每日调研 2026-09-05 ★★★★☆ dailyAILLMAgentCode IntelligenceResearch Briefing

#2026-09-05 AI/LLM 最新论文与研究热点简报

覆盖窗口：截至北京时间 2026-09-05 08:00，重点覆盖 arXiv 2026-09-04 recent feed（新稿 v1 集中于 9 月 3 日）与 Hugging Face Papers 9 月 4 日可见榜单。本期高相关新稿充足，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（五个 feed 共 586 个去重条目），用 Hugging Face Papers/Daily Papers API、GitHub API 交叉核对；对 15 篇候选论文下载 PDF，并用 PyMuPDF 抽取全文核查方法、实验与局限。OpenAlex 七组检索均返回 503；X/Twitter 的公开机构页返回 404，无法稳定核验社交时间线，因此本期不把社交转述当作证据，改用 arXiv、HF、论文全文和 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. Code Agent 的稀缺训练资产正在从 trajectory 转向 executable environment。 Terminal-Universe 把一条冻结演示“反编译”为可重放、可重新出题、可验证的工作空间；同一环境可被更强模型反复探索，比直接模仿旧 policy 的轨迹更有长期价值。
  2. 环境设计开始从“围着当前 policy 找弱点”转向 off-policy 的开放式课程。 Environment Evolution 沿场景新颖度、技能稀有度和执行长度构造难度 lineage，再按掌握进度调度；它把 environment generator 从数据工厂推向 curriculum dynamics。
  3. 长轨迹 credit assignment 出现两条互补路径。 DRACO 在没有最终 verifier 时用动态 rubric 把过程判断分配到步骤；TIGPO 在有终局奖励时，把跨 policy update 的状态转移图保留下来，但只给当前 rollout 梯度。一个解决“奖励从哪里来”，一个解决“历史结构如何复用”。
  4. OPD 的数据单位也许不是 query，而是 rollout 诱导出的 state coverage。 One-Shot OPD 用一个 query 就覆盖 full-data 训练访问状态的 71.5%；16 个语义多样 query 达 98.9% 并匹配全量训练。作者的判断是：OPD data-overfed, algorithm-starved。
  5. latent reasoning 正从“反复过同一隐藏态”变成有记忆、会停的深度轨迹。 RecurTrace 让每个 token 沿 loop-time 读取自己早先迭代状态，并用“继续一层是否还降 loss”的 oracle 蒸馏 halting head；这是比固定递归深度更像真正 adaptive computation 的接口。
  6. 代码修复的 reward specification 正在变厚。 SWE-Gate 表明“功能测试通过”不等于满足维护者的兼容性/实现约束；Minimal Edit 工作则说明“正确”不等于“少改、可审查”。Code Agent RL 若只优化 pass/fail，很可能系统性学会 test overfitting 和 over-editing。

#二、重点精读（Top 5）

#1. Terminal-Universe：把 Agent 轨迹反演成可复用训练环境

  • 类别：Code Agent / Agent Pretraining Data / Environment Design / Post-training
  • 标题：Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments
  • 来源与日期：arXiv:2609.04148，v1 2026-09-03；HF Papers 2026-09-04（抓取时 213 upvotes）
  • 一句话核心贡献：通过逆向重放 Read/Write/Edit 等工具操作恢复 Agent 修改前的文件，再由 completion agent 补齐缺失依赖，把公开 terminal 轨迹变成 37.3k 个可执行工作空间，并在其上重新出题、验证和 rollout。

为什么值得关注？

过去的常见路线是 environment → rollout trajectory，本文把箭头反过来：轨迹已经泄露了它运行过的文件结构和内容，因此可以从工具调用恢复 partial workspace，再补成 task-sufficient environment。恢复后不仅重构原始意图，还能做三类 re-query：单仓库新任务、跨工作空间依赖任务，以及带后续需求与修复反馈的多轮任务。每个新任务配 agent 编写的 verifier，只保留测试通过的教师轨迹。

从公开轨迹恢复出的 37.3k 环境最终产生 31,977 条 verifier-filtered SFT 演示，约 1.42B token。Qwen3.5-27B 在 full mixture 上，Terminal-Bench 2.1 从 46.2% 升至 58.1%，EvoCode-Bench v2 MT@4 从 6.3% 升至 20.1%。最关键的消融不是最终 SOTA，而是：直接模仿 35.8k 条 source trajectory 平均只有 36.7%，让更强 teacher 在恢复环境中重新解决同一任务则为 52.1%；replay + agentic completion 又比只 deterministic replay 高 4.2 点。

与 wenjun 研究方向的关系：这可能是“agent 预训练数据如何塑造能力”最重要的近期答案之一：轨迹不只是一串 token，它还是一个环境的 压缩观测。把轨迹升级回可分支环境后，才能采集 counterfactual action、训练 world model、做在线 RL，并让 verifier 而不是旧 policy 风格决定数据质量。对 Dreamer for Code Agent，可以直接从同一恢复 snapshot 执行多个 read/test/patch 候选，学习 action-conditioned latent transition。

边界：恢复的是轨迹可见的 partial workspace，completion agent 可能引入不真实文件或泄漏式捷径；verifier 也是 agent 生成，存在 specification gaming；训练是 SFT 而非 agentic RL，且 256k context、强 teacher 和大规模执行成本不低。论文尚未给出公开仓库链接。

#2. Environment Evolution：让训练环境自己沿难度谱系演化

  • 类别：Code Agent / Post-training RL / Self-evolution / Environment Design
  • 标题：Environment Evolution for Terminal Agents
  • 来源与日期：arXiv:2609.04128，v1 2026-09-03；HF Papers 2026-09-04
  • 一句话核心贡献：不依赖当前 policy rollout，而沿场景新颖度、技能稀有度与执行长度三个方向，逐代生成更难且经过验证的 terminal environment lineage，并用课程调度维持非零 RL 学习信号。

为什么值得关注？

当 frontier model 已经能稳定解 seed environment 时，GRPO 一个 group 全对，组内 advantage 归零；很多昂贵环境因而失去训练价值。现有 agent–environment co-evolution 用当前 policy 的失败建 weakness bank，但它容易与某个模型共适应，policy 变强后还要重新 rollout 才知道哪里难。

本文从高层轨迹 scenario–skill–scenario 出发，把难度拆成：少见场景、在该场景中少见的技能、以及有效步骤长度。evolver 每代只沿一个方向修改环境，形成 15 代 lineage；EL scheduler 只有在较早代达到 pass-rate 阈值后才放出下一代，让 8-rollout group 尽量保持“部分解出”而非全对/全错。200-step GRPO 后，Qwen3.6-27B / 35B-A3B 在 Terminal-Bench 2.1 的 peak accuracy 为 71.5% / 64.9%，相对各自 RFT step-0 提升 14.4 / 18.0 点，也高于 co-evolution 的 62.9% / 55.1%。

与 wenjun 研究方向的关系：这直接命中“通过环境设计催生自演化智能”。更值得做的扩展是让 world model 估计一个环境在哪些 latent belief/skill 上产生最大 learning progress，而不是让 LLM 仅凭广泛知识判断 rarity。环境谱系也可以充当 Dreamer 的 curriculum：先学短 horizon 的可校准 dynamics，再逐代增加 scenario shift、tool dependency 和 recovery length。

边界：所谓 model-agnostic difficulty 仍由 deep-research/evolver LLM 估计，并非真正不依赖模型分布；实验使用未公开或 frontier 模型参与生成/评估；目前只覆盖 terminal tasks，论文自己也把 SWE Agent 和 Computer-Use 留作未来工作。

#3. DRACO：没有最终答案 verifier，也能给长轨迹步骤分 credit

  • 类别：Post-training RL / LLM Agent / Credit Assignment / Tool-use
  • 标题：DRACO: Fine-Grained Credit Assignment with Dynamic Rubrics for Long-Horizon Agent Training
  • 来源与日期：arXiv:2609.04094，v1 2026-09-03；HF Papers 2026-09-04
  • 代码：IBM/draco
  • 一句话核心贡献：针对 outcome-blind 任务，为每组实际 rollout 动态生成、合并与去重 rubric，一次性评整条轨迹，再按 rubric 指向的责任步骤闭式重分配 GRPO advantage，无需训练 attribution model。

为什么值得关注？

开放研究、客服、复杂工具使用往往没有单元测试式真值。固定 rubric 又无法预先覆盖 rollout 实际暴露的失败模式。DRACO 先从 instruction 和每条 rollout 提议 criteria，合并为 mutually-exclusive / collectively-exhaustive 集合，并做 discriminative dropout；judge 对每条 criteria 给 pass/fail/N/A 和责任步骤。轨迹总 reward 仍经 GRPO 归一化，但不是给所有 token 同一个 advantage，而是把推动量分配给被 rubric 归因的 steps，并保持总推动量、符号和长度无关等性质。

在 Qwen3.6-27B 上，AppWorldTN 的 TGC/SGC 从 69.4/41.1 升至 85.3/70.6；零样本转移到 τ-bench banking，成功率从 15.8 升至 20.4。论文特别强调：训练过程没有使用 ground-truth verifier、gold answer 或 reference trajectory；self-judge 版本仍有收益，但低于 frontier external judge。

与 wenjun 研究方向的关系：长轨迹 Code Agent 并非都能靠 final tests 归因，例如代码审查质量、探索是否充分、修改是否可维护。DRACO 可以把 judge 的自由文本评价转换成 typed event credit；再与真实环境的 counterfactual branching 结合，可把 rubric says responsible 校准成 replacing this event actually changes outcome。

边界：它把 verifier 缺失替换成 frozen LLM judge，rubric 漏项、偏见与 reward hacking 仍在；step attribution 是 judge 声明而非因果识别；AppWorld 仍是结构化 benchmark，开放研究 Agent 上的可靠性尚未证明。GitHub 快照仅 1 star，代码成熟度需另审。

#4. One-Shot OPD：一个训练问题为什么能学几百步？

  • 类别：Foundation Model Training / Post-training / On-policy Distillation / Data Mechanism
  • 标题：Rethinking On-Policy Distillation of Large Language Models II: One Training Example
  • 来源与日期：arXiv:2609.04172，v1 2026-09-03；HF Papers 2026-09-04（抓取时 65 upvotes）
  • 代码：Thinking-Space/One-Shot-OPD
  • 一句话核心贡献：证明 OPD 即使用单个 query 反复 on-policy rollout，也能恢复全量数据的大部分收益；关键数据量不是 query 数，而是 rollout 访问到、可被 teacher 密集监督的 autoregressive state coverage。

为什么值得关注？

OPD 的 teacher 在 student 自己访问的每个 prefix/state 上提供 token-level 分布监督。一条 query 每个 update 采 64 条 rollout，本身就产生数万 supervised states。作者用 teacher final hidden state 表示 prefix、PCA + K-means 建 200 个 state cluster：单 query 覆盖 full-data OPD state space 的 71.5%，16 个语义不同 query 覆盖 98.9% 并匹配 17k-query 全量训练。

数学实验中 one-shot 在第 300 步达到 68.5，对比 full-data 69.8；到第 1,000 步仍恢复 full-data 增益的 72%。结论也跨代码生成、instruction following 和 agent tool use 成立，分别恢复 teacher–student gap 的 73%、66%、64%。更反直觉的是，content-light template 与 off-domain WildChat prompt 也能接近真实 query：输入的重要性可能主要在于 诱导 student 进入哪些内部状态。与此同时，不论一条还是全量数据，student 吸收剩余 teacher gap 的速度都相似地下降，因此作者称 OPD “数据过剩、算法饥饿”。

与 wenjun 研究方向的关系：这把基础模型训练数据研究从“收集多少题”推进到“哪些 prompt/environment 能诱导高价值 state visitation”。对 Agent OPD，可按 belief/action/error-state 覆盖选环境，而不是按任务文本 embedding 去重；对 code trajectory data，真正应去重的也许不是 issue 文本，而是 teacher-signature / tool-state cluster。

边界：state coverage 依赖 teacher hidden representation、采样位置和 K-means 粒度；coverage 是相关性解释，不是唯一因果变量；大部分核心实验仍是 reasoning，BFCL 并非长轨迹真实环境；“一个样本”不等于低计算，训练仍反复生成大量长 rollout 并查询 teacher logits。

#5. RecurTrace：给 latent recurrence 一条可寻址的 loop-time memory

  • 类别：Latent Reasoning / Adaptive Computation / Foundation Model Architecture
  • 标题：RecurTrace: Adaptive Latent Reasoning with Loop-Time Memory
  • 来源与日期：arXiv:2609.03379，v1 2026-09-03；arXiv cs.LG recent feed
  • 一句话核心贡献：让 looped Transformer 的每个 token 沿“递归迭代时间”关注自己此前的 hidden states，并训练一个由 oracle depth 蒸馏的 halting head，按样本决定何时停止增加 latent depth。

为什么值得关注？

普通 looped Transformer 每轮只把最新 hidden state 传给下一轮，早先计算若被覆盖就无法再读；固定 loop 数又会让简单样本浪费计算、困难样本计算不足。RecurTrace 加入 Loop Memory Attention，同一 token 只在自己的历史 loop states 上注意，不跨 token 位置，因此不引入 future-token 泄漏；halting oracle 则寻找“再加一层是否仍降低 loss”，而不是用置信度阈值或额外 compute penalty。

在同一 1.7B looped backbone 的 MathQA 控制实验中，RecurTrace 平均 2.0 loops 得到 56.9%，比最佳固定深度高 2.2 点；CALM 用 5.6 loops 只有 54.1%，ACT/PonderNet 则塌到 1 loop。方法冻结 base weights，新增参数至多约 2.2%；从 0.6B 到 8B 均超过同预算微调 baseline，生成准确率收益从 0.6 增长到 3.4 点。

与 wenjun 研究方向的关系：它把 latent reasoning 明确成一条 depth trajectory：状态不必压成一个不可寻址向量，而可以保留跨迭代 memory，并由 learned value-of-computation 决定继续。对 latent Dreamer，可以把 loop-time state 改为 imagined belief trajectory，并让 halting 标记“继续 imagined rollout 是否仍改善 action value/uncertainty”。

边界：主要是 MathQA 等短答案推理，不是工具 Agent；halting supervision 需要离线跑多个深度得到 oracle；它只在同一 token 的 loop 维度读记忆，无法直接表达外部环境事件图；新增 attention 会随 loop 数增加 memory cost。

#三、其他高相关论文与动态

#6. TIGPO：跨 policy update 保存图结构，但不对旧轨迹反传

  • 类别：Post-training RL / LLM Agent / Credit Assignment
  • 标题：TIGPO: Temporal Instance-Graph Policy Optimization for Long-Horizon LLM Agents
  • 来源与日期：arXiv:2609.03383，v1 2026-09-03；arXiv cs.LG recent feed
  • 一句话贡献：为每个 task 保留跨更新的 transition graph，并在固定 rollout budget 内安排 Exploration/Revisit；历史边与分数只作为 detached structure/statistics，policy loss 仍只训练当前 policy rollout。

同为 64 条当前 rollout/update，Qwen2.5-1.5B 在 ALFWorld 达 91.28%，比 GraphGPO 高 1.96 点；WebShop success 为 77.54%，高 1.17 点。亮点是绕开 stale log-probability：旧经验帮助 current credit，却不直接 off-policy 反传。局限也明显：小模型、老 benchmark、提升不大，persistent graph 的 state identity 在真实 repo 中如何稳定定义仍未解决。

#7. SWE-Gate：功能测试通过后，仍有三分之一不满足 review gate

SWE-Gate 含 303 个任务、75 个 Python repo；四种模型在共同 scaffold 下共有 644 个修复通过 functional tests，其中 221 个仍违反 review constraints。它非常适合给 Code Agent RL 增加第二 reward channel：不仅“修好了”，还要保持兼容性、异常语义和 repo-specific convention。

#8. Minimal Code Edits：over-editing 是独立于正确率的能力轴

  • 类别：Code Intelligence / Code Agent / Post-training RL / Evaluation
  • 标题：When Models Edit Too Much: On the Fidelity of Minimal Code Edits
  • 来源与日期：arXiv:2609.04061，v1 2026-09-03；arXiv cs.SE/cs.AI/cs.CL recent feed
  • 代码：nreHieW/over-editing
  • 一句话贡献：对 400 个 BigCodeBench reference 注入已知最小 AST corruption，测模型在修复正确时是否仍做不必要重写；保留原实现的提示使 excess edit distance 从 0.195 降到 0.131、额外复杂度降 26.6%、Pass@1 反升 2.3 点。

作者还发现 SFT 容易过拟合见过的 corruption pattern，RL 在 OOD edit fidelity 与能力保持之间最好。对 agentic coding，tests pass - λ·unnecessary diff - μ·complexity - ν·review-gate violation 比单一 pass reward 更接近真实合并标准。

#9. Random Attention：长 CoT 的 KV selector 也许没有我们想的那么重要

论文解释：prompt 是一次性、不可恢复的脆弱信息；CoT 会文本复述，且同一 token 在多个 attention head 有冗余副本。这个结论不能外推到 repo Agent——那里恰恰存在大量“只出现一次”的 tool observation；但它给所有 learned compressor 提出更强 baseline：先统一保护 prompt/rare evidence，再证明内容评分本身有增益。

#10. LatentPress：冻结 reader，只训练 0.1% writer，把历史写成 soft tokens

  • 类别：Latent Reasoning / Context Compression / Agent Memory
  • 标题：LatentPress: Context Compression Beyond Text and Vision
  • 来源与日期：arXiv:2609.01507，v2 2026-09-03（v1 2026-09-01）；HF Papers 2026-09-04（抓取时 102 upvotes）
  • 代码：HJSang/LatentPress
  • 一句话贡献：小型 reader-matched writer 把对话/文档写成 4–16× 压缩的连续 memory tokens，经 frozen decoder 的 input embedding 直接读取，不在推理时重建文本。

LongMemEval 上 7.70× 压缩为 0.504，略高于 uncompressed evidence 的 0.490，明显高于 text summary 0.184；写入 43ms，读取比 raw/OCR 快 5–9×。但 compression allocation 仍是手工 role heuristic，主要任务是 QA，不是 action selection；soft memory 与 reader 强绑定，也牺牲跨模型互操作和人类审计。

#11. GRPO 的两个新诊断：幸运猜中与 gradient-aligned dense reward

  • 类别：Post-training RL / RLVR / Reward Design
  • 标题：Spurious Advantage Hidden in GRPO
  • 来源与日期：arXiv:2609.04063，v1 2026-09-03；arXiv cs.AI recent feed
  • 一句话贡献：指出小答案空间或多路径搜索中，GRPO 会给“幸运猜中/绕路碰到答案”的稀有成功异常大权重；提出与组内正负构成无关、保留符号并做全局平衡的 SIGNBALANCE。

二者方向不同但问题相同：binary success 既无法识别 lucky path，也无法区分高低质量 correct path。对 Agent，更理想的 anchor 不是 expert 文本梯度，而是 verifier-grounded state/action effect；否则 GAR 可能奖励“像专家写法”，不一定奖励更好的环境控制。

#12. 两条系统与能力形态 watchlist

  • 类别：Tool-use / Systems
  • 标题：Speculative Macro Commit for Faster Tool-Using Agents
  • 来源与日期：arXiv:2609.03236，v1 2026-09-03；arXiv cs.AI recent feed
  • 一句话贡献：小 drafter 在隔离 snapshot 上预执行未来动作链；当 authoritative actor 同意首个动作且命中轨迹中挖出的 macro，runtime 直接提交其余已执行步骤与 observation。τ²-Bench Telecom 延迟较串行低 18.59%，AppWorld 低 44.9%，但它是 approximate commit，后者有轻微任务完成率损失。

后一篇可视为一种“能力缓存”：Agent 不必每次都调用大模型，而是把稳定、高频子策略编译成 local neural option。不过它依赖 hosted teacher 和共享 interpreter，且 benchmark 规模与安全审计仍有限。

#四、今日最值得精读的 3 篇

  1. Terminal-Universe：今天最重要的数据观转变——把冻结轨迹恢复成可分支、可验证、可反复采样的环境；重点看 reconstruction sufficiency、re-solving vs imitation 与 multi-round verifier。
  2. Environment Evolution：把 environment design 写成可持续的 off-policy curriculum；重点看难度三因子、lineage scheduler 和“维持 partial-solved group”的 RL 机制。
  3. Rethinking OPD II / One-Shot OPD：对基础模型能力形成与数据效率最有方法论价值；重点看 state coverage 的定义、吸收率下降以及 content-light prompt 实验。

方向替换：若今天专注长轨迹 RL credit，把第 3 篇换成 DRACO；若专注 latent-space reasoning，换成 RecurTrace。

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

GitHub 状态快照：2026-09-05 08:00（stars 只表示当前可见度，不代表研究质量）。Terminal-Universe 与 Environment Evolution 抓取时未见论文提供的公开仓库，因此不编造链接。

  1. Thinking-Space/One-Shot-OPD — 30 stars、1 fork，9 月 4 日仍有 push。优先检查 teacher-signature state clustering、one-shot/full-data 配置和 query-diversity selection；最适合直接改成 Agent trajectory 的 state-coverage 实验。
  2. SalesforceAIResearch/Random-Attention — 25 stars，9 月 4 日更新；含 vLLM 侧实现。适合建立 context/KV compression 的 matched baseline，并专门测试 Code Agent 中 once-stated tool evidence 是否让随机淘汰失效。
  3. DeepSoftwareAnalytics/SWE-Gate — 新仓库，抓取时 0 stars；论文承诺代码、数据与实验结果。优先检查 303 个实例的 constraint taxonomy、双 verifier 和 non-compliant patch，可与 nreHieW/over-editing 合成 richer Code Agent reward suite。

额外 watch：IBM/draco（动态 rubric credit，1 star）、HJSang/LatentPress（soft-token compressor，1 star）。HF 最新模型/数据流高度噪声化，本轮没有发现经过论文全文与仓库双重核验、比上述资产更值得强推的新 checkpoint/dataset，因此不为凑数推荐。

#六、研究机会 / Idea

#Idea 1：Trajectory-to-Dreamer——把旧轨迹恢复为 counterfactual world-model 数据工厂

以 Terminal-Universe 的环境恢复为起点，不只让 teacher 重解一次，而是在同一 repo snapshot 的关键 event boundary 分叉：

  1. 从原轨迹提取 belief-changing events：读文件、跑测试、发现依赖、首次失败、patch、revert；
  2. 对每个 shared prefix 执行多个 semantic action，记录 observation delta、test delta、cost 与 recovery distance；
  3. 训练 latent belief updater 与 discriminative transition model，使预测表示能区分候选动作后果；
  4. 在 imagined graph 中选 information-gain action 或 task-progress action，再回真实 sandbox 校准。

关键比较应是 raw trajectory SFT / environment re-solving SFT / model-free RL / latent Dreamer，并报告 counterfactual calibration、action ranking 与真实工具预算。这样能把本周的 BB-WM、DWM、Terminal-Universe 与 TIGPO 接成完整 pipeline。

#Idea 2：State-Coverage Data Curriculum——按诱导状态，而不是按题面去重 Agent 数据

把 One-Shot OPD 的 state coverage 扩展到 tool agent：用 belief embedding + tool state + verifier/event type 表示每个决策点，对 rollout state 聚类。数据选择目标不再是 issue/query 语义多样，而是：

  • 覆盖多少 belief/error/recovery clusters；
  • 哪些 prompt/environment 能以最低 rollout 成本诱导新状态；
  • teacher–student gap 在哪些 cluster 吸收最慢；
  • 新状态是真正新的环境机制，还是表面文本变化。

可比较文本 MinHash、prompt embedding 去重、trajectory embedding、teacher-signature state coverage 四种选择。若少量环境也能诱导大范围 state coverage，这会直接改变 agent 预训练数据采购与去重策略。

#Idea 3：Constraint-Aware Environment Evolution——让环境沿“可合并性”而不只沿长度变难

Environment Evolution 目前用 scenario novelty、skill rarity、length 增难；SWE-Gate 与 minimal-edit 论文说明真实软件难度还包括隐含 acceptance contract。可让环境 lineage 逐代增加：

功能需求 → backward compatibility → exception semantics → minimal diff → cross-repo convention → multi-round requirement revision。

训练 reward 同时包含 functional verifier、review-gate verifier、edit fidelity、regression 和 cost；DRACO 只负责没有程序化 oracle 的 criteria，程序化 gate 保留最高证据等级。核心研究问题是：环境难度沿 specification thickness 增长，是否比单纯拉长 trajectory 更能产生可迁移的软件工程能力？

#七、今日研究判断

今天的新稿把一个常被混为一谈的“Agent 数据问题”拆成了四层：

trajectory 是历史行为记录；environment 是可重新采样的因果对象；state coverage 是训练真正访问到的监督空间；rubric / verifier / review gate 决定哪些行为值得被强化。

对 wenjun 当前主线，最值得尽快验证的组合不是再收更多轨迹，而是：

把公开轨迹恢复成 executable environments，用 state coverage 选环境和分叉点，用 world model 学候选动作的状态差异，再用程序 verifier + 动态 rubric + review constraints 做分层 credit。

这条线同时连接 model-based RL、Code Agent、agent 预训练数据、长轨迹 credit assignment 与环境自演化；而 RecurTrace 提供了内部 latent computation 的对应启发：状态不仅要被压缩，还要可回看、可延长、并知道什么时候继续计算已经不值。

鼠鼠研究站 · 自动整理调研 / 论文 / 历史主题