Agent 效率与记忆管理（4/4 天出现）

本周最持续的主线：从端侧加速到上下文压缩再到记忆巩固，"用更少 token 做更好推理"已从工程技巧升级为系统性研究课题。Agent 的搜索策略、记忆遗忘与巩固被视为新的扩展轴。

• 2026-10-12：SchemaWeaver — 端侧工具调用延迟降低 3.9 倍，无需训练
• 2026-10-13：ChunkAct — Action chunking 使 LLM 调用减少 2.9x
• 2026-10-14：Scaling Discovery Requires Forgetting — 周期性遗忘搜索状态提升 15-39%
• 2026-10-14：Cortex — 上下文增益参数化内化，50 次编辑后保留 99.8% 原能力
• 2026-10-15：Librarian Agents — RL 训练 Agent 预先整理文档，BrowseComp-Plus 提升 33 个百分点

Agent 安全从外部护栏走向内部探测（4/4 天出现）

安全研究从"事后惩罚/过滤"持续转向"事前内部状态预测"和"跨语言审计"，且深入到多 Agent 系统中的隐匿信念传播。仅观察公开输出会严重低估安全风险。

• 2026-10-12：The Agent Knew — 残差流线性探测 AUROC 0.94 预测违规，门控将违规率从 0.70 降至 0.09
• 2026-10-12：GRAFT — 梯度路由隔离不当行为至牺牲参数，消融即停
• 2026-10-13：CSI — 加密技能文件成为 Agent 注入新攻击向量
• 2026-10-15：Believed but Not Said — 1 个对抗 Agent 使 44.8% 良性 Agent 隐匿接受错误答案
• 2026-10-15：LinguaGuardBench — 翻译用户指令即可改变 Agent 安全守卫判定

RLVR 训练进入 token 级精耕阶段（4/4 天出现）

RLVR 从"能不能用"全面进入"如何更高效"的精耕阶段。核心矛盾是稀疏奖励下 token 级信号的构造——从 Shapley 值协作评估到单次 rollout 信用分配，多篇论文从不同角度切入。

• 2026-10-12：Compositional RL — Shapley 值重新定义模型协作价值，C-RL 在 21/24 设定中最强
• 2026-10-13：P2T — 从已有 PRM 零训练提取 token 级奖励，AIME24 提升 +11.5%
• 2026-10-14：HP-RLVR — 单次 rollout token 级信用分配，训练速度提升 2.3 倍
• 2026-10-15：KnowGPO — 按知识获取分组的过程奖励，8B 媲美 32B 系统

机器人与具身智能（3/4 天出现）

从 action chunking 到权重空间扩散建模再到测试时环境适应，机器人研究正从"能用"向"高效可靠"演进。递归自改进从概念走向框架化。

• 2026-10-13：Physical RSI — L0-L5 框架定义机器人物理递归自改进
• 2026-10-14：Humanoid Weight Diffusion — 潜在扩散框架直接生成可部署的人形机器人控制权重
• 2026-10-15：T2-z — 测试时优化环境隐变量，成功率从 33.73% 提升至 72.96%

世界模型与多模态推理（3/4 天出现）

视频世界模型的持久记忆、抽象状态推理与测试时环境适应构成三大进展线，测试时训练（TTT）作为记忆机制在多个场景中验证了有效性。

• 2026-10-12：World-T3 — TTT 作为持久记忆，revisit PSNR 13.52→18.31
• 2026-10-13：Thinker-WM — 统一 RGB/深度/动作的共享动力学 Transformer
• 2026-10-14：StateCraft — 解耦持久抽象状态与视觉状态，长程一致性 SOTA

Agent 自我改进从概念走向不可判定性证明

本周 10-13 日 Physical RSI 提出 L0-L5 框架，10-14 日 SwarmRSI 实现科学 agent 群体递归改进，10-15 日 "The Self-Improvement Problem" 从理论上证明自我改进的不可判定性，同日 Terminal-RSI 和 RSIFlow 给出工程实现。这一从"能不能做"到"理论边界在哪"再到"如何工程化"的完整弧线，标志着 Agent 自我改进正成为独立研究领域。

小模型 + 好数据持续击败大模型

本周延续"小而精"趋势：Davinci-Tool 用 30B（1/16）超越 480B 模型，Glasseek 用 9B 超越前沿闭源，Tev-27B 匹配 GPT-6 Astra，KnowGPO 用 8B 媲美 32B 系统。核心模式始终是：可验证环境/合成数据 + 针对性训练 > 规模堆叠。这暗示模型规模红利正在收窄，训练策略与数据质量成为新的竞争轴。