Paper Digest: 2026-10-05
今天最值得看的 paper 是 Scaling Trajectories for Complex Tasks through Recursive Self-Rewrite。 它抓住了 code-agent training 里一个很现实的问题:强 harness 能让模型完成更多任务,但成功轨迹里混入了 controller intervention、workflow convention...
今天最值得看的 paper 是 Scaling Trajectories for Complex Tasks through Recursive Self-Rewrite。 它抓住了 code-agent training 里一个很现实的问题:强 harness 能让模型完成更多任务,但成功轨迹里混入了 controller intervention、workflow convention...
今天最值得看的 paper 是 Cross-Benchmark Transfer from RL on Agentic Coding Tasks。 它问了一个 code-agent post-training 里很关键的问题:在一小批高质量 coding tasks 上做 RL,学到的能力能不能跨 repository、benchmark、agent harness 和任务时长继续生效? ...
今天最值得看的 paper 是 The Teacher Is a Direction, Not a Destination: Extrapolating RL-Induced Representation Residuals in On-Policy Distillation。 On-policy distillation 通常让 student 在自己的 trajectories 上匹配...
今天最值得看的 paper 是 ROSS: Relearning from Self-Generated Rollouts through Selective Supervision。 LLM post-training 会消耗大量算力生成 rollouts。Policy 更新以后,这些历史轨迹通常被视为 stale data:它们来自旧模型,分布已经落后,整条模仿还可能把错误、无效尝试和...
今天最值得看的 paper 是 Groupwise Agentic Grading and Advantage Redistribution for Code Agent RL,简称 GAGAR。 代码智能体做 RL 时,最方便的 reward 来自测试:通过为 1,失败为 0。这个信号客观、便宜、容易扩展,却把所有成功轨迹压成了同一种结果。 同一个 issue,可以有两份都能通过测试的...
今天最值得看的 paper 是 RayOrch: Programming and Executing Lineage-Controlled Multi-Grain Dataflows for Foundation-Model Data Preparation。 基础模型的数据准备,经常同时面对两个方向相反的需求。 PDF、网页和视频会动态展开成 page、region、clip 等子任务...
今天最值得看的 paper 是 Rufus-Air: An Open LLM Post-Training Recipe。 很多模型报告会公开最终 benchmark,却把真正决定复现成败的部分压缩成几句话:SFT 数据怎样混,RL prompt 怎样筛,rollout 被截断后怎样处理,推理和训练精度不一致怎么办,sandbox 挂掉算谁的错,每个 stage 又该接在哪个 checkpo...
今天最值得看的 paper 是 PACT: From Credit Assignment to Critic Alignment。 LLM agent 的一条 trajectory 可能有几万 tokens、几十次 tool calls,训练时却常常只在最后拿到一个 verifier reward。这个结果该怎样分给前面每个 token,一直是 agent RL 里最难处理的问题之一。 ...
今天最值得看的 paper 是 The Tasteful Agent: Measuring and Improving Taste in Long-Horizon Tasks。 一个 coding agent 可以在前几步做出完全合理的选择,跑了很久才发现方向错了。最终 success rate 会记录失败,却很难告诉我们真正关键的错误发生在哪里。论文把这种能力称为 agent 的 tas...
今天最值得看的 paper 是 Harness-Zero: Harness Distillation via Agent-as-Harness。 Agent 的能力经常来自模型外部:system prompt、tool schema、control flow、memory、context management,以及各种为特定任务手工打磨的 scaffold。一个强 harness 可以显著...