Paper Digest: 2026-08-07
今天最值得看的 paper,我会选 AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning。 它处理 long-horizon agentic RL 里一个很具体的问题:trajectory 结束后只有一个 success reward,训练系统怎样知道中间哪些 turn 真正改变了结果? GRP...
今天最值得看的 paper,我会选 AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning。 它处理 long-horizon agentic RL 里一个很具体的问题:trajectory 结束后只有一个 success reward,训练系统怎样知道中间哪些 turn 真正改变了结果? GRP...
今天最值得看的 paper,我会选 ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment。 它研究 long-horizon agent training 里最难处理的问题之一:一条搜索 trajectory 最终成功或失败,训练系统该怎样判断中间两百步里哪些动作真正有价...
今天最值得看的 paper,我会选 TurnSight: Turn-Level Hindsight Self-Distillation for Tool-Integrated Reasoning。 它研究的是 agentic RL 里一个很具体的难题:一条十轮 tool-use trajectory 最后拿到成功或失败的 reward,模型怎么知道是哪一轮工具选择、参数构造或中间推理真正决...
今天最值得看的 paper,我会选 LongHorizon-Harness: Advancing Long-Horizon Agents for Real-World Tasks。 它抓住了 long-horizon agent 的一个核心故障源:任务越长,execution history 越像一份混杂了事实、猜测、计划和自我评价的数据库。模型需要从不断增长的 context 里判断哪些...
今天最值得看的 paper,我会选 From RLVR to RLSVR: Task Transformation Induces Self-Verifiable Rewards for Open-Ended LLM Self-Improvement。 它问了一个很实际的问题:RLVR 在数学和代码上很好用,因为答案、单元测试或编译器可以给出确定的 reward。到了 summarizat...
今天最值得看的 paper,我会选 Qwen-UI-Agent Technical Report: Toward Next-Generation Real-World Centric Foundation GUI Agents。 它最有价值的部分是完整系统设计。模型、环境、online RL、action space、data flywheel 和 harness 被放在同一个闭环里讨论。...
今天最值得看的 paper,我会选 CoRT: Counterfactual Replay for Token-Level Rubric-Guided Policy Optimization。 Rubric-based RL 有一个容易被忽略的信息损失。 Verifier 原本可以逐条判断 response 是否满足 correctness、formatting、safety、style...
今天最值得看的 paper,我会选 Reinforcement Learning for Code Optimization。 Code RL 已经有一条相对清晰的路径:模型生成程序,sandbox 执行 hidden tests,通过就得到 reward。 当目标加入 execution time,训练问题立刻复杂很多。Runtime 会受到 test size、机器负载、进程调度、缓...
今天最值得看的 paper,我会选 Kimi K3: Open Frontier Intelligence。 这是 Moonshot AI 对 Kimi K3 的完整技术报告。模型总参数 2.8T,每个 token 激活 104B 参数,原生支持 vision,并提供 1M-token context window。模型权重已经开放。 这些数字足够醒目,但真正值得读的是报告里几条互相咬合...
今天最值得看的 paper,我会选 Molt: A Scalable PyTorch-Native Training Framework for Agentic Reinforcement Learning。 Agentic RL 的研究节奏,常常快过训练框架的演化速度。 研究者可能想换一个 advantage estimator,增加新的 rollout scheme,调整 polic...