学共享模式 + 每生 LoRA 特化——让 Qwen3-4B 在国际象棋、二语写作、数学三个领域 F/R 双指标全面超过 prompted GPT-5.4（chess 0.51/0.91 vs 0.23/0.72），用其做奖励的导师 RL 经专家盲评三轴全胜（准确率 90.5% vs GPT-5.4 奖励的 71.6%）。本精读覆盖 F×R 分解的问题化、‘池化贡献多样性而非更新量’的消融证据、4B 特化胜过前沿 API 的机制根源，以及’模拟器即基础设施’的通用性灵感。
多 LLM 协作系统里模型之间只能’说话’（生成文本）——高维内部表征被压缩成一维 token 串再被对方解码，既丢语义又付逐 token 解码延迟。清华牵头、五机构合作的 C2C（ICLR 2026）给出替代范式：用小神经网络把 Sharer 模型的 KV-Cache 投影融合进 Receiver 模型，可学习门控逐层决定注入。四个基准上 C2C 比单模型平均高 6.4-14.2%，比文本协作高 3.1-5.4% 且平均 2.5 倍加速。本精读拆解其 oracle 实验→fuser 设计→消融全链路，并对照 DroidSpeak、Skeleton-of-Thought 等工作交叉验证’绕过文本’路线的边界。
Agent 平台把每个动作都关进沙箱，而 RL 训练和并行推理让一个任务扇出几十个沙箱——内存（而非算力）成为并发上限。HKUST 的 AgentZip 是首个专为 Agent 沙箱设计的内存压缩系统：用模板增量、同类群字典、页内 RLE 三种编解码器榨取’近似相同’页面的冗余，用恢复期预取取代保守选页，把昂贵压缩搬进 LLM 思考的空闲窗口。实测沙箱内存最高降 8.7 倍（Linux 配置仅 2.1 倍），激进压缩的减速从 3.1 倍压到 1.40 倍。本精读逐页拆解其 How/What/When 三问重构与全部消融，并对照 DeltaBox、DroidSpeak 等同期系统工作交叉验证。
DeepSeek-V4.1-Flash 用三件武器把长上下文智能体的部署成本打下来：CED 非对称架构让 prefill 只激活 8B 参数（decode 16B），CSA2 跨层 KV 复用 + FP4 量化把全局 KV 缓存压到 890 字节/token（较 V1 降 437 倍），SWA Bounded Replay 把持久化缓存再压到 1/8。在 Codeforces 3348→3471、DeepSWE v1.1 达 74.2% 的同时，45T token 多模态预训练完全开源。本文拆解其架构因果链与’智能体负载第一性’的设计哲学。