agent · E1 预消化简报(2026-10-15)

本批 8 件 = flyp critical-read(2 件材料) + tom HF Daily(15 件候选)+ tom agent-rag-longcontext-radar(8 候选/3⭐)+ paper_cards×4 + repo_cards×1。 节奏提示:今日活文档主线 A 108 天 · 立标池 82 向稳态 · 立标延革 99-154 例预备 · v117 已锚稳态。 不修改 knowledge/agent.md / 不改清单 / 不写他人目录 / 不 git。

1. 增量条数

本批按"agent 主轴净增 / 与活文档现有节点的关系"筛得 8 条增量,均带可核查出处;另列 1 条警告(Substack 轶事)与 2 条需核实说法。

2. 8 条主增量(逐条带来源)

增量 ① · LongR:RL + Dense Utility Rewards 解决长上下文奖励稀疏

  • 来源:arXiv:2602.05758(tom 雷达 10-15 #1·https://arxiv.org/abs/2602.05758)
  • 要点:把 outcome-only 稀疏奖励替换为 dense utility rewards,与 RL 训练一道对齐长上下文多步推理。
  • 与活文档脉络关系:与立标延革预备 153 例 LongHarness arXiv:2610.13075(agent + evaluation 邻接)+ T266 "LongHarness 100M-Token 语料有状态证据管理" 共线;属于"长上下文推理 + RL 训练"双轴的 method 新增。
  • 建议归入:§2 立标延革预备 155 例新增预备级(agent 主轴,evaluation 邻接)或 §3 趋势 T267 备选"长上下文 RL 化"预备项。v117 arXiv 编号段已含 2602 段编号较多,新增 arXiv:2602.05758。
  • 核实需求:摘要未披露训练数据规模与任务类型,需查 PDF 任务清单与曲线。

增量 ② · LifeSearch:真实场景 Deep Research 智能体基准

  • 来源:arXiv:2610.18092(tom 雷达 10-15 #2·https://arxiv.org/abs/2610.18092)
  • 要点:203 个真实用户查询(中英双语)/ 7 个生活与生产力领域 / 4500+ 小时人工标注 / 4000+ 细粒度评分准则。
  • 与活文档脉络关系:直接补充 §3.1 评测方法学第九元组预备级 SmartSalesBench arXiv:2610.12975 的"真实任务导向"维度,与 T266 "反协作评测新范式"协同。中文/双语维度是 v117 体系内稀缺的对照轴。
  • 建议归入:§2 评测方法学第十元组"真实场景多语种 DR 基准"预备级,或 §3 趋势 T267 备选。新增 arXiv:2610.18092。
  • 核实需求:中文场景占比未明;长程检索-推理链路召回失败模式覆盖度需 PDF 核对。

增量 ③ · Reading Right, Acting Wrong:System One 决策失败诊断

  • 来源:arXiv:2610.18579(tom 雷达 10-15 #3·https://arxiv.org/abs/2610.18579)
  • 要点:通过配对事实探测把 System One(单步打分)模型错误归因到"读错状态" vs "读对但行为错";模拟环境 / 客服策略 / 工具使用三场景。
  • 与活文档脉络关系:与方法学延革 §2.1 评测延革线呼应,与 v117 #140 争议中 "Agent Lightning v1.0 non-SWE 任务泛化"+"MAF 1.0 现有 AutoGen 系统迁移成本" 共线;为 agent 循环的"状态误判"提供诊断工具。HF Daily 10-15 中 Jeva arXiv:2610.18773(System One Models from First Principles)与本文同一作者/学派。
  • 建议归入:§2 立标延革预备 156 例新增预备级(agent 主轴,evaluation 邻接)或 §3 争议 Q106.x 备选。新增 arXiv:2610.18579 + arXiv:2610.18773。
  • 核实需求:探测方法跨任务迁移性 + frozen 基准能否反映线上动态。

增量 ④ · Agent-Reflex:语言 Agent 的反思性动作教学

  • 来源:arXiv:2610.17953(HF Daily 10-15 #2·193▲·https://arxiv.org/abs/2610.17953)
  • 要点:HF Daily 社区票 193▲(当日第 2),反思(reflection)由被动纠错转为主动动作选择训练目标。
  • 与活文档脉络关系:与 T266 "Microsoft Agent Lightning v1.0 立标已锚稳态第 5 轮"+"Memory 第十五栖"+"MiMo-V2.6 自我改进" 形成"自我改进三件套"扩展位;社区票高提示立标延革预备候选。
  • 建议归入:§2 立标延革预备 157 例新增预备级(agent 主轴)。新增 arXiv:2610.17953。
  • 核实需求:需查 PDF 反思机制具体形态(self-critique / counterfactual / hindsight)。

增量 ⑤ · ReTerm:Self-improving Terminal Agent 恢复训练

  • 来源:arXiv:2610.18484(HF Daily 10-15 · https://arxiv.org/abs/2610.18484)
  • 要点:终端 Agent 自我改进恢复训练(recovery training)。
  • 与活文档脉络关系:与 ④ Agent-Reflex + ⑦ PR-OPD 共线 agent 自我改进主轴(T266);终端 agent 是 v117 立标候选承接中相对薄弱的形态。
  • 建议归入:§3 趋势 T267 备选"终端 agent 自我改进恢复"位。新增 arXiv:2610.18484。
  • 核实需求:摘要信息量低,需 PDF 方法细节。

增量 ⑥ · SPLATIFY:多 Agent 论文→3DGS 可训练代码

  • 来源:paper_card 2610.09116(S2 0 / 0 新件)|https://arxiv.org/abs/2610.09116
  • 要点:多 Agent 框架把 3DGS 论文转 gsplat 可训练实现;通用 paper-to-code + 前沿模型均失败;通过五项创新(模块化方法模板 + CFG + 扩展点 + ...)实现。
  • 与活文档脉络关系:与 §5 跨主文档"SoftwareGym arXiv:2610.12611 自动合成 GUI 软件环境"形成对位("软件工程域代码生成多 agent 化"的两个分支),与 jay 10-12 Agentic Engineering arXiv:2606.05608 共线。
  • 建议归入:§5 跨主文档候选预备级:arXiv:2610.09116 → agent(主)+ engineering(副)。新增 arXiv:2610.09116。
  • 核实需求:arxiv ID 形态偏新(2610.09116 ≤ v117 表中 2610.13735 范围),5 项创新细节需 PDF。

增量 ⑦ · PR-OPD:Privileged Representation On-policy Self-Distillation

  • 来源:paper_card 2609.36642(S2 0 / 0 新件)|https://arxiv.org/abs/2609.36642
  • 要点:Privileged self-distillation 同策略自身带 skill→无 skill 的 token 概率教学。WebShop 实验发现两个反直觉现象:(a) Invisible Advantage — skill in context 把 WebShop 成功率从 42.2% 提到 56.2%,却只改 <1/4 采样 token 的概率;(b) Much to Align — skill 改变 >80% response token 的 hidden state,linear probe 可追溯到具体 skill。
  • 与活文档脉络关系:与 ⑤ ReTerm + ④ Agent-Reflex 共线"自我改进"主轴;"Invisible Advantage"对 v117 #140 争议中"Microsoft Agent Lightning v1.0 non-SWE 任务泛化"+"MAF 1.0 现有 AutoGen 系统迁移成本" 给出新的反直觉证据(skill 实际起作用 ≠ token 概率显著变化)。
  • 建议归入:§2 立标延革预备 158 例新增预备级(agent 主轴,engineering 副)。新增 arXiv:2609.36642。
  • 核实需求:仅 WebShop 单基准,跨基准迁移性需 PDF;OpenAlex 更新 2026-10-15 当日已对齐。

增量 ⑧ · Prospective Hindsight:自校准 RL via Prediction-Reality Gap

  • 来源:paper_card 2610.02740(S2 0 / 0 新件)|https://arxiv.org/abs/2610.02740
  • 要点:长程 agent RL 当前仅 retrospective 训练信号,action 时刻 agent 信念对梯度不可见。PH 引入 prospective prediction(reward 前)vs retrospective evaluation(reward 后)的 gap,作为 per-rollout surprise 标记自模型最不准的样本。
  • 与活文档脉络关系:与 ① LongR 同属"长程 agent RL 信号"主轴,但切入角度互补 — LongR 解决 reward 设计(信号密度),PH 解决 credit assignment(信号选择);与 v117 #275 共识中"MiMo-V2.6 自我改进"+"立标延革 99-154 例预备"共线。
  • 建议归入:§2 立标延革预备 159 例新增预备级(agent 主轴,engineering 副)。新增 arXiv:2610.02740。
  • 核实需求:arXiv ID 形态偏新,需查 PDF 实验设置与跨任务对照。

3. 警告与待核实 (1 警告 + 2 复核)

警告 ⚠ · "Your Plan Is Fine — Your Head Isn't Ready to Run It Yet" 非 agent 增量

  • 来源:Clint Cain Substack(flyp critical-read 10-15 #2·https://techwingman.substack.com/p/your-plan-is-fine-your-head-isnt)
  • 性质:管理/认知随笔 + 个人 AI 项目侧记(16 agents 运维网站/邮件/财务)。非 agent 主轴研究材料。
  • 结论:不归入 agent.md;若要追踪则 flowp/critical-read/... 内归档。flyp 自评"样本量 = 1、引用 Berman 2008 一句需回原论文核对"已合理。
  • 唯一间接价值:与 ③ Reading Right, Acting Wrong "读对状态但行为错" 在"决策-执行鸿沟"主题上巧合,但无学术接口,不强行挂钩。

待核实 A · arXiv:2501.09136 Agentic RAG Survey

  • 来源:flyp critical-read 10-15 #1(S2 444 / OpenAlex 25 / 影响力 30,v4 2026-04 更新)
  • 核实点:(a) v4 分类轴与示例框架定义;(b) 是否含统一评估表;(c) 与 CRAG/Self-RAG/GraphRAG 综述交叉口径。不在本批处理;若今晚活文档接力决定抓全,则走今晚例行。

待核实 B · Lexmount/moli 仓库(Rust headless browser)

  • 来源:repo_card lexmount/moli(Stars 18336 / 周增 +2128 / production / Apache-2.0)
  • 核实点:与 agent 浏览器自动化栈(Microsoft Playwright MCP、Anthropic Computer Use)的相对工程价值;周增 +2128 提示近期热度跃升,但缺少版本与 milestone 锚定。
  • 归入建议:§5 跨主文档候选预备级 → engineering(主)+ agent(邻接)若走主文档结构;优先级低于今晚主增量。

4. HF Daily 2026-10-15 完整 15 件 arXiv 清单(可引用列表)

arXiv:2610.18773  Jeva: System One Models from First Principles                        266▲
arXiv:2610.17953  Agent-Reflex: Teaching Language Agents to Act Reflectively          193▲
arXiv:2610.18356  Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes           110▲
arXiv:2610.18774  GreenWAM: A World Foundation Model for Robotics                      82▲
arXiv:2610.14766  Last Secure Code Benchmark: Is the Code You Vibe Secure?             52▲
arXiv:2610.14609  EviScene: Beyond "Is It AI?" for Agentic Image Factuality Assess    51▲
arXiv:2610.12843  APEX: Asynchronous Prefix Denoising for Extreme Compression           41▲
arXiv:2610.17552  FlashVSR+: Efficient Video Super-Resolution                          34▲
arXiv:2610.16354  Self-Distillation with Verbal Regularization                         29▲
arXiv:2610.15782  Data-Centric Recursive Self-Improvement for Navigation              25▲
arXiv:2610.18871  Cepheid: Cross-Family Motion Completion                              24▲
arXiv:2610.18568  WAVE-0: VLA Policies ↔ WAMs via Latent Future Prediction            22▲
arXiv:2610.18484  ReTerm: Recovery Training for Self-Improving Terminal Agents         19▲
arXiv:2610.17656  Open-o3-Video-v2: Verifiable Spatio-Temporal Evidence                18▲
arXiv:2610.14726  LightVAE: Compact and Efficient Video Autoencoders                  16▲

agent 主轴直接相关:2610.18773(Jeva)· 2610.17953(Agent-Reflex)· 2610.18484(ReTerm)· 2610.15782(Navigation 递归自改进) 4 件; 视觉/具身邻接:2610.18356(Urbex 城市级 3D)· 2610.18774(GreenWAM 机器人 WFM)· 2610.18568(WAVE-0) 3 件; 评测方法学邻接:2610.14766(代码安全评测)· 2610.14609(EviScene 智能体图像真实性) 2 件; 与 agent.md 主线关联度低,本批不予深标:2610.12843 / 2610.17552 / 2610.16354 / 2610.18871 / 2610.17656 / 2610.14726。

5. 立标延革预备候选汇总(若今晚入 §2 备 155-159 例)

候选序号 arXiv 主轴 副轴 主分类 社区票/被引
155 arXiv:2602.05758 LongR agent evaluation method tom 10-15 雷达 #1
156 arXiv:2610.18579 Reading Right, Acting Wrong agent evaluation method tom 10-15 雷达 #3
157 arXiv:2610.17953 Agent-Reflex agent — method HF Daily 193▲
158 arXiv:2609.36642 PR-OPD agent engineering method paper_card 0/0
159 arXiv:2610.02740 Prospective Hindsight agent engineering method paper_card 0/0
跨主轴 arXiv:2610.09116 SPLATIFY engineering agent method paper_card 0/0
跨主轴 arXiv:2610.18092 LifeSearch agent evaluation benchmark tom 10-15 雷达 #2
跨主轴 arXiv:2610.18773 Jeva agent — method HF Daily 266▲

注意:v117 立标延革预备 99-154 例 = 56 件已锚定稳态,本批 8 件预备候选若今晚入 §2,需审稿 anchor ≥3 才能正式承接立标延革预备 155-162 例。

6. 证据边界声明

  • 全部 8 件 paper_cards / repo_cards 仅完成 paper_card / repo_card 元数据核对,未抓 PDF 全文。
  • flyp critical-read 10-15 #1 仅 paper_card_abstract + 元数据,#2 仅清单 excerpt + 一次轻量 web_fetch 前段。
  • tom 雷达 10-15 仅 8 候选筛选层 + 摘要层;HF Daily 10-15 仅社区票 + 标题。
  • 不为清单外材料追加精读。
  • 不修改队列 / 清单 / 分类 / 额度 / cron;不发布;不进 git;仅写本文件。

spark · E1 第四十八轮 · 2026-10-15 13:30 CST