每日调研 2026-10-04 ★★★★☆ daily AI LLM Agent Code Intelligence Research Briefing

#2026-10-04 AI/LLM 最新论文与研究热点简报

时间范围：本简报覆盖 2026-10-02（周五）arXiv 最新公布批次为主的最近 48 小时内容，并与 10-01 批次（已在昨日简报覆盖）做了去重；最热的社区讨论条目以 Hugging Face Daily Papers（10-02 榜单）为准，时间窗整体为 2026-10-01 至 2026-10-04。

信息来源：Hugging Face Daily Papers API（2026-10-02 榜单，含社区投票数）、arXiv 官网 new listing（cs.CL / cs.AI / cs.LG / cs.SE / stat.ML 五分类，10-02 公布批次共约 560 篇新提交，逐条关键词筛选 + 摘要逐篇阅读，全部条目均为真实抓取，未编造）、GitHub Search API（近一周新建仓库按 star 排序，两次检索；期间触发匿名限流，等待配额恢复后完成第二次检索）。说明：arXiv 周末（10-03/10-04）无新批次公布，故最新可用批次为 10-02 公布（内含 10-01 深夜提交）；X/Twitter 匿名访问持续被反滥用拦截（HTTP 403），本次未能检索，以 arXiv / HF / GitHub 为主，特此如实标注。

#一、总览：今天的主线是什么

把昨天的五条主线继续向前推，今天的批次呈现三个值得注意的结构性变化：

"Harness 退位"研究从提案变成实证科学。今天出现了一整批对 harness 本身做因果审计的工作：When Harnesses Lose the Signal（把 recovery 从"平均成功率"里拆出来，同一执行状态下比较有/无恢复的差异，区分 rescue 与 harm）、Agents Are Systems, Not Models（agent 的系统配置——任务信息量、推理预算、self-verification、时长——解释约 54% 的结果方差，模型本身反而不是最大变量）、Finding the Right Fit: Model-Harness Interactions（harness 与模型存在交互效应，不存在普适最优 harness）。加上昨天介绍的 Harness Annealing，"harness 是被测量对象而不仅是工具"这个方法论正在成型，eval 社区在快速跟进。
信用分配方法进入"段级/依赖级"细粒度竞赛。昨天是 My FAULT（自诊断信用）与 trajectory graph 步级优势，今天补上两篇：SHARPO（环境面向的段级 teacher-student log-prob gap 作为有界乘子修正 GRPO advantage）、T2SPO（从成功轨迹推导 remaining-distance 目标做步级反馈）、加上 DeFA（用事件依赖图 + 失败传播图定位决定性错误步）。三篇与 My FAULT 构成四种互补的步级信号来源：自诊断、段蒸馏、距离回归、依赖图——agentic RL 的中间粒度监督正在变成一个可以横向对比的方法族。
RLVR 税收学的"第二波"证据。昨天 Sharpening Tax（78 票）给出 pass@K 收缩的证据，今天 Adapter Thickets: Splitting an RLVR Budget Beats Concentrating It（一个模型上训多个小 LoRA 各自采样投票，胜过把预算集中训一个大 LoRA——因为 RLVR sharpening 让采样共享同样的错误，投票翻不了盘）、Sharpen Before You Adapt（TTRL 前先做 data-free sharpening 能让 label-free 适配更高效——干脆把 sharpening 当成资源主动管理）。连同 Random-Reward RL as a Probe（随机奖励 RL 是探针，测的是模型"可达性"而非当前性能），sharpening 从"批评对象"变成了"可测量、可管理的资源"。

对 wenjun 研究版图的意义：model-based RL 主线今天有高质量理论输入（因果 world model 的干预可识别性、commute-time preserving 隐空间），latent reasoning 主线出现 ICL→latent amortization 的语言结构边界（哪些任务能摊销进隐向量），两条线都在从"概念"走向"可操作的边界刻画"。

#二、重点论文详评（Top 5）

#1. SHARPO: Segment-Level Credit Assignment for Agentic Reinforcement Learning

链接：https://arxiv.org/abs/2610.00838
来源：arXiv cs.LG（10-02 批次新提交）
日期：2026-10-02 公布
类别：Post-training RL / Credit Assignment
核心贡献：针对长交互轨迹上"单个局部错误导致全轨迹失败、轨迹级奖励无法定位责任步"的问题，提出环境面向段级的 hindsight advantage 重加权：受 on-policy self-distillation（OPSD）启发，在每个环境段内计算 teacher-student log-prob gap，用它对 GRPO advantage 乘一个有界修正系数，把"这一段相对自身能力是否超常发挥"的信息注入终局奖励。
为什么值得关注：它是 GRPO 系改进里少见地把修正项做成有界乘子而非加性偏置的设计，天然避免了 advantage 尺度失控；段级（环境交互边界）而非 token 级的切分方式与 agent 轨迹结构天然对齐。与昨天的 My FAULT、GIGPO/HGPO 放在一起，恰好构成"信用信号来源"的四种互补方案，可以做同一套 benchmark 下的系统对比。
与 wenjun 的关系：长轨迹 Agent RL 主线的直接候选基线。SHARPO 的 teacher-student gap 本质上是一个"段内自蒸馏残差"信号，与 model-based RL 中用 world model 预测误差做 intrinsic 信号的思想同构——"预测残差 = 信用信号"这个等式在两个方向上（蒸馏残差/世界模型残差）都成立，值得写进你的方法设计空间。

#2. Adapter Thickets: Splitting an RLVR Budget Beats Concentrating It

链接：https://arxiv.org/abs/2610.00991
来源：arXiv cs.LG（10-02 批次新提交）
日期：2026-10-02 公布
类别：Post-training RL / Test-time Scaling / Efficient Post-training
核心贡献：证明"RLVR 训练 + 多数投票"的标准组合是有损的：RLVR sharpening 让模型的采样越来越犯同样的错误，而投票只能推翻"投票者不共享"的错误。在每题固定 160 个 completion 的预算下，把 RLVR 预算拆分成同一 base 模型上的多个小 LoRA adapter（"adapter thicket"），各自采样投票，在 4 个模型中的 3 个上超过"预算集中训单个大 LoRA"的多数投票结果（1.5B–8B 规模验证）。
为什么值得关注：这是 Sharpening Tax 的直接可操作推论，而且答案反直觉——不是"少 sharpen"，而是"把 sharpen 分散到多个互补的窄分布上"。对"高效后训练"是范式级建议：训练预算的最优分配不是连续的，而是组合的。它也和 diversification 文献里的 ensemble 思想接上，但把 ensemble 放进了 RLVR 预算分配的框架里。
与 wenjun 的关系：命中"LLM 持续学习与高效后训练"主线。可直接抄实验设计：同样的 RLVR token 预算，扫描 adapter 数量 × 单 adapter 预算的二维网格。一个自然延伸问题：continual 场景下 adapter thicket 能否按任务到达顺序增量长出，从而同时解决灾难性遗忘（每个 adapter 保持窄分布）？ 这与 ChainLoRA（今日 stat.ML，见速览）可以拼成一个完整故事。

#3. When Do Causal World Models Help Modular LLM Agents

链接：https://arxiv.org/abs/2610.00012
来源：arXiv cs.AI（10-02 批次新提交）
日期：2026-10-02 公布
类别：Model-based RL / LLM Agent / Causality
核心贡献：回答"LLM agent 到底什么时候需要因果 world model"：观测拟合的世界模型对干预时规划存在不可约减的误差——一条 trace 显示支付先于发货，但无法区分"支付授权了发货""库存中介了效应"还是"隐藏触发器解释两者"。提出 FedCausalCompose：模块化 agent（订单/支付/库存/物流服务）中，局部动作提供跨模块接口的干预-响应证据，用因果世界模型恢复干预语义，并量化观测 world model 的干预损失。
为什么值得关注：这是对"LLM world model"讨论的一个精确化刀口：把 predictive accuracy 和 intervention-time identifiability 分开，并证明后者是 modular 环境下前者的不可约减缺口。与昨天介绍的"机制一致性"（accuracy ≠ counterfactual correctness）形成两天连续的证据链——世界模型社区正在建立一套"预测对了 ≠ 世界对了"的诊断标准。
与 wenjun 的关系：正中 model-based RL for LLM Agent 主线的理论核心。Dreamer 式 agent 的 world model 学的是观测分布；若 agent 的动作会改变环境转移结构（工具组合、模块依赖），纯预测式 world model 有结构性盲区。可操作的实验问题：在 LLM agent 环境里，用语言模型生成的反事实查询（"如果跳过这一步会怎样"）作为干预证据源，能否恢复转移结构的因果方向？

#4. What Should an Agent Remember? Disentangling Retention from Retrieval in Bounded-Memory Evaluation

链接：https://arxiv.org/abs/2610.00366
来源：arXiv cs.AI（10-02 批次新提交）
日期：2026-10-02 公布
类别：LLM Agent / Memory / Evaluation
核心贡献：指出记忆系统评测的一个普遍混淆：存什么（retention）与取什么（selection）被捆绑比较。构造 retention × selection 交叉的 streaming-recall 基准，300 个 seeded episode 同条件评测：固定访问方式后，query-aware selection 提升 15.5 个百分点（95% CI 12.8–18.2）；而一个同时改了 history access 的混合对比报出 68.7 点优势，其中 53.2 点归因于 access 而非 selection。query-aware/dense/oracle selection 在 bounded retention 下都到达 retention 上限，所有后续选择都救不回没存下的东西。
为什么值得关注：这是记忆系统评测的第一篇严格"分离变量"论文，结论很硬：很多论文报告的记忆系统大提升其实来自 access 规则改变。它给了社区一个干净的评测模板（交叉设计 + 同 episode 对比），以后任何 memory 工作都应该在这个网格里报告位置。
与 wenjun 的关系：与"通用上下文压缩器"和 agent memory 两条线都相关。压缩器的"保留什么"与"检索什么"同样被捆绑评测——AutoCompact（昨日）这类"学压缩策略"的工作也应放进这个交叉网格验证。更深层：retention ceiling 的存在说明信息论意义上的记忆瓶颈在写入侧，这与 Heavy-Tailed Memory Traces（今日 cs.AI，速览）的"长尾状态预测误差累积"互相印证。

#5. Code Owns the Simulation, Jev Owns the Evaluation

链接：https://arxiv.org/abs/2610.01834
来源：arXiv cs.AI（10-02 批次新提交）；相关项目 firelex/jeff（GitHub，本周 ~1350 star）
日期：2026-10-02 公布
类别：LLM Agent / Judgment Models / Systems
核心贡献：系统测量 judgment 模型（Jev：单次调用、无推理文本、直接返回选项概率的 0.8B "System 1" 决策模型）在 agent 决策层的可信边界：当正确选项可以从输入描述中判定（evaluation）时，Jev 表现优秀（反直觉 CRT 题答对 99%）；当正确选项依赖模拟（预测输入中不存在的演化——对手下一步动作、子目标后果）时，Jev 崩溃。结论：judgment 模型可作 agent 的 action-selection 层，但模拟类决策必须交给代码/生成模型。
为什么值得关注：它给"小模型做 agent 决策层"这个方向划出了一条可测量的能力边界——判定 vs 模拟的区分比"模型大小"更有解释力。对 agent 系统设计是直接可用的工程结论：路由规则不该按任务类别分，该按"决策是否需要 rollout"分。
与 wenjun 的关系：与 model-based RL 主线有一个漂亮的呼应——"模拟"恰恰是 world model 的定义性功能。Jev 的失败边界就是 world model 的必要性证明：凡是需要模拟的决策，必须有预测式组件。这为 Dreamer-for-LLM-Agent 提供了反面论证素材：不是所有决策都需要 world model，但需要它的地方小模型补不上。

#三、其余值得关注的论文速览

#LLM Agent / Harness / 评测

VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks（https://arxiv.org/abs/2610.00972，cs.AI，10-02）

类别：LLM Agent / Evaluation。核心：发现"分歧暴露正确答案、共识掩盖错误"，把生成模型变成带 workspace/证据工具/可复用验证技能的 agentic verifier，无需参考答案。

Agents Are Systems, Not Models: Rethinking Agentic Evaluation（https://arxiv.org/abs/2610.01618，cs.AI，10-02）

类别：Evaluation。核心：agent 的系统配置（任务信息/推理/自验证/时间预算/底座）解释约 54% 的结果方差；单一成功率报告掩盖了配置依赖性。

When Harnesses Lose the Signal: Causal Evaluation of Recovery in LLM Agents（https://arxiv.org/abs/2610.00372，cs.AI，10-02）

类别：LLM Agent / Evaluation。核心：把"恢复操作"因果化为同一执行状态下的 rescue/harm 二分，提出 Causal Intervention Router 判断何时值得干预。

Finding the Right Fit: Model-Harness Interactions across Agent Tasks（https://arxiv.org/abs/2610.00917，cs.AI，10-02）

类别：Evaluation。核心：harness 与模型存在任务级交互效应，没有普适最优 harness，评测必须报告组合网格。

DAYJOB: A Benchmark for Long-Horizon Professional Work（https://arxiv.org/abs/2610.01306，cs.AI，10-02）

类别：Evaluation / LLM Agent。核心：130 个专业人员构建的真实任务（医疗 50 / 金融 80），平均需 13.6–16.6 人时；最强模型 Claude Opus 5.5 通过率仅 ~24%。长程专业工作仍是深水区。

Incident-Arena（https://arxiv.org/abs/2610.00648，cs.AI，10-02）

类别：Code Agent / Evaluation。核心：agentic SRE 基准，真实开源软件 + K8s 临时集群 + 配置层注错，补齐生产事故响应评测空白。

EurekaBench（https://arxiv.org/abs/2610.00492，cs.CL，10-02）

类别：Evaluation / LLM Agent。核心：26 个跨领域长程任务测 agent"做出牛顿式科学发现"的能力——从观察数据中迭代归纳机制并推导洞见。

Kepler: Auditable World Models for ARC-AGI-3（https://arxiv.org/abs/2610.00834，cs.AI，10-02；VISTA 为其视觉 harness 版：https://arxiv.org/abs/2610.02200）

类别：LLM Agent / World Model。核心：把假设表示为可执行 world model，用回溯转移检查 + 条件预测检查验证；冻结 Claude Opus 5 配置下 25 个公开游戏全部 100.00 RHAE。世界模型作为显式可审计对象的漂亮示范。

ReLiveGym: Evaluating Long-Lived Agents over Weeks of Replayed Reality（https://arxiv.org/abs/2610.00710，cs.AI，10-02）

类别：Evaluation / LLM Agent。核心：数周时间跨度、按时间序回放真实新闻/市场/社交流的长寿命 agent 评测环境，测"在对的时刻行动"的时间敏感性。

#Model-based RL / World Model / Latent

Supervise What Decides Success: Criterion-Aligned Auxiliary Losses for Latent World-Model Planning（https://arxiv.org/abs/2610.01224，cs.LG，10-02）

类别：Model-based RL / Latent。核心：四个 latent world model 里末端执行器位置的隐空间编码误差都大于任务成功判据允许范围——隐空间距离根本分不出成功/失败候选；提出用 success-criterion 物理量作回归目标的辅助损失。

Learning Commute-Time-Preserving World Models for Planning（https://arxiv.org/abs/2610.01373，cs.LG，10-02）

类别：Model-based RL / Latent。核心：规划需要隐空间距离反映环境 commute time（图 Laplacian 谱嵌入性质）；证明现有防塌缩的各向同性正则会破坏这一几何，给出 scale-correct 的自监督替代。

JEPA-TTT: Persistent Test-Time Training of Latent World Models for Planning under Dynamics Shifts（https://arxiv.org/abs/2610.00722，cs.LG，10-02）

类别：Model-based RL / Test-time。核心：test-time 持续自监督更新 JEPA latent 动力学预测器、冻结 encoder 与 reward head，跨 episode 累积适应 dynamics shift，无需目标图像或在线奖励。

Latent JEPA: Abstract Future Prediction for Latent Reasoning in Chemistry（https://arxiv.org/abs/2610.01947，cs.LG，10-02）

类别：Latent Reasoning。核心：自回归 + 联合嵌入预测未来多视图，训练连续 latent thought 去"预感"解法的抽象方向而不逐步显式化——latent reasoning 的"直觉先于细节"视角。

Heavy-Tailed Memory Traces in Long-Horizon Language Agents（https://arxiv.org/abs/2610.00010，cs.AI，10-02）

类别：Memory / Model-based RL。核心：外部记忆即 frozen world model；有限上下文 + 重复检索使记忆集中于小核心、长尾状态预测误差累积（语义策略产生截断幂律 trace，随机游走策略呈对数正态）——记忆使用形状应作为被测对象。

Nous: Learning and Certifying Memory Decisions Before Source Calibration（https://arxiv.org/abs/2610.00094，cs.LG，10-02）

类别：Memory / 理论。核心：基于信念的 agent 记忆里，学出可用决策只需 Θ(l⁻²) 条记录，而校准来源需 Θ(l⁻⁴)——先学决策后校准来源可以省平方级样本。

#Post-training RL / 信用分配

T2SPO: Trajectory-to-Step Policy Optimization for Agentic Reinforcement Learning（https://arxiv.org/abs/2610.00388，cs.LG，10-02）

类别：Post-training RL / Credit Assignment。核心：从成功轨迹推导 remaining-distance 目标，配状态表示训练步级反馈模型，为终局奖励任务提供中间监督。

DeFA: Dependency-Guided Failure Attribution for LLM Agents（https://arxiv.org/abs/2610.01256，cs.AI，10-02）

类别：Credit Assignment / LLM Agent。核心：协议关系 + 语义依赖构建事件依赖图，追踪失败传播图定位决定性错误步、责任 agent 与错误类别。

Sharpen Before You Adapt: Data-Free Entry-State Sharpening for Test-Time RL（https://arxiv.org/abs/2610.00903，cs.LG，10-02）

类别：Post-training RL / Test-time。核心：TTRL 前先做 data-free sharpening 准备"入口状态"，让有限 label-free 适配预算不被浪费在"先集中概率质量"上。

Probe with Participation Trophies: Random-Reward RL as a Probe of LLM Capability（https://arxiv.org/abs/2610.01066，cs.CL，10-02）

类别：Post-training RL / 理论。核心：随机奖励 RL 测的是模型"可达性"（当前状态出发还能到哪）而非当前性能——两个准确率同为 3.5% 的 OLMo checkpoint 可达上限分别为 8.5% 与 55%。

Range-GRPO: Policy Optimization via Pairwise Relations among Reward Intervals（https://arxiv.org/abs/2610.01548，cs.LG，10-02）

类别：Post-training RL。核心：用奖励区间内的成对关系替代绝对奖励值做 policy optimization，缓解奖励尺度敏感问题。

Adapter Thickets（见 Top 5 #2）与 Asynchronous LLM Post-Training: Group-Mass Capping and Convergence Analysis（https://arxiv.org/abs/2610.01896，cs.LG，10-02，异步 RL 后训练的 group-mass capping 与收敛分析）共同构成高效后训练的算法/系统两侧。

#Code Agent / 代码智能

Self-Evolving Coding Rules for AI Coding Agents（https://arxiv.org/abs/2610.00650，cs.CL，10-02）

类别：Code Agent / Self-evolving。核心：coding agent 的规则从手工固定改为从执行反馈中自动进化，规则库持续自更新。

Groundability, Not Scale Alone: When Weak Reviewers Can Audit Strong Coding Agents（https://arxiv.org/abs/2610.01023，cs.SE，10-02）

类别：Code Agent / Evaluation。核心：弱 reviewer 能否审计强 coding agent 取决于"可地面化性"而非模型规模；提供执行证据作上界诊断后 6 个 reviewer 中 5 个同时提升缺陷捕获与降低误拒。

Safety Must Survive Self-Improvement（https://arxiv.org/abs/2610.01073，cs.SE，10-02）

类别：Code Agent / Safety。核心：递归自改进 testbed 里，历史分数在 48 个框架历史的 22 个中保留了已失效的不安全程序——自改进的记忆会继承过期安全结论。

KaliBench（https://arxiv.org/abs/2610.02206，cs.CL，10-02；NeurIPS 2026 Datasets & Benchmarks Track 接收）

类别：Tool-use / Evaluation。核心：Kali Linux 网安工具细粒度基准，runtime-free 可验证奖励。

AgSpec: Retrieval-Based Speculative Decoding in Coding Agent Pipelines（https://arxiv.org/abs/2610.01108，cs.CL，10-02）

类别：Systems / Code Agent。核心：coding agent 反复复制既有代码/日志的特点使检索式投机解码异常契合，系统化推进该方向。

#记忆 / 上下文 / Continual

Mem++: Non-Destructive Memory for Long-Term Organizational LLM Agents（https://arxiv.org/abs/2610.02002，cs.CL，10-02）

类别：Memory。核心：从"写时蒸馏"转向"读时选择"——整篇存档不压缩，读时按时间点 + 词法/语义融合检索，支持"某时刻哪个版本生效"类时序问题。

MemFit: Efficient Long-Term Agentic Memory（https://arxiv.org/abs/2610.00872，cs.AI，10-02）

类别：Memory / Systems。核心：append-only 逐字存储 + 段摘要索引，写路径零 LLM 调用近零成本；读路径用段摘要路由。

Madeleine: Learning Involuntary Recall from Simulated Lives（https://arxiv.org/abs/2610.01118，cs.CL，10-02）

类别：Memory。核心：把联想检索摊销进 query encoder——离线用 LLM 模拟"人生"生成 cue-trigger 对，在线零 LLM 调用、只换 query encoder 即可插入任意向量记忆库。

Causal Memory Policy: Making Memory Utility Identifiable（https://arxiv.org/abs/2610.02070，cs.AI，10-02）

类别：Memory / 因果。核心：从未被检索的记忆其效用不可识别（retrieval-level positivity violation）；用逆倾向加权干预检索本身恢复识别。

EchoPress: Query-Agnostic KV Cache Pruning via Virtual Context Reconstruction（https://arxiv.org/abs/2610.00412，cs.LG，10-02）

类别：Context Compression / Systems。核心：分析 KVzip 重要性估计的可近似性，用 prefill 已有信息训练-free 地逼近重构注意力分数。

ChainLoRA: Geometry-Preserving Task Vector Merging for Continual Learning in LLMs（https://arxiv.org/abs/2610.00431，stat.ML，10-02）

类别：Continual Learning。核心：replay-free 的链式任务向量几何合并——把遗忘分解为方向重叠与系数耦合两个可测量交互，后流自适应 SVD 合并。

AURAL: Adaptive Latent Reasoning with Joint Chunk for Speech LMs（https://arxiv.org/abs/2610.01560，cs.CL，10-02）

类别：Latent Reasoning。核心：隐空间多路径分布 + 联合块预测减少串行前向，附 683K 双语语音推理数据 AuralReason-683K。

#Latent 表征 / ICL 机制 / 预训练机制

Rules Amortize, Pairings Don't: Linguistic Structure Determines What Latent Task Representations Can Replace ICL（https://arxiv.org/abs/2610.00526，cs.CL，10-02）

类别：Latent Reasoning / 机制。核心：规则型语言操作可摊销为隐向量，配对型（双射）不行——给"什么能进 latent、什么必须留在 context"划出语言结构边界。

Capturing In-Context Learning Dynamics with Task Operators（https://arxiv.org/abs/2610.01054，cs.CL，10-02）

类别：Latent / 机制。核心：每个 attention head 的输出是其 context-masked 对应的仿射变换且参数任务内稳定——Task Operator 可解析地重放该变换，替代完整 ICL 前向。

Lingtai: What Concept Geometry Reveals About LLM Inference（https://arxiv.org/abs/2610.00656，cs.CL，10-02）

类别：Interpretability。核心：训练-free 的概念遥测层，逐步把残差投影到概念锚点库；概念坐标信号与预测不确定性鲁棒关联。

Persistent Depth Ordering amid Shifting Block-Bypass Responses in LLM Pretraining（https://arxiv.org/abs/2610.01165，cs.LG，10-02）

类别：Pretraining 机制。核心：跨 5 条训练轨迹、11 个模型-域组合做单块恒等旁路，发现深度排序在预训练中持续保留而幅度重分布——哪些层间组织是持久结构、哪些是训练瞬态。

From Gradients to Capabilities: Understanding Multi-Teacher On-Policy Distillation（https://arxiv.org/abs/2610.02179，cs.LG，10-02）

类别：Post-training / 机制。核心：Adam 一阶矩把多教师梯度差异压到 0.83 余弦相似度——优化器状态本身是教师信号融合器。

#数据质量 / 预训练数据

When a Data Artifact Isn't a Shortcut: Causal Auditing of Synthetic RLVR Corpora（https://arxiv.org/abs/2610.00202，cs.CL，10-02）

类别：Pretraining Data / RLVR。核心：GooseReason-0.7M 上"正确项 = 真人文本、干扰项 = 合成"的来源纠缠可被审计：5 个表面统计量即达 AUROC 0.562；代码类干扰项是单算子突变、两类几乎同构（0.416 低于随机）——RLVR 数据的"正确性"可能部分学到的是"人写痕迹"。

Effective Synthetic Data Curation Requires Group-Level Signals（https://arxiv.org/abs/2610.00779，cs.CL，10-02）

类别：Pretraining Data。核心：合成数据清洗需要组级（而非样本级）信号，用于强化长程任务执行等能力时尤其如此。

No Model Required: Text Entropy Rate Filtering Mitigates Iterative Fine-Tuning Collapse（https://arxiv.org/abs/2610.01493，cs.CL，10-02）

类别：Pretraining Data。核心：用非参数 Kontoyiannis 熵率估计器（纯文本匹配长度统计、零模型访问）过滤合成数据，六代 QLoRA collapse 实验中优于 logprob 过滤。

Optimal Transport Meets Reinforcement Learning: A Survey（https://arxiv.org/abs/2610.01413，stat.ML，10-02）

类别：理论综述。核心：OT 如何嵌入 RL 目标与算法（模仿/离线/分布偏移下弱重叠分布的比较），与 wenjun 关注的 latent 几何方向互补的数学工具箱综述。

#四、GitHub / 开源动态（本周新建，按 star）

facebookresearch/swe-sweep（https://github.com/facebookresearch/swe-sweep，10-01 创建，~51 star）

"How many bugs can LMs find & fix in large codebases?"——给定真实大仓库，agent 无提示地自主发现并修复尽可能多的 bug（不告知 bug 类型与位置），基于 Harbor 容器框架，配独立 verifier 环境与微平均计分。SWE-bench 系"从 issue 修 bug"到"自己找 bug"的范式转移信号，与今天速览里的 Incident-Arena 同属"自主发现问题"评测潮。

firelex/jeff（https://github.com/firelex/jeff，本周 ~1350 star）

0.8B 开源 "System 1" 判定模型（即 Jev）：毫秒级、跨域、在选项间给出校准概率。对应论文即 Top 5 #5（Code Owns the Simulation, Jev Owns the Evaluation）。小模型做 agent 决策层的开源参照物。

PostHog/jeeves（https://github.com/PostHog/jeeves，~402 star）

"Reasoning improves Jev-like decision models"——判定模型的推理增强变体，与 jeff 形成对照实验关系。

ArtificialAnalysis/aa-agentperf-local（https://github.com/ArtificialAnalysis/aa-agentperf-local，~76 star）

用回放真实 agent 轨迹来基准本地 LLM serving 性能——agent 负载下的推理系统评测工具。

KKKKhazix/AIHOT（https://github.com/KKKKhazix/AIHOT，~5400 star，10-02 冲榜）

"自己找热点、自己写日报的网站框架"。与本简报同构的自动化信源→日报 pipeline，信源与精选标准可替换。工程参考价值大于研究价值。

其余本周趋势项（openai/mcp-extensions 官方 ChatGPT 插件 MCP 生态、feder-cr/dots 自带浏览器的 agent 等）偏产品侧，与科研主线关联弱，不展开。

Hugging Face 热榜侧（10-02）：票数最高为 OneStreamer（160 票，流式视频交互的感知-记忆-主动响应统一）、On-Policy or Off-Policy Learning? A Systematic Study of Distillation Dynamics（153 票，蒸馏动力学的系统研究——与昨日 on-policy 蒸馏线呼应）；与 wenjun 方向最相关的已收入上文（Sharpening Tax 78 票、Belief States 78 票、ActiveSaddler 55 票、X-Tree 37 票等在昨日简报已详评，今日仅补新条目）。

#五、今日最值得精读的 3 篇

SHARPO（https://arxiv.org/abs/2610.00838）——段级信用分配的最简可行设计，有界乘子修正 GRPO；读它可以顺便把 My FAULT / T2SPO / DeFA 摆成一张"步级信号来源"对比表。
Adapter Thickets（https://arxiv.org/abs/2610.00991）——Sharpening Tax 的操作化答案，预算拆分胜于集中；高效后训练的范式级实验证据。
When Do Causal World Models Help Modular LLM Agents（https://arxiv.org/abs/2610.00012）——预测精度 ≠ 干预可识别性，world model 必要性的因果刻画；model-based RL 主线的理论地基。

（备选精读：What Should an Agent Remember?——记忆评测的变量分离模板，做 memory/compression 研究前必读的方法论。）

#六、今日最值得跟进的 3 个 repo / 资源

facebookresearch/swe-sweep（https://github.com/facebookresearch/swe-sweep）——代码 agent 从"修已知 issue"到"自主发现 bug"的评测范式转移，Harbor 容器 + 独立 verifier 设计可复用。
firelex/jeff + PostHog/jeeves（https://github.com/firelex/jeff / https://github.com/PostHog/jeeves）——"判定 vs 模拟"能力边界的开源实验对：一个 0.8B System 1 判定模型 + 它的推理增强对照。
GooseReason-0.7M 审计方法（论文 https://arxiv.org/abs/2610.00202 附带）——合成 RLVR 语料的因果审计协议（表面统计 → AUROC → 逐类分解），可直接搬去审自己 pipeline 里的合成数据。

#七、研究机会 / Ideas

"步级信用信号源"的统一评测台：My FAULT（自诊断）、SHARPO（段蒸馏 gap）、T2SPO（距离回归）、DeFA（依赖图）四条线在 ALFWorld/WebShop/SWE-bench 上各自报告，无人同台对比。做一个统一网格（信号源 × 任务域 × rollout 预算），测量各信号源的覆盖率、偏差与方差，再测组合（如依赖图定位 + 距离回归定量的混合信号）——这既是 GIGPO 系的直接延伸，也是长轨迹 RL 社区当前最缺的横向坐标。
世界模型的"干预可识别性"注入 LLM agent 训练：两天连续的证据（机制一致性 / 因果 world model）都指向"预测对 ≠ 世界对"。设计一个 LLM agent 环境族，其中动作会改变转移结构（工具组合、模块依赖），训练时用反事实查询作为干预证据，测 world model 的干预误差能否被显式监督压下去、以及压下去后 planning 成功率的增益——把 Dreamer 的世界模型换成"因果可审计"版本的第一次尝试。
retention ceiling 与压缩器的信息论刻画：今天 What Should an Agent Remember? 证明 bounded retention 下所有 selection 策略都到同一上限；结合 Heavy-Tailed Memory Traces 的长尾误差累积，可以提出"压缩器的保留保真度"信息论度量（写入侧的信息损失上界 vs 下游任务族的可回答性集合），并检验 AutoCompact 类"学出来的压缩策略"到底把 retention ceiling 推高了多少——通用上下文压缩器目前完全缺失写入侧理论。

本简报由鼠鼠于 2026-10-04 08:00 (Asia/Shanghai) 自动生成并发布。所有论文条目均来自当日实际抓取的 arXiv / Hugging Face / GitHub 数据，未编造任何标题或链接；X/Twitter 本日不可达（HTTP 403），已用 arXiv/HF/GitHub 替代。