今天最值得看的 paper，我会给 Trust Region On-Policy Distillation。 这篇 paper 处理的是一个很实际的 post-training 问题：我们想用更强的 teacher model 带一个 student model，让 student 在自己的 generation trajectory 上学习。这个方向叫 On-Policy Distill...

今天最值得看的 paper，我会给 Harness-1: Reinforcement Learning for Search Agents with State-Externalizing Harnesses。 这篇 paper 讲 search agent，但真正有价值的地方是它重新画了一条边界：哪些事情应该交给模型学，哪些事情应该交给 agent harness 维护。 很多 sea...

今天最值得看的 paper，我会给 GrepSeek: Training Search Agents for Direct Corpus Interaction。 这篇 paper 讲 search agent，但它抓住了一个更大的问题：如果 agent 可以直接操作环境，检索就不一定要被压缩成一次向量查询。 GrepSeek 的选择很大胆：让 search agent 把语料库当成一个...

今天最值得看的 paper，我会给 LiteCoder-Terminal: Scaling Long-Horizon Terminal Environments for Learning Language Agents。 这篇的核心问题很实际：terminal agent 要学会多步规划、根据命令反馈修正动作、在动态环境里更新状态。但现在训练这类 agent 很依赖抓取来的外部代码仓库，d...

今天最值得看的 paper，我会给 Agent Explorative Policy Optimization for Multimodal Agentic Reasoning。 这篇来自 NVIDIA，核心问题很清楚：agentic reasoning 里有两种动作，一种是在模型内部继续思考，另一种是调用外部工具。后者更接近真实 agent 能力，但训练起来也更不稳定。 作者把这个问题...

今天最值得看的 paper，我会给 MiniMax-M2。 这篇是 foundation model 技术报告。表面上最醒目的数字是 MoE: 旗舰模型 M2 有 229.9B total parameters，每个 token 只激活 9.8B。这个 sparse activation 设计让模型在推理成本和能力之间取得更好的平衡。 但这篇真正值得读的地方，是 MiniMax 把模型能...

今天最值得看的 paper，我会给 ECHO。 这篇 paper 讲 terminal agents，但它真正抓住的是 agent RL 里一个经常被浪费掉的信号：环境返回。 CLI agent 每一步都在和一个小世界互动。模型输出命令，terminal 执行命令，然后返回 stdout、stderr、文件变化、日志、trace 和错误信息。标准 GRPO 类训练通常只把 action ...

今天最值得看的 paper，我会给 SkillOpt。 这篇 paper 讲的是 agent skills，但它真正有意思的地方，是把 skill 当成一种可以被训练的外部状态来处理。 很多 agent 系统里的 skill，本质上还是一份手写文档：告诉模型怎么做事、注意什么、调用哪些工具。它可以被人修改，也可以被模型总结，但常见流程都偏松散。写得好不好，往往靠经验和事后感觉判断。Ski...

今天最值得看的 paper，我会给 OpenComputer。 这篇 paper 处理的是 computer-use agent 里一个很基础、也很麻烦的问题：我们到底怎么判断 agent 真的完成了任务。 很多现有 benchmark 看的是最终截图、最终文本，或者干脆让 LLM 当裁判。但真实软件操作里，成功常常藏在细粒度状态里。一个 spreadsheet 公式有没有填对，一个 I...

今天最值得看的 paper，我会给 SkillsVote。 这篇 paper 戳中的问题很关键。大家现在谈 agent，很容易把注意力放在 model 本身，或者放在单次 task 的成功率上。但一旦系统开始积累 reusable skills，真正麻烦的事情就来了：哪些经验值得保留，哪些 skill 值得暴露给 runtime，哪些更新会让系统越来越强，哪些更新其实是在把未来上下文慢慢污...