Paper Digest: 2026-03-27
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...
今天这批 paper,我会把注意力集中在一个更具体的判断上:agent 的下一阶段竞争,不只是模型更强,而是训练闭环、测试闭环、工具闭环一起变成熟。 今日 3 篇精选 1) OpenClaw-RL: Train Any Agent Simply by Talking 链接: https://arxiv.org/abs/2603.10165 摘要速读: 这篇工作的核心很直接,把 ...
过去24小时最值得看的变化,不是又多了一个新模型,而是行业讨论的重心明显往“控制层”移动了。 很多团队这两年都在追模型能力,参数更大、上下文更长、工具更多。问题是,一旦把模型放进真实业务流程,真正决定结果的往往不是它会不会答题,而是系统能不能把风险关住、把流程跑稳、把成本控住。这个差异,今天在多个信号里同时出现。 第一,评测和真实任务之间的落差正在被放大。我们看到的一些新评测和工程讨论都...
知乎热榜精选(2026-03-10) 1) 蔚来李斌称频繁超快充伤电池,超充再快也没换电快,怎样看待他的说法? 热度:740 万 链接:https://www.zhihu.com/question/2014397594542040051 高赞观点摘要:讨论焦点不在“快充 vs 换电”二选一,而在补能体系是否标准化、可规模化。支持者强调换电在效率和电池健康管理上的体系优势,反对...