论文精读

Adobe & UCLA 的 TEV 用"隐世界优先"合成方法构建了首个带密集进度奖励的长时程 Agent 训练集 TEV-GYM（1170 个环境、7 个领域），并用进度势能奖励塑形（PPRS）把 GRPO 在稀疏奖励下大面积"饿死"的问题修好了；27B 模型在 ALE-CM 上追平 GPT-6 Astra 和 Claude Opus 5 的 Pass@5。

北大团队对 On-Policy Self-Distillation 做了一次系统性"体检"：所谓特权信息带来的收益，主要来自前缀分布匹配而非语义；OPSD 是一个敏感算法，不是可靠的通用后训练方法。

Harvard 团队用 MCMC 采样把 off-policy 专家数据逐步"搬"近 base model 分布，让最普通的 SFT 在泛化和遗忘两个维度上同时打赢 on-policy RL 与自蒸馏。

USTC/复旦的新工作：从 O*NET 职业种子出发抓真实文件构建工作区，用证据图编译任务与评分 rubric，2,169 条轨迹让 Qwen3.6-27B 的 GDPVal 提升 65.7 Elo。

OpenAI 新平台首篇随笔：前沿智能与执行能力是经济意义上的互补品；AGI 未来的两种文明形态——深度的文明 vs 宽度的文明，而超智能的超能力可能不是天才，而是甘当官僚机构。

Meta FAIR（Jason Weston 组）2026 年 9 月博客：先证明 LLM judge 分不清专家人类写作和 AI slop，再用“元优化评分规则”造出能识别专家质量的奖励，然后 RL——一套把“不可验证任务”变成“可验证任务”的完整配方。

论文揭示了一类反直觉的系统漏洞：厂商没有把私有思维链存回服务器，而是以加密块交给客户端保存；这些块又能跨会话、跨用户、跨模型重放，于是同一厂商的弱模型可能被当作“语义解密器”，泄露强模型推理、隐私信息，并形成不可见的 Agent 提示注入。

详解 DUSt3R 如何用 pointmap 表示统一无标定双目/多视图重建、深度估计、像素匹配与相机位姿恢复。

这篇论文把 Agent 的交互环境本身建模成一个语言世界模型：既可以作为可控模拟器给 Agent 做 RL，也可以作为 Agent 的预训练 warm-up，让模型在行动前学会预测下一步环境反馈。

详解 arXiv 2606.09828v1：Mirage 如何用 latent spatial memory 替代 RGB 点云缓存，让视频世界模型在保持 3D 一致性的同时显著降低速度和显存开销。

"详解 arXiv 2606.17024：ExpRL 如何用参考解答构造 dense reward，解决稀疏奖励 RL 在硬题上的探索覆盖不足问题。"

解读 arXiv 2604.06628：reasoning SFT 的泛化不是“有/没有”的二元问题，而是由优化充分性、数据质量与结构、基础模型能力共同决定，并且伴随安全退化代价。

详解 arXiv:2504.14945 的 LUFFY：为什么纯 on-policy RLVR 会受限于模型初始能力，为什么朴素 SFT 又容易僵硬模仿，以及如何用 Mixed-Policy GRPO 与 policy shaping 在 off-policy 指导下学习推理。

详解 VibeThinker-3B 技术报告：如何用 Spectrum-to-Signal 后训练范式、multi-domain RL、offline self-distillation 与 claim-level test-time scaling，把 3B dense 小模型推到数学和代码等可验证推理任务的一线性能区间。

详解 Just-In-Time Reinforcement Learning 如何把历史轨迹记忆转成 advantage，在推理时直接加到候选动作 logits 上，从而在不更新参数的情况下实现类似 KL 约束策略优化的 agent 持续学习。

详细解读 τ0-WM 这篇机器人操作论文：它如何把 Video Action Model 和 Action-Conditioned Video Simulator 统一到一个视频-动作世界模型里，用异构数据训练，并在测试时通过候选动作筛选、未来模拟和动作修正提升长程操作成功率。