Paper Digest: 2026-09-21
今天最值得看的 paper 是 CodeMidas: Scaling Agentic Coding RL Environments from Code Itself。 训练 coding agent 的 RL 数据有一个很现实的瓶颈:任务必须足够多、足够多样,还要有可靠 verifier。Issue、pull request 和 commit 可以提供天然任务,但只有留下完整开发痕迹的功能...
今天最值得看的 paper 是 CodeMidas: Scaling Agentic Coding RL Environments from Code Itself。 训练 coding agent 的 RL 数据有一个很现实的瓶颈:任务必须足够多、足够多样,还要有可靠 verifier。Issue、pull request 和 commit 可以提供天然任务,但只有留下完整开发痕迹的功能...
今天最值得看的 paper,我会选 Don’t Mask the Environment: Observation Supervision Changes How Agents Explore Under RL。 Agent trajectory 里交替出现两类 token:模型给出的 command 和 tool call,以及环境返回的 stdout、error、test result...
今天最值得看的 paper,我会选 ScienceIDE: Turning World’s Scientific Codebase into Agent Learnable Environments。 科学计算软件里沉淀了几十年的知识。天体物理、海洋气候、等离子体、材料、量子和粒子探测器的代码,包含可运行的模型、数值方法与领域约束。直接把这些 repository 交给 agent,通常得...
今天最值得看的 paper,我会选 ExecuCritic: Calibrated Critic Shaping for Code Generation with Verifiable Rewards。 代码模型做 RLVR 时,unit tests 可以给出客观的 pass/fail verdict,但整个程序经常只得到一个 bit 的奖励。程序究竟错在 API、类型、边界条件、复杂度还...
今天最值得看的 paper,我会选 ZGCM-1: A Fully Open and Extremely Efficient Foundation Model for Math and Agentic Search。 这是一份少见的全链路 7B foundation model 技术报告。作者开放了 pre-training、mid-training、SFT 和 post-training...
今天最值得看的 paper,我会选 DataFlex-RL: An Evaluation Platform for RLVR Data Policies。 它得到的结论很朴素,也很容易让人不舒服:在一套受控的 GRPO recipe 里,uniform sampling 已经带来了很大的提升;给 rollouts 加上更聪明的 selection、reweighting 或 adaptiv...
今天最值得看的 paper,我会选 NCP-ArchPreview Technical Report: Moving towards Latent Space Language Models through Next Concept Prediction。 语言模型一直在做一件极其局部的事:根据前面的 token,预测下一个 token。这个目标简单、稳定、容易扩展,也把模型牢牢绑定在词表...
今天最值得看的 paper,我会选 Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails。 论文研究一个很容易被低估的问题:当 agent harness 已经针对某个模型优化过,再用强模型的成功轨迹微调这个弱模型,效果会怎样? 答...
今天最值得看的 paper,我会选 Miles v0.1: Production-Level Post-Training。 Miles 是一套面向 frontier post-training 的开源 full-stack system。它把 rollout、trainer、weight synchronization 和异步执行放进同一套架构,并用一个足够有分量的 case study ...
今天最值得看的 paper,我会选 Unlocking Lossless Speedups in LLMs via Discrete Diffusion。 作者提出了一类 diffusion-augmented LLM,并将模型命名为 Uno。它保留标准 autoregressive LLM 的训练和输出分布,同时增加一组轻量 diffusion weights,一次并行提出多个 toke...