每日调研 2026-10-05 ★★★★☆ daily AI LLM Agent Code Intelligence Research Briefing

#2026-10-05 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 公布批次中未被昨日（10-04）与前日（10-03）简报覆盖的新条目，加上 9-30 / 10-01 提交但近期才进入社区视野的补充条目；时间窗整体为 2026-09-29 至 2026-10-05。arXiv 周末（10-03 / 10-04）无新批次公布，10-05（周一）晨间新批次尚未上线，故本简报以 10-02 批次的增量筛选为主，并明确去重。

信息来源：arXiv 官网 recent listing（cs.CL / cs.AI / cs.LG / cs.SE，10-02 公布批次，约 560+ 篇新提交，逐条关键词筛选 + 重点篇目摘要逐篇抓取阅读）；Hugging Face Daily Papers API（近三日榜单与社区投票数）；GitHub Search API（近一周新建仓库按 star 排序）。说明：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；arXiv 官方 API（export.arxiv.org）本次持续返回 HTTP 429 限流，摘要改从 arxiv.org/abs 页面直接抓取，数据同样真实可查。所有条目均为真实抓取，未编造。

#一、总览：今天的主线是什么

昨天的简报用五条主线组织了 10-02 批次的第一波筛选。今天把同一批次里被昨日略过的增量翻出来看，会看到三个新的结构性信号：

"compaction / 压缩决策"从工程配置变成可学习策略。AutoCompact（2610.02163）直接把"何时压缩上下文、保留什么工作状态、如何从压缩点继续"三件事变成编码 agent 策略的一部分，用 judge 修正错误压缩决策后回灌环境重跑，SFT 后再用任务成功率 RL 联合优化。这与昨天介绍的 MemFold（固定预算 soft memory 的 on-policy 优化）构成同一问题的两端：一端在训练时学"压缩成什么"，一端在推理时学"何时压缩"。上下文压缩器这个方向正在从"怎么压"进化到"压缩本身作为决策"。
agentic RL 的步级信用分配出现"依赖图"这一派。昨天介绍过自诊断（My FAULT）、段蒸馏（SHARPO）、距离回归（T2SPO）三种步级信号来源，今天补充 DARS（Dependency-Aware Reward Shaping，2610.01207）：把任务进度表示为带先决关系的谓词图，步骤对谓词的"验证/失效/修复"三类操作决定折扣权重，错误未修正则下游工作算作浪费。这派方法的共同直觉是：失败轨迹里不是所有步骤都该背锅，独立完成的正确工作不应被终端零奖励抹掉。
coding agent 评测正在"尺度升维"。同一天出现两个"从零建库"基准：E2E-SWE（186 个整仓生成任务、11 种语言、隐藏测试）与 Zero2Repo（把真实开源项目转成 PRD + 接口契约 + 空工作区，对抗性验证拒绝错误实现）。加上 EngramBench（技能演化的可识别性基准，严格区分能力抽象与解法泄漏）与 Cross-Benchmark Transfer from RL on Agentic Coding Tasks（1T 参数 Kimi K2.7 Code 的 RL 后训练 + 跨基准迁移研究），"repo 级生成 + 跨基准泛化 + 技能演化"正在成为 code agent 评测的下一个标准配置。

对 wenjun 研究版图的意义：model-based RL 主线今天有两篇高质量输入（Latent-Foresight 的端到端可预测隐空间、时序 world model 的"机制一致性"指标）；latent reasoning 主线出现 Latent JEPA（化学推理中隐思维预测未来解的视角）与 AURAL（语音域的 chunk 级隐推理）两个跨域迁移案例——"隐空间推理"正在从语言域扩散到化学、语音、机器人控制。

#二、重点论文详评（Top 5）

#1. AutoCompact: Learning When to Compact Context in Long-Horizon Coding Agents

链接：https://arxiv.org/abs/2610.02163
来源：arXiv cs.CL，2026-10-01 提交
类别：Code Agent / Post-training RL / 上下文压缩
核心贡献：训练编码 agent 把"何时 compact、保留什么、如何继续"作为策略的一部分学习：judge 审查 agent 的压缩决策/摘要/压缩后动作，错误输出被替换为修正版后在环境中重跑，轨迹因此始终从修正后的决策继续；先 SFT 再用任务成功率 RL 联合优化编码与压缩。
为什么值得关注：现有 agent 的 context compaction 是 harness 里的固定规则（阈值触发 + 通用摘要），这第一次把压缩时机与内容选择变成可 RL 的策略变量，且数据构造方式（judge 修正 + 环境重放）可直接复用于任何长轨迹 agent 训练。
与 wenjun 研究方向的关系：这正是"通用上下文压缩器"主线的下一步——压缩器不是静态模块而是策略。它同时是长轨迹 RL 中"状态接口设计"的具体案例：压缩摘要就是 agent 的 belief state 表示，与 model-based RL 的状态抽象问题同构。

#2. Beyond Memory: Harnessing Long-Horizon Agents with Explicit Belief States

链接：https://arxiv.org/abs/2610.01415
来源：arXiv cs.AI，2026-10-01 提交
类别：LLM Agent / Model-based RL（信念状态）
核心贡献：提出 PoS 推理时框架：持续构造并维护显式 belief state（当前世界状态估计 + 未解决的任务需求），验证一致性并监控进度以检测"Belief Trapping"（agent 持续行动但不再有意义的进展），并按 trapping 模式与未解决需求类型定制恢复策略。
为什么值得关注：把 POMDP 里的 belief state 概念显式引入 LLM agent 的推理时框架，且给出了可操作的失败模式分类（Belief Trapping）与检测信号，跨四个执行/诊断基准验证。这是"model-based RL for LLM Agent"从概念走向工程的一个清晰样板。
与 wenjun 研究方向的关系：与 Dreamer 式 LLM agent 直接相关——Dreamer 的 world model 本质上就是学出来的 belief state；这篇提供了"不训练 world model、纯推理时维护显式信念"的对照路线，两条路线的效果/成本对比是很好的实验切入点。

#3. Cross-Benchmark Transfer from RL on Agentic Coding Tasks

链接：https://arxiv.org/abs/2610.00890
来源：arXiv cs.SE，2026-10-01 提交
类别：Code Agent / Post-training RL / Evaluation
核心贡献：对 Kimi K2.7 Code（1T 参数 / 32B 激活 MoE 开源模型）仅用 RL 后训练 1700 个任务（1000 个仓库级任务用隐藏 fail-to-pass + pass-to-pass 测试评分，700 个终端任务用专家隐藏 verifier），奖励 = 目标检查通过比例、任一 pass-to-pass 失败则归零；一个 epoch 的 GSPO + rank-32 LoRA 在全部训练基准上提升 pass@1，并系统研究跨基准迁移。
为什么值得关注：这是"agentic coding RL 究竟学到了什么、能否迁移"这一关键问题的稀有 1T 开源模型实证。pass-to-pass 归零的奖励设计（防回归）值得注意——它同时是 CL-Bench 简报里"环境规范 vs 环境学习"之争的一个数据点。
与 wenjun 研究方向的关系：self-evolving code agent 与 agentic RL 的核心问题（训练分布外的泛化）直接命中；其"专家构建任务 + 隐藏验证器"的数据配方也是 agent 预训练数据讨论的素材。

#4. Latent-Foresight: End-to-End Learning Predictable Representations for Latent World Models

链接：https://arxiv.org/abs/2610.01942
来源：arXiv，2026-10-01 提交（HF Daily Papers 榜单收录）
类别：Model-based RL / Latent Reasoning（视觉 world model）
核心贡献：指出两阶段管线（先压缩 VFM 特征、再在冻结隐空间上训预测器）无法保证隐空间为可预测动力学而结构化；提出联合学习 latent tokenizer + flow-based 预测器的端到端框架，让表示学习与时间预测不再解耦。
为什么值得关注：这是 JEPA 系（自监督预测 + 表征解耦）在视频 world model 上"两阶段 → 端到端"演进的代表性工作，"predictable representation"的显式优化目标对任何 latent world model 都适用。
与 wenjun 研究方向的关系：LLM agent 的 model-based RL 迟早要回答"隐空间为谁结构化"——是 reconstruct 误差最小还是 plan 的可用性最大。这篇给出了后者的视觉域证据，与 Dreamer 的 latent dynamics 学习、以及 LLM 域的 latent reasoning 问题是同一根主线。

#5. My FAULT: Self-Diagnosis as Credit Assignment in Self-Evolving Agentic Reinforcement Learning

链接：https://arxiv.org/abs/2610.01161
来源：arXiv cs.CL，2026-10-01 提交
类别：Post-training RL（agentic）/ 信用分配
核心贡献：针对 agentic RL 两个信用分配难题（同结果 rollout 组无信号、终端奖励只有轨迹级反馈），提出 Self-Diagnosis-guided Terminal Credit Redistribution：让模型自己生成自然语言失败诊断，再把诊断量化为各决策的信用权重进行终端奖励再分配。
为什么值得关注：与昨天介绍的 SHARPO / T2SPO / DeFA 一起构成步级信号的四种互补来源（自诊断、段蒸馏、距离回归、依赖图），"自然语言反思如何可信地变成梯度"是 agentic RL 当前最实际的方法论问题之一。
与 wenjun 研究方向的关系：长轨迹 RL 的信用分配是核心痛点；自诊断信号的可靠性问题（错误归因会放大）与 mechanistic interpretability 的交叉值得深挖。

#三、按研究主线分组

#LLM Agent / 长轨迹

VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks（https://arxiv.org/abs/2610.00972，cs.AI，10-01）：发现"分歧常暴露正确答案、共识反而掩盖错误"，把生成器用的 LLM 变成带工作区/证据工具/可复用验证技能的 agentic verifier，分歧仲裁器 + 共识挑战器双机制。——评估侧的"验证即 agent"路线。
Harness Annealing: Learning to Act with Less External Control（https://arxiv.org/abs/2610.01235，cs.CL，10-01）：提出 harness internalization 目标：在教师轨迹上用渐进减弱的外部控制做课程学习，让模型逐步接管控制决策，撤掉 harness 支持后仍保持性能。——与昨天 Agents Are Systems 同谱系的"控制权转移"研究。
Not All Experience Belongs in the Weights: Component Routing for Self-Improving GUI Agents（https://arxiv.org/abs/2610.01787，cs.AI，10-01）：把经验拆为 locators / procedures / state facts / lessons 四类组件分别路由到"上下文"或"权重"，发现 locators 与 lessons 进权重更好、procedures 与 state facts 进上下文更好；用复发率与状态依赖性两个可先验测量的属性预测去向。——经验回放的"组件级"精细化，规则简洁可迁移。
Mem++: Non-Destructive Memory for Long-Term Organizational LLM Agents（https://arxiv.org/abs/2610.02002，cs.CL，10-01）：写时不压缩、读时才选择：整存文档 + 日期/作者，检索时按时间点过滤 + 词法语义双排序。——agent 记忆的"无损"极端，与压缩派形成有趣对照。
Causal Memory Policy（https://arxiv.org/abs/2610.02070，cs.AI，10-01）：指出记忆效用估计存在 retrieval-level positivity 违反（从未被检索的记忆其效不可识别），用逆倾向加权 + 检索干预恢复可识别性。——agent 记忆系统第一次有了严格的因果审计工具。
The Persona Is Still There, but Who Is Speaking? Latent Identity Reversion in Persistent AI Agents（https://arxiv.org/abs/2610.01490，cs.CL，10-01）：分析 2026-02 一个常驻 Claude Opus 4.5 agent 的"人格解离"事件，复现实验证明单独 heartbeat 重复不足以触发，身份锚定丢失才是关键变量。——持续运行 agent 的稳定性/安全性个案研究。
Empty Commitments: When Agents Promise What Their Runtime Cannot Deliver（https://arxiv.org/abs/2610.01045，cs.AI，10-01）：定义"空承诺"（agent 承诺其 runtime 无法执行的后续动作），给出三类失败、锚定条件与测量协议。——runtime 与承诺语义的对齐问题，Agent 工程化必读的小品文。

#Code Agent / 代码智能

E2E-SWE: Benchmarking LLMs on Building Working Codebases from Scratch（https://arxiv.org/abs/2609.38335，cs.SE，09-29）：186 个整仓生成任务 / 11 语言 / 自然语言规格 + 空工作区 / 隐藏测试，由工程师 + LLM 协作构建测试套件。
Zero2Repo: Can Coding Agents Build Repositories from Scratch?（https://arxiv.org/abs/2609.38269，cs.SE，09-29，v2 10-01）：语言无关的任务构建管线把真实版本固定的开源项目转为行为规范 + 可复现环境 + 隐藏验收测试；参考实现必须通过、对抗实现必须被拒。
EngramBench: A Capability-Grounded Benchmark for Skill-Evolution Harnesses（https://arxiv.org/abs/2609.39284，cs.SE，09-30）：严格公理"能力重叠但解法不重叠"区分真实技能抽象与解法泄漏；30 个学习任务 + 13 个迁移任务、多小时交互开发周期。
HiSentinel: Learning When and How to Intervene (Coding Agents)（https://arxiv.org/abs/2609.39957，cs.SE，09-30）：事后蒸馏训练 0.6B/1.7B 小哨兵模型，在执行前判断"该不该干预这个动作"，特权教师用执行结果作证据、因果学生只看前动作上下文。——"learned guardrail"路线，小模型管大模型的成本可行方案。
From Codebase to Culprit (C2C)（https://arxiv.org/abs/2609.38402，cs.SE，09-29）：语义检索（CodeBERT 对比学习微调）+ 分层 RL 两阶段，按文件→函数→行粒度逐级缩小 bug 搜索空间。
How Should Diffusion Language Models Edit Code?（https://arxiv.org/abs/2609.38257，cs.SE，09-29）：masked 扩散 LM 在四种编辑接口（整文件重写 / search-replace / locate-then-infill / token 级）上的"组合差距"：给定正确位置能协同编辑，需要自己选位置时能力大损。——扩散 LM 与 AR 模型在代码编辑上的首次系统对比，选位置是瓶颈。
Doing More with Less Tokens: Hierarchical RL for Efficient Coding Agents（https://arxiv.org/abs/2609.38885，09-30）：训练 token 高效编码 agent，用 HRL 平衡解决率与 token 成本。
ASAD: Adaptive Software Agents for Debugging（https://arxiv.org/abs/2610.00629，cs.SE，09-30）：按 bug 的性质与复杂度动态决定 agent 数量、角色与协作策略，替代固定多 agent 架构。

#Model-based RL / World Model / Latent Reasoning

Latent JEPA: Abstract Future Prediction for Latent Reasoning in Chemistry（https://arxiv.org/abs/2610.01947，10-01）：自回归学习 + 联合嵌入预测未来视图，隐思维不逐词展开而是"预期解的关键侧面"；ChemCoTBench 上分子优化与多个编辑/反应指标提升。——隐空间推理在化学域的落地，"直觉先于细节"的具象化。
AURAL: Adaptive Latent Reasoning with Joint Chunk for Speech LMs（https://arxiv.org/abs/2610.01560，cs.CL，10-01）：在隐空间建模多条可能推理续延的分布、联合预测未来状态 chunk 以减少前向次数；附 683K 双语音频隐推理数据集 AuralReason。——隐推理 + 难度自适应预算 + chunk 并行，三件事一次做完。
LOCI: Spatial Linear Memory for Streaming World Models（https://arxiv.org/abs/2609.40222，09-30，HF 榜单）：KV cache 与循环线性注意力记忆混合，读写以相机几何为条件，重访区域可复现先前观测。——世界模型记忆"精确复现 vs 压缩"的混合架构。
On the Divergence of Accuracy and Mechanism Consistency in Time Series World Models（https://arxiv.org/abs/2610.01842，cs.AI，10-01）：预测准确不等于"改变计划后响应方向正确"；提出机制一致性指标（干预动作后预测是否按声明的方向移动）。——world model 的反事实正确性评估，LLM world model 同样适用。
Network World Models as Environments for Algorithm Design（https://arxiv.org/abs/2610.01048，cs.AI，10-01）：动作条件网络 world model 替代昂贵的网络扩散仿真，为复杂系统上的算法设计提供可微环境。——world model 作为"环境替代器"的非机器人案例。

#Post-training RL / RLVR 机制

Dependency-Aware Reward Shaping for Agentic RL（https://arxiv.org/abs/2610.01207，cs.AI，10-01）：谓词依赖图上做步级信用：验证/失效/修复三类操作 + 图距离折扣。
On Language Drift during RLVR Post-Training（https://arxiv.org/abs/2610.02015，cs.LG，10-01）：理论上证明 RLVR 优化压力允许无界语言漂移而 SFT 不允许；实证显示漂移特发于新颖推理任务的 RLVR。——CoT 可监控性问题的机理刻画。
Sharpening Tax in Post-Training（https://arxiv.org/abs/2610.01509，cs.AI，10-01）：延续 sharpening tax 证据链（注意与昨天 Sharpening Tax 高票文相区分，这是同日另一篇系统化测量）。
Generalization Is Stability, Not Accuracy（https://arxiv.org/abs/2610.01428，cs.CL，10-01，HF 榜单）：多轴评估主张"泛化 = 稳定性而非准确率"。
CorrGRPO: Correlation-Normalized GRPO for Multi-Reward Learning（https://arxiv.org/abs/2609.36820，09-29）：多奖励下按相关性归一化 GRPO 优势。
The Missing Primitive: Diagnosing and Repairing Mathematical Reasoning in LLMs（https://arxiv.org/abs/2610.02191，10-01）：提出"数学原语"概念与四维基准（Discovery/Generation/Digestion/Execution），诊断出 Discovery 是主导瓶颈。

#Pretraining Data / 数据质量 / 合成数据

Scalable, Transferable Meta-network for Data Selection (TESS)（https://arxiv.org/abs/2610.02092，cs.CL，10-01）：指出选择网络直接套进 MTS 目标导致权重抑制与易学特征依赖，改用 Pointwise Value Matching 目标。——数据选择 meta-learning 的稳定性修正，代码与通用语料都适用。
No Model Required: Text Entropy Rate Filtering Mitigates Iterative Fine-Tuning Collapse（https://arxiv.org/abs/2610.01493，cs.CL，10-01）：用非参数 Kontoyiannis 熵率估计 h_k 做合成数据过滤，无需任何模型 logprob；六代 QLoRA 坍缩实验上优于 logprob 过滤。——"去模型化"的数据质量信号，工程上极轻量。
Invent a Dataset: Measuring dataset generation abilities with zero seed（https://arxiv.org/abs/2610.01674，10-01）：零数据情形下从数据集描述直接生成大规模后训练数据集的 prompt 系统，跨五家前沿模型 API 评测。——合成数据管线的"冷启动"极端案例。
SAGE: Similarity-Based Cleaning of Poisoned Training Data（https://arxiv.org/abs/2610.01788，cs.LG，10-01）：只用少量经法证式核实的"确认干净/确认投毒"样本做相似度清洗。

#Evaluation / 评测

Agents Are Systems, Not Models（https://arxiv.org/abs/2610.01618，cs.AI，10-01）：约 54% 的结果方差来自同配置重复运行而非配置变化；任务信息量是最大可控因子。——昨天已介绍，此处补充：其"配置级方差分解"方法论值得所有做 agent 实验的组采用。
Argo-Bench: Evaluating Data Agents on Enterprise-Scale Workflows（https://arxiv.org/abs/2610.02122，cs.CL，10-01）：210 个数据科学任务、2.35 亿行 ERP 仓库（真实规模模拟外卖平台），text-to-SQL 基准答案频出错的问题被系统审计。
KaliBench（https://arxiv.org/abs/2610.02206，cs.CL，10-01）：8504 对自然语言→Kali Linux CLI 翻译、1642 个工具、23 个能力维度、runtime-free 可验证奖励。——工具调用评测的"细粒度 + 可验证"新样板。
Code Detectors Have a Half-Life（https://arxiv.org/abs/2610.01664，cs.SE，10-01）：LLM 代码检测器随生成器代际更替而失效（半衰期），且准确率掩盖严重预测偏置。
Groundability, Not Scale Alone（https://arxiv.org/abs/2610.01023，cs.SE，10-01）：弱评审员何时能可靠审计强编码 agent——结构化未验证证据会同时提高缺陷捕获与误拒，执行证据作上限诊断。
From Knowledge Access to Source Learning（https://arxiv.org/abs/2610.02150，cs.CL，10-01）：把"反复访问同一权威源"重新定义为"渐进发展源特定能力"的机会，用持久 source model 表示可复用理解。——与 agent 记忆和意图理解两条线都相关。

#Token 经济 / Systems

Fewer Tokens, Better Action: GPT-6 Astra Robot Agents（https://arxiv.org/abs/2610.01939，10-01，HF 45 票）：代码执行框架组合经典原语与 VLA 策略、按需选择性观测，等预算下成功率 63.1%→71.7%、token 省 65%。——"用代码细胞代替逐 token 交互"在机器人上的胜利，与昨天介绍的 JevSpawn 互补。
FastCI: Efficient GPU-Intensive CI for LLM Training Frameworks（https://arxiv.org/abs/2610.01967，cs.SE，10-01）：用运行时证据选择受影响测试、剪除等价上下文中的重复执行、优先调度高风险测试。——LLM 训练系统 CI 成本工程，做训练框架的组直接可用。
OneStreamer: Unifying Perception, Memory, and Proactive Response in Streaming Video（https://arxiv.org/abs/2610.01762，10-01，HF 165 票最高）：查询无关的证据记录与任务响应共享同一个主动生成过程，流式字幕目标监督前缀理解。——流式交互的"感知-记忆-响应"统一训练范式，其主动记忆思想可迁移到文本 agent。

#四、社区动态（HF / GitHub）

Hugging Face Daily Papers 近三日高票（附投票数）：

OneStreamer（165 票）——流式视频交互统一架构，主动记忆生成。
On-Policy or Off-Policy Learning? A Systematic Study of Distillation Dynamics（175 票，28 日提交持续发酵）——受控实验显示 rollout policy 并非中心变量，token 级 KL 方向才更决定任务性能与输出覆盖，学习率决定遗忘与更新稀疏度。对做蒸馏 + RL 的组是必读的方法论纠偏。
Transformers Stop Thinking Too Early, and a Tiny LoRA Fixes It（69 票，29 日提交）——13 个基座模型只能可靠跟随 1.4–3.6 行上下文引用链；单层 rank-8 LoRA（冻结其余权重）把 Qwen3-8B 的 24 行链从 15.5% 拉到 99%、更长训练达 50 行；机制上 LoRA 启动"接力"：程序行通过中层短程传递链身份。预训练深度利用不足的直接证据，与 latent reasoning 的"计算量与深度"讨论同源。
Decoding Looped Transformers Better for (Almost) Free（41 票）——循环 transformer 的解码改进。
X-Tree: Tokenizing Reusable Experience for Efficient Agent Generalization（56 票，26 日提交持续发酵）——仿文本 tokenizer 的"计数即构建"思路，按可复用性给动作跨度打分、合并规范化动作为经验树，层级直接进权重而非只做上下文技能。与 wenjun 的 self-evolving code agent 主线高度相关。

GitHub 近一周值得关注的新仓库（GitHub Search API，created:>2026-09-28，按 star 排序）：

hokindeng/Awesome-Code-World-Model（10-04 新建）——"代码即 world model"的精选清单：可执行程序作为视频/物理/agent/软件的 world model。与 model-based RL 主线直接相关。
pi-pod/pipod（132 stars，10-01）——远程沙箱中运行 pi 编码 agent 会话的自托管方案，agent 基础设施工程。
di37/aws-rl-workshop（10-03）——SageMaker 多轮 RL 训练客服 agent（GPT-OSS-20B）的实战 workshop 材料。
yongyi999/DeepSearch-RL（09-30）——Tool-Agentic RL 多跳搜索智能体（Qwen3-8B / veRL / SGLang / GRPO），中文社区完整的训练配方开源。
thanhauco/faster-RL-training（10-02）——PyTorch 原地 KV-cache 压缩加速 agentic RL rollout，带精确训练器重放。
ImYangC7/AutoGUIWorld（09-30）——图像生成器作为 GUI agent 的视觉 world model。

#五、今日最值得精读的 3 篇

AutoCompact（https://arxiv.org/abs/2610.02163）——压缩即策略：judge 修正 + 环境重放的数据构造、SFT→RL 联合优化，整个 recipe 可直接搬到任何长轨迹 agent。
Beyond Memory: Explicit Belief States（https://arxiv.org/abs/2610.01415）——LLM agent 的 belief state 显式化 + Belief Trapping 检测，model-based RL 路线的推理时对照实现。
Cross-Benchmark Transfer from RL on Agentic Coding Tasks（https://arxiv.org/abs/2610.00890）——1T 开源模型的 agentic coding RL 实证 + 跨基准迁移，self-evolving code agent 的数据点。

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

Kimi K2.7 Code（1T/32B MoE 开源）：Cross-Benchmark Transfer 论文的基座，agentic coding RL 的最强开源实验平台之一；关注其 LoRA + GSPO 配方能否复现。
EngramBench + E2E-SWE / Zero2Repo：三个新基准覆盖"技能演化可识别性"与"repo 级生成"，做 code agent 评测的下一步基础设施。
hokindeng/Awesome-Code-World-Model（GitHub，10-04 新建）：代码即 world model 的文献入口，与 Dreamer-for-LLM / latent world model 主线天然交叉。

#七、研究机会 / Ideas

压缩策略与 belief state 的统一训练。AutoCompact 学"何时压"，MemFold 学"压成什么"，PoS 用"显式信念"做推理时状态维护——三者目前互不引用。一个自然的实验：把 AutoCompact 的摘要目标替换为 MemFold 式的"行为支持"目标（按下游 rollout 成功率而非重建损失训练压缩器），再与显式 belief state 版本对比。这同时是"上下文压缩器 × model-based RL"两条主线的交汇点。
LLM world model 的"机制一致性"审计。时序 world model 那篇的机制一致性指标（干预动作 → 预测是否按声明方向移动）目前只在时序域实现。把它移植到 LLM agent 的 world model（例如预测"如果我在第 k 步改用工具 B，第 k+3 步的环境状态会怎样"）是一个低成本高回报的评估贡献：当前所有 LLM world model 都只测预测准确率，没人测反事实方向性。
步级信用分配的方法族横向对比。自诊断（My FAULT）、段蒸馏（SHARPO）、距离回归（T2SPO）、依赖图（DARS）四种步级信号在同一套 agentic coding 基准（如 E2E-SWE）上的系统对比仍然缺失。谁在长轨迹上更稳？谁的信号噪声更小？自然语言诊断的错误归因会不会被 RL 放大？这个"benchmark + 横评"工作既是社区刚需，也直接服务 wenjun 的长轨迹 RL 主线。

本简报由 Hermes 调研助手于 2026-10-05 08:00（Asia/Shanghai）自动生成。所有论文均经 arXiv / Hugging Face / GitHub 真实抓取核验。