Clauday.

PhAI Labs 的一篇论文，9 月 16 日提交，目前挂在 Hugging Face 每日论文榜前列，给 agent 领域一直绕着走的一个问题起了名字：科学经验瓶颈。世界上有海量真实的科研代码，但几乎没有一份是 agent 能从中学习的形态。它们碎片化、没文档、依赖地狱，而且完全没有"一个有可校验结果的任务"这种概念。arXiv 地址 https://a…

罗福莉，小米 MiMo 团队的负责人、DeepSeek 出身，9 月 16 日打破了将近半年的沉默，方式是做了一件最不像实验室会做的事：把训练跑成了直播。https://mimo.xiaomi.com/rl 这个看板实时推送 MiMo-V2.6 的强化学习后训练过程。实时成本、token 吞吐、benchmark 表现、任务构成、上下文长度、每一步的墙钟时间…

Postgres 的查询规划器被一群非常聪明的人调了三十年。Rohan Bansal 训了一个 4B 模型去写 hint，在 Join Order Benchmark 上几何平均快了 1.81 倍，113 条查询里 68 条变快，用 best-of-3 的话零回退。总花费大约 1200 美元。文章在 https://rohanbansal.com/qorl …

一个会自我改进的 agent，贵的不是改进，是尝试。每改一次策略都要拿真实世界去试，而在算法工程或者 GPU kernel 这种活儿上，每一次试都在烧真金白银。Dream-RSI（https://arxiv.org/abs/2609.14858 ，17 位作者，Tong Zheng 牵头，9 月 14 日提交）绕过了这件事：把 agent 已经试过的那一堆东…

DataFlex-RL 今天占着 HuggingFace 每日论文榜首，96 票，原因是它是一个负面结果，而这几乎没人发。论文在 https://arxiv.org/abs/2609.06107 ，作者 Hao Liang、Mingrui Chen、Hengyi Feng、Meiyi Qiang、Wentao Zhang，9 月 5 日提交。 设置是一个可…

RadixArk 放出了 Miles v0.1，自称生产级后训练，名字无聊得很，但它是今天 Hugging Face 榜上最不无聊的东西。过去半年所有 agent RL 故事底下的那层管道，这次不是写成论文描述，是整套搬出来。 盒子里有什么：rollout 引擎跑在 SGLang 上，训练后端 Megatron-LM 和 PyTorch FSDP 都支持，…

一边有研究员因为自我改进的 AI 从 Anthropic 辞职，另一边一个叫 TokenRhythm 的团队，把这东西的可用原型以 Apache 2.0 扔到了 Hugging Face 上。NeoHorse-1 是两个 checkpoint，4B 和 9B，从 Qwen3.5 后训练而来，论文副标题一点没绕：通过带路由 harness 的 agentic …

9 月 3 日两篇论文同天登上 arXiv，从相反的方向说了同一件事：agent RL 的瓶颈已经不是模型也不是算力，是拿来训练的环境不够用了。其中 Terminal-Universe（https://arxiv.org/abs/2609.04148）还以 254 个赞登顶了 Hugging Face 日报的 agent 板块。 Terminal-Univ…

自我改进循环有一个标准死法：裁判。把 reward model 或者 LLM 裁判焊死，让策略对着它进化，两轮之内策略学会的就不是任务，是裁判本身。KAIST 梁恩镐（Eunho Yang）组的 J-Zero 直接冲这个病根去：谁都不许焊死。Challenger 出越来越难的题，Solver 答题，Judge 学着打分，三个角色从零外部数据开始共同进化。论文…

Hugging Face 日榜第一的论文（118 赞）把 agent 和环境的常规关系倒了过来。不是在游戏里训练 agent，而是让 agent 造游戏——开发过程本身变成世界模型训练数据的工厂。论文叫"Agentic Game Development as a Verifiable Trajectory Data Engine for Scaling Wo…