#2026-08-15 AI/LLM 最新论文与研究热点简报

覆盖窗口：以北京时间 2026-08-15 08:00 为截点，主体来自 arXiv 8 月 14 日新批次（官方 RSS 更新时间约为 8 月 14 日 04:00 UTC），并结合 Hugging Face Daily Papers 8 月 13–14 日收录情况。今天核心条目足够集中在最近 24–48 小时，无需用旧论文凑数。

核验方式：逐条核验 arXiv 官方 RSS/摘要页；对 WMRL、LOPD、SSPO、CAKE、Replica/Faraday、LittleLearner、Intern-S2、LycheeMemory V2、AutoDesign 等下载 PDF 并抽取全文检查方法与数字；项目链接用 GitHub API、HF 页面或作者项目页复核。Google Scholar 本次仍返回 403；X 搜索页虽返回 HTML，但正文依赖登录和 JavaScript，无法稳定核验帖子与时间戳，故不引用不可审计的社交媒体转述。

#一、先看结论：今天最强的 5 个信号

1. 真正对准 wenjun 主线的 “LLM Agent + model-based RL” 工作出现了：WMRL 不是把 world model 当概念比喻，而是用它替代 AutoResearch Agent 训练中的真实环境执行，并显式处理 imagined reward 的 bias 与 variance；论文报告训练加速 3–4 倍。
2. Agent 自学习正在从“人工规定 teacher 看什么”走向“让 privileged context 本身可学习”：LOPD 从历史经验检索并生成连续 latent tokens 来条件化 self-teacher，再把 dense token-level supervision 蒸馏回 on-policy student。这是 latent representation、经验内化与 agentic RL 的直接交叉点。
3. World model 的长时域失败未必来自预测器，而可能来自 planner objective：一篇 LeWorldModel 复现发现，latent state 里仍有足够位置/可达性信息，但 squared latent distance 与真实可达代价错位；只换 cost、不重训模型，就把远距离目标成功率从 26% 提到 98%。
4. 长轨迹 credit assignment 正在分化为两条互补路线：SSPO 用 evidence anchor 调整错误搜索轨迹中每一步的更新幅度；LoongReflect 则把 reflection/backtracking 明确建模成 memory-control action，并让局部反思接受全局 trajectory 结果监督。
5. Code Agent 的下一层竞争是 compiler / verifier / harness 共演化：CAKE 让 Agent 操作可验证、硬件显式的 IR，并把重复失败沉淀为 verifier rule、IR primitive 和优化 tactic；Vero 则把形式验证从单函数提升到多模块真实仓库，显示最强 Agent 仍只能完整解决 43 个实例中的 27 个。

#二、重点精读（Top 5）

#1. WMRL：用 World Model 替代 AutoResearch Agent 的昂贵环境执行

• 类别：Model-based RL / LLM Agent / Long-horizon Agent / Post-training RL / Systems
• 标题：Scaling Automatic Research Agents via World Models
• 来源与日期：arXiv:2608.12564；2026-08-14 新批次
• 一句话核心贡献：提出 World Model RL（WMRL），以 world model 评估/模拟 AutoResearch trajectory，减少独占 sandbox 的真实执行成本，并用 Online Debiasing 与 Inverse-Variance Denoising 修正 imagined reward 的系统偏差和噪声。

为什么值得关注？

这篇几乎直接命中“Dreamer for LLM Agent”的工程瓶颈。论文指出，Agent generation 可以 batch，但每条候选研究方案都要独占 sandbox 和真实机器时间执行，因此 rollout 越长，环境执行越成为 RL scaling 的瓶颈。WMRL 用几次 world-model forward pass 替代大部分真实执行，但保留少量同时由 world model 与真实环境评分的 anchor groups：

• 用在线 isotonic regression 学习单调校准映射，追踪 world-model reward 相对真实 reward 的漂移，即 Online Debiasing；
• 将真实梯度流和 world-model 梯度流按方差倒数融合，即 Inverse-Variance Denoising；
• 理论上把 world-model bias 与 noise 对收敛的影响写成额外误差项，并证明两种校正改善收敛界。

全文和摘要报告：WMRL 在不同任务和 Agent 尺度上将训练加速 3–4×，同时达到或超过真实环境 RL baseline；后训练的 4B/9B Agent 在 held-out benchmark 上超过更大的 48B/120B 开放权重 Agent，并能迁移到 embodied VLA post-training。

与 wenjun 方向的关系：这是今天最应精读的论文。关键不只是“有一个 world model”，而是它给出了真实 rollout 与 imagined rollout 的混合方式。可以进一步研究：world model 不只预测最终 reward，而是预测 tool state transition、test result、资源消耗和 failure mode；anchor 预算则按 epistemic uncertainty、trajectory novelty 或 policy drift 自适应分配。

需要警惕：论文中的 world model 更接近 trajectory evaluator / reward simulator，而不是完整生成环境状态的 Dreamer RSSM。要检查它能否支持反事实 action branching，以及在 policy 逐步偏离训练分布时，在线校准是否足以抵抗 model exploitation。

#2. LOPD：让 self-teacher 的“特权经验”变成可学习的 latent context

• 类别：Latent Reasoning / LLM Agent / Code Agent / Post-training RL / Continual Learning
• 标题：Latent On-Policy Self-Distillation
• 来源与日期：arXiv:2608.13040；2026-08-14 新批次
• 代码：bingreeky/LOPD
• 一句话核心贡献：从过往经验检索相关样本，将其组合为连续 latent tokens 作为 self-teacher 的 privileged context，再在 student 自己访问到的每个 prefix 上提供 dense token-level distillation。

为什么值得关注？

现有 on-policy self-distillation 往往人为指定 teacher 能看到的答案、反馈、skill 或成功轨迹。问题在于，研究者已经预先决定了“什么经验重要”；不同任务还要重新设计 privileged artifact。LOPD 将这个环节改成端到端学习：

1. student 根据任务和交互历史生成 on-policy trajectory；
2. 从 experience bank 检索相关经验；
3. context composer 把经验压成连续 latent tokens；
4. latent context 条件化同一个模型形成 privileged self-teacher；
5. teacher 在 student 实际访问的 prefix 上提供 dense supervision；
6. privileged-margin objective 防止 latent context 退化或无约束地劫持 teacher。

论文在 agentic tool-use 和 coding 两种 post-training 设置上评估：tool-use 训练集来自 EnvScaler（2,349 个任务），测试覆盖 held-out EnvScaler、BFCL-v3、ACEBench；代码评估包含 LiveCodeBench。摘要与全文称，LOPD 在多个 backbone 和 benchmark 上优于 RLVR、OPSD、SDPO、Skill-SD，并以不到 GRPO / Skill-SD 30% 的 rollout budget 超过它们。

与 wenjun 方向的关系：它把“经验 → latent state → dense teacher → policy 内化”串成了闭环，可视为非生成式的 latent world knowledge。特别适合研究：latent context 到底编码了 transition、reward、程序 skill，还是近邻答案捷径？可以把 composer 约束成 state/action/reward 三组 latent slots，再观察跨任务迁移和长期更新中的 interference。

需要警惕：retrieval bank 仍是外部经验源，且 teacher 与 student 共享 backbone；提升可能部分来自额外 forward compute 或 benchmark-neighbor retrieval。应重点看 experience split、检索污染、latent token 数量、跨域迁移和 continual update 后的稳定性。

#3. The Objective Is the Bottleneck：world model 会预测，不等于 planner 会使用

• 类别：Model-based RL / Latent Reasoning / Planning / Evaluation
• 标题：The Objective Is the Bottleneck: Latent World Models Encode What Their Planners Cannot Use
• 来源与日期：arXiv:2608.12959；2026-08-14 新批次 / HF Papers 8 月 13 日收录
• 一句话核心贡献：在 LeWorldModel/TwoRoom 复现中证明，长时域 planning 的主要瓶颈不是 latent predictor 丢失信息，而是 squared latent-distance objective 与真实 reachability 不一致。

关键证据

• imagined state 在 75 个环境步后，相对“假设世界静止”的误差只有 0.189 倍，但 planner 从不规划超过 25 步；
• frozen embedding 中的位置可被 ridge probe 以 R²=0.9922 恢复，说明关键信息仍在 latent state；
• squared latent distance 与真实距离只有 r=0.426，并在较远距离饱和甚至反向：远离目标反而可能降低 cost；
• 不重训 predictor，只替换规划 objective，offset 100 的目标成功率从 26% 提到 98%，并在三分之一规划预算下达到 92%；
• 由 frame separation 学到的 cost 虽然位置预测更差，却更能对墙体和可达性定价，因此规划更好。

为什么值得关注？

这篇给 model-based RL 一个非常重要的诊断原则：不要用 reconstruction / prediction accuracy 代理 planning utility。好的 latent world model 应保留 action-conditioned reachability、不可逆性、障碍和 reward-relevant equivalence；planner objective 还必须能把这些信息读出来。

与 wenjun 方向的关系：迁移到 LLM Agent，可把“latent distance”换成“文本 embedding 距离/状态摘要相似度”。两个代码仓库状态看起来相近，不代表从一个状态修到另一个状态的 action cost 相近。值得构建 tool-state bisimulation / reachability objective：由真实执行步数、失败恢复代价和 verifier transition 监督 latent metric，而不是只优化 next-observation prediction。

#4. SSPO：用 Evidence Anchor 做深度搜索 Agent 的 step-level credit assignment

• 类别：LLM Agent / Tool-use / Post-training RL / Long-horizon Agent
• 标题：Beyond Outcome Rewards: Step-Level Self-Distilled Policy Optimization for Deep Search Agents
• 来源与日期：arXiv:2608.12764；2026-08-14 新批次
• 代码：hkust-nlp/SSPO
• 一句话核心贡献：将 teacher-student disagreement 转化为 GRPO 中的 step-level advantage weight，只作用于错误轨迹；Evidence Anchor 给 teacher 关键网页证据，但不直接暴露完整答案路径。

为什么值得关注？

直接蒸馏 privileged teacher 会造成信息不对称：全文中 teacher 平均只需 3.5 次 tool call，而在开放网页中探索的 student 需要 17.7 次；强迫 student 模仿 teacher 的短路径，会让它在没有特权信息时过早停止搜索。SSPO 因而将两件事拆开：

• outcome reward 决定更新方向：错误 trajectory 需要被抑制；
• teacher disagreement 决定每一步更新幅度：哪一步最缺关键证据，就在哪一步施加更强信号；
• 正确轨迹不蒸馏，避免把多样的成功搜索路径压成单一路径。

在 Qwen3-8B 上，论文报告 SSPO 在 BrowseComp、GAIA、FRAMES 上持续超过 GRPO，并达到或超过训练两倍 gradient steps 的 GRPO；额外成本约为每步 5%，来自一次额外 forward pass。

与 wenjun 方向的关系：可直接迁移到 Code Agent：把 Evidence Anchor 换成 failing test、相关 diff、调用栈、静态分析事实或最小反例；teacher 只告诉 policy “哪一步缺了什么证据”，而不是泄露完整 patch。它也可以作为 WMRL 的局部校正信号：world model 给出 step uncertainty，真实 verifier anchor 决定更新强度。

#5. CAKE：让 Compiler、Verifier 与 Kernel Agent 一起演化

• 类别：Code Agent / Systems / Self-evolving Agent / Evaluation
• 标题：CAKE: Compiler-Agent Co-Design for Frontier Kernel Evolution
• 来源与日期：arXiv:2608.12629；2026-08-14 新批次
• 一句话核心贡献：设计硬件显式、可类型检查的 CAKE IR，使 Agent 能控制 warp role、memory movement、同步和 pipeline；编译器返回局部正确性/性能诊断，并把重复失败升级为 verifier rule、IR primitive、cost-model calibration 或 reusable tactic。

关键结果

• B200 上 implementation-hidden Flash-KMeans clean start，在 8,000 万 token 预算下，最佳 CAKE IR candidate 达到 tuned FlashML 的 1.144×，直接 CUDA/PTX 只有 0.928×；
• Agent 生成的 Kimi Delta Attention 相对官方 FlashKDA 达到 2.05× 几何平均加速，并通过端到端 serving 验证；
• dispatcher-backed KNN/KMeans 在 400 多个 shape 上提高 1.42×–2.12×；
• 4 个 kernel 修改以 upstream PR 形式提供。

为什么值得关注？

这不是普通“LLM 写 CUDA”。核心是重新设计 Agent action space 与反馈通道：既不让高层 DSL 隐藏关键 schedule，也不让 raw CUDA/PTX 把错误埋在难以定位的编译/运行结果里。harness 还能从历史失败中升级自己，但所有新规则都要经过 kernel corpus 的 test gate，避免错误经验永久污染系统。

与 wenjun 方向的关系：它给 self-evolving code agent 一个很具体的范式：环境不是固定编译器，而是可被 Agent 经验改造、同时又由回归测试约束的学习系统。可进一步研究“哪些 failure 应进入 policy 参数，哪些应成为 verifier rule，哪些应成为新 primitive”，这正是 agent 预训练数据如何塑造能力与外部 harness 如何塑造能力的分工问题。

#三、其他值得扫读的新论文与动态

#6. LoongReflect：把 reflection 训练成可回退轨迹树上的 memory-control policy

• 类别：LLM Agent / Post-training RL / Memory / Tool-use
• 标题：LoongReflect: Boosting Long-Horizon Reflection in Search Agents via Global Perspective Distillation
• 来源与日期：arXiv:2608.11967；2026-08-14 新批次
• 一句话核心贡献：在可逆 trajectory tree 上定义显式 reflect/backtrack action；快通道只蒸馏 reflection/backtracking tokens，慢通道用 outcome GRPO 优化完整轨迹，通过 look-ahead/extragradient 式协调缓解“局部反思、全局才知对错”的监督错位。
• 判断：它比泛化的“让模型自我反思”更有研究价值，因为反思被操作化为 working-memory update 与 branch deletion。要重点检查 teacher privilege、树搜索预算以及 backtrack lesson 是否真正跨任务迁移。

#7. Replica / Faraday：把“复现论文”变成可训练的 AI Scientist 任务空间

• 类别：Scientific Agent / Code Agent / Post-training RL / Evaluation
• 标题：Training AI Scientists to Replicate Research
• 来源与日期：arXiv:2608.13331；2026-08-14 新批次
• 一句话核心贡献：构建论文复现任务空间 Replica 与自动生成的 rubric judge，并 post-train 27B 参数 Faraday；Faraday 把 coding agent 当工具，在 held-out replication tasks 上超过论文所测的 Claude Opus 4.8 与 GPT-5.5。
• 判断：亮点不是模型排行榜，而是把“论文遗漏了哪些实验细节”变成需要 hypothesis-driven exploration 的长轨迹任务。需要审计 rubric judge 的可博弈性、复现任务的领域覆盖，以及 Faraday 调用强 coding model 带来的真实成本。

#8. Vero：repository-level joint code-and-proof benchmark

• 类别：Code Agent / Evaluation / Formal Verification
• 标题：Vero: Can AI Agents Build Formally Verified Software Repositories?
• 来源与日期：arXiv:2608.13522；2026-08-14 新批次
• 代码/数据：sunblaze-ucb/vero
• 一句话核心贡献：提供 43 个来自 Python、Dafny、Verus、Coq 真实项目的多模块 Lean 4 repository 实例，同时评估 proof-only 与 code-and-proof；还允许 Agent 形式化证明 specification 不可满足或 reference code 错误，以审计 benchmark 本身。
• 结果/判断：最强配置完整解决 27/43，最难仓库中没有关闭任何 specification。相比 SWE-bench，它把 reward 从 tests 推进到 machine-checked contracts，但预先给定 API 和人工规格仍比真实需求理解更干净。

#9. LittleLearner：用受控预训练暴露研究“能力如何形成”的因果窗口

• 类别：Pretraining Data / Foundation Model Training / Continual Learning
• 标题：LittleLearner: Language Models Under Pedagogically Controlled Knowledge Exposure
• 来源与日期：arXiv:2608.13545；2026-08-14 新批次 / HF Papers 8 月 13 日
• 一句话核心贡献：从 FineWeb-Edu 过滤出 88B-token 的 K–5（幼儿园到五年级）语料 LittleCurriculum，并从头训练 5B 模型 LittleLearner，构造知识暴露边界可解释的基础模型研究沙箱。
• 结果/判断：初步实验表明 post-training 与 in-context learning 能帮助模型更好使用已有知识，却没有显著抬升 out-of-scope 能力。它比在 web-scale 模型上猜“某能力是否见过”更适合研究 curriculum、知识注入、迁移、遗忘和 emergence；但 K–5 过滤器不可能完美等价于概念因果隔离，仍需 contamination audit。

#10. Intern-S2-Preview：科学 Agent 基座把 pretraining、multi-task RL、agentic RL 与 memory decoder 串起来

• 类别：Foundation Model Training / Scientific Agent / Post-training RL / Continual Learning
• 标题：Intern-S2-Preview: Scientific Agentic Foundation Model
• 来源与日期：arXiv:2608.13505；2026-08-14 新批次；HF Daily Papers 8 月 14 日收录（运行时 42 upvotes）
• 模型：internlm/Intern-S2-Preview
• 一句话核心贡献：从 scientific multimodal pretraining 出发，统一 SFT、多任务 RL、black/white-box agentic RL 与 on-policy distillation，并加入 partial rollout + off-policy correction、adaptive length regularization、online speculative decoding、trace-aware experience assembly 等系统技术。
• 判断：397B 主干外接单独训练的 Memory Decoder，在冻结 backbone 时将 Biology-Instructions 平均分从 56.92 提到 60.32，值得关注“外部参数记忆 vs 持续更新主模型”的架构分工。技术报告范围很大，需将每项工程技巧的独立贡献与超大模型规模效应分开看。

#11. LycheeMemory V2：Agent memory 的成本关键在 consolidation 粒度

• 类别：LLM Agent / Memory / Context Compression / Systems
• 标题：LycheeMemory V2: Efficient Long-Term Memory for LLM Agents via Semantic Segment-Level Consolidation
• 来源与日期：arXiv:2608.12990；HF Papers 2026-08-13，8 月 14 日 Daily 收录
• 代码：LycheeMem/LycheeMem
• 一句话核心贡献：不再每轮调用 LLM 做 eager consolidation，而是按语义边界批量形成 segment，再编码成上下文独立、带类型的 memory records，并通过轻量结构化索引规划检索。
• 结果/判断：使用 GPT-4.1-Mini 时，论文报告 LoCoMo 89.22%、LongMemEval-S 92.20%；相对 A-Mem，构建 token 分别下降 86.0% 和 75.9%，且不增加 query-time token。它延续昨日 COMPINT 的问题：成本下降之外，应额外检查 constraint、时间和负证据是否在 segment finalization 时丢失。

#12. AutoDesign：让 meta-harness optimizer 递归改进 Code Agent 的设计工作流

• 类别：Code Agent / Self-evolving Agent / Harness / Evaluation
• 标题：AutoDesign: Meta-Harness Optimization for Long-Horizon Agentic Design
• 来源与日期：arXiv:2608.13560；HF Daily Papers 8 月 14 日收录（运行时 31 upvotes）
• 项目：GitHub / 项目页
• 一句话核心贡献：meta-harness optimizer 根据 rollout feedback 指导 code agent 递归改进 DesignHarness，并以 paper-to-poster 长时域任务构建 PosterBench。
• 结果/判断：论文报告 Main Track 得分 78.32，比所测 Claude Design 高 7.45；七种 agent/model 组合加载 learned harness 后平均从 54.99 提到 67.39。自主循环在约 40 分钟、253 次 tool call、11 次编辑、低于 3 美元条件下达到平均 conference-poster 质量。它是“自演化发生在 harness 而不是权重”的好案例，但仍需跨设计任务验证，防止只对 PosterBench 过拟合。

#13. Code LLM memorization probe 需要区分 memorization 与 representation load

• 类别：Code Intelligence / Pretraining Data / Evaluation
• 标题：Memorization Diagnostics for Code LLMs Should be Scale-Aware
• 来源与日期：arXiv:2608.12771；2026-08-14 新批次
• 一句话核心贡献：指出 synonym fuzzing、dead-code insertion、log-prob 等 memorization probe 随模型变大而失效；用可逆数学变换将表示负担与记忆效应分开，显示大模型可能既见过答案，也能稳健跨越表面形式变化。
• 判断：它不意味着 contamination 不重要，而是提醒代码数据质量研究不要把“改个变量名性能不掉”直接解释为没有背题，也不要把“性能掉了”直接解释为纯记忆。更好的测试要同时控制语义、表示负担、解族等价性和真实 repo transfer。

#四、今日最值得精读的 3 篇

1. Scaling Automatic Research Agents via World Models：与 LLM model-based RL / Dreamer Agent 最直接；重点读 anchor signal、reward bias/noise 建模，以及 imagined evaluation 是否支持真正的反事实 rollout。
2. Latent On-Policy Self-Distillation：连接 latent representation、experience retrieval、dense credit 和 policy internalization；重点看防止 latent context 变成答案捷径的实验。
3. The Objective Is the Bottleneck：篇幅和实验域可能不大，但研究判断很关键——world model 的 representation quality 必须由 planner 可用性和 reachability 衡量，而不是只看预测误差。

联读建议：WMRL + Objective Bottleneck 组成“怎么用 imagined rollout、怎么避免 planner 读错 latent state”；LOPD + SSPO + LoongReflect 组成“经验如何变成 dense supervision，以及长轨迹每一步如何分配信用”。

#五、今日最值得跟进的 3 个 repo / model / dataset

1. bingreeky/LOPD

- 对应 Latent On-Policy Self-Distillation；GitHub API 核验到仓库于 8 月 13 日创建、8 月 14 日仍更新。

- 跟进重点：latent composer/retriever 是否已完整开源；复现 EnvScaler、BFCL、ACEBench 与 LiveCodeBench；可直接改造成 experience-conditioned world-model teacher。

1. hkust-nlp/SSPO

- 对应深度搜索 Agent 的 step-level self-distillation。

- 跟进重点：Evidence Anchor 的构造成本与信息泄露控制；将网页 evidence 换成代码 Agent 的 failing test、stack trace、static fact，做 step-level credit assignment。

1. Yaxin9Luo/AutoDesign

- 已开源 DesignHarness 和递归优化框架，仓库在 8 月 14 日创建并持续更新。

- 跟进重点：把 poster domain 换成 repo repair / kernel optimization，测试 learned harness 的跨任务、跨模型迁移；特别关注治理机制是否能阻止 harness 膨胀和局部 benchmark overfitting。

备选资源：如果今天更关注基础模型训练机制，优先跟进 Intern-S2-Preview 模型页 和 LittleLearner/LittleCurriculum 后续发布；如果更关注长期记忆工程，跟进 LycheeMem。

#六、研究机会 / Ideas

#Idea 1：Planner-aware World Model RL for Code Agents

把 WMRL 与 Objective Bottleneck 合并成一个面向 Code Agent 的闭环：

• world model 预测 patch 后的 tests、build state、依赖变化、潜在回归和执行成本；
• 不直接用 latent Euclidean distance 做 planning cost，而用真实 action reachability、最小修复步数、verifier transition 学习 cost；
• 保留少量真实 sandbox anchor，按 uncertainty × novelty × expected impact 自适应选取；
• 对 reward bias 做在线单调校准，对不同 failure family 分别估计方差；
• 评估 model accuracy、planner regret、model exploitation rate 和真实 wall-clock speedup，而不只看最终 pass rate。

核心问题：LLM Agent 的 world model 应该预测“未来长什么样”，还是预测“从这里是否能以低成本到达可验证目标”？

#Idea 2：Latent Experience Composer 的可解释分槽与持续学习

基于 LOPD，把连续 privileged context 拆成三类 latent slots：

1. state slots：当前任务和环境的隐变量；
2. transition/skill slots：过去哪些 action 在什么条件下有效；
3. risk/constraint slots：失败、禁区、过期条件和 verifier 证据。

再设计干预实验：屏蔽某类 slot、交换不同任务的 slot、让经验发生冲突、连续加入新 domain，观察 teacher distribution、student policy 和遗忘程度。这样能回答：LOPD 学到的是可迁移机制、可压缩记忆，还是难以审计的 soft prompt shortcut？

#Idea 3：从 Evidence Anchor 到 Verifier Anchor 的长轨迹 credit assignment

将 SSPO 的 Evidence Anchor 与 LoongReflect 的 reflect/backtrack action 用于 repository-level Agent：

• anchor 不提供正确 patch，只提供 failing test、call graph、minimal counterexample、相关 invariant；
• outcome reward 决定正负方向，teacher/world model 只分配每一步的更新幅度；
• reflection 更新 working memory，backtrack 删除不可靠分支但保留带 provenance 的 corrective lesson；
• 以 Vero 的 proof obligation 或 CAKE 的 verifier rule 作为强 anchor；
• 比较 outcome-only GRPO、process reward、OPSD、SSPO 和 tree-level memory control 的偏差—方差与样本效率。

核心问题：能否给长轨迹 Agent 足够密的信用信号，同时不把 oracle solution 偷渡给 student、也不把成功策略蒸馏成单一短路径？

#七、来源、社区热度与限制

• arXiv：主体来自 cs.AI、cs.CL、cs.LG、cs.SE、stat.ML 官方 RSS 8 月 14 日批次，并回到 PDF 全文核验重点方法和数字。
• Hugging Face：官方 API 用于发现 Daily Papers、模型/项目关联与社区注意力。运行时 Intern-S2 42 upvotes、AutoDesign 31、PlayWorld 33、Alaya-EVOKE 82；这些只代表关注度，不代表实验可靠性。
• GitHub / 项目页：已直接核验 LOPD、SSPO、AutoDesign、LycheeMem、Vero、PlayWorld 等仓库或项目页可访问；没有明确官方 repo 的工作不强行配链接。
• Google Scholar：本次查询返回 403，无法作为增量来源；学术身份和论文日期改由 arXiv/HF/作者项目核验。
• X/Twitter：搜索页面可返回 HTML 壳，但无法稳定取得可审计正文和时间戳，因此未引用“技术大牛刚刚发帖”等不可验证说法。机构/作者动向以论文、HF、GitHub 和项目页替代。
• OpenReview：搜索入口可访问，但本窗口没有发现比 arXiv 新批次更贴合 wenjun 主线、且能稳定核验的独立新增条目。
• 结论边界：以上结果多为刚发布预印本，WMRL、LOPD、Faraday、CAKE 等 headline 数字需要代码、数据和等预算复现；文中已区分论文报告与本文研究判断，不把摘要数字视为已独立验证的事实。