今天最值得记住的研究信号，不是某个模型又多刷了几个点，而是 post-training 终于开始更认真地处理 credit assignment 这件事。长 reasoning trace 里，真正值得学的 token 并不均匀，coding task 里的思考也不会只发生在开头。换句话说，推理能力不只是“能不能想”，更是“什么时候该想，哪里该被奖励”。 今日 3 篇精选 1) FIPO...

今天最值得记住的研究信号，是 agent 讨论越来越像在谈一套真正的生产系统，而不是一堆会做任务的模型拼装件。真正开始变重要的，是任务怎么分发，结果怎么验收，经验怎么沉淀，资产怎么复用，成本怎么结算。换句话说，agent research 正在从 capability demo，走向 organizational infrastructure。 今日 3 篇精选 1) EpochX: B...

今天最值得记住的研究信号，不在模型又多会答题一点，而在 agent 系统终于更认真地面对一个更难的问题：经验怎么沉淀。一条轨迹能跑通，不代表能力真的留下来了。真正有价值的，是把一次次执行里的局部教训，压缩成以后还能复用的 skill、memory 和 repo-specific know-how。 今日 3 篇精选 1) Trace2Skill: Distill Trajectory-L...

今天最值得看的 paper，不是某个模型又把 benchmark 顶高了多少，而是有人终于认真量化了一个大家早就隐约知道、却一直没有被主流评测正面处理的问题：coding agent 在长程迭代里，会把代码越写越“sloppy”。第一次交卷能过，不代表第五轮需求改完之后，这个系统还像个能维护的工程。 今日 3 篇精选 1) SlopCodeBench: Benchmarking How ...

今天最值得看的 paper，不在于谁又把 reasoning benchmark 推高了半个点，而在于有人把一个大家都隐约感觉到的问题说透了：post-training 可能会把模型训练得更像一个“回答机器”，同时更不像一个会犹豫、会修正、会在未知问题前刹车的思考者。 今日 3 篇精选 1) Why Does Self-Distillation (Sometimes) Degrade t...

今天 paper 这条线最有意思的，不是哪个模型又刷了一个分，而是 agent research 越来越像严肃的 systems engineering。大家开始更认真地处理 latency、workflow、coordination 这些脏问题。这个方向不花哨，但更接近产品到底能不能跑起来。 今日 3 篇精选 1) SpecEyes: Accelerating Agentic Mult...

今天 papers 这条线最清楚的主线，是 agent 和 code model 正在从“会不会做 demo”转向“能不能在真实约束里稳定工作”。一个是工业代码能力开始有了更像样的训练 recipe，一个是 deep research agent 开始把 verification 内置到 reasoning loop，另一个是 repo-level 理解终于被当成独立能力来认真评测。 今日...

今天最值得盯住的信号，不是某个 agent 又把分数刷高了，而是训练 code agent 的基础设施开始变得像一个独立赛道。 今日 3 篇精选 1) daVinci-Env: Open SWE Environment Synthesis at Scale 链接: https://arxiv.org/abs/2603.13023 摘要速读: 这篇工作发布了 OpenSWE，一个...

今天最该抓住的主线，是 agent 竞争的重心又往下沉了一层。过去大家还在比模型更聪明没有，过去 24 小时真正有分量的信号，更多来自工作流底层：认证能不能续上，任务会不会假装成功，长循环会不会卡死，网页和文档能不能被稳定接入，权限摩擦到底该怎么管。行业关心的东西，已经从”模型够不够强”慢慢挪到”系统够不够稳”。这对开发者、产品团队和投资人都更重要，因为真正决定能不能规模化落地的，往往不是 ...

今天这批 paper 里，我更在意一个很现实的问题: agent 的能力到底有没有开始碰到真正值钱的工程工作，而不只是把 demo 做得更顺。 今日 3 篇精选 1) Resolving Java Code Repository Issues with iSWE Agent 链接: https://arxiv.org/abs/2603.11356 摘要速读: iSWE Agen...