按兴趣浏览，循来源深入。
论文提出 Misbehavior-driven RL（MiRL），针对终端智能体在长程任务中反复出现的错误行为做定向强化学习训练，从错误发生处启动 rollout，仅在通过测试且避免错误行为时给奖励。在 Qwen3.5-4B 上，八类错误行为占错误步骤的 52.1%；训练后在未见前缀上错误重复率平均降低 43% 到 57%，Terminal-Bench Lite 得分 51.8% 超过 TMax-4B 的 47.4%，Terminal-Bench 2.1 上 21.3% 对 20.6% 持平，rollout 用量仅为其 35%。
推荐理由：论文给出面向终端智能体的错误定向 RL 方法，附错误占比与基准对比数据，方法思路可迁移到其他长程任务训练。
论文提出 dSpark，一种面向扩散大语言模型（dLLM）的调度蒸馏框架，通过构建优先揭示能让其他位置更易预测的 token 的 unmasking 调度，并以 KL 散度正则化蒸馏进模型，实现更快的并行采样。在 GSM8K 上，该方法在 LLaDA-8B-Instruct 和 Dream-7B-Instruct 上分别取得 10.12× 和 5.12× 加速，同时保持更优的任务性能，代码已开源。
推荐理由：论文给出了让扩散语言模型更早揭示关键 token 的调度蒸馏思路，GSM8K 上的加速倍数可直接对照不同基线参考。
szymonkobus 发布 code-model-reliability 仓库，用贝叶斯失败率-难度曲线在同一难度尺度上同时度量代码模型的能力（D50）和可靠性（D99）。发布的拟合覆盖 71 个 arm、1,297 个任务、85,604 个 cell 和 850 万次尝试；仓库含 cmr 命令行流水线、任务集、每次尝试的判定记录和完整重拟合脚本，代码 MIT、数据 CC BY 4.0。
推荐理由：用同一难度尺度同时刻画模型能力 D50 和可靠性 D99，覆盖 71 个模型配置的可复现评测框架。
论文提出 FlashScript，将成功的 Agent 运行编译为可复用的神经符号程序（NSP），动作与数据转换变代码、实例值变参数、需模型判断的决策保留为 LLM 调用。在 120 个 WorkBench 分析任务上配合 Claude Haiku 4.5，NSP 每次运行做出相同工具调用，输入 token 约为 skill 引导 Agent 的 1/70、运行时间约 1/3；复合任务中 skill 引导 Agent 准确率降至 23%，NSP 保持正确，并成功泛化到 108 个未见过实例。
推荐理由：论文把成功的 Agent 运行轨迹编译成可复用的神经符号程序，给出 token 用量与运行一致性的量化对比。
论文提出 SWE-Shift，一个评估编码智能体在任务执行中途遭遇代码、依赖或需求变更时表现的基准，包含 120 个场景、12 类变更族，并在 9 个干预位置评测。17 个编码智能体系统的 Shifted 成绩均低于 Clean 基线，GPT-6 Astra 从 67.35% 降至 24.79%，配对成功率 20.34%；工具/会话变更与过期证据在所有系统上配对成功率为零。论文地址 https://arxiv.org/abs/2610.32196v1
推荐理由：这个基准专门测任务执行中途环境被改动时的表现，17 个系统的成绩都下降，暴露了保留已有工作与刷新证据的短板。
Anthropic 与 Theorem 合作，用 Claude 将 OSS-Fuzz 模糊测试转化为规格，对 123 个开源库的 239 个入口点证明了任意 64 MB 以下输入不崩溃。整个工作生成了约 1.8 亿行 Rocq 证明。
推荐理由：把模糊测试转化为规格再生成汇编级形式化证明的完整链路，展示了 Claude 在安全验证领域的可复用做法。
一项 arXiv 研究（arXiv:2610.29812）在 SciFact 生物医学声明验证任务上，用 live PubMed API 作为唯一工具，对四种 harness 做受控消融，涵盖 closed-book、以 claim 为 query 的单次检索、ReAct 式自写 PubMed 查询的智能体，以及给定 gold abstracts 的 oracle，使用两种高效 frontier 模型作为固定骨干。
推荐理由：受控消融比较四种 harness，指出检索而非推理是生物医学声明验证智能体的瓶颈，方法可迁移到类似评估设计。
论文提出 PAUSE 框架，在编码智能体发出首次源码编辑请求前拦截，由独立 Planner 读取任务和编辑前转录生成一份修复计划，无需学习监控器、检查点搜索或额外模型调用。以 Qwen3-coder 为 Executor、GPT-5.6 Sol 为 Planner，在 SWE-bench Verified 的 OpenHands 上提升 16.8%，在 Multilingual 的 SWE-agent 上提升 14.7%，并优于 LivePlan 3.2% 和 3.7%，Planner 开销约为 SICA 周期性监督的 11-15%；离线模式下从记录前缀恢复可挽回 35.4% 的合格失败任务，比重启少用 33-41% 的 Executor token。
推荐理由：论文给出单次规划干预的无搜索引导框架，用 SWE-bench 实测提升幅度与 Planner 开销对比，方法可参考。
Sahil Joshi 等在 arXiv 发布论文，提出 Stratified Sparse Attention（SSA），将确定性检索与分数引导采样结合以缩小稀疏注意力与稠密注意力在极端稀疏下的差距。在 RULER、LongBench、LOFT、AIME 及 3B 至 27B 五个模型上，SSA 均优于基线；RULER-HARD 用 Ministral-3-8B 在 50 倍注意力稀疏下，32K 和 128K 准确率从 81.8% 提至 84.2%、从 63.8% 提至 69.3%，分别恢复稠密注意力性能的 94% 和 85%。优化 CUDA 内核后，1M 上下文解码速度相对 FlashInfer 最高加速 2.96 倍，代码已开源。
推荐理由：论文给出 SSA 在 RULER 等基准和 50 倍稀疏度下的精度与解码加速数据，方法可复用，代码已开源。
论文提出 WebCoder，一个用工件锚定智能体强化学习训练的通用前端开发 Agent，并构建可执行环境 Webdev-World 与评测集 Webdev-Bench。WebCoder-27B 在 Webdev-Bench 上把需求满足分从基座 Qwen3.8-27B 的 64.8 提升到 72.8，超过 Claude-Opus-4.8（65.1）和 GPT-5.4（59.6）；在 Vision2Web 上平均视觉与功能分从 41.1 提到 62.4，与 Claude-Opus-4.8 相当。消融实验验证了工件锚定信用分配与长程训练的贡献。
推荐理由：论文提出以共享可执行工件为核心分配奖励与信用，并给出对齐 Claude 等闭源模型的实测分数，方法可迁移到长序列开发任务。
一篇 arXiv 论文提出 training-free on-policy 蒸馏：不用训练，仅通过前向传播就能把多个单独微调的专家模型能力合并到一个学生模型中，合并后平均精度高于任一专家。当专家共享同一 base 模型时，蒸馏有精确的逐层解，等价于一个最小二乘问题，只需几百条 rollout 的前向计算即可得到二阶矩。去除重复循环截断的回答后，在 AIME25 上将合并模型从 task arithmetic 水平提升到专家水平；在 Olmo 3 7B 上，每个专家只需几 GPU 小时的前向计算，即可在七个数学和代码基准上保留各专家的大部分增益。
推荐理由：给出免训练合并多个专家模型的具体方法，层式最小二乘解只需几百条 rollout 的前向计算即可落地。
论文提出 MetaExp 框架，通过带跨任务结构的可验证任务族训练语言模型智能体把交互反馈变成可迁移的经验学习能力，设计了 Shared-Tool 和 Shared-Workflow 两种任务族。团队在 1,000 个任务族上收集并过滤得到 4,956 条轨迹，微调 Qwen3.5-122B-A10B，参数冻结后在 SpreadsheetBench 提升 +8.5、APEX-Agents 峰值 +2.3、AutomationBench 提升 +14.8，领域排除训练下增益仍保持。论文地址 https://arxiv.org/abs/2610.21492v1
推荐理由：论文用可验证跨任务环境训练经验学习能力，并在三个基准上给出领域排除训练下的迁移增益数据，可参考其环境构造思路。
Qiushi Sun 等人在 arXiv 发布论文，提出 PrismaForge 数据管线并训练开源多模态代码模型 PrismaCoder-9B 与 PrismaCoder-35B。该管线用合成的 rubric 把程序正确性、构建质量与渲染后视觉效果分解为可核查标准，同一 rubric 既筛选监督语料又驱动强化学习；据此构建的 PrismaCoder-2M 是目前最大、最多样的开源多模态代码智能数据集，两个模型在开源中大幅领先并接近闭源系统，代码与数据已开放。
推荐理由：论文把渲染正确性拆成可核查的评分标准，同一套 rubric 既筛数据又当强化学习奖励，方法可迁移到其他多模态任务。
arXiv 论文提出 LAGO，将专用语言智能体作为可复用的时序扩展选项，由 meta-agent 检索或生成选项、分发子任务并验证结果，选项库跨任务增长且不更新模型权重。在 500 个 SWE-bench Verified 任务上，冻结的 Qwen3.5-35B-A3B 单次尝试解决率为 58.6%；在固定 150 任务子集上与 mini-SWE-agent、Terminus 2 同条件对比，解决率分别为 49.3%、57.3% 和 60.3%。50 任务消融显示去掉分解少解决 4 个、打乱复用内容少 2 个、去掉选项库少 6 个。
推荐理由：论文给出了同条件下的组件消融与横向对比数据，读者可以据此评估可复用 agent 选项库在长任务中的实际贡献。
arXiv 论文提出 ARBITER，一个 35B MoE 智能体验证器，仅凭题面和源码判定候选程序正确性并生成反例作为可检验证据，基于 USACO 2026 构建了 USACO-JUDGE 评测集并用强化学习训练。训练将错误程序上的反例成功率从 40.61% 提升到 62.67%，USACO-JUDGE 二元判定准确率从 71.41% 提升到 87.41%，在代码选择与改进任务上均优于基线；IOI 2026 案例中 ARBITER 引导的改进使 GPT-OSS-120B 在官方提交限制下的期望分数超过金牌线。论文链接 https://arxiv.org/abs/2610.18760v1。
推荐理由：论文给出了反例生成与判定准确率在训练前后的具体数字，可据此评估这类可验证反馈验证器的实际提升幅度。
研究者以临床试验方案数字化为测试场景，发布含 150 份公开协议 PDF、四个任务类别的专家标注基准 TrialPD-Bench，并评估九个模型在五种 coding-agent harness 下的表现。结果显示最强智能体也无法完全解决该任务，通常能定位所需证据但在转写与结构化的最后一公里失败；配套的领域 harness TrialScribe 加入任务技能与验证循环，使本地部署的开源模型在八项指标上提升 6.2-59.4 分，达到或超过 GPT-5.6-Sol 等专有模型。
推荐理由：原文用专家标注基准把编码智能体在长文档任务上的失败定位到转写与结构化环节，并给出可复用的领域harness改进数据。
作者开源了 maintenance-qa-agent，一个对工业维护手册做问答并在无法回答时主动弃答的 RAG 智能体，检索与共形置信门控已部署在 AWS Lambda。在 100 题测试池上，门控把回答错误率从 0.260 降到 0.031（α=0.1、覆盖率 64%），任意错误率从 0.540 降到 0.312。项目改用 token 概率读取 P(YES) 后 AUC 从 0.697 升到 0.821，并给出无框架纯 Python 实现架构、Prompt injection 测试集和扩展到 880 万段落 MS MARCO 的检索规模实测。仓库地址 https://github.com/mateus-aleixo/maintenance-qa-agent，MIT 许可。
推荐理由：作者用共形风险控制给 RAG 加弃答门槛，并把实测中的取舍与失败原因完整公开，方法可直接迁移到类似问答系统。
arXiv 论文 WorkBorne 提出以 artifact transitions（工件转变）为核心 primitive 合成长时程终端 Agent 任务的框架，并构建了 1,061 个工件语料和 7,882 个任务环境，产出 15,485 条高质量轨迹，其中 53.6% 超过 30 个 assistant turns。
推荐理由：原文给出了任务合成的具体数据规模和 Terminal-Bench 2.1 的前后对比，读者可评估该方法对训练终端 Agent 的实际增益。
Pablo Manrique 等在 arXiv 发布 SqueezeBench，一个抗饱和的数学能力基准，每题固定一个仅在小区间取值已知的整数函数 f(n)，提交者用机器证明的 Lean 函数给出更优上下界记录，成功会抬高门槛而非移除题目。基准附带极值组合学十个问题和二十个初始记录，前沿模型代理每记录限 1 小时通过 82 次提交改进全部记录；两个更新模型接续又通过 60 次提交改进了 20 个记录中的 19 个。10 个问题中有 8 个仍至少有一个记录渐近落后于已发表最优界。
推荐理由：提出以记录递进式构造衡量数学能力，缓解基准饱和问题，并给出多代模型代理的实测数据。
论文提出GraphTok，把从pre-tokenization、BPE合并到token-ID组装的整个编码流程作为可重放的CUDA graph在GPU上运行，token ID与参考实现在GPT-2、Llama 3、Qwen 2.5、DeepSeek-V3、Gemma 3上逐位一致，可接入未修改的vLLM和NVIDIA Dynamo。在Llama 3上比最强CPU tokenizer gigatoken快4.7-6.0x；在带缓存前缀的vLLM中TTFT均值降低2.1-2.4x；2s P99下单前端可承载518 req/s的121k-token流量，为gigatoken的1.75-2.5倍。
推荐理由：论文给出GraphTok在vLLM和Dynamo下的实测吞吐与TTFT数据，可了解把tokenization搬到GPU对Agent负载的实际收益。