每日调研 2026-10-30 ★★★★☆ daily AI LLM Agent Code Intelligence Research Briefing

#2026-10-30 AI/LLM 最新论文与研究热点简报

检索时间：2026-10-30 08:00 (Asia/Shanghai)。覆盖说明：本期核心是 arXiv 10-29 公告批次（对应 10-26～10-27 提交，cs.AI 254 条 / cs.CL 108 条 / cs.LG 237 条 / cs.SE 89 条已部分翻页），从约 340 个唯一条目中筛出与 wenjun 方向相关的 128 篇，再精读其中约 70 篇摘要成稿；另覆盖 Hugging Face Daily Papers 10-28 与 10-29 两期（共 72 篇上榜）。与前几期简报比对，本期入选论文 零重复。时间范围实际为最近 24-48 小时（10-28～10-29 公告批次），无需扩大窗口。
核心来源：arXiv listing 页分页解析（5 个分类）+ arXiv abs 页逐篇回查摘要（70 篇）+ Hugging Face /api/daily-papers。说明：本期 arXiv API query 端点持续 429 限流，改用 listing/abs 页面解析；GitHub API 匿名配额超限，未能覆盖 trending；X/Twitter 不可直接访问，均以 arXiv/HF 替代并注明。
主题观察：本期浮现四条主线：(1) 潜空间世界模型集中爆发——Dwell（VLM 当自己的潜空间 transition operator 做 model-based RL）、Latent World Model 忠实性审计（提出 LRC 指标，发现现有 SOTA 潜世界模型没有一个真正"忠实"建模环境动力学）、ThinkWorld（世界想象强化 Chain-of-Dynamics），加上 MLE-World（学一个世界模型直接预测 ML 实验输出）和 Rollback（世界模型当反事实引擎），model-based RL for LLM Agent 一夜之间从"没人做"变成"三篇一起做"； (2) 长时程 agent RL 的信用分配被掰开揉碎——MPO 发现 critic 值的方差主要出现在"回合"粒度而非 token 粒度，ConCal 补上 GiGPO 单续采样的方差漏洞，BiPA 则给 skill optimizer 泼冷水（学出来的技能跟手写种子差不多）； (3) harness 研究继续深入——"Context Is a Pipeline" 实测工具输出有三分之一在到达模型前就被 harness 切掉，"Your Policy Is Secretly a Harness" 给出"策略内嵌 harness 偏好"的决策几何学证明； (4) agent 记忆失效机制学——过时事实、罕见-相关-错误三重奏、记忆角色重构，记忆研究从"建系统"转入"解剖失败"。

#一、核心论文精选（按与 wenjun 方向的相关度排序）

#1. Dwell: Vision-Language Agents Can Learn in Their Own Latent Worlds ⭐ 重点

链接：https://arxiv.org/abs/2610.36925
来源：arXiv cs.AI（10-29 公告批次），2026-10-27 提交
类别：Model-based RL / Latent Reasoning / LLM Agent
一句话核心：把预训练 VLM 重构为递归潜空间转移算子（recurrent latent transition operator），使其获得在潜空间中"预测、调整、行动"的能力；policy 更新会移动交互分布，Dwell 用 VLM 自身的表征和双重身份（既是世界模型又是策略）来让潜世界随策略同步自适应，避免每步都全参更新世界模型的开销。

为什么值得关注：这是"LLM model-based RL / Dreamer for LLM Agent"这条线目前最直接的一次正面尝试。之前的核心困境是：世界模型要跟随 policy 分布漂移而持续更新，但持续更新大模型算不起。Dwell 的回答是不训两个网络，而是让同一个 VLM 的表征既当世界模型又当策略——潜 rollout 用自己的表征算，policy gradient 也在潜空间里估计，世界模型的"更新"就内嵌在策略更新里。这等于把 Dreamer 的"learned latent dynamics"从零训一个 decoder 世界模型，换成"直接征用预训练 VLM 已有的世界知识"，预训练第一次成为 model-based RL 的初始化资产而不是被绕过的背景。

与 wenjun 研究方向的关系：正中近期重点 1)。与 10-27 期 Dreamer-Descartes（推理即潜空间想象）和 10-28 期 Rollback（世界模型反事实回溯）拼成完整谱系：Dwell 管的是"潜世界从哪来"——答案是"从预训练表征里来，不要从零学"。潜 rollout 的一致性可以结合本期第 2 篇的 LRC 指标来审计（潜转移是否等变于真实转移），两个工作天然互为验证协议。一个立刻能做的实验：用 LRC 度量 Dwell 式潜 rollout 的忠实度，检验"VLM 表征天然是动力学模型"这个隐含假设到底有多强。

#2. Understanding the Limits of Latent World Models ⭐ 重点

链接：https://arxiv.org/abs/2610.37588
来源：arXiv cs.LG（10-29 公告批次），2026-10-27 提交
类别：Latent Reasoning / Model-based RL / Evaluation
一句话核心：提出"忠实潜世界模型"（faithful latent world model）概念——学到的潜动力学与环境真实转移映射之间的等变条件（equivariance condition），并给出可测指标 LRC（Latent Rollout Consistency，潜 rollout 一致性）来评估动作条件下的潜预测；惊人结论：所研究的全部 SOTA 潜世界模型没有一个是通过真正忠实建模环境动力学来解决任务的——它们解决任务靠的是别的捷径，潜动力学并不反映环境结构。

为什么值得关注：这是给整个 latent world model 赛道做"体检"的论文，而且结论是全员不合格。它把此前 latent reasoning 文献里被默认成立的东西——"模型在潜空间里 rollout 成功 ⇒ 它学到了环境动力学"——正式证伪：任务指标和动力学忠实度是两回事，捷径可以拿分。LRC 作为等变性的度量，给了这个领域第一个不依赖任务分的内在评估协议。对照第 1 篇 Dwell：如果 VLM 自带的潜转移连 LRC 都过不了，那"潜世界 RL"的收益来源就需要重新归因（是动力学建模好，还是纯粹的策略正则化？）。

与 wenjun 研究方向的关系：正中近期重点 2)。给"潜空间推理到底在干什么"提供了测量学工具：任何 claim"我的方法让模型在潜空间里推理"的工作，现在都应该补报 LRC 式忠实度。对 wenjun 关注的 latent-state grouping（GIGPO 谱系）也有直接意义：GiGPO 按观测分组共享统计量，隐含假设"相同观测 ⇒ 相同潜状态"；LRC 的等变视角恰好是把"潜状态是否真的承载了转移结构"变成可检验命题。潜状态分组的合法性现在有了审计指标。

#3. Multiscale Policy Optimization for Long-Horizon LLM Agents (MPO) ⭐ 重点

链接：https://arxiv.org/abs/2610.35013
来源：arXiv（HF Daily Papers 10-28 榜，380 赞当日第一梯队），2026-10-26 提交
类别：Post-training RL / LLM Agent
一句话核心：观察到长时程 LLM agent 的 critic 值方差主要出现在"回合（turn）"粒度而非 token 粒度，于是把优化锚点移到 turn 层：Multiscale Advantage Estimation 在 turn 间做粗优势估计、token 间做细分配，再配 turn 级重要性采样使信用分配与策略更新对齐；在搜索、工具使用、自动化三类任务上用 4B 和 30B-A3B 模型稳定超过强 RL 基线。

为什么值得关注：这是 GiGPO/HGPO 谱系的最新一环。GiGPO 用"共享观测分组"解决步级 credit assignment，但没有解决"粒度错配"这个更基本的问题：agent 以完整回合为单位与环境交互，而 RL 更新却在 token 粒度上进行。MPO 的贡献是把粒度选择本身变成一个实证问题——先测量 critic 方差出现在哪个粒度，再在哪个粒度上做优势估计。这个方法论比任何单一算法都重要：做长时程 agent RL 之前，先量一下你的 value 信号在哪个时间尺度上有方差。

与 wenjun 研究方向的关系：命中长时程 Agent RL 主线。与本期 ConCal（见下）构成一对：MPO 说"优势估计的粒度应该在 turn"，ConCal 说"单次访问的价值估计要用续证共享来降方差"。两者都直接可比于 wenjun 关注的 GIGPO 谱系：GIGPO 按潜状态分组共享统计量，MPO 按 turn 分组，ConCal 按"同任务内匹配的 state-action-state 转移"分组——分组单位的选择正在成为 agent RL 的核心设计变量，这三篇放在一起读就是一张完整的"分组维度"对照表。

链接：https://arxiv.org/abs/2610.37195
来源：arXiv cs.AI（10-29 公告批次），2026-10-27 提交
类别：Post-training RL / LLM Agent
一句话核心：指出 GiGPO 这类"共享状态比较动作"的方法有个隐藏缺陷——每个动作的价值只从一次采样的续行（continuation）估计，结果步级信用仍被轨迹后段的决策噪声污染。ConCal 提出递归续证校准：把同任务多次访问按"入口 state-action-state 转移"匹配，把已存在于 rollout batch 中的共享续证与各访问自己的转移估计结合，向后传播校准价值，从而得到更稳的动作价值。

为什么值得关注：这是对 GiGPO 最精准的一次"补丁"。GiGPO 的分组解决了"同状态下的相对优势"，但组内每个动作的绝对价值仍是单样本估计——方差大，且被后续动作的偶然性污染（一个好动作可能因为后面走错而拿到低分）。ConCal 的洞见是：rollout batch 里其实已经躺着大量共享续证（别的轨迹经过同一段状态空间），白白浪费了；把它们按转移匹配聚合起来，等于免费获得多次 Monte Carlo 回传。不需要额外 rollout，只是换一种读 batch 的方式。

与 wenjun 研究方向的关系：与 MPO、GIGPO 构成三篇连读的"信用分配"单元。对做长轨迹 RL 的人，ConCal 还提示了一个更一般的原则：批内轨迹间的状态重叠是免费的信息，任何只用单条轨迹回传优势的方法都在扔数据。这和 wenjun 之前关注的 model-based 路线互补：ConCal 用真实轨迹的重叠校准价值，Dwell 用潜世界的想象增广轨迹——一个是"把已有数据用满"，一个是"把不存在的数据想出来"。

#5. Scaling Laws for Tool-Use Agents via Controllable Environment Synthesis ⭐ 重点

链接：https://arxiv.org/abs/2610.37648
来源：arXiv cs.LG（10-29 公告批次），2026-10-27 提交
类别：Pretraining Data / Tool-use / Systems
一句话核心：提出 SynthAPI 管线，显式控制合成工具使用环境的多样性维度（工具、任务、数据库三个轴），在 458,752 个任务、849 个训练模型、四种模型规模上系统扫描生成参数，得到预测下游工具使用泛化能力的 scaling law——它是第一个把"环境合成配方 → agent 性能"做成可预测公式的公开研究；核心发现包括：数据预算增大时应优先扩展工具与数据库多样性而非任务数量（表述按摘要方向概括）。

为什么值得关注：这是"agent 预训练数据"方向从个案报告升级为受控科学的标志。之前的环境合成工作（包括 10-27 期的 POSEIDON）都只报"我的配方效果好"；本文做的是在三个正交维度上系统扫参、跨模型规模拟合 scaling law——以后任何人合成工具环境训练 agent，都可以先查这张表决定配比。849 个模型的实验预算本身就是行业级投入，方法论远比具体公式值钱。

与 wenjun 研究方向的关系：正中"agent 预训练数据如何塑造能力"+"通过环境设计催生自演化智能"两条线。与 POSEIDON（仓库→四类任务的规模）和 Environment Duels（难度校准）相比，本文补上了多样性维度分解这一块：环境不是一个标量（更多就好），而是一个三维向量，配比随预算阶段变化。对 wenjun 这是直接可用的实验设计模板：做任何"环境合成→能力形成"研究时，把环境分解成可控轴、扫描配比、拟合 scaling law，就是这个领域现在的顶会范式。

#二、值得快速过一遍的论文（按主题分组）

#Model-based RL / 世界模型（本期最密集的赛道）

ThinkWorld: World Imagination Reinforces Chain-of-Dynamics Reasoning（https://arxiv.org/abs/2610.37666 ，cs.AI，10-27 提交，HF 10-28 榜）— VLA 模型把动作表示为 Chain-of-Dynamics（连接当前世界与未来状态的离散运动 token 序列），用"世界想象"做 RL 强化；跨具身共享动作表征，从人类视频里学动力学而不需要动作标注。【Model-based RL / Latent Reasoning】
Rollback: Experience Backtracking in World Models for Policy Improvement（https://arxiv.org/abs/2610.36068 ，10-26 提交，HF 10-28 榜 86 赞）— 把世界模型从被动模拟器变成反事实引擎：回退到关键决策点、分支探索替代动作、对比结果归因到单步决策，无需单独学价值模型就得到细粒度动作监督；机器人策略上验证。【Model-based RL】
MLE-World: Predicting Machine Learning Experiment Outcomes with a Learned World Model（https://arxiv.org/abs/2610.37175 ，cs.AI，10-27 提交，HF 10-28 榜）— 从 Qwen3.5-4B 微调一个"ML 实验世界模型"，从代码+数据描述直接预测程序终端输出（报错、训练日志、验证分数）及置信度，把每次候选评估从一次训练降为一次推理；AI research agent 的 Dyna 风格想象模型。【Model-based RL / Tool-use】
Vision-Language Agents Can Learn in Their Own Latent Worlds (Dwell) — 见核心精选 1。【Model-based RL】

#Agent RL 训练机制

EnvSched: Environment-Aware Scheduling for Rollout-Efficient Agent Reinforcement Learning（https://arxiv.org/abs/2610.37609 ，cs.LG，10-27 提交）— 当可执行环境规模化后 rollout 变贵，EnvSched 从 rollout 历史在线学习，在"环境 × 任务实例"层面调度下一个 rollout 打给谁，用有限预算榨出更多有效梯度。【Post-training RL / Systems】
Guided-RLVR: Guided Exploration in RLVR（https://arxiv.org/abs/2610.37041 ，cs.AI，10-27 提交）— RLVR rollout 会塌缩到窄推理路径；用轻量控制器在关键步注入 thinking token 引导探索，防止模式坍缩。【Post-training RL】
CONCUR: Concordant Auxiliary Rewards（https://arxiv.org/abs/2610.36437 ，cs.CL，10-27 提交）— 多任务多奖励 RL 中 gated 辅助奖励会被 group-relative 估计反转主奖励次序；CONCUR 替换标准化得分为"一致"估计，纯估计器层的修复。【Post-training RL】
Collective Dynamics of Self-Reinforcement in Unsupervised RLVR（https://arxiv.org/abs/2610.37553 ，cs.LG，10-27 提交）— 理论文：自多数投票奖励的 RLVR 在题目多时出现集体不稳定导致策略坍缩（对每题给同一个答案），用可解多问题模型解释为什么坍缩只在训练集大时出现——给无监督 RLVR 敲响理论警钟。【Post-training RL / Theory】
Proposing Better Rollouts for On-Policy Distillation（https://arxiv.org/abs/2610.36477 ，cs.AI，10-27 提交）— OPD 的 rollout 策略不该固定为"直接从当前学生采样"，否则教师被迫监督自己都难到达的轨迹，错配复利累积。【Post-training RL / Distillation】

#Harness / 接口（政策几何学时代）

Your Policy Is Secretly a Harness: The Decision Geometry of Agent Interfaces（https://arxiv.org/abs/2610.37255 ，cs.LG，10-27 提交，HF 10-28 榜）— 理论结果：KL 正则控制下，最优策略的 log odds 恢复出 harness 对各动作的偏好强度——训练后的策略携带其训练 harness 的偏好；部署回报 = harness 天花板 − 策略错配损失，换 harness 时只有错配损失在变。给"harness 决定上限、训练决定逼近程度"提供了决策几何学证明。【LLM Agent / Theory】
Context Is a Pipeline, Not a Window: Information Attrition in LLM Agent Harnesses（https://arxiv.org/abs/2610.36114 ，cs.SE，10-27 提交）— 实测一个读 Linux 内核 trace 找注入故障的 agent：720 次运行中最大 prompt 只用了 5.75% 的上下文窗口，但三分之一的工具结果在到达模型前就被 harness 切断、且每条被切结果都变成坏 JSON——上下文瓶颈不是窗口大小，是 harness 管线的信息流失。与 10-27 期 Compact-Bench 的"压缩代价"互为补充：一个量压缩的代价，一个量截断的代价。【Code Agent / Systems】
When the Critic Falls Behind: Co-Evolving Rubrics and Harnesses for Continual Agent Self-Improvement (RuHarness)（https://arxiv.org/abs/2610.36826 ，cs.AI，10-27 提交）— 自改进 agent 的监督（rubric）通常静态，跟不上行为弱点的变化；RuHarness 从执行轨迹持续发现并复评行为准则，用"最相关的未解决弱点"定向驱动 harness 更新，同时固定任务目标。【Self-Evolving / LLM Agent】
CoHARL: Co-Evolving Agent Policies and Executable Harnesses with RL（https://arxiv.org/abs/2610.36469 ，cs.SE，10-27 提交）— 种群 RL 同时进化共享策略与 harness 种群，proposer 用执行 trace 改写 harness 代码；SWE-rebench 上 27.6% 解决率、超 harness-only 搜索 6.4 个点。【Self-Evolving / Post-training RL】
GEPA-Curator: Curated Learning for Self-Improving Agents（https://arxiv.org/abs/2610.37651 ，cs.CL，10-27 提交）— agentic 失败可能来自 prompt、harness、随机性或噪声 judge，不都值得学；给 GEPA 类 prompt 优化器加"任务策展"层，过滤噪声经验再喂给优化器。【Self-Evolving / Post-training RL】

#Code Agent / 代码智能

Spine: Compiling Subtask Trees into Structured Context for Long-Horizon Coding Agents（https://arxiv.org/abs/2610.37224 ，cs.SE，10-27 提交）— 长时程编码任务的嵌套子任务：顺序记录导致上下文膨胀，无边界压缩会切掉未完成子任务需要的信息，全递归委派又混淆粒度与执行者选择；Spine 用"work scope"让同一 agent 内联执行嵌套子任务、把委派留给真正独立的并行任务。【Code Agent / Context Compression】
Stratum: Repository Memory for Coding Agents Beyond the Context Window（https://arxiv.org/abs/2610.36153 ，cs.SE，10-27 提交）— 编码 agent 每次会话从零开始不是窗口问题而是记忆架构问题：中项目就超出最大生产窗口、KV cache 存知识比索引文本贵 4-5 个数量级、752 个真实修 bug commit 的中位只改两个文件——论证需要持久、经验感知的仓库级记忆。【Code Agent / Agent Memory】
Does More Thinking Pay Off? Reasoning Cost and Correctness in Code Generation and Bug Fixing（https://arxiv.org/abs/2610.36952 ，cs.SE，10-27 提交）— 866 个 Python 任务、五设置实测：Qwen3-32B 开推理在 HumanEval Pro 上 +5.4 点，但 MBPP Pro 上 +1.4 不显著而中位耗 2,000+ token——代码任务上"多想"的性价比高度任务依赖。【Code Agent / Evaluation】
Hidden in Plain Sight: The Instruction Stacks of Coding Agents（https://arxiv.org/abs/2610.37332 ，cs.SE，10-27 提交）— 对 Claude Code、Codex、Gemini CLI、Qwen Code、OpenCode 共 1,886 个发布版的首请求指令栈做纵向解剖：coding agent 发给模型的不只是用户 prompt，还有随版本演化的指令/工具定义/环境上下文层——harness 的"隐藏提示词"第一次被全面普查。【Code Agent / Evaluation】
Continue or Restart? The Limits of Early Failure Prediction in Coding Agents（https://arxiv.org/abs/2610.35971 ，cs.SE，10-27 提交）— 147,002 条执行轨迹上测"早停省算力"：区分 issue 本身难度与个体尝试走势很难，Qwen3-0.6B 监视器只带来有限跨设置改进——早停有理论上限。【Code Agent / Systems】
PROBE: Frontier Coding Agents Find Different Bugs Than Maintainers Fix（https://arxiv.org/abs/2610.35987 ，cs.SE，10-27 提交）— 用 20 个仓库 18 个月内修复的全部 2,457 个真 bug 做基准，发现前沿编码 agent 找的 bug 与维护者修的 bug 显著不同分布——主动找 bug 能力被系统高估。【Code Agent / Evaluation】
FeatureArc: Benchmarking Coding Agents on Evolving Features（https://arxiv.org/abs/2610.37434 ，cs.SE，10-27 提交）— 特征会演化，基准多只测单次请求固定代码库；FeatureArc 从仓库历史构造"在 agent 自己写的早期代码上做连续扩展并保持正确"的评测——把持续演化引入代码基准。【Code Agent / Evaluation】

#Agent 记忆（失效机制学）

Memory Tax: Dissecting the Net Value of Agent Memory（https://arxiv.org/abs/2610.34073 ，10-25 提交，HF 10-28 榜 151 赞）— 大规模评测发现许多专用记忆系统在很多场景不如 naive RAG（净值为负）；把记忆净值拆成 memory benefit 与 memory tax，指出记忆过程对原始历史的偏离是双刃剑——组织与蒸馏带来收益，也移除、遮蔽证据。【Agent Memory / Evaluation】
When Retrieval Is Not Enough: Obsolete Facts in Agent Memory（https://arxiv.org/abs/2610.36308 ，cs.AI，10-27 提交）— 记忆基准把检索与答案生成混成一个分，无法区分"没检索到更新"与"检索到了却没用"；Qwen2.5-7B 上发现 BM25 准确率随证据预算增大反而下降（45%→32%），而事后审计发现最新陈述其实都在检索结果里——失败不在检索在整合，过时事实抑制了新事实的使用。【Agent Memory】
Rare, Relevant, and Still Wrong: How Memory Fails LLM Group Decisions（https://arxiv.org/abs/2610.37624 ，cs.AI，10-27 提交，HF 10-28 榜）— CrossProfile 基准把"事实稀有性"与"决策相关性"交叉解耦（文本固定、归属交叉），发现"保留最稀有"与"保留最相关"两种记忆压缩启发式在隐藏轮廓任务上都会系统性失败——该记什么不该靠启发式。【Agent Memory / Context Compression】
TrawMem: Reframing Agent Memory as Task-Oriented Role-Adaptive Workspaces（https://arxiv.org/abs/2610.36918 ，cs.CL，10-27 提交）— 相关性检索不够：同一记忆在不同任务里扮演不同角色（直接支撑答案 / 链接弱相关但必要的补充记忆），按任务-角色重组记忆工作区。【Agent Memory】

#Latent Reasoning / 表征

GUI-JEPA: Candidate-Conditioned JEPA Latents as a Fast Action Policy（https://arxiv.org/abs/2610.36877 ，cs.AI，10-27 提交）— 首个 decoder-free 的 GUI agent 策略：在无标注 GUI 截图上预训练 JEPA 编码器，动作选择完全在潜空间进行，去掉逐 token 解码的大模型——潜空间策略又一样本（GUI 场景）。【Latent Reasoning / LLM Agent】
Is Token Confidence Just Chain Length? A Signal-Processing Audit of Reasoning Traces（https://arxiv.org/abs/2610.36709 ，cs.CL，10-27 提交）— 把 token 置信度当音频信号做标准信号处理审计：流行的"滑动窗最低置信度早停"方法其信号基础并不牢靠——推理链早停的省钱方法需要重新审视。【Latent Reasoning / Evaluation】
Metacognitive Decoding: Efficient Inference for Diffusion Language Agents（https://arxiv.org/abs/2610.37642 ，cs.CL，10-27 提交）— 扩散语言模型的轻量"元认知控制器"：学什么时候固化 token、生成到哪停，按当前响应与交互需要分配计算——agent 化的推理时算力分配。【Latent Reasoning / Systems】

#预训练数据与机制

What Improves During Pretraining? Tracking Knowledge Acquisition with Point-in-Time Models（https://arxiv.org/abs/2610.37631 ，cs.AI，10-27 提交）— 用不同年份网页快照训练的 point-in-time 模型提出 TVS（时间变异分数，跨年份 NLL 变异系数）：低/高 TVS 知识早期学习速度相似，但高 TVS（跨年不稳定）的知识后期提升更快——知识获取轨迹与其在语料中的时间稳定性相关。【Pretraining Data / 机制】
What Carries Forward? Pretraining Disclosure Across Language Model Releases（https://arxiv.org/abs/2610.37465 ，cs.CL，10-27 提交）— 审计 17 家族 41 个模型发布的预训练披露：24 组相邻对比中 11 组总分下降、38 个指标丢失——总分稳定也能掩盖具体披露的丢失，预训练透明度不进反退。【Pretraining Data / Evaluation】
MuonGS: Pretraining LLMs with Relaxed Weight-Norm Control（https://arxiv.org/abs/2610.37647 ，cs.AI，10-27 提交）— 放松权重范数控制的预训练优化器变体，进预训练机制侧的方法更新。【Systems / Pretraining】
CAMR: Compatibility-Aware Memory Replay for Continual Learning in LLMs（https://arxiv.com/abs/2610.36734 ，cs.CL，10-27 提交）— 在线三动作策略（学新例 + 通用回放 / 联合强化相容旧例 / 跳过已掌握的重复），学习"哪些进入样本需要监督、哪些历史样本需要重访"，回放预算受限下做持续学习决策。【Continual Learning】
Beyond Parameter Protection: Fisher-Shaped EWC（https://arxiv.com/abs/2610.37145 ，cs.AI，10-27 提交）— EWC 的 FIM 局部估计在参数有限位移后失效；FS-EWC 把 Fisher 敏感度从"参数保护"扩展为"未来解的形状约束"——replay-free 持续学习的理论修正。【Continual Learning / Theory】

#自演化 / 多 agent

The Trinity: Capability-Driven Recursive Self-Improvement for Multimodal Agents（https://arxiv.org/abs/2610.36077 ，10-26 提交，HF 10-28 榜 386 赞当日第二）— Creator/Explorer/Evolver 三角色耦合世界生成与 harness 演化：从已验证执行轨迹中把任务组织从表面类别改组为能力树（共享能力需求的多模态任务互通）。【Self-Evolving】
The View from Nowhere: Population-Centered Agent Evolution（https://arxiv.org/abs/2610.36660 ，cs.AI，10-27 提交）— 自改进 agent 的人口覆盖（至少一个变体解决的任务集）远超最佳个体；有用能力与诊断证据散落在种群中而未被整合进领先 agent——提出以种群为中心的进化视角。【Self-Evolving / Theory】
Evolving Agent Teams（https://arxiv.org/abs/2610.36848 ，cs.AI，10-27 提交）— 编码 agent 在真实专家内核（FlashInfer）优化上收敛局部最优；用中央 supervisor 诊断局部最优并重组 agent 团队 + 持久文件系统（学习文档、进化史、各队工件）来逃逸。【Self-Evolving / Code Agent】
Does Your Generalist Skill Optimizer Really Incentivize Agentic Tasks? (BiPA)（https://arxiv.com/abs/2610.37201 ，cs.AI，10-27 提交）— 给 skill optimizer 泼冷水：在候选与种子相同的回放实验中，三个优化器学到的技能与手写种子成功率平均只差 0.1 点，dev 增益在正式评测中消失——小 dev 集上的成功增益不能证明编辑有效。【Self-Evolving / Evaluation】
GEPA-Curator — 见 harness 组。【Self-Evolving】

#环境与基准

WorkFactory: Turning Professional Intents into Executable Work for Scalable Agent Training（https://arxiv.org/abs/2610.37161 ，cs.AI，10-27 提交）— 从职业意图出发建"信息支撑图"指导任务实例化，probe 执行找出支撑失败并修复；112,686 个任务覆盖 612 种职业，教师轨迹微调 Qwen 4B/27B/35B-A3B——意图 → 可执行工作的规模化数据管线（与 wenjun"从指令理解走向意图理解"直接相关）。【Pretraining Data / LLM Agent】
Gym-Anything-RT: Scaling Real-Time Environments for Vision-Language Agents（https://arxiv.org/abs/2610.37567 ，cs.LG，10-27 提交）— 实时交互环境：环境状态在 agent 推理甚至单次前向期间演化——给"边想边动"的 agent 提出新的环境维度。【LLM Agent / Systems】
TeamGym: A Gym for Team Decision-Making with Distributed Information（https://arxiv.org/abs/2610.37571 ，cs.AI，10-27 提交）— 从法律/金融/医疗/软件工程语料构造"分布式信息团队决策"环境，识别最小充分必要事实集——多人协作 RL 的信息结构首次被基准化。【LLM Agent / Evaluation】
Small Agents Should Know What Their Tools Do (EffectWorld)（https://arxiv.org/abs/2610.35981 ，cs.SE，10-27 提交）— 小模型乱调工具（不问就删、重复写、每回合一个调用）；EffectWorld 给每个工具声明效果类型（幂等性、读写资源），让 replay verifier 无标注判定轨迹是否 effect-safe——用类型系统约束 agent 行为。【Tool-use / Code Agent】
AutoVend: Long-Horizon Autonomous Vending Operations（https://arxiv.org/abs/2610.36980 ，cs.AI，10-27 提交）— 一个 agent 管 20 台自动售货机、180 个模拟天：线上决策→线下物理执行的长时程经济回报评测。【Evaluation】
LiveSearch: Questions as Executable Verifier Code（https://arxiv.com/abs/2610.37166 ，cs.AI，10-27 提交）— 金融检索基准把每道题存为"对专业数据服务的可调用验证器代码"，答案随市场实时更新——对抗基准泄漏、奖励真检索而非记忆。【Evaluation / Tool-use】

#意图理解 / 人机协作

Mind the Intent Gap: Collaborative Agent-Driven Software Engineering (CAIA)（https://arxiv.org/abs/2610.37340 ，cs.SE，10-27 提交）— agent 效率增益没有兑现是因为流程为"人"设计，靠同事脑补意图；agent 也脑补但会漂移。CAIA 方法论把团队意图显式化（文档、决策理由、私有推理的受控外化）——从指令理解走向意图理解在软件工程场景的系统方法论落地。【Code Agent / Intent】
CASEL: Consequence-Aware Selective Execution for Long-Horizon Tool-Using Agents（https://arxiv.org/abs/2610.36570 ，cs.SE，10-27 提交）— 模型无关的运行时分配策略：校准失败概率 × 状态依赖后果 × 可逆性 × 歧义 × 证据新鲜度，对每个工具调用在直接执行/验证/沙箱/澄清/审批/弃权间做最小期望成本选择——工具调用的"分级信任"。【Tool-use / Safety】

#三、Hugging Face Daily Papers 榜单速览（10-28 与 10-29 期）

两期共 72 篇上榜，与 wenjun 方向相关而正文未展开的补充：

ChronoReplay: One Answer Interface Is Not Enough for Streaming Spatial Intelligence（https://arxiv.org/abs/2610.34283 ，410 赞榜首）— 流式空间智能的应答接口设计，偏具身/空间方向。
The Trinity（386 赞）与 Multiscale Policy Optimization（380 赞）— 见上文展开；本期榜单前三里两篇是 agent 自改进与长时程 RL，热度印证主线。
Memory Tax（151 赞）、Rollback（86 赞）、HABIT-Bench: Habit Induction from Longitudinal Weak Evidence in Agent Memory（https://arxiv.org/abs/2610.24520 ，87 赞）— 记忆主题在榜单占据三席，"记忆祛魅"浪潮继续。
What Effort Level Should I Choose? On the Economics of Reasoning Effort in LLM Agents（https://arxiv.org/abs/2610.34491 ，30 赞）— 推理努力档位选择的经济学。
TAO: Tool-Aware Joint Scheduling for LLM-Based Agentic Serving（https://arxiv.org/abs/2610.37230 ，16 赞）— 工具感知的 agentic 推理服务调度，Systems 方向。
TAO 之外另有 SearchHorizonBench（https://arxiv.org/abs/2610.34714 ，搜索价值基准）、RSI Arena: Recursive Self-Improvement with Human Feedback（https://arxiv.org/abs/2610.33624 ，35 赞）等，可按兴趣选读。

#四、今日最值得精读的 3 篇

Dwell (2610.36925) — "LLM model-based RL"从愿景到第一个完整框架实现：预训练 VLM 直接当潜空间转移算子，Dreamer-for-LLM-Agent 的关键拼图。与第 2 篇配合读，一天内可以建立这个新赛道的完整图景。
Understanding the Limits of Latent World Models (2610.37588) — LRC 指标 + "全员不忠实"的审计结论，是所有 latent reasoning / 潜世界模型论文的必备对照面。方法层面它教你如何把"潜状态是否承载结构"变成可测量命题。
Multiscale Policy Optimization (2610.35013) + ConCal (2610.37195) 连读 — 与 GIGPO 构成"信用分配分组维度"三部曲：GiGPO 按潜状态分组、MPO 按 turn 粒度、ConCal 按转移匹配共享续证。做长轨迹 RL 的实验设计直接受益。

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

SynthAPI 管线（Scaling Laws for Tool-Use Agents, 2610.37648） — 458K 任务、849 模型扫出的工具环境合成 scaling law，是 agent 数据配方的第一张定量查表；论文若放出 SynthAPI 生成器，将成为工具 agent 训练的标准基础设施。HF paper 页：https://huggingface.co/papers/2610.37648
WorkFactory 任务集（2610.37161） — 112,686 个"职业意图→可执行工作"任务、覆盖 612 种职业，教师轨迹可直接用于 SFT；与 Pearl（POSEIDON）互补，构成 agent 预训练数据的"环境侧+意图侧"双资产。HF paper 页：https://huggingface.co/papers/2610.37161
Stratum 仓库记忆（2610.36153） — 三个测量（中项目超窗口、KV cache 贵 4-5 个数量级、中位修复只改两文件）给了"仓库级持久记忆"的完整需求文档；跟进其实现可以直接与 Memory Tax / Compact-Bench 的评测协议对接。HF paper 页：https://huggingface.co/papers/2610.36153

（说明：GitHub API 本期匿名配额超限，未能核实上述论文的具体开源仓库链接；以 HF paper 页作为入口，避免给出未经核实的 repo 地址。）

#六、研究机会 / Ideas

给潜世界 RL 做"LRC 忠实度 × 策略收益"的联合审计。本期 Dwell（潜世界 RL）、LRC 审计（无人忠实）、MPO（turn 粒度）三篇恰好拼出一个空白：没有人测过潜 rollout 忠实度与下游策略收益的剂量关系——忠实度多高才值得信？捷径拿分（不忠实但任务分高）和真动力学（忠实）在策略迁移、长时程外推上的差异有多大？一个受控实验：用 LRC 把若干潜世界模型分层，在固定任务族上跑 Dreamer 式训练，画出"忠实度-收益"曲线。这直接服务于 wenjun 的 model-based RL for LLM Agent 主线，且两篇论文的现成指标可以直接复用，实验成本可控。

"分组维度"作为 agent RL 的统一设计空间。GiGPO（潜状态）、MPO（turn）、ConCal（转移匹配）、TeamGym（分布式信息）暗示分组/共享单位是长时程 RL 的核心超参数，但没有一个工作系统比较过：在统一任务套件上把同一算法分别按 token / turn / 潜状态 / 转移匹配分组，测方差缩减与偏差的 trade-off。这可以是 GIGPO 谱系综述加实证的一篇方法论文，与 wenjun 已有的 latent-state grouping 关注点无缝衔接。

记忆系统的"失效机制学"转向。Memory Tax（净值常为负）、Obsolete Facts（检索到了却不用）、CrossProfile（启发式选择该记什么都错）三篇共同指向：记忆系统研究正从"建更多系统"转向"解剖失败模式"。机会：做一个统一的记忆失效分类学——把 failure 分为编码失败、检索失败、整合失败（过时抑制）、选择失败（压缩启发式偏差），并为每类失败设计最小干预修复；接上 Compact-Bench 的分叉协议即可量化。这与 wenjun 的"通用上下文压缩器"和持续学习线都直接相关，而且当前文献里这个分类框架恰好缺位。

本简报由 Hermes Agent 自动检索生成。论文链接均经 arXiv 页面核验；无法访问的来源（X/Twitter、GitHub API）已注明并替换。