Paper Digest: 2026-07-24
今天最值得看的 paper,我会选 AREX: Towards a Recursively Self-Improving Agent for Deep Research。 Deep Research agent 最难的部分,往往发生在搜索进行很久以后。 Agent 已经打开过许多页面,收集了相互矛盾的证据,也写出了一版看似完整的答案。此时继续增加搜索轮数,常常只会让 context 更拥...
今天最值得看的 paper,我会选 AREX: Towards a Recursively Self-Improving Agent for Deep Research。 Deep Research agent 最难的部分,往往发生在搜索进行很久以后。 Agent 已经打开过许多页面,收集了相互矛盾的证据,也写出了一版看似完整的答案。此时继续增加搜索轮数,常常只会让 context 更拥...
今天最值得看的 paper,我会选 SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD。 这是一份少见的全栈技术报告。它从 1.6T 参数 DeepSeek-V4-Pro 的 full-parameter post-training 出发,一路写到 Ascend Supe...
今天最值得看的 paper,我会选 ISO: An RLVR-Native Optimization Stack。 RLVR 的 data、reward、objective 和 rollout system 已经被反复重做,optimizer 这一层却大多沿用 pretraining 的默认答案。AdamW 负责把 reward feedback 变成 weight update,模型仍然...
今天最值得看的 paper,我会选 Distilled Reinforcement Learning for LLM Post-training。 它处理的是 reasoning model post-training 里一个很实际的冲突。 RL 依赖 outcome reward,优化目标清楚,但 long response 上的 token-level credit assignme...
今天最值得看的 paper,我会选 Understanding Reasoning from Pretraining to Post-Training。 它抓住了 reasoning model 研究里一个长期被切开的接口:pretraining 把模型带到哪里,会怎样决定后面的 RL 能走多远、走多快。 常见的 post-training 实验会固定一个 pretrained mode...
今天最值得看的 paper,我会选 LongStraw: Long-Context RL Beyond 2M Tokens under a Fixed GPU Budget。 这篇 paper 解决了一个越来越明显的落差:模型推理已经接近 million-token context,RL post-training 仍经常停在 256K 或更短。 这个差距对 agent 特别麻烦。一次长...
今天最值得看的 paper,我会选 Know Before Fix: QA-Driven Repository Knowledge Acquisition for Software Issue Resolution。 这篇 paper 讲的是 coding agent 里一个非常真实的问题:agent 写 patch 之前,经常没有建立可靠的 repo understanding。 在 ...
今天最值得看的 paper,我会选 Weak-to-Strong Generalization via Direct On-Policy Distillation。 它讨论的是一个很现实的 post-training 问题:RLVR 很有用,但在强模型上反复跑 RL 太贵。 现在很多 reasoning model 的提升来自 reinforcement learning with ve...
今天最值得看的 paper,我会选 Long-Horizon-Terminal-Bench: Testing the Limits of Agents on Long-Horizon Terminal Tasks with Dense Reward-Based Grading。 这篇 paper 很直接地戳中了当前 agent 的薄弱处:短任务看起来越来越能做,长任务还是很难。 很多 t...
今天最值得看的 paper,我会选 Single-Rollout Asynchronous Optimization for Agentic Reinforcement Learning。 这篇 paper 讨论的是一个很现实的 post-training 问题:当 RL 训练对象变成 coding agent、tool-use agent、long-horizon reasoning a...