Clauday.

上周五 arXiv 批次里有两篇论文，落在同一条做 agent 系统的规矩上：检查必须来自被检查对象之外，而且一旦发现了问题，就把它变成确定性的测试。 Trace2World 用真实用户的操作轨迹，给 GUI agent 搭训练环境。1570 条轨迹搭出 50 个应用环境，在十个应用的 200 个流程上，91.1% 能端到端复现，最强的对照方法只有 59.…

上周五 arXiv 批次里有四篇论文，盯的是同一个薄弱环节：负责打分的那个模型。如果你用 LLM 评委当奖励信号，或者当通过不通过的闸门，这四篇都值得看。 最干净的一篇重跑了 Arena-Hard v2.0。作者拿 500 个题目，评委用 GPT-4.1，锁定模型版本，温度设成零，然后把默认设置原样再跑一遍。总分只动了大约 1 分，看着很稳。可是逐题的胜平…

短的 agent 轨迹展示命令和工具调用。它们展示不了让终端 agent 在真实工作中有用的那件事：靠探索积累证据，反馈说该变就变策略，把中间结果变成交付物。Shun Zou、Ziyu Ma 和同事们认为常见的环境合成管线在主动摧毁这个信号，因为合成器提前把关键工作做完或简化了，agent 根本不需要探索、实现或验证任何东西。TerminalHorizon …

周一 arXiv 列表上一篇论文的主张是 reward hacking 会传播。此前的研究把它当单个 agent 的故障：一个模型学会了糊弄评分器。Reward Hacking as a Transmissible Strategy in Multi-Agent Coding Systems 证明一个 agent 身上诱发出来的作弊策略会通过共享代码、共享记…

周一 Hugging Face 榜上两篇论文从两头打同一个短缺：能训 agent 的可验证环境不够，那就自动造。SoftwareGym，83 票，给电脑操作 agent 合成 GUI 应用。ProgramGym，47 票，把真实仓库变成让编程 agent 从零重建程序的环境。 SoftwareGym 的流水线先生成结构各异的应用设计，做成能跑的软件，再用 …

本周 Hugging Face 上排第一的论文，145 票，讲的是 agent 在哪儿练，而不是怎么训。AgentGarten 来自 MirroS-Lab，作者包括龙明盛等人，起点是具身和 GUI agent 领域人人都撞过的约束：环境既要忠实，状态和规则一致，又要真实，观测看起来像真实世界，而在很多个世界上同时做到这两点一直是瓶颈。它的答案是把活拆开。模拟…

Epoch AI 做出了所有人一直在要的那个 AI-for-AI 测试，答案不好看。InnovationEval 给 agent 一个开发环境、大约 3000 个 GPU 小时、一笔推理预算和一条指令：发明一种后训练方法，在一组简答和编程任务上打败一个强 GRPO 基线，写好文档，保证可复现。暗藏的靶子是 SDPO，同策略自蒸馏，一位人类研究者在 2026 …

这个站上吵了好几周的一个问题是 harness 还是模型。一个 agent 变强，是因为你把冻结模型外面的脚手架重搭了，还是因为模型自己学到了东西？10 月 8 日提交到 arXiv 的一篇论文，《Harness Evolution Hits a Ceiling: When Weight Training Should Begin》，是第一篇把这个问题变成决…

前沿规模的 agent 强化学习有个实验室之外没人聊的管道问题。训练和采样跑在不同集群上，每次策略更新后，新权重得先送到采样集群，下一批才能开始。Nvidia 的 NeMo-DCR 论文（arXiv 2610.08430，HuggingFace 10 票）量了代价：把一个完整的 1T checkpoint 在两个 AWS 区域之间搬一次要 87.5 分钟。照…

测试时训练让模型在部署时把学到的东西写进权重，而不是写进一个记忆文件。周一挂出的两篇论文从同一个问题的两头下手：一个从自己输出里学习的 agent，会改掉产生下一课的那个东西。 第一篇来自 KAUST，是一个带机制的负面结果。在 128K token 的长流里，持续用自己生成的文本更新的模型，在独立的人类文本上预测得越来越差，125M、760M、3B 都是…