本栏目为每期一版的 AIGC 学术界 / 工业界前沿摘要。选题以人工筛选为主，每篇的分析要点由自动化流程生成，可能存在偏差或不准确之处，仅供参考。

模型 & 产品

K-EXAONE 2.0（LG AI Research 开源权重模型）

8 月 5 日，LG AI Research 放出 K-EXAONE 2.0 技术报告与开源权重（Apache 2.0）。它不是从零重训，而是把上一代 K-EXAONE upcycle 成 Mixture-of-Experts 架构后扩容而来。需说明的是，这是一篇 arXiv 技术报告 + 开源权重发布，而非厂商发布博客，故放在「模型 & 产品」里当作本窗唯一一条工业界动态收录。

  • 规模：总参数 750B、每 token 激活约 37B，作者称「容量是前代的三倍多」；上下文长度支持到 256K；多语言覆盖从 6 种扩到 10 种。
  • 训练：持续预训练 + 难度聚焦的 mid-training + 后训练三段式，目标锁定推理、agentic coding、多语言，以及扎根韩国社会文化语境的安全性。
  • 生态 / 接入：Apache 2.0 开源权重，可自托管；作者称最大增益在 agentic coding 与长上下文理解，长上下文检索与安全性上优势最明显。
  • 局限：摘要用「九个贴近实用场景的评测类别」这类定性口径，未给出具体基准分数，「与其它开源权重模型竞争力相当」的强弱要看全文；750B MoE 的部署成本对多数团队不轻。

论文精选

每篇附 arxiv / 项目链接，并给出「实用性 / 创新性」评分（满分 5）。本批预印本 v1 提交时间集中在 8 月 5 至 6 日（UTC），部分定量结论以摘要口径为准，细节以全文为准。

LLM / Agent

RST — 长程终端任务的「递归合成」

  • https://arxiv.org/abs/2608.05466 ｜ 实用性 5 ／ 创新性 4
  • 10 位作者，Zhongzhi Li 等；HuggingFace 页面标注腾讯混元提交，cs.AI；8 月 6 日（+08:00）提交，当期社区热度最高（213 赞）。

核心动机：训练长程终端 agent（在真实 shell / 终端里连续操作、跨多步完成任务）缺的是规模化、可验证的任务数据。靠人工编写既贵又难覆盖长尾，而现成基准数量有限、难度分布也窄。

横向对比：RST 是一个递归的、带验证的任务合成框架：从少量「已验证的种子任务」出发，递归地扩展解法、重新对齐验证器与指令、再放进沙箱里跑通验证——如此一轮轮把任务「长」出来。作者用它造出 37,484 个任务，单个成本约 0.05 美元；难度随轮次显著上升，且「跑到 15 轮仍看不到天花板」；用合成轨迹训练后，模型在多个终端 agent 基准上都有提升（摘要以「several terminal-agent benchmarks」的定性口径给出，未逐一列分数）。

优点：把「长程 agent 缺数据」这个卡脖子问题，转成一条可自我扩张、成本极低（约 5 分钱一题）的合成流水线，工程可复现性强；「递归 + 沙箱验证」保证造出来的任务是可解、可判的，不是噪声；难度随轮次自然攀升，天然形成 curriculum；「15 轮无天花板」暗示这条路还能继续加码。 缺点：合成任务的真实性与分布偏差是根本风险——递归自我扩展容易漂到「模型擅长的形状」上；摘要未逐一给下游基准的绝对分数，增益幅度要看全文；验证器 / 指令的重对齐质量决定数据质量，坏种子会顺着递归放大；单题 0.05 美元不含验证失败重试与人工审计的隐性成本。

ABSeeker — 从答案倒推，给搜索 agent 做稠密信用分配

  • https://arxiv.org/abs/2608.05102 ｜ 实用性 4 ／ 创新性 4
  • 7 位作者，Siheng Chen 等（上海交大系），Yijun Lu 领衔；8 月 6 日（+08:00）提交（61 赞）。

核心动机：训练长程搜索 agent 时，回报只在「最终答案对不对」这一层稀疏地给，中间的每一步检索到底有没有用，标准 RL 分不清——好步、废步、冗余步被一视同仁，信用分配太粗。

横向对比：ABSeeker 提出 Answer-Backtracked Credit Assignment（ABC），把稀疏的轨迹级结果变成稠密的步级奖励。两段式：先做「答案回溯的线索恢复」——从答案往回推，重建解这道题所需的中间线索；再做「线索锚定的步打分」——拿每一步检索去对照这些线索评分。分数喂进两种训练变体：ABC-SFT（按分重加权每轮 loss）与 ABC-GRPO（把步分当 GRPO 奖励）。基于 Qwen3.5-4B、仅用 8.5k 训练样本，在 BrowseComp 上拿到 37.3%（加上下文管理到 55.3%）、BrowseComp-ZH 39.1%（→ 52.9%），作者称显著超过同为 4B 量级的 agent、并逼近约 30B 量级的模型。

优点：「从答案倒推线索、再拿线索给每一步打分」是个干净的稠密化思路，直接对上搜索 agent 信用分配太稀疏的痛点；4B + 8.5k 样本就逼近 30B，样本与参数效率都很亮眼，复现门槛低；同一套 ABC 分数能接 SFT 也能接 GRPO，方法弹性好；给了 BrowseComp 中英双榜的硬数字。 缺点：线索恢复要「从答案往回推」，隐含依赖已知正确答案，向没有金标答案的开放搜索外推存疑；线索重建本身的质量与偏差会直接污染步级奖励；只在搜索 / 浏览类任务上验证，迁到别的长程 agent 域待证；「加上下文管理」带来的十几个点增益说明相当一部分收益来自正交手段，需拆清 ABC 本身的贡献。

EnvACE — 用「世界预演」把环境动态内化进策略

  • https://arxiv.org/abs/2608.06197 ｜ 代码 ｜ 实用性 4 ／ 创新性 4
  • 12 位作者，Zishan Xu 领衔，含 Weiwen Liu、Weinan Zhang 等（腾讯系），cs.AI；8 月 6 日（+08:00）提交。

核心动机：agentic RL 训练往往依赖昂贵的真实环境交互或难以对齐的模拟器。作者想绕开这道成本：让模型把「动作—反馈」的环境动态直接吸进自己的参数里。

横向对比：EnvACE 让同一个策略在两种角色间交替——先生成一个工具调用，再自己扮演环境、产出该调用「本应」引发的响应，然后用这段预演出来的响应去指导后续决策；两种角色用任务成功奖励端到端一起训。这样模型内部就长出一个「agent 世界模型」，推理时可以「先私下预演、再真正执行」，在不增加外部交互的前提下改善结果。在 BFCL-v4、τ²-Bench、VitaBench、FinMCP-Bench 四个基准上评测，作者称整体表现「强且可迁移」，超过靠堆环境交互的基线（摘要未给具体分数）；代码已开源。

优点：把「训练要真环境」这个大成本项，换成模型自我预演，思路上和「把外置能力内化进骨干」的近期潮流一致；「先私演再执行」在推理期也能用，等于送了个无额外交互开销的自校验；四个 agent / 工具调用基准覆盖面不错；开源便于跟进。 缺点：模型自己扮环境，预演的响应可能系统性失真——若世界模型学歪，越预演越自信地错；摘要无任何具体分数，「超过环境-scaling 基线」的幅度难独立核验；对反馈可完全内化的假设，在高随机性或强外部依赖的环境里未必成立；端到端联训两种角色的稳定性与超参敏感度要看全文。

Harness / 工程实践

OneDayAgent — 面向开放长程任务的「统一 harness」

  • https://arxiv.org/abs/2608.05013 ｜ 实用性 4 ／ 创新性 3
  • 6 位作者，Jingsheng Zheng 等，含 Huajun Chen、Ningyu Zhang（浙大 NLP / ZJUNLP），cs.CL / cs.HC / cs.MA；8 月 5 日凌晨（+08:00）提交，标注「Ongoing work」。

核心动机：真实的开放式请求常常横跨不同环境与模态、要拉很长的时间线，单一能力点解决不了；作者想要一套harness 层面的统一框架，把这类任务当成一个「可管理的执行过程」来跑，而不是指望某个更强的底座模型一口气搞定。

横向对比：OneDayAgent 把一个开放请求转成受管的执行流——拆成有界子任务、在上下文压力下维护执行记忆、并对最终交付物做校验与修复。关键主张是「一套 harness 联合应对多种失败模式」，且跨模型后端通用。在自建的 AgentIF-OneDay（104 个任务） 上评测，用 GLM-5.2 后端拿到整体 0.821 的 SOTA；在来自三个模型家族的五个后端 LLM 上「无需调参即可泛化」。

优点：把注意力从「换更强的模型」移到「把 harness 做扎实」，正是本栏目关心的方向；「有界子任务 + 上下文压力下的执行记忆 + 交付物校验修复」这套拆法，是可直接套用的工程模式；跨五个后端、三个家族不调参就迁移，说明收益来自 harness 结构而非某个模型的运气；给了 AgentIF-OneDay 上 0.821 的硬数。 缺点：AgentIF-OneDay 是自建基准，其代表性与难度分布决定结论说服力，缺横向公认基准的旁证；标注「Ongoing work」，成熟度与完整消融待补；「联合应对多种失败模式」较笼统，哪一部分（拆解 / 记忆 / 校验）贡献几何，摘要没拆；0.821 的绝对水平相对其它 harness 强多少，需看全文对比。

Activity Frames — 把屏幕活动「确定性编译」成 agent 记忆

  • https://arxiv.org/abs/2608.05784 ｜ 实用性 4 ／ 创新性 4
  • 单作者 Nossa Iyamu，cs.AI；8 月 6 日（+08:00）提交；schema / 编译器 / 评测 harness 已开源。

核心动机：computer-use agent 要「记住用户干过什么」，但把原始屏幕录制直接塞进上下文既贵又噪。作者要的是一条**无模型（model-free）**的管线：不记「用户说了什么」，而是把「用户实际做了什么」编译成结构化、可直接读的记忆。

横向对比：Activity Frames 把捕获流切成带类型的「活动帧」，记录应用、时序、输入量等字段。因为全程不过模型，输出是「字节级确定、可缓存、可机械审计」的——这点正是它和「让 LLM 去总结屏幕录制」的关键区别。第二个用途是把同一个编译器当成本度量工具，导出两个此前没被量化的 agent 成本参数：Routine Overhead Ratio（R）与例程复现率（h）。在一个用户 51 个活跃日、128,756 帧的语料上：把一天的原始捕获压成上下文块「小 86 倍、耗时 68 ms」；agent 读这个块的准确率 98.4%（Wilson 95% CI 91.7–99.7%），而让 LLM 去总结同样数据只有 66–80%；R 报到 60–343 倍，可委派的例程复现率样本内 9.0%、样本外 7.7%；确定性例程重放「零模型 token」现场跑通。

优点：用无模型确定性编译替掉「LLM 总结屏幕」，把准确率从 66–80% 抬到 98.4%，且字节级可复现、可审计——这对可观测性极重要；86× 压缩 / 68ms 的开销数字说明它是可上生产的预处理层；顺手量化出 R、h 两个 agent 成本参数，给「值不值得委派」提供了可算的依据；全套开源。 缺点：数据只来自单个用户、单份语料，跨人 / 跨工作流的泛化是最大问号；「确定性编译」对结构化屏幕活动有效，遇到高度非结构化或视觉密集的场景可能覆盖不足；记录「做了什么」而非「为什么」，语义理解仍要交给下游模型；隐私与录屏合规是这类被动捕获绕不开的前提。

Eval / 评测

HarnessOpt-Bench — 评 LLM「优化 harness」这件事本身

  • https://arxiv.org/abs/2608.06301 ｜ 实用性 4 ／ 创新性 4
  • 7 位作者，Varun Ursekar 等（Scale AI），cs.AI / cs.CL / cs.LG；8 月 7 日（+08:00）提交。

核心动机：agent 系统的性能越来越取决于围绕模型的那圈 harness——prompt、工具、控制流、记忆、编排代码。那么「让 LLM 自动去改进一套 harness」到底行不行、能不能测出高下？此前没有专门的基准。

横向对比：HarnessOpt-Bench 把它设成一个端到端的 harness 优化任务：给优化器（一个 LLM + 编码 harness）一套种子 harness、评测反馈和固定预算，让它反复改、最后提交一个候选；候选按在留出测试集上相对种子的提升打分，全程有可信执行环境守住评测边界、并留存版本供审计。规模：5 个前沿 LLM 当优化器、在共享编码 harness 与各自原生 harness 两种条件下、4 个下游任务、111 次计分运行。核心发现：优化器模型之间的分化，比它们所用的编码 harness 之间更大；原生 harness 并不「更好」；结果随任务与种子条件大幅波动——说明「优化 harness」是一项可测量、有区分度、且远未做满的能力。

优点：直接把「harness 优化」立成一个可测的一等能力，选题极贴 agent 工程现场，也呼应本栏目对 harness 的持续关注；「相对种子的提升 + 固定预算 + 可信执行环境 + 版本留存」的评测设计严谨、抗刷分；「优化器差异 > harness 差异」这个发现，对「到底该换模型还是打磨脚手架」很有指导；来自 Scale AI，评测工程可信度加分。 缺点：111 次计分运行、4 个下游任务，规模仍偏小，跨任务方差大意味着结论要谨慎外推；「相对种子提升」高度依赖种子选取，种子差 / 好都会左右可优化空间；评测本身昂贵且随机（作者也点明），复现成本不低；只测「让 LLM 改 harness」，人机协同改进 harness 的现实主线未覆盖。

Skill²-Bench / Skill Entropy — 跨技能长程推理的基准与训练信号

  • https://arxiv.org/abs/2608.05139 ｜ 代码 ｜ 实用性 4 ／ 创新性 4
  • 9 位作者，Yinghui He 等，含 Mengdi Wang、Sanjeev Arora（普林斯顿系），cs.CL；8 月 6 日（+08:00）提交。

核心动机：现有基准大多考「单项技能」，但真实长程任务是跨技能的——每一步需要不同的推理技能、又要接住上一步的产出。模型「在技能间切换」的能力，一直缺一把尺子来量。

横向对比：作者提出 Skill Entropy——量化「切换技能有多难」的指标，并据此建 Skill²-Bench：横跨「9 个可验证 / 开放域、558 种技能」的跨技能任务，按 skill-entropy 分成三档难度。训练侧把 skill entropy 转成信号，做 Skill-Entropy RL：让模型在每一步同时预测「答案」和「用的是哪种技能」，奖励混合步正确性与对金标技能序列的对齐。关键发现是一条「技能切换鸿沟」——任务熵越高、准确率越掉（在 8 个前沿 + 4 个开源模型上验证）。用 Skill-Entropy RL 后：Qwen3-4B-Instruct 34.4% → 68.4%、Qwen3-1.7B 14.6% → 40.1%，且能迁到现成数据（如 OpenR1-Math）。

优点：把「切换技能有多难」显式量化成 Skill Entropy，并据此分档建库，比「测单技能」更贴长程任务的真实结构；同一把尺子既能当评测指标、又能转成训练奖励，评训一体很漂亮；小模型上的增益极大（4B 翻倍、1.7B 近三倍），复现门槛低；「任务熵↑准确率↓」这条鸿沟在 12 个模型上都成立，说服力强。 缺点：奖励依赖「金标技能序列」，标注这套序列本身有主观性与成本；「技能」的粒度与 558 类的划分是否正交、是否穷尽，要看全文；小模型上的大幅增益，在已很强的前沿模型上还剩多少空间未充分展示；Skill Entropy 作为难度代理，与人类感知难度的相关性未量化。

The Personalization Mirage / MirageBench — LLM 会编造用户画像，且「自我监控」会误导你

  • https://arxiv.org/abs/2608.04570 ｜ 实用性 4 ／ 创新性 4
  • 3 位作者，Yushi Sun、Yanjie Zhang、Rui Sheng（HKUST 系）；8 月 5 日（+08:00）提交。

核心动机：带持久记忆的个性化系统里，LLM 常常**「过度推断」（over-inference, OI）**——凭不足的证据编出用户属性。更麻烦的是，能不能靠模型「自己监控自己」来发现这种编造？作者要把这两件事量化。

横向对比：他们建 MirageBench 来测 OI：150 个人设（刻板 / 反刻板 / 中性）、6 类任务、7 个家族的 12 个模型、共 143,616 条被判定的断言；judge 与人类标注在 400 条上的一致性 Cohen’s κ 达 0.863（四分类）/ 0.900（二分类）。核心结论有二：其一，每个模型都在 35%–49% 的断言上过度推断（跨模型均值 41.6%）；其二，一个叫「自我监控反演」的现象——模型自评的 OI 与独立 judge 测得的 OI 负相关（ρ = −0.60，p = 0.044，n = 12），也就是说「模型自报的把握」拿来横向比模型时是反着的、不可靠；模型内自审的 AUROC 只有 0.58–0.83。作者据此主张：可信个性化应靠外部验证，而非模型自报。

优点：把「个性化系统里 LLM 编用户画像」这个隐蔽却普遍的失效，量化成一个大规模、judge 一致性很高（κ 达 0.86–0.90）的基准；「自我监控反演」是个反直觉且有工程价值的发现——直接否掉「让模型自评置信度来选型」这条捷径；143,616 条断言、12 个模型的规模够扎实；结论落到「要外部验证」，对做记忆型 agent 的人有直接指导。 缺点：over-inference 的判定终究依赖 judge，尽管 κ 很高，边界断言的「算不算编造」仍有主观空间；ρ = −0.60（p = 0.044、n = 12）样本量偏小，反演结论的稳健性需更多模型佐证；150 人设 / 6 任务的构造与真实用户分布的差距会影响外推；给的是「诊断 + 度量」，如何在系统里落地外部验证、成本几何，属后续工作。