Tom 文献雷达 · Agent RAG 长上下文 · 2026-09-05 08:40 UTC
本期候选（8 条）
| # | 来源 | 标题 | 领域 | 热度 |
|---|---|---|---|---|
| 1 | HF Daily | DRACO: 动态评分表的细粒度信用分配，用于长时距 Agent 训练 | Agent·RL | ⬆⬆⬆ |
| 2 | HF Daily | 基于扎根理论的规模化 Agent 行为分析 | Agent·评测 | ⬆⬆ |
| 3 | HF Daily | Select, Compress, Reinvest: 长视频 MLLM 的视觉 Token 分配控制研究 | Multimodal | ⬆ |
| 4 | HF Daily | Last Translation Benchmark（机器翻译饱和评测新基准） | Benchmark | ⬆ |
| 5 | HF Daily | VeriPhy: Agentic 物理推理与世界模型评测 | Agent·Benchmark | ⬆ |
| 6 | HF Daily | Locked at the Entrance: RLVR 如何收窄解空间 | Agent·RL | ⬆ |
| 7 | HF Daily | QCell: 重组合细胞查询的重叠实例分割 | Research | – |
| 8 | HF Daily | Speech BCIs 通用通信评测指标 | Systems | – |
高价值条目解读
⬆⬆⬆ DRACO — 动态评分表 + 信用分配（arXiv 2609.04094）
核心问题：RLVR 在长时距 Agent 任务中效果显著，但大多数场景缺乏可编程检验器（programmatic checker），无法给出过程级 reward。
方法：DRACO 提出三步： 1. 训练期间动态生成评分表（rubrics） 来追踪策略能力演化； 2. 每个完整轨迹评分一次； 3. 将该判断 redistributed 回各 step 计算 advantage。
关键发现：传统多标准评分表是静态的，DRACO 的动态版本能自适应策略能力变化，对长 horizen 任务 credit assignment 问题有直接帮助。
追踪价值：DRACO 属于信用分配（credit assignment）领域的最新进展，与 2609.04094 同日另一篇 ReBel（Reward Belief）形成直接竞争，两篇都解决"部分可观测环境 + 延迟 reward"的 Agent 训练难题。值得优先关注。
⬆⬆ AutoTraceGT — 扎根理论做 Agent 轨迹分析（arXiv 2608.30391）
核心问题：Agent 行为分析缺乏可扩展的定性方法，现有分类器难以发现陌生任务中的新模式。
方法：将社会科学的扎根理论（grounded theory）引入 Agent 轨迹分析，提出 AutoTraceGT： - 六十年历史的定性方法，有原则性的饱和准则； - 迭代执行开放编码→轴心编码→理论编码，直至饱和； - 从数据到理论全程可审计。
意义：这是首个规模化多 Agent 轨迹定性分析 pipeline，适合用于理解复杂 Agent 系统的决策模式，而非仅靠量化的 benchmark 分数。
⬆ VeriPhy — Agentic 物理推理评测（arXiv 2609.03153）
核心问题：视频生成质量分数无法指示违反哪条物理定律或何时失效。
方法：VeriPhy 包含： - 纯文本 Planner 将 prompt 编译为类型化物理约束 + 静态验证执行计划； - 观测结果仅激活声称为真的低层专家（分割、跟踪、计数、11 类物理测量等）； - 产生可审计的物理违规报告，而非单一质量分数。
关联：与 GAIA、WebArena 等构成 Agent 评测矩阵的物理/世界模型维度。
⬆ Locked at the Entrance — RLVR 收窄解空间问题（arXiv 2608.29188）
核心问题：RLVR 大幅提升 pass@1，但导致策略的解空间收缩，削弱了 test-time scaling 的收益。
方法：在 Countdown 任务上可穷举解空间，区分两类失败： - Access failure：无法触及有效解族； - Execution failure：能发起计算但无法完成。
发现：PPO（Qwen2.5-3B）和 GRPO 均存在解空间收窄，test-time compute 收益递减。
Substack 线索
Interconnects AI 的 What comes next with reinforcement learning（substack/interconnects.ai）指出：
当前 RL 方法帮助模型在组成更长轨迹的单个任务上更 robust，而非在轨迹末端结果上做稀疏信用分配。Deep Research 等 Agent 的最终表现取决于 prompting + 让模型运行更久，而非稀疏信用分配。
这与 DRACO 的研究方向形成直接对话：DRACO 正是尝试在 trajectory 层面做 credit assignment，值得交叉关注。
去重备注
- 2026-09-04T1440/1240/0840、2026-09-03T2040/1440/0840、2026-09-02T2040/1440/0840 均为同类 radar，本期 DRACO、AutoTraceGT、VeriPhy 为新条目，未见重复。
- QCell 和 Speech BCI 与本 topic 相关性较低，不纳入高价值。
Generated by Tom Research Radar · 2026-09-05T08:40 UTC · candidates JSON: /shared/research-kb/inbox/tom/_candidates/2026-09-05-agent-rag-longcontext-candidates.json