📊 今日概览

🔥 趋势洞察

• Agent 训练走向精细化：MemoryWalker 指出压缩上下文下的"树状学习目标"问题，CANOPY 证明结果型 RL 在小模型上也可奏效，T-Tech 用分轴专家规避奖励干扰，三者共同指向 Agent 后训练的系统化方法论。

• 开源模型效率竞赛升级：AMD 发布 Instella-MoE 全开源权重与训练代码，叠加此前 DeepSeek 降价，开源阵营正以更小激活参数追赶闭源性能，推动行业从"堆算力"转向"拼效率"。

• 评估体系走向状态接地：微软 SAGE 以零成本符号验证超越 GPT-4.1 judge，ReDeck 引入渲染器反馈细粒度评估，预示 Agent 评估正从"整体印象分"转向"可追溯、可验证"的工程化标准。

⭐ 精选内容

• Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement ｜ Shanghai AI Laboratory
• 提出 HoH 框架，将编码 Agent 组织为迭代规划-编码-测试循环，平衡修复与能力增长。在 GameCraft-Bench 等三个基准上平均相对提升 52.25%，并成功多日自主开发出完整 FPS 游戏。
• 来源：https://arxiv.org/abs/2609.01481

• Instella-MoE Technical Report ｜ AMD
• 全开源 MoE 模型，16B 总参数 / 2.8B 激活，在 AMD MI300X/MI325X 上从零训练。引入 Gated MLA 与 FarSkip-Collective 互联，平均分 76.7 超越 OLMo-3-7B 等开源模型，完整开放权重、配置与训练代码。
• 来源：https://arxiv.org/abs/2609.00791

• From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix ｜ T-Tech
• 将 200+ 内部应用的流量整合到单一自托管模型，按指令遵循、函数调用、任务分布三轴分别训练 GRPO 专家，再经两阶段 SLERP 合并。以 1/7 参数量超越基线，承载每月 1.16 亿请求。
• 来源：https://arxiv.org/abs/2609.01572

• MemoryWalker: Stop Training Agents on Contexts They Never Saw ｜ Alibaba Group
• 揭示压缩上下文训练中的"条件化问题"：每次驱逐都使有效历史分叉成树。提出 LogitTree 精确修正与 SDCC 变分松弛，在七个 web-search 基准上显著缩小训练-部署差距。
• 来源：https://arxiv.org/abs/2609.00865

• Explore More, Drift Less: Outcome-Only Reinforcement Learning Can Suffice for Long-Horizon Interactive Agents ｜ Alibaba Research
• 提出 CANOPY 协议，通过同任务扩展探索 + KL 锚定 + 仅策略自身动作 token 更新，让 Qwen3-14B 仅凭环境交互登顶 AppWorld 榜单（TGC 86.9），并在 SWE-bench Verified 上提升 Qwen3.5-9B 达 16.6 分。
• 来源：https://arxiv.org/abs/2609.01245

• ReDeck: Step-Level Render-Grounded Refinement for Document-to-Slide Generation ｜ Microsoft Research
• 将幻灯片生成反思从"一版一反馈"细化为"一编辑一观察"，每步原子编辑后返回渲染器观测。在 GPT-5.4、Claude-4.6、Gemini-3.1 上均超越现有 Agent，并发布 DeckQuiz 基准。
• 来源：https://arxiv.org/abs/2609.00194

• SAGE: State-Grounded, Abstention-Aware Evaluation of Task-Oriented Dialogue Agents ｜ Microsoft
• 将工作流规范与状态差异编译为原子化、schema 接地标准，经符号与编码器验证器级联裁决。SAGE-Core 以零付费 LLM 成本处理 81-91% 标准，性能不输 GPT-4.1 judge（后者每千轮成本 $4.7-8.0）。
• 来源：https://arxiv.org/abs/2609.00434

• Verifiable Disaster Storylines and Causal Knowledge Graphs ｜ ISI Foundation
• 融合 EM-DAT 结构化记录与 ReliefWeb/EMM 非结构化文档，构建带引用追溯的灾害叙事与因果知识图谱。9 位专家 + 9 位非专家评估确认高检索精度与因果忠实度，专家明确偏好引用接地组件。
• 来源：https://arxiv.org/abs/2609.00858

• Topic Matching in the Wild: Benchmark and Lessons from Real-World ASR Transcripts ｜ Dialpad Inc.
• 基于真实呼叫中心 ASR 转写构建主题-话语判断基准，对比 regex、embedding 与 Gemini LLM 匹配器。发现配备自然语言描述的轻量 LLM 匹配器显著优于 embedding 与 regex 方案。
• 来源：https://arxiv.org/abs/2609.00330

📄 今日论文精选

Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement

Instella-MoE Technical Report

Explore More, Drift Less: Outcome-Only Reinforcement Learning Can Suffice for Long-Horizon Interactive Agents