每日调研 2026-09-04 ★★★★☆ dailyAILLMAgentCode IntelligenceResearch Briefing

#2026-09-04 AI/LLM 最新论文与研究热点简报

覆盖窗口：截至北京时间 2026-09-04 08:00，重点覆盖 arXiv 2026-09-03 recent feed（新稿 v1 多为 9 月 1–2 日）与 Hugging Face Daily Papers 9 月 3 日榜单。本期新增内容充足，无需扩展到 7 天。

检索与核验：抓取 arXiv cs.AI / cs.CL / cs.LG / cs.SE / stat.ML RSS（合计 548 个分类条目，去重后再按主题筛选），用 arXiv abstract/API、Hugging Face Papers API、GitHub API 交叉核对；对 14 篇候选论文下载 PDF，并以 PyMuPDF 抽取全文核查方法、表格、消融与局限。OpenAlex 本轮多次返回 503，仅一个查询成功且无高相关补充；X/Twitter 没有稳定、可审计的公开时间线接口，因此不把社交转述作为证据，改用论文、项目页、HF 与 GitHub。所有性能数字均为作者报告，不等于独立复现。

#一、早读结论：今天最重要的 6 个信号

  1. LLM Agent 的 world model 正从“复述未来页面”转向“为决策保留反事实差异”。 Discriminative World Models 不再要求生成固定 HTML/AXTree，而要求预测表示能区分同一状态下不同动作导致的结果；这比 next-state reconstruction 更贴近 planner/PRM 真正需要的信息。
  2. Dreamer for LLM Agent 可能需要两类可显式检查的模型。 昨天的 BB-WM 关注“我现在相信什么”，今天的 BCO 关注“我相信某种 scaffold 修改会造成什么变化”；前者是 state belief，后者是 intervention belief。二者结合才接近代码 Agent 的 belief–imagination–action loop。
  3. Agent 持续学习的核心对象正在从原始轨迹变为可执行 skill。 Repo-To-Skill 把 GitHub 中的 operational knowledge 编译成 5,000+ skills，CHIME / MASkills 则分别从阶段归因和多 Agent 层级归因出发更新 memory/skill；共同趋势是“先归因，再固化”。
  4. 上下文压缩不应只问“删什么”，还要问“什么状态应放在上下文之前”。 Trace as State 表明，同一份 reasoning trace 放在长上下文前方，比追加在后方更有效；Declarative Attention 则让模型在生成时声明关注范围。前者处理因果读取顺序，后者处理 KV 读取成本。
  5. 长轨迹 credit assignment 出现一条简单但强的边界：第一次错误。 Cliff 用 teacher 找到首个错误，把此前 token 给正 advantage、此后给负反馈；它比按固定 token/turn 切段更语义化，但尚未解决工具动作、环境噪声和恢复行为中的多因果归因。
  6. 代码智能的瓶颈越来越像“训练—检索—验证闭环”，而非单次生成。 Nemotron 竞赛代码报告把数据策划、合成 reasoning、SFT、RL 与 GenCorrect 连成一体；PaperCompiler 约束 paper-to-repo 的跨文件一致性；ExecRetrieval 则指出代码 embedding 对功能正确性几乎失明。

#二、重点精读（Top 5）

#1. Discriminative World Models for Web Agents

  • 类别：Model-based RL / LLM Agent / World Model / Web Agent
  • 标题：Discriminative World Models for Web Agents
  • 来源与日期：arXiv:2609.02885，v1 2026-09-02；2026-09-03 recent feed
  • 项目页：DWM
  • 一句话核心贡献：提出 predicted-state matching，让 world model 生成的状态表示必须区分“当前动作的真实后继状态”和“同一决策点其他动作的后继状态”，而不是只拟合固定页面表示。

为什么值得关注？

传统 web world model 通常学 history + action → HTML/AXTree/文本状态。但 planner 并不关心预测文本是否像真实页面，而关心预测是否能解释 候选动作之间为什么不同。如果两个动作生成的描述都很流畅，却把登录成功与留在原页混在一起，next-state loss 很低也没有决策价值。

本文从 WebArena Go-Browse 轨迹构造 branching data：每个共享决策点保留多个候选动作及其真实结果。训练时，模型生成自由形式的 predicted representation，judge 只看该表示和两个候选后继状态，判断哪个才与查询动作匹配。这样目标对表示格式无要求，却直接优化 action-conditioned discriminability。

关键结果：

  • held-out state matching 上，本文模型平均 80.80%，高于 WebDreamer-7B 的 74.51%、WebWorld-8B 的 70.17% 和同数据 AXTree SFT 的 47.77%；换 GPT-4o / Llama-3.1-70B judge 后趋势保持；
  • 在 WebPRMBench 上，把 matching-state 交给训练过或冻结的 ranker，通常比无状态或 WebWorld 状态更能区分 preferred action；
  • WebArena-Lite 上，GPT-4o ReAct 为 13.94%，Best-of-5 action-only 为 21.82%，加入 DWM 预测状态后升到 28.48%。

与 wenjun 研究方向的关系：这是今天最直接命中 model-based RL / Dreamer for LLM Agent 的工作。对代码 Agent，世界模型不必重建完整 repo 或 terminal transcript；更有价值的目标是：给定同一 belief state，能否区分“读文件 / 跑测试 / 改 patch / 回滚”等候选动作会导致的关键 outcome。可以把 matching loss 与 imagined planning reward 对齐，学习 decision-sufficient latent state。

边界：目前只在 Go-Browse/WebArena 分支数据上训练，端到端只用 GPT-4o policy；matching reward 仍依赖 LLM judge；branching data 只覆盖观察到的候选动作，并非完整 action space。

#2. Belief-Calibrated Optimization：把 Agent 对环境的判断写成可校准 world model

  • 类别：Model-based RL / Self-evolving Agent / Harness Optimization / Continual Learning
  • 标题：Belief-Calibrated Optimization: An Explicit World Model for Agentic Optimization
  • 来源与日期：arXiv:2609.01861，v1 2026-09-01；2026-09-03 recent feed
  • 一句话核心贡献：在 coding-agent 优化 scaffold 的循环中，持续维护一份可证伪、带置信度和证据的 belief 文档，并在每次修改前预测影响、评测后校正 belief。

为什么值得关注？

多数自动 harness/scaffold 优化只把分数、diff 和轨迹留给下一轮；“上次为什么失败、什么改动应对哪类任务有效”仍埋在一次性 CoT 中。BCO 把这些判断持久化为原子 belief：包括 falsifiable claim、适用条件、confidence、hypothesis/confirmed/refuted 状态、正反证据和能解释的失败质量 mass。每轮执行 predict → edit/evaluate → correct，强迫 optimizer 对干预效果承担预测责任。

在 LongMemEval、LoCoMo、GAIA、AppWorld、Terminal-Bench 2.0 五个 benchmark 上，BCO 的 train pass rate 都高于只缺少 belief world model 的 matched control；held-out 提升从 +2.2 到 +15.2 个点不等。比如 GAIA held-out 从 vanilla 34.3% 到 BCO 49.5%，AppWorld 从 76.6% 到 79.6%。交换 frozen target model 后，BCO 选择的 scaffold 除 context overrun 未完成项外仍领先。把 belief 内容打乱后，预测环境反应的能力介于无文档与完整文档之间，说明收益不只是模板形式。

与 wenjun 研究方向的关系：BCO 不是 neural Dreamer，却展示了一个很有用的训练接口：world model 应记录 intervention belief，即“修改哪一部分 harness/skill 会在哪类状态下改变什么行为”。它可以成为 latent world model 的可解释 teacher，也能用于主动实验设计：优先测试高质量、高不确定、可区分 competing hypotheses 的改动。

边界：文档由强 coding LLM 维护，成本和偏差不可忽略；部分 memory benchmark 的候选选择用了披露的 best-of-three；论文证明同一优化轨迹内的 belief 有用，但还未证明跨项目迁移，也没有直接训练 latent dynamics/policy。

#3. Repo-To-Skill：把 GitHub 仓库编译成 Agent 可复用的操作知识

  • 类别：Agent Pretraining Data / Continual Learning / Tool-use / AI4AI
  • 标题：Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills
  • 来源与日期：arXiv:2609.02749，v1 2026-09-02；HF Daily Papers 2026-09-03（榜单第 1，抓取时 494 upvotes）
  • 代码 / Skill Library：VectorSpaceLab/AREX-Skill
  • 一句话核心贡献：提出 DisCo，把 repo/paper 中“知道方法之外的落地诀窍”蒸馏为渐进展开、可验证的 skills，并发布从 1,000 个 ML repo 得到的 5,000+ skills。

为什么值得关注？

这篇把 Agent stack 明确拆成三层：model + harness + operational knowledge。README、源码、issue、示例里真正影响实验成败的不是概念定义，而是“什么时候用哪个 API、配置什么参数、常见错误怎么修、验证证据是什么”。把整个 repo 塞进上下文太贵，单纯 RAG 又容易检到声明而非程序性知识；skill 则把触发条件、步骤、参考材料和脚本包装成可调用单元，并通过 progressive disclosure 避免 5,000 个 skill 同时占上下文。

AREX-Skill 覆盖 20 个领域、178 个 capability families。固定 GPT-5.5 backbone、research harness 和下游预算，只加入 skills 后，作者报告：MLE-bench +134.3%、PaperBench +34.4%、FrontierCS +9.2%、PassNet +14.0%。PaperBench 平均从 29.45% 到 39.59%；FrontierCS 从 70.63 到 77.14，但平均 token 也从 2.46M 增至 4.47M——能力提升并非“免费压缩”。

与 wenjun 研究方向的关系：它给“agent 预训练数据如何塑造能力”提供了不同答案：也许 repo 数据不应只作为 next-token corpus，而应先编译成带触发、依赖、验证和版本信息的 procedural skill graph。更进一步，可将 skill 当作 option/action abstraction，让 model-based RL 预测调用某个 skill 后的状态变化，而不是在 token/action 级别漫游。

边界：核心实验依赖强闭源 backbone；自动 verification 能发现多少“看似可运行、实则方法错误”的 skill 仍需审计；skills 也可能误导——论文中部分任务因错误 skill 匹配而退化。仓库更新后如何做版本化失效同样未彻底解决。

#4. Trace as State：让推理结果先于长上下文，作为第二遍读取的条件状态

  • 类别：Latent Reasoning / Context Compression / Long-context / State Representation
  • 标题：Trace as State: Reasoning Traces as Conditional States for Long-Context Transformers
  • 来源与日期：arXiv:2609.02702，v1 2026-09-02；2026-09-03 recent feed
  • 一句话核心贡献：第一遍从长上下文得到 reasoning trace，第二遍把 trace 放在原上下文之前，让它充当 causal processor 的初始 task state；同样 trace 若追加在末尾则明显更差。

为什么值得关注？

论文的理论直觉很干净：如果状态更新所需 condition 在序列开始就知道，processor 只需维护当前 realized state；如果 condition 最后才出现，它可能要同时保留所有可能 condition 下的 residual map，最坏情况下需要指数更多 memory。因果 Transformer 无法让末尾新发现的状态回头影响已经读过的 token，因此需要 fresh pass。

方法本身不训练模型：先正常推理得到 trace T，再以 [T, long context, question] 重读；matched control Trace Append 使用相同 trace 和 token，只改成 [long context, T, question]。三个模型、三个长上下文数据集、27 个 model-task-metric 组合中，Trace as State 赢了 26 个。GraphWalks Parents 上，DeepSeek V4 Pro Preview 从 initial 29.2%、Trace Append 43.0% 升到 81.8%；GLM-5.2 从 66.4% / 83.2% 升到 100%。

与 wenjun 研究方向的关系：它处在 latent-space reasoning 和通用上下文压缩的交界。文本 trace 只是 task state 的显式 proxy；下一步可把第一遍轨迹压成 learned latent state，再作为 prefix token / recurrent state 条件化第二遍扫描。对代码 Agent，这对应“先形成 bug hypothesis / repo belief，再带着它重读代码”，而不是读完所有文件后才在末尾追加总结。

边界：当前需要额外一遍长上下文 prefill，未必省计算；trace 仍是文本，不是端到端学习的 latent；GraphWalks 等任务与真实 repo 轨迹之间仍有距离。它证明的是 state ordering，不是通用压缩器已经解决。

#5. Cliff：从“第一次推理错误”构造 token-level RLVR 信号

  • 类别：Post-training RL / RLVR / Credit Assignment / Code Reasoning
  • 标题：Cliff: Learning Process Rewards from the First Mistake
  • 来源与日期：arXiv:2609.02817，v1 2026-09-02；HF Daily Papers 2026-09-03
  • 一句话核心贡献：让现成 teacher 定位错误 rollout 的首个 pitfall step，把之前 token 视为有效前缀、之后视为无效后缀，并转换成 token-level advantage。

为什么值得关注？

terminal reward 把一条轨迹的所有 token 同奖同罚；但一旦第一个关键推理错误出现，后续 reasoning 已经条件化在错误 prefix 上，再逐步评价往往信息有限。Cliff 因而只需要定位一个边界，不训练专门 PRM，也不要求 teacher/student 有相同 reasoning path。作者先让 teacher 生成 reference，经过自动 verifier 过滤，再比较 student rollout，输出首个 pitfall step。

在数学与算法代码 benchmark、不同 student/teacher 的 12 种设置中，Cliff 每组都优于对照；作者汇总称平均比 on-policy distillation 高 15%、比 vanilla GRPO 高 7%。全文分析还显示：judge 往往比独立解题更容易；正确 reference 可显著改善 first-mistake 定位，而错误 reference 会明显伤害 judge。

与 wenjun 研究方向的关系：对长轨迹 Code Agent，可以把 pitfall 从 token 扩展到 typed event：错误假设、无信息搜索、破坏性 patch、误读测试、无效 recovery。关键研究问题不是简单把首错之后全部判负，而是判断后续是否出现了 recovery；这可与昨天 CE-GRPO 的 shared-prefix branch rollout 结合，用环境执行验证“此处换动作是否真的改变结局”。

边界：实验仍以数学/竞赛代码 reasoning 为主，作者也把 agentic setting 列为未来工作；LLM teacher 的定位不是 ground truth，且“首错后全负”会低估高质量恢复轨迹。

#三、其他高相关论文与动态

#6. Nemotron 竞赛代码后训练：数据、RL 与 test-time feedback 的系统级胜利

  • 类别：Code Intelligence / Post-training RL / Synthetic Data / Test-time Scaling
  • 标题：Post-Training Language Models for Gold-Medal Performance in Coding Competitions
  • 来源与日期：arXiv:2609.02849，v1 2026-09-02；HF Daily Papers 2026-09-03
  • 一句话贡献：用 22,000 道策划题、DeepSeek-V4-Flash 生成的 120 万 / 477,642 条 reasoning trace、SFT、可执行 reward RL 和 GenCorrect，构建 IOI 级代码系统。

Nano-CC（30B-A3B）在 IOI 2025 从 base 130 分到 post-training 291 分，再经五轮 GenCorrect 到 468，超过金牌线 438.3；Ultra-CC 经 SFT 与 GenCorrect 到 502。比赛特化 Ultra-CC 在 IOI 2026 题目公开前按相同时间、网络和提交限制运行，得 535.4/600，高于最高人类 498.27，但这是非官方、未监督系统运行，不是等算力的人类对比。训练中明确排除 IOI 2025、ICPC 2025、LiveCodeBench Pro 并做去重，IOI 2026 则是 prospective evaluation。

研究判断：最重要的不是“AI 超越 IOI 冠军”标题，而是 SFT 学多样解法、RL 改 Score@1、GenCorrect 用 evaluator feedback 消耗 submission budget 的分工。完整训练集受第三方许可限制不能公开；模型与可运行 recipe 计划通过 NeMo Skills 发布，且 Ultra 未做 code-specific RL，所以还不能干净比较规模与 RL 的作用。

#7. CHIME：先判断失败属于 planning 还是 execution，再写入记忆

四个长轨迹 benchmark、Qwen3.5-Flash / DeepSeek-V4-Flash 上，作者报告 eval 平均比最强 baseline 高 2.96 / 3.68 点；仅保留 129 条 memory，而强 baseline 为 3,585 条。跨 backbone 转移优于 A-MapReduce 2.25–4.68 点，但跨 benchmark 迁移较弱。其关键不是多一个 memory bank，而是明确了 attribute-before-memorize：未经阶段归因的 terminal outcome 会污染长期经验。

#8. Declarative Attention：让模型像调用工具一样声明自己要看哪里

  • 类别：Context Compression / Systems / Long-context / Attention
  • 标题：Language Models Can Control Their Own Attention
  • 来源与日期：arXiv:2609.02737，v1 2026-09-02；HF Daily Papers 2026-09-03
  • 一句话贡献：定义 <global> / <focus> / <local> 三种生成模式，模型在 CoT 中声明需要读取的上下文区域，推理引擎据此跳过多数 KV cache read。

在 15 个长上下文任务上，零训练的 DA 为 Gemma-4-31B / Qwen-3.6-27B 减少 52.0% / 31.1% attended tokens，平均准确率下降 1.27 / 2.75 点；roofline 估计 decode wall time 降到 vanilla 的 0.71× / 0.77×。值得注意：thinking mode 下模型目前不能稳定遵循协议，论文关闭了 thinking；多段综合任务的掉点也更大。它更像 模型可解释的动态 KV 路由协议，不是压缩后的信息保持学习。

#9. PaperCompiler：paper-to-code 的中间层不该是自由文本计划，而应是可追溯 specification

Paper2CodeBench 上 reference-based fidelity 从 3.64 到 4.15（相对 +13.8%），高严重度 critique 从 13.2% 降到 6.1%。它与 Repo-To-Skill 可组成一个很自然的闭环：skill 提供 operational knowledge，compiler 负责把论文证据变成不可随意压缩的 implementation contract。

#10. EarlyEval：Agent 评测可以在结果已高度可预测时提前结束

  • 类别：Evaluation / Code Agent / Systems
  • 标题：EarlyEval: Cheaper Agent Evaluation via Early Outcome Prediction
  • 来源与日期：arXiv:2609.02783，v1 2026-09-02；HF Daily Papers 2026-09-03
  • 代码：inphotoo/earlyeval
  • 一句话贡献：以行为、文本与 reference features 训练 success/failure LightGBM，在置信度过阈值时停止 rollout，从单个任务内部而非只靠 benchmark subset 降低评测成本。

在 SWE-bench Verified、TerminalBench、Toolathlon 上，leave-one-agent-out 条件下可省 13–26% steps、最多 44.1% input token / 29.4% output token，预测准确率 89–97%，排行榜 Spearman 相关不低于 0.959。它适合 Agent RL 的频繁回归评测，但若把它用于训练 rollout 截断，预测器偏差会直接改变数据分布，必须另做 off-policy/selection-bias 校正。

#11. ExecRetrieval：代码 embedding 找得到“像的”，却分不清“能运行的”

最佳 hosted system 的 exec@10 可达 1.00，但 exec@1 仅 0.331；领先系统 91.5–99.4% 的 rank-1 miss 是配对 buggy variant，67–78% 查询里至少一个 buggy clone 分数高于 canonical。这说明代码检索/pretraining embedding 的“语义相似”目标缺少 execution-grounded negative；对 Code Agent RAG，reranker 必须加入测试、静态分析或可执行 counterfactual。

#12. 两条值得放入 watchlist 的新工作

  • 类别：Model-based RL / Self-evolving Agent
  • 标题：WMLLM: Self-Evolving Optimization Agents via Predict-Then-Act World Modeling
  • 来源与日期：arXiv:2609.01608，v1 2026-09-01；2026-09-03 recent feed
  • 一句话贡献：先预测 candidate outcome、再执行真实 evaluator，把 prediction error 作为自监督信号，并结合多轮 refinement、population search 与 GRPO；ALFWorld 初步结果从 30.00±6.08 提到 43.59±4.02。

它更接近“prediction responsibility + RL”，但主要证据仍是多目标分子和结构化 black-box optimization，不应直接当通用 Agent world model 结论。

它与 CHIME 的共同判断是：memory 若没有局部信用与更新算子，就只是越来越大的经验文本库；但 MASkills 仓库目前很新，值得等代码完整度与可复现实验进一步确认。

#四、今日最值得精读的 3 篇

  1. Discriminative World Models for Web Agents：world model 训练目标与 action ranking 直接对齐；重点看 branching data、representation-agnostic matching 与端到端 Best-of-5。
  2. Belief-Calibrated Optimization：把自演化 harness 中隐性的 intervention hypothesis 变成可证伪 world model，最适合和 Dreamer / active experiment design 对接。
  3. Trace as State：对 latent state、长上下文重读和上下文压缩的连接最清晰；核心不是多一段 CoT，而是 condition-first 的因果处理顺序。

代码 Agent / Agent 数据替代选择：若今天更偏工程与数据，把第 3 篇换成 Repo-To-Skill；若更偏 post-training credit assignment，换成 Cliff。

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

GitHub / HF 状态快照：2026-09-04 08:00（stars/downloads 只表示当前可见度，不代表研究质量）。

  1. VectorSpaceLab/AREX-Skill — 112 stars、8 forks，9 月 3 日有 push；包含 5,000+ skills、CLI、脚本和中英文文档。优先检查 skill verification、router、版本依赖和 repo→skill graph schema，适合作为 Agent 预训练数据形态的真实大样本。
  2. Daethalous/PaperCompiler — 9 月 3 日新建，2 stars；已包含 README、data、scripts 与 code。优先看 provenance label、cross-file dependency、non-degradation constraint 是否能接到 coding harness 的 verifier。
  3. AaryanK/ExecRetrieval — 939 个 Python task 与 execution-verified buggy counterfactual；HF 快照 128 downloads、CC-BY-4.0。很适合快速训练一个 execution-aware reranker，或作为代码 embedding 预训练 hard-negative curriculum。

模型发布 watch：NVIDIA-NeMo/Skills（Nemotron-3-Ultra-CC checkpoint 与 runnable recipe 尚属计划发布，仓库抓取时 1,032 stars）；持续学习 watch：DaRL-GenAI/MASkills（代码仓库已存在但仍很新）；评测 watch：inphotoo/earlyeval。

#六、研究机会 / Idea

#Idea 1：Contrastive Belief-Dreamer——同时学习“当前 belief”与“动作可区分的未来”

把昨天 BB-WM 与今天 DWM / BCO 合成三部分：

  1. belief encoder：从 repo observation、工具输出和历史形成带不确定性的 latent belief；
  2. discriminative transition model：不要求还原完整 next state，而要求区分共享 prefix 下不同 semantic actions 的真实后继；
  3. intervention ledger：像 BCO 一样记录“某类修改在什么条件下预计改善/退化”，用于主动选择最能减少 model uncertainty 的实验。

训练信号可由真实 sandbox branching 产生：固定 repo snapshot，从同一 state 执行 read/test/patch/revert 候选，结合 state-matching、verifier outcome 与 calibration loss。关键指标是 action ranking、belief calibration、branch discriminability 和真实工具预算，而不只是 next-token/state reconstruction。

#Idea 2：从 Repo-To-Skill 到 Skill-Dreamer——把 skill 当作 Agent RL 的 option

AREX-Skill 说明 repo 可被编译成 5,000+ operational options；CHIME / MASkills 说明经验更新前需要 credit。可以把每个 skill 表示成：

precondition → procedure/tool sequence → expected state delta → verifier → invalidation dependency。

然后做 hierarchical model-based RL：高层在 belief state 上选择 skill，低层执行并回报预测误差；成功/失败只更新与 attribution 对应的 skill 节点。比较 raw repo RAG、text skill、executable skill、learned latent option 四种表示，测跨 repo、跨模型和版本更新后的迁移。核心问题是：procedural data 是否比同 token 数的源码/README NTP 更能塑造 Agent 的工具能力？

#Idea 3：First-Mistake 不是终点——面向 Code Agent 的 Error–Recovery Credit Graph

Cliff 的单边界适合纯 reasoning，但长轨迹 Agent 常出现“先错、后发现、再恢复”。可用 AGENTSCOPE/typed trace 把轨迹变成事件图，并从同一 prefix 分叉执行 counterfactual：

  • 如果替换事件显著改变最终 verifier outcome，它是 causal mistake；
  • 如果后续事件恢复成功，则给 recovery skill 正 credit，而非一律把首错后 token 判负；
  • 将责任分为 belief error、planning error、execution error、evaluation error，并分别更新 world model、planner、tool policy 和 evaluator belief。

这能把 Cliff、CE-GRPO、CHIME 与 BCO 接成一个真正适合软件环境的 credit pipeline。

#七、今日研究判断

今天最值得记住的不是单篇 SOTA，而是一条逐渐清晰的系统链：

先用 belief 表示 Agent 当前知道什么；再用 discriminative world model 预测候选动作之间真正影响决策的差异；把 operational knowledge 编译成可执行 skill；用 first-mistake / stage attribution 找到该更新哪个 skill 或 memory；最后通过 Trace as State / Declarative Attention 把必要状态放到正确的位置并控制读取成本。

对 wenjun 当前主线，最有潜力的切口是：

不要让 LLM world model 重建一切，而要学习对 action ranking、信息搜集和 credit assignment 都足够的 decision-sufficient latent belief。

这比“让 LLM 多生成几条未来”更接近 Dreamer 的核心：压缩历史、预测与控制相关的未来、在 imagined alternatives 中选动作，并持续用真实环境误差校准模型。

鼠鼠研究站 · 自动整理调研 / 论文 / 历史主题