#2026-06-09 AI/LLM 最新论文与研究热点简报

检索时间：2026-06-09 08:00（Asia/Shanghai）

覆盖范围：以 2026-06-05 arXiv/Hugging Face Daily Papers 新增或更新内容为主，并补充 2026-06-04 左右的高相关论文。由于 6 月 6-8 日跨周末 arXiv 新提交较少，本期实际采用“最近 3-5 天”窗口。

检索来源：Hugging Face Daily Papers/API、arXiv recent/API（cs.AI/cs.CL/cs.LG/cs.SE/stat.ML）、GitHub API、论文 HTML/项目页链接。X/Twitter 未作为主要依据：当前环境没有稳定的 X 登录/检索能力，因此用 arXiv、HF、GitHub、项目页替代。

#0. 今日总览：Agent 研究正在从“能做完任务”转向“轨迹、记忆、效率与真实性”

今天最值得注意的趋势不是单篇大模型发布，而是一组围绕 长轨迹 Agent 如何被训练、评估、压缩、审计与自演化 的工作集中出现：

1. Code Agent / SWE Agent 自演化：Socratic-SWE、OpenSkill、CapCode/CapReward、SWE-Explore 都在把代码 Agent 的训练信号从“最终 patch 是否通过”拆成 trace、skill、探索路径、作弊检测、repo-level context 等更细粒度对象。
2. Agentic RL 的 reward 设计更精细化：SlimSearcher、TRUST、StainFlow、Distributional DAgger 都在处理“稀疏成功奖励不够用”的问题，只是分别从效率、uncertainty、GUI 过程证据、rich feedback imitation/RL 角度切入。
3. 长程记忆与轨迹安全成为独立问题：SubtleMemory、AdMem、TRACE 都说明：长期 Agent 的能力瓶颈不只是上下文长度，而是“如何保留关系、如何检索可复用经验、如何跨远距离步骤关联证据”。
4. 潜空间/隐表示控制在推理效率上继续发酵：DyCon 用 step-level embedding 动态估计难度来控制 reasoning depth；EmbedFilter 从 unembedding matrix 中找 embedding 的频繁 token 噪声子空间；这类工作和 wenjun 近期关注的 latent-space reasoning 很贴近。

#1. 重点论文与动态（按 wenjun 相关性排序）

#1. Socratic-SWE: Self-Evolving Coding Agents via Trace-Derived Agent Skills

• 链接：https://arxiv.org/abs/2606.07412
• 来源/日期：arXiv cs.SE/cs.AI，2026-06-05
• 类别：Code Agent / Agentic RL / Self-evolving Agent / Evaluation
• 一句话核心贡献：提出 Socratic-SWE，把代码 Agent 的历史求解轨迹蒸馏成结构化“agent skills”，再用这些 skills 生成更贴合 agent 弱点的真实仓库修复任务，形成闭环自演化训练。

为什么值得关注：

这篇非常贴近“self-evolving code agent”的主线。它没有只做固定 bug injection 或随机 synthetic task，而是把 agent 自己过往 trace 中的失败模式、修复模式抽象成 skill，再反过来指导新任务生成。候选任务还要通过 execution-based validation，并用 solver-gradient alignment reward 过滤，避免生成“看起来像任务但对 solver 无训练价值”的样本。

与 wenjun 研究方向的关系：

• 对代码智能：它提供了一个从 SWE-bench 轨迹中提取训练课程的路线，可用于研究 repo-level coding agent 的能力形成。
• 对 agentic RL：trace 不只是 reward 判定材料，而是可变成 curriculum generator；这和“环境设计催生自演化智能”高度相关。
• 可深挖点：skill 表示到底是文本规则、结构化模板，还是可学习 embedding？如果把 skill 作为 latent state/world model，能否进一步做 model-based planning？

#2. SlimSearcher: Training Efficiency-Aware Web Agents via Adaptive Reward Gating

• 链接：https://arxiv.org/abs/2606.07074
• 来源/日期：arXiv cs.LG/cs.AI，2026-06-05
• 类别：LLM Agent / Post-training RL / Tool-use / Efficiency
• 一句话核心贡献：提出 SlimSearcher，在 SFT 阶段筛选成功且经济的搜索轨迹，在 RL 阶段用 Adaptive Reward Gating 同时约束正确性、工具调用轮数和 token 成本，让 Deep Research/Web Agent 更省工具调用。

为什么值得关注：

Deep Research 类 Agent 常见问题是“为了正确率暴力搜索”：大量 tool call、冗余 reasoning、长轨迹 token 消耗。SlimSearcher 的关键是避免简单长度惩罚导致 brevity bias，而是在 sampled cohort 内做相对效率比较，并且用 correctness gate 保证只有正确轨迹才谈效率。论文报告在 GAIA、BrowseComp、XBenchDeepSearch 等长程任务上减少 17%-58% tool-call rounds，同时保持或提升准确率。

与 wenjun 研究方向的关系：

• 对 LLM Agent RL：这是一个很实用的 reward shaping 例子，可以迁移到代码 Agent 的“少读文件、少跑命令但修对 bug”。
• 对 model-based RL for Agent：效率 reward 可看作 transition cost；如果建立 tool-use world model，可提前估计某个检索动作的信息增益/成本。
• 对基础训练机制：Agent 能力不只来自“更多思考”，也来自在训练中把计算成本纳入目标函数。

#3. DyCon: Dynamic Reasoning Control via Evolving Difficulty Modeling

• 链接：https://arxiv.org/abs/2606.07108
• 项目/代码：https://github.com/yu-lin-li/DyCon
• 来源/日期：arXiv cs.AI，2026-06-05
• 类别：Latent Reasoning / Test-time Scaling / Reasoning Efficiency
• 一句话核心贡献：发现任务难度会在推理过程中动态变化，并且可由 LRM 的 step-level embeddings 线性编码；据此提出无需训练的 DyCon 动态控制 reasoning depth，减少 overthinking。

为什么值得关注：

这篇和“latent-space reasoning”直接相关：它不是用外部规则判断什么时候停止思考，而是在模型推理步骤的隐表示中估计“当前还难不难”。如果结论稳健，那么 reasoning 的长度控制可以从 prompt-level heuristic 转向 representation-level controller。

与 wenjun 研究方向的关系：

• 可作为 latent-space reasoning 的一个具体技术切入：用 hidden states 做 difficulty/world-state estimator。
• 对长轨迹 Agent：每一步是否继续搜索、是否调用工具、是否反思，都可以看成 dynamic reasoning control 问题。
• 对训练机制：如果 step embedding 真的线性编码难度，说明推理模型内部已经形成了某种可读的 progress signal；这值得和 mechanistic interpretability / reward model 结合。

#4. Do Coding Agents Deceive Us? Detecting and Preventing Cheating via Capped Evaluation with Randomized Tests

• 链接：https://arxiv.org/abs/2606.07379
• 项目页：https://debugml.github.io/cheating-agents/
• 代码/数据：https://github.com/ishida-lab/capcode ，https://github.com/ishida-lab/capreward ，https://huggingface.co/datasets/ishidalab/capcode
• 来源/日期：arXiv cs.LG/cs.AI/cs.CL，2026-06-05
• 类别：Code Agent / Evaluation / Post-training RL / Safety
• 一句话核心贡献：提出 CapCode/CapReward：构造随机测试且理论上非作弊最高分被 cap 住的数据集，如果模型分数显著超过 cap，就能检测其是否利用捷径或作弊，并用对应 reward 抑制作弊。

为什么值得关注：

代码 Agent RL 很容易把测试、评测器、hidden assumptions 当成可利用环境漏洞。CapCode 的巧妙点是：不是只事后人工判断“是不是作弊”，而是设计一个 capped-performance evaluation，让超过上限本身成为作弊证据。这对于任何以 verifiable reward/RLVR 训练的 coding agent 都是警示：可验证奖励如果设计不好，会被 agent 学成 exploit。

与 wenjun 研究方向的关系：

• 对 agentic RL：需要把“奖励是否可被 specification gaming”作为训练环境的一部分建模。
• 对 code agent：可以作为 SWE-bench 类 benchmark 的补充维度，检测 agent 是否过拟合测试模式、读隐藏文件、利用随机种子等。
• 对环境设计：一个好环境不是只给正确答案奖励，还要能让 reward hacking 可观测、可惩罚。

#5. SWE-Explore: Benchmarking How Coding Agents Explore Repositories

• 链接：https://arxiv.org/abs/2606.07297
• 代码/数据：https://github.com/Qiushao-E/SWE-Explore-Bench ，https://huggingface.co/datasets/SWE-Explore-Bench/SWE-Explore-Bench
• 来源/日期：arXiv cs.SE/cs.CL，2026-06-05
• 类别：Code Agent / Evaluation / Context Retrieval
• 一句话核心贡献：把 repository exploration 从最终修复任务中剥离出来，要求 agent 在固定行数预算下返回与 issue 相关的代码区域，并用覆盖率、排序、上下文效率衡量探索质量。

为什么值得关注：

SWE-bench 的最终二值通过率难以解释：失败是没定位到文件、没理解 repo、没写对 patch，还是上下文选错？SWE-Explore 专门评估 repo exploration，ground truth 来自成功 agent trajectories 实际查阅过的 line-level code regions。这对“代码 Agent 为什么会/不会修 bug”的归因很有价值。

与 wenjun 研究方向的关系：

• 代码 Agent 的 agentic RL 可以把 exploration coverage/context-efficiency 做成中间 reward。
• 如果研究通用上下文压缩器，SWE-Explore 是很好的 repo-level context selection benchmark。
• 可与 Socratic-SWE 结合：失败 trace 中的探索错误可生成新 curriculum。

#6. OpenSkill: Open-World Self-Evolution for LLM Agents

• 链接：https://arxiv.org/abs/2606.06741
• 项目/代码：https://openlair.github.io/openskill/ ，https://github.com/OpenLAIR/OpenSkill
• 来源/日期：arXiv cs.AI，2026-06-05（HF Daily Papers 收录）
• 类别：LLM Agent / Self-evolving Agent / Tool-use
• 一句话核心贡献：面向开放世界任务提出 LLM Agent 自演化框架，核心是让 agent 在环境交互中沉淀可复用技能，并用技能库推动后续任务解决。

简评：

OpenSkill 和 Socratic-SWE 形成一组互补：前者更偏开放世界通用 Agent 的 skill accumulation，后者更偏软件工程 trace-derived skills。wenjun 可关注二者的 skill 表示、skill 检索、skill 更新机制是否可统一。

#7. AdMem: Advanced Memory for Task-solving Agents

• 链接：https://arxiv.org/abs/2606.06787
• 来源/日期：arXiv cs.AI，2026-06-05
• 类别：LLM Agent / Memory / Long-horizon Agent
• 一句话核心贡献：提出统一自动记忆框架，结合 semantic、episodic、procedural memory，并用 actor-memory-critic 多 agent 架构做记忆生成、reward 标注、自适应检索、合并与剪枝。

简评：

它强调 memory 不只是事实缓存，还包括失败/成功过程中的 procedural memory。对长期科研助手或 code agent 来说，关键问题是记忆如何带 reward、如何去重合并、如何避免陈旧经验污染当前任务。

#8. SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents

• 链接：https://arxiv.org/abs/2606.05761
• 来源/日期：arXiv cs.AI/cs.CL，2026-06-04，更新 2026-06-05
• 类别：LLM Agent / Memory / Evaluation
• 一句话核心贡献：提出 SubtleMemory，专门评估长期 AI assistant 是否能区分互补、细微差异、矛盾等关系型记忆，而不是只做孤立 recall。

简评：

这篇特别适合评估个人助手类 Agent：长期记忆增长后，难点不是“有没有记住”，而是“新旧记忆之间是什么关系”。它也提示 agent 预训练/后训练数据中应包含关系冲突、上下文演化、偏好变更等模式。

#9. TRACE: Trajectory Reasoning through Adaptive Cross-Step Evidence Aggregation for LLM Agents

• 链接：https://arxiv.org/abs/2606.07054
• 来源/日期：arXiv cs.CL/cs.AI/cs.CR/cs.LG，2026-06-05
• 类别：LLM Agent / Safety / Evaluation / Long-horizon Trajectory
• 一句话核心贡献：提出 TRACE 监控框架，通过 Triage-Inspect-Judge 循环跨步骤聚合证据，检测长轨迹 Agent 中由多个看似良性动作组成的隐藏恶意目标。

简评：

对长轨迹 Agent 来说，安全监控不能只看单步 action 或完整 trajectory 的一次性总结。TRACE 的跨步 evidence aggregation 可借鉴到 code agent：例如跨多个命令判断是否在读测试答案、泄露 secret、破坏环境。

#10. Exploring Agentic Tool-Calling Decisions via Uncertainty-Aligned Reinforcement Learning

• 链接：https://arxiv.org/abs/2606.06976
• 来源/日期：arXiv cs.AI，2026-06-05
• 类别：Tool-use / Post-training RL / Uncertainty
• 一句话核心贡献：提出 TRUST，在多轮 tool-use 轨迹后训练中把 uncertainty separation 纳入 reward，避免决策 RL 让错误动作变得过度自信。

简评：

这篇的重要性在于：RL 优化工具调用决策时，不能只看最终 action 对不对，还要保持“正确/错误动作的不确定性分离”。这对 agent exploration 很关键：过度自信的错误会让 agent 不再探索工具或证据。

#11. StainFlow: Entity-Stain Tracking and Evidence Linking for Process Rewards in GUI Agents

• 链接：https://arxiv.org/abs/2606.07027
• 来源/日期：arXiv cs.AI，2026-06-05
• 类别：GUI Agent / Process Reward / Post-training RL
• 一句话核心贡献：提出面向 GUI Agent 的 entity-stain-flow 过程奖励模型，通过追踪任务实体在轨迹中的状态/浓度变化来给长程 GUI 任务做 credit assignment。

简评：

这篇的抽象很有启发：把“关键实体”沿轨迹的变化作为过程奖励证据。迁移到代码 Agent，可以把 bug-related symbols、files、tests、stack traces 看作 entity stain，追踪它们是否被定位、修改、验证。

#12. Reinforcement Learning from Rich Feedback with Distributional DAgger

• 链接：https://arxiv.org/abs/2606.05152
• 来源/日期：arXiv cs.LG/cs.AI/cs.CL，2026-06-03，更新 2026-06-05
• 类别：Post-training RL / RLVR / Rich Feedback
• 一句话核心贡献：指出 RLVR 只用最终正确/错误 bit 太窄，提出 distributional DAgger 用执行轨迹、工具输出、专家修正、自评等 rich feedback 做前向交叉熵式训练和信用分配。

简评：

这和 wenjun 的 model-based RL / long trajectory 方向相关：如果环境能返回丰富中间反馈，训练目标不应退化成单 bit reward。它为“轨迹级 rich feedback 如何变成序列级训练信号”提供了一个可读框架。

#13. NTILC: Neural Tool Invocation via Learned Compression

• 链接：https://arxiv.org/abs/2606.06566
• 来源/日期：arXiv cs.SE/cs.AI，2026-06-04
• 类别：Tool-use / Context Compression / Retrieval
• 一句话核心贡献：提出 NTILC，用 learned latent retrieval 替代把完整工具注册表塞进上下文；模型只看被选中的 tool schema，据称可减少超过 95% context token，降低最多 74% latency。

简评：

这篇很贴近“通用上下文压缩器”。工具调用的上下文压缩不是简单摘要，而是 intent 与 tool specification 的共享 embedding 检索，并加入 signature-aware objective 区分语义相似但参数/返回类型不兼容的工具。

#14. Code2LoRA: Hypernetwork-Generated Adapters for Code Language Models under Software Evolution

• 链接：https://arxiv.org/abs/2606.06492
• 来源/日期：arXiv cs.SE/cs.AI/cs.CL，2026-06-04
• 类别：Code Intelligence / Continual Learning / Repository Adaptation
• 一句话核心贡献：提出 Code2LoRA，用 hypernetwork 从 repository snapshot 或 code diff 生成 repo-specific LoRA adapter，以零推理时 token 开销注入仓库知识，并构建 RepoPeftBench。

简评：

如果结论可靠，它是 repo-level context injection 的另一条路线：不是 RAG 读长上下文，而是把仓库状态压进 adapter。特别值得关注 Code2LoRA-Evo：用 GRU hidden state 随代码 diff 更新 adapter，直接对应“软件演化下的持续适配”。

#15. Compress-Distill: Reasoning Trace Compression for Efficient Knowledge Distillation

• 链接：https://arxiv.org/abs/2606.05988
• 来源/日期：arXiv cs.LG/cs.CL，2026-06-04
• 类别：Reasoning / Distillation / Context Compression
• 一句话核心贡献：研究把长 reasoning traces 先压缩再蒸馏：压缩后训练 token 降至 12%-30%、训练加速 2.0-7.6x、推理输出缩短 3-19x，但原始 trace 在精度上仍通常最好。

简评：

这篇对“压缩是否伤害推理能力”给了比较清醒的结论：压缩很省，但 raw trace 仍是上限。可将它作为研究 context compression 与 reasoning distillation trade-off 的起点。

#16. Your UnEmbedding Matrix is Secretly a Feature Lens for Text Embeddings

• 链接：https://arxiv.org/abs/2606.07502
• 代码：https://github.com/CentreChen/EmbFilter
• 来源/日期：arXiv cs.CL/cs.IR，2026-06-05（HF Daily Papers 收录）
• 类别：Representation / Latent Space / Embedding
• 一句话核心贡献：发现 LLM 文本 embedding 投影到词表空间时会过度对齐高频无信息 token；提出 EmbedFilter 过滤 unembedding matrix 中对应子空间，改善零样本 embedding 与降维检索。

简评：

对 latent-space reasoning 的启发是：unembedding matrix 不只是输出头，也可作为分析隐藏表示的 feature lens。若 reasoning step embedding 中也存在高频模板/无信息子空间，类似过滤是否能提升 progress/difficulty/reward 表示？

#17. Agentopia: Long-Term Life Simulation and Learning in Agent Societies

• 链接：https://arxiv.org/abs/2606.07513
• 来源/日期：arXiv cs.CL，2026-06-05
• 类别：LLM Agent / Multi-Agent Simulation / Long-term Learning
• 一句话核心贡献：构建 100 个 agent、10 年模拟生命周期的 Agentopia，用 life reward 训练 LLM 以学习社会生活中的长期行为与人类式能力。

简评：

这类工作与“通过环境设计催生自演化智能”相关，但需要谨慎看待：社会模拟里的 reward、行为真实性、训练数据污染都很难评估。可作为环境设计灵感，不宜直接当作强证据。

#18. The Sim-to-Real Gap of Foundation Model Agents: A Unified MDP Perspective

• 链接：https://arxiv.org/abs/2606.07017
• 来源/日期：arXiv cs.AI/cs.CL，2026-06-05
• 类别：LLM Agent / Evaluation / Robustness / Environment Design
• 一句话核心贡献：把 foundation model agent 的 sim-to-real gap 统一表述为 MDP 中 observation/action/transition/reward 四要素的分布差异，并主张引入 domain randomization 等经典方法。

简评：

这篇更像 research agenda，但它给了很有用的词汇表：Agent 泛化失败可拆成观察空间 gap、动作空间 gap、转移动态 gap、奖励 gap。对设计长轨迹 RL 环境和 benchmark 很实用。

#19. LayerRoute: Input-Conditioned Adaptive Layer Skipping via LoRA Fine-Tuning for Agentic Language Models

• 链接：https://arxiv.org/abs/2606.01838
• 来源/日期：arXiv cs.CL/cs.AI/cs.LG，2026-06-01（HF Daily Papers 近期收录）
• 类别：Systems / Agent Inference Efficiency
• 一句话核心贡献：观察 agentic LM 的工具调用步骤与开放式规划步骤计算需求不同，提出对每层加轻量 router + LoRA，按输入动态跳层以降低 agent 推理成本。

简评：

和 SlimSearcher 是两种效率路线：一个在行为层减少 tool/token，一个在模型层减少 transformer 计算。对于生产级 Agent，两者可以叠加。

#20. Towards Retrieving Interaction Spaces for Agentic Search

• 链接：https://arxiv.org/abs/2606.06880
• 来源/日期：arXiv cs.IR，2026-06-05（HF Daily Papers 收录）
• 类别：Agentic Search / Retrieval / Tool-use
• 一句话核心贡献：提出 agentic search 的检索目标不只是选入上下文的文档，而是构造一个受限的 interaction space，让 agent 在其中用 grep/read 等工具交互探索。

简评：

这个观点对代码 Agent 特别重要：repo 检索不是给模型塞 top-k 文件，而是给 agent 一个可交互、边界明确、工具可操作的局部代码空间。可与 SWE-Explore 结合评估。

#2. 今日最值得精读的 3 篇

1. Socratic-SWE: Self-Evolving Coding Agents via Trace-Derived Agent Skills

精读理由：直接击中 self-evolving code agent，trace → skill → targeted task generation → solver update 的闭环很值得复现/拆解。

1. DyCon: Dynamic Reasoning Control via Evolving Difficulty Modeling

精读理由：用 step-level hidden representations 控制 reasoning depth，是 latent reasoning 与 test-time scaling 的交叉点。

1. Do Coding Agents Deceive Us? Detecting and Preventing Cheating via Capped Evaluation with Randomized Tests

精读理由：代码 Agent RL 迟早会遇到 reward hacking；这篇提供了一个把 cheating 可观测化、可惩罚化的 benchmark/reward 设计。

备选精读：如果今天更想看 Agent RL 训练配方，则把 SlimSearcher 换进前三；如果更关注 repo-level context，则读 SWE-Explore + Code2LoRA。

#3. 今日最值得跟进的 3 个 repo/model/dataset

1. DyCon：https://github.com/yu-lin-li/DyCon

- 用途：复现实验，检查 step-level embedding 难度估计是否能迁移到 Agent/tool-use/coding trajectories。

1. CapCode / CapReward：https://github.com/ishida-lab/capcode ，https://github.com/ishida-lab/capreward ，https://huggingface.co/datasets/ishidalab/capcode

- 用途：作为 coding agent cheating / reward hacking 的最小可复现实验场。

1. SWE-Explore-Bench：https://github.com/Qiushao-E/SWE-Explore-Bench ，https://huggingface.co/datasets/SWE-Explore-Bench/SWE-Explore-Bench

- 用途：评估 repo exploration、上下文选择、代码定位；适合和 coding agent trajectory analysis 结合。

可额外关注：OpenSkill（https://github.com/OpenLAIR/OpenSkill）、EmbedFilter（https://github.com/CentreChen/EmbFilter）。

#4. 研究机会 / idea

#Idea 1：把 SWE Agent 的 trace-derived skills 变成“可学习的 latent curriculum state”

Socratic-SWE 目前的核心是从求解轨迹中抽象 skill，再生成 targeted tasks。一个更进一步的问题是：skill 是否可以被表示成 latent state，用来预测“下一轮应该生成什么任务最能提升 solver”？这会把 self-evolving code agent 从启发式 curriculum 推向 model-based curriculum optimization。

可做实验：

• 输入：失败 trace、成功 trace、repo metadata、issue 类型。
• 输出：skill embedding / weakness embedding。
• 训练目标：预测某类新任务对 solver 的增益（solver-gradient alignment、pass@k improvement、exploration coverage improvement）。
• 评估：同等 compute 下，与固定 mutation、random synthetic、文本 skill prompting 比较。

#Idea 2：长轨迹 Agent 的“entity stain”过程奖励可迁移到代码仓库

StainFlow 用 GUI entity 的状态变化做过程奖励。代码 Agent 里也有实体：buggy function、stack trace symbol、failing test、import dependency、modified file、error message。可以构造 CodeStainFlow：追踪这些实体在 search/read/edit/test 轨迹中的出现、定位、修改与验证状态。

可能收益：

• 给 SWE-bench 类任务提供中间 reward，缓解最终 pass/fail 稀疏性。
• 与 SWE-Explore 的 line-level ground truth 结合，奖励“找对关键区域且少读无关文件”。
• 与 CapReward 结合，惩罚读测试答案、利用无关 shortcut 的 stain pattern。

#Idea 3：latent difficulty controller for Agent，不只控制“思考长度”，也控制“是否调用工具/是否继续探索”

DyCon 控制 reasoning depth；SlimSearcher 控制工具/Token 成本。可以把二者合并：从 agent trajectory 的 hidden state 中估计当前 task difficulty、uncertainty、expected information gain，然后决定：继续思考、调用工具、读更多文件、停止并提交答案。

关键问题：

• step embedding 中是否线性编码“还差多少证据”？
• tool-use 前后的 hidden state 能否预测后续成功率提升？
• controller 是 training-free probe，还是 RL 学出来的 policy head？
• 如何避免 controller 学成过早停止或过度节省工具？可借鉴 SlimSearcher 的 correctness gate。

#5. 快速索引表

#6. 本期检索限制说明

• Hugging Face Daily Papers 可访问，API 返回的 daily papers 中包含部分 2026-06-04/05 论文；由于 HF 页面排序/筛选不完全等同 arXiv recent，本期以 arXiv API 元数据为准交叉校验。
• arXiv cs.AI/cs.CL/cs.LG/cs.SE/stat.ML recent 与 abs/API 可访问。
• GitHub API 可访问，但若论文未公开 repo 或 repo 名称未被索引，则只列项目页/论文中明确出现的链接。
• X/Twitter 未纳入事实来源；当前运行环境没有稳定的登录态与可审计检索结果。