Clauday.

今天 Hugging Face 上票数最高的论文，回答的是任何人在多任务上训 agent 都会一头撞上的问题：为什么在混合任务集上做 SFT，会让每一项都稍微变差，而在同一批混合数据上做 RL 基本不会？ 作者给的答案是几何层面的。RL 产生的参数更新在任务之间是稀疏且近似正交的——不同任务碰的是不同方向，基本互不干扰。SFT 产生的更新会撞在一起。他们把…

Agent RL 最贵的部分不是 GPU，是环境——真实的 API、真实的沙箱、真实的延迟、真实的抽风。EnvACE，一篇腾讯系团队的新论文（arXiv 2608.06197，HuggingFace Daily Papers 上 38 个赞），问了一个显而易见但离经叛道的问题：如果让策略自己学会模拟环境呢？ 方法叫 world rehearsal，世界排练…

今天 Hugging Face 上排第一的 agent 论文（66 赞）是 AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning，清华牵头的团队（arxiv.org/abs/2608.05987，代码在 github.com/ZethWang/AgentOPSD）。…

8 月 6 日 Hugging Face Daily Papers 排第一的 agent 论文，来自上海交大：ABSeeker，Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment（arxiv.org/abs/2608.05102，53 个赞）。招牌结果：一个…

Prime Intellect 在 8 月 5 日发布了 Prime Agent（primeintellect.ai/blog/prime-agent）：一个开源的编程与研究 agent，核心想法只有一个——应该允许 agent 修改自己。不是改权重，是改 harness。 两个抽象干活。第一个叫 Recursive Language Model：不再是一…

Hugging Face日榜第一，143个赞：From RLVR to RLSVR。问题大家都熟：可验证奖励的RL在数学和代码上好使，因为答案能查；写作、总结这类开放任务没有标准答案，只能靠奖励模型或LLM裁判，而裁判会漂移、会被钻空子、还烧推理费。 他们的解法：别去评判输出，把任务本身改造成环境自己会打分的形状。落地实现叫SpyRL，一个信息不对称的自博…

一篇叫 SkillRise 的新论文（arXiv 2607.26784）盯上了当下智能体一个挺诚实的短板：什么都从头学。解完一个任务，把琢磨出来的东西一扔，明天碰到类似的任务，重新开始。SkillRise 提出一套智能体强化学习的做法，让智能体把技能攒下来、跨任务带走，能力是复利式累积，而不是每次归零。 底下押的注值得直说。一个一次性智能体和一个会越来越强…

英伟达 NeMo 团队今天放出了 Molt，直接冲上 Hugging Face 论文榜第一，647 个赞。它是一个 PyTorch 原生的、面向 agentic 强化学习的训练框架，整套设计哲学就是冲着这类技术栈越做越臃肿去的。它的 RL 内核大约九千行代码，能训练到 7000 亿参数的模型。这个数字才是重点：小到一个研究员能把整个算法装进脑子里，也小到一个…

现在做一个好用的搜索agent，默认配方是：拿个小模型，从前沿模型里蒸馏轨迹，发布。港科大的DeepSearch-World，arXiv 2607.07820，没走这条路，结果一个9B模型在BrowseComp上31.2%，GAIA上61.5%，HotpotQA上93.4%。 诀窍在环境。DeepSearch-World是一个给web agent用的确定性…

agent技术栈里有个尴尬的不对称：推理系统轻轻松松伺候百万token的上下文，但RL后训练——真正让agent在长任务上变强的那件事——却卡在25.6万token左右。于是一个攒出两百万token观察轨迹的agent，没办法端到端地从自己的轨迹里学习。所有人都在测长程能力，几乎没有人能针对它训练。 LongStraw，今天HuggingFace论文榜第一…