跳转至

Read this page in English

本轮 P0/P1 逐篇决定

本页按审查决定展示，不是实现清单。高成本明确不复现即审查完成，不是等待运行的 TODO。 每项的实际读法、原文位置、来源指纹和成本性质保留在 完整登记 所引用的领域回执中。 日期为原始首发；首发不明会明确写出，不用目录日期补造。

可负担的审查候选：14 项（未实现）

窗口首发的高成本终态：369 项

点击领域展开。完整论文规模不复现；没有用小 fixture、数值单测或注册标签顶替能力比较。

搜广推 / LLM 应用：5 项
基础模型 / 多模态 / JEPA：208 项
后训练 / Agentic RL / OPD：80 项
Agent / RSI：76 项

  • Player-1: Learning to Play from Synthetic Experience · 2026-10-14 · P1

    Player-1 的SFT与多环境PPO是核心；官方HTML附录D.3明确每模型SFT为32×H200约24h、RL为64×H200约36h，另有512并发环境。成本显著超出单卡预算，不复现。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Latent Compaction with Test-Time Training · 2026-10-14 · P1

    Latent Compaction 冻结模型但对每份文档做attention fitting和端到端cache蒸馏，并非零训练压缩。原文建议两个阶段各1000更新，RULER每task-length有20文档；完整准备/多模型评测成本明显，单卡预算内无法廉价确认总耗时。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Beyond LLM Judge: Mechanical Verification for Agentic Autoformalization · 2026-10-14 · P1

    该工作结合LLM语义复核、numerical/vacuity checks，不能只跑零费用vacuity check当完整验证器。附录F给1539项numerical约$314.18/77s每项、back-translation约$99.57，完整机械/模型联合研究成本高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Scaling Discovery Requires Forgetting · 2026-10-14 · P1

    Forgetting 清空搜索会话/历史而保留best candidate，机制有价值；但研究包含多agent、四种可执行科研任务、30提案续跑与多replicate。PDF费用表与图证实是持续搜索预算，不能以常量缓存重置fixture代替完整发现过程。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • PhySGA: A Physics-Space Grounded Agentic Framework for Generalizable and Interactive 3D Composition · 2026-10-14 · P1

    PhySGA 需Assembly/Critic、真实物理primitive、skill反馈和Isaac Sim完整资产链。§4.1在120 prompts上用GPT-5.5与Isaac Sim 4.2.0；硬件、资产准备及反复物理闭环总成本仍无法廉价核定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • From Relevance to Validity: Zero-Shot Tool Selection via Functional and Contextual Validation · 2026-10-14 · P1

    工具transfer-validity方法需representation extraction、训练与capability ranking，并在缓存工具环境中调用实际backbones/judge。附录I.4三张95GB卡、三seed及分离远端模型；完整预算单卡下不能廉价确认。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Reflect After Failure: Brain-Inspired Self-Evolving Agents for Embodied Spatial Intelligence · 2026-10-14 · P1

    HiMeco 结合PEP诊断、策略bank和可执行skill；原文八A6000/API、208固定episode共1664 planned executions，成本高。相同episode四round适配与独立跨episode转移必须区分；诊断可看reference snapshot，不得把它输入在线agent或当隔离test改进。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • P2Patch: Exploit-Guided Vulnerability Repair · 2026-10-14 · P1

    P2Patch 在每次repair后生成独立同漏洞exploit并累计PoV，保留construction/held-out oracle隔离。101真实CVE、多模型攻修闭环与原文明确增加的end-to-end成本超过便宜候选范围。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • SWE-Stream: Scaling Executable Training Data for SWE Agents via Progressive Construction and Elastic Streaming · 2026-10-14 · P1

    SWE-Stream 的渐进任务构造和elastic streaming必须实际重建/验证仓库。80,874任务、118,688轨迹、30B训练；受控scheduler实验达到500任务也需23.06h，完整复现成本过高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Why Generate a Click? Plug-in Decision Heads for Web Agents · 2026-10-14 · P1

    Plug-in heads 需要先有213K web steps训练出的4B/8B generator，再训练heads与级联；不是仅加一个小线性层。附录B两GPU训练、4B joint约11小时及96GB卡配置，成本过高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • EvalBuilder: Can LLMs Build Efficient Benchmarks? · 2026-10-14 · P1

    EvalBuilder 要实际为昂贵reference benchmark生成/迭代proxy并核验held-out ranking，不能只写一个打分器。附录B.1真实运行4h33m、7h9m、13h7m和16h上限，超出本轮廉价复现预算。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Memorizing Who, Knowing How: Benchmarking Personal and Procedural Memory for Persistent Assistants · 2026-10-14 · P1

    PraxisMem 联合维护个人/程序记忆，并通过privileged joint-state监督、location-aware GRPO和OPSD训练manager。不能以读取gold state的fixture替代可部署manager；训练及20长trajectory成本仍无法廉价核定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • A Strong Harness Narrows the Model Gap: A Comparative Evaluation for Legislative Document-to-XML Conversion · 2026-10-14 · P1

    立法XML pipeline 的关键是实际工具、持久状态和citation authority lookup，而不是只切分文档。正文明确未记录tokens/latency/$，153 bills×3harness×3模型完整总成本不可从保留产物恢复；不廉价试跑探测。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • AtomSearch: Evidence-Grounded Tree Search for Agent Skill Optimization · 2026-10-14 · P1

    AtomSearch 对证据支持的原子技能修改做 skill-state 树搜索与回归/修复记忆；单实验约923–17200 item evaluations且多个目标模型，完整搜索成本高，不复现、审查 DONE。

  • Explorer-Zero: Improving Self-Play for Long-Horizon Tasks with Decomposable Verifiable Rewards · 2026-10-14 · P1

    Explorer-Zero 需要proposer/solver交替自博弈并保存环境checkpoint作训练奖励。附录D是8×H100、每ALFWorld运行约15 node-hours、AppWorld约29；不能以小fixture或只实现reward函数当作自博弈复现。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Euler: Towards Human-Centered Multi-Agent Mathematical Discovery · 2026-10-14 · P1

    Euler 用research graph与saved team state组织长期数学探索，并具备预算reservation。三数学case不能证明其全流程廉价；已查resource accounting与case范围，frontier调用/证明工具/长期继续的真实复现预算仍不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • DeltaStreamer: Towards Human-Like Agentic Streaming Video Understanding · 2026-10-14 · P1

    DeltaStreamer 的change-aware记忆、planner和历史视频replay均需27B多模态模型。§4.1是8×A100 BF16、1fps处理，不能以文本摘要fixture代替视频观察/回放。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • LAGO: Language Agents with Reusable Growing Options · 2026-10-14 · P1

    LAGO 的meta-agent/agent-option library需要真实问题分解、工具执行和结果核验。35B-A3B、500 SWE任务及150任务重跑对照，长真实仓库运行总成本高，不能用预定options或gold decomposition替代。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • EGCForest: Structured Agent Memory Organization for Enterprise Group Chats · 2026-10-14 · P1

    EGCForest 的三forest、Placement Map与结构桥需要实际summary构造和embedding。206MB/65ms是存储和在线retrieval，不包括三基准离线建库/回答；0.6B encoder虽小，完整LLM建库预算仍不确定，不因低在线延迟接受。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • ActionOPD: Distilling Decisions, Not Tokens · 2026-10-14 · P1

    ActionOPD 必须在学生遇到的状态上采样学生/教师动作并用语义一致度做policy optimization；不能只做offline token imitation。4B/8B、多teacher、每状态4candidates与闭环工具评测，完整成本仍无法廉价核定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Evolve Together, Fall into Place: How Social Scaffolding Shapes Self-Evolving Multi-Agent Systems · 2026-10-14 · P1

    AGORA 研究社会scaffolding如何改变自演化team，而原实验8张96GB RTX PRO 6000、900秒session、多次重复。完整进化和控制组成本过高，不把组织标签或静态角色配置当实现。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • StateCraft: Augmenting Video World Models with Abstract-State Reasoning · 2026-10-14 · P1

    StateCraft 将持久抽象状态与视频diffusion共同训练；原文两个backend各约400 H200 GPU-hours、约2000条×300动作轨迹，完整链路超预算。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • PRISMATIC : Prescription Risk Inspection System for Multi-Agent Treatment Interaction in Clinical Decision-Making · 2026-10-14 · P1

    PRISMATIC 的DSWA/DFPC需要多专科代理迭代并跨病例更新。已查MIMIC-IV病例/处方数据和blackboard方法；访问受限病历、LLM多轮总调用与医学复核成本未能廉价界定，不启动试跑，也不将金标处方作为代理输入。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • New Model, Old Habits: Behavior Transfer under Model Swapping in Multi-Session LLM Agents · 2026-10-14 · P1

    DASH 按交换方向和历史作者选择原始历史/摘要，需在多session真实任务上反复换模。已查重复交换设置和局限；闭环任务、原始推理可见性及多模型组合的总调用成本仍无法在单卡/Mac预算下廉价核定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • C3: Rethinking Process Supervision via Confidence-Guided Credit Correction in Multi-Turn Reinforcement Learning · 2026-10-14 · P1

    C3 在base RL advantage估计后按置信度修改坏span正信用，必须保留真实RL训练。Qwen3-8B search、4B full-parameter WebShop、critic与critic-free多臂及检索模型成本高/仍材料性不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • MCAIR: Monitoring and Correcting Agent Unfaithfulness via Internal Representations · 2026-10-14 · P1

    MCAIR 的CPU probe单次低于0.2ms仅是在hidden state已经提取之后，不含模型生成和纠正。原文8B/12B/14B、两张RTX A6000、分层扫描和三次纠正实验；完整采样/表征提取成本仍高或不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • JevCoder: When Does Decision Delegation Pay Off in Code Repair? · 2026-10-14 · P1

    JevCoder 的低费率judge不代表repair agent整体便宜。原文compute段明确两张L40S、约200 GPU-hours和$1500 API，完整研究超预算。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • L3M: A Verifiable Harness and Runtime for Self-Extending and Self-Improving Agents · 2026-10-14 · P1

    L3M 包含 Git 状态轨迹、能力收窄授权和 Lean 内核检查的运行时；未核定可直接复用的完整上游实现，Terminal-Bench全套调用成本也未能廉价确定。按预算门槛不复现、审查 DONE；不能用Python状态机假装Lean证明。

  • XferAgent: Cross-Agent Experience Transfer for Self-Improving LLM Agents · 2026-10-14 · P1

    XferAgent 在执行前从local/shared graphs路由经验、执行后用结果更新；不是静态共享提示。四域、异构framework、多task-pass构造和真实回归评测的总成本经现有方法/ALFWorld设置仍不能廉价确认。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Mission (Im)Possible: Towards Autonomous Discovery of Autopilot Logic Flaws in Open-Source Drone Frameworks · 2026-10-14 · P1

    IMF 需三agent协作静态slicing、真实模拟测试和log oracle验证；PX4/Ardupilot105个新发现不是可廉价重跑的单脚本。已查官方PDF执行例子，构建/仿真/长frontier调用预算仍材料性不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • MemCode: Discrete Semantic Representations for Long-Term Agent Memory · 2026-10-14 · P1

    MemCode 不能只做cheap在线检索而省略ISQ学习。附录B给64,935 DailyDialog训练对、T5-base VQ-VAE、10epochs、32GB GPU/90GB RAM；离线训练与LLM原子写入总成本仍高/不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • PFedMA: Who Should Join Next as Federated Multi-Agent Orchestration Evolves? · 2026-10-14 · P1

    PFedMA 的orchestrator经PPO训练，privacy规则还要双向跨client演化；不能只实现agent selection打分。附录E.3为batch64、最多220步，闭环跨客户/安全评测完整预算仍材料性不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • EvoProbe: Evaluation-Driven Benchmark Evolution for LLM Agents · 2026-10-14 · P1

    EvoProbe 的新task生成、可执行subtask验证、多judge诊断和反馈再生均在核心闭环中。66个网络安全任务、八模型两轮并需人工quality review，完整成本与任务基础设施仍无法廉价界定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • VideoHarness-SRSI: Structured Recursive Self-Improvement for Video Understanding Harness · 2026-10-14 · P1

    VideoHarness-SRSI 保留content-free反馈、probe-race、factorial组合和独立验证边界；原研究分析4000多个演化候选、四视频基准和三seed，不能廉价完整搜索。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Beyond the Trial-and-Error Loop: Hybrid Projection and Automated Tuning for Distributed Training · 2026-10-14 · P1

    Primus Projection 具有CPU simulation路径，但原论文的tuning收益依赖真实GPU微基准校准与多节点验证；671B/1024GPU、235B/256GPU均不在预算。只跑未校准CPU仿真不能宣称复现其吞吐预测或agent tuning效果。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • AgentSafeEvo: Adversarial Co-Evolution for LLM Agent Safety · 2026-10-14 · P1

    AgentSafeEvo 必须执行attacker/defender RL共同演化与learnability weighting。附录D.1每role4GPU、120steps、64batch和16Kresponse，成本过高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • From Failures to Learnable Worlds: Policy-Conditioned Environment Generation for Navigation Agents · 2026-10-14 · P1

    WEDGE 用失败差异生成并验证weakness，再针对性生成导航世界和训练。正文4.4仍需约21K policy rollouts才得到4.2K候选；十次LLM弱点发现不是整个开销。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • SERO: Learning from Executable Oracle Continuations for Long-Horizon Agentic Reinforcement Learning · 2026-10-14 · P1

    SERO 的可执行oracle续写、状态恢复和policy-reachability加权是中心，oracle应只用于training。附录E.1为每batch16×8rollouts、50步horizon、1.5B/7B及多optimizer，完整训练和oracle续写预算仍高/不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • STRATA: Self-Maintaining Structured Experience Graphs for Self-Evolving Language Agents · 2026-10-14 · P1

    STRATA 的typed graph、reflector、community induction、GC和contrast edges需真实在线任务流。4基准、2backbones、7baselines、三seed且WebArena812题，多模型完整闭环成本高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • EvoWeave: Composing Reusable Agent Experience through Operation Level Graphs · 2026-10-14 · P1

    EvoWeave 依靠真实operation contracts、directed connections及执行后的reflection，不是仅注册一张图。四基准/五设置/三backbones；附录F坦言不同成本项不能合并成统一总成本，完整预算仍不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • DeLoop: Repeated Actions as Self-Supervision for Long-Horizon Agents · 2026-10-14 · P1

    DeLoop 从真实rollout重复动作挖negative、后续首个非loop动作作positive并DPO，不能用gold action冒充。8B/14B/32B、上千收集episode和跨环境对照的训练/采样总成本仍高/不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Policy-Verified Self-Training: Learning Agent Compliance from Verifiable Policy Rewards · 2026-10-14 · P1

    PVST 把确定性policy gate变为RFT/DPO监督，但正文也说明verifier受attack-goal设计、部分binding弱于原条款。8B/4B多臂训练及AgentDojo闭环rollout的总成本经已有正文配置仍不确定；不把仅编译gate登记为训练能力。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • MemeTrace: A Multimodal LLM-Based Agent for Safety-Aware Meme Provenance Analysis · 2026-10-13 · P1

    MemeTrace 每meme平均18.46步骤、11.54次多模态调用和3.92次search；原文平均$0.1259/111秒。仅100例主集已约3.1串行小时（由论文均值估算，非本地实测），另有多模型/消融/鲁棒性运行，完整复现成本高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • ChunkAct: Action Chunking for Agentic Robotics · 2026-10-13 · P1

    ChunkAct 必须真实执行VLA/分割/失败退出后重新规划；原文LIBERO-Pro多套件、GPT-5.6-sol high、每episode最多100 calls。完整VLA和仿真资源成本未能廉价界定，不用固定动作chunks冒充机器人能力。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • SEAR: Self-Evolving Agentic Robotics · 2026-10-13 · P1

    SEAR 区分保留经验与重复尝试、privileged state和预算，审查价值高；330模拟/5物理任务、四年以上累计agent runtime以及多小时practice/AR配置明显超预算。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Beyond the Verdict: Agentic Code Judging with Verifiable Feedback · 2026-10-13 · P1

    ARBITER 为35B MoE verifier经RL学习真正生成可执行counterexample；每candidate平均35.0K–46.9K输出tokens。训练及多次refinement成本高，不能用官方失败样例或judge标签替代反例生成。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Kwai Summary Attention V2 Technical Report · 2026-10-13 · P1

    KSA V2 结合 Summary→Meta KV 压缩与 summary-guided 原始块稀疏索引；1.9B/4B、128K上下文及数十亿tokens分阶段训练，成本过高，不复现、审查 DONE。

  • Knowledge Graphs as Files: An Agent Harness Where Tool Creation and Tool Use Co-Evolve · 2026-10-13 · P1

    DKGI 将完整 KG 作为文件，让工具创建和使用共进化；三图谱和frontier模型，每次最多300 turns/1800秒，多次评测成本高，不复现、审查 DONE。作者仓库 leopoldwhite/DKGI 已核。

  • The Last Mile of Coding Agents for Long-Document Tasks: An Empirical Study on Clinical Trial Protocol Digitization · 2026-10-13 · P1

    TrialScribe 将domain skills和verification loop用于协议PDF数字化；真实27B推理/工具执行不能用gold提取字段替代。原文§4.2两A100、150长协议且多模型/metric，对单卡预算成本过高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Judges Follow the Reference: The Derivation Gap in Verifying Tool-Call Arguments · 2026-10-13 · P1

    DeRef 用不见candidate的独立deriver从完整历史生成参考，而不是给judge直接喂gold。原文27B deriver、多个大bench、长历史并报告每reference调用秒级成本；完整多judge/多设置总运行成本高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • MemoryVLN: From Ego-Aware Memory Representation to Cross-Context Memory Reuse in Vision-Language Navigation · 2026-10-13 · P1

    MemoryVLN 的压缩、ego-aware多模态表示、层次memory与write-back需实际VLN训练。附录A.3给64GPU global batch64，另有VGGT/Habitat链路，成本过高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Reliable Memory from Unstable Growth: Curating Self-Written Agent Playbooks with Randomized Experiments · 2026-10-13 · P1

    RBC 用随机block inclusion估计lesson效果，并用fresh practice选择curated/whole/no-playbook，保留test隔离。原文19settings、每项3growth runs和三eval seeds，每score数百到数千真实episodes，完整成本高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Delegating Earth science model calibration to knowledge-guided LLM agents · 2026-10-13 · P1

    GCH 将agent声明冻结后交给确定性数值搜索，完整六模型calibration包含80–600 evaluations与三seed，并不等于只写配置。已查官方PDF表B3及附录C，模型执行/知识基础设施和完整搜索耗时仍材料性不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes · 2026-10-13 · P1

    Urbex 的active spatial search政策要真实渲染/工具交互并RL训练。原文hardware段是16×H20训练；单H20约3.2s/query只代表在线推理，不含offline scene preprocessing。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Beyond Answer Sharing: TrueMAD for Targeted Peer Engagement in Multi-Agent Debate · 2026-10-13 · P1

    TrueMAD 的targeted peer advice必须由真实同伴模型生成，不能用gold critique。主设置30B-A3B、多agent、多round及三个reasoning基准；完整多臂预算经原文设置仍无法廉价界定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • The Agentic Scientist: Orchestrating Coding Agents for Automated Scientific (Co-)Discovery · 2026-10-13 · P1

    The Agentic Scientist 是完整研究编排/验证管线，不是仅多agent对话。附录有20–60 ideation cycles、每candidate最长3小时、250epochs和最高1B环境steps等任务配置，超本轮预算。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • APT: Feedback-Driven Agentic Post-Training for Text-to-Image Generation · 2026-10-13 · P1

    APT 的核心是agent生成评测/诊断/训练分布后实际RL更新图像生成模型。多base generator、多benchmark与迭代生成/训练成本高或材料性不确定；只做prompt选择不能算其复现。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • AReaL-RSI: Adaptive Scaling and Coordination of Recursive Self-Improvement · 2026-10-13 · P1

    AReaL-RSI 需leader、conditional memory sharing及campaign后的证据复盘。原文KernelBench每researcher1小时、RSIBench每researcher2小时、四agent对照，多个任务/backbone成本高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Cost-Efficient Privacy Enforcement for Email-Generating LLM Agents under Strategic Information Requests · 2026-10-13 · P1

    本法需真实Gemma contract-conditioned重写再由PrivacyChecker检查；只保证remote-token节省，不代表total compute降低。已查defender objective/§5.1，local overhead换算和完整多策略email闭环成本仍材料性不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Learning How to Remember: Memory Modality Selection for GUI Agents · 2026-10-13 · P1

    SwitchMem 对同一retrieved demonstration实际比较text/image并学习step-level router；必须保留真实VLM hidden-state probe/两种memory。9B actor、三GUI基准、配对标注/训练和后续closed-loop预算仍高/不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Interaction-as-a-Judge · 2026-10-13 · P1

    Interaction-as-a-Judge 用真实电脑交互评估和修复应用，训练奖励还需交互轨迹。v2附录G为Qwen3.5-9B、384prompts×8采样=3072轨迹/batch；完整推理与RL链路成本过高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • ECMR: Evidence-Aware Deliberation Control for Multi-Agent LLM Reasoning · 2026-10-13 · P1

    ECMR 的state-conditioned controller需要真实支持独立性/矛盾/验证/role-action闭环；9000 held-out records和多策略、多domain完整成本高且总资源口径仍不确定。不能只回放gold state或把normalized audit cost当美元/运行时间。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • State-Aware Generation of Deployable Websites from Visual Prototypes and Requirements · 2026-10-13 · P1

    VisStateCoder 需真实prototype grounding、图指导生成、render evidence和限域更新，不是静态Project State Graph。官方HTML§4.4五模型、每call最高16384输出、最多4round；baseline每task7200秒，完整网站生成/部署矩阵预算不确定且重。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Socratic Skill Learning: Interleaving Teaching and Practice for Transferable Agent Skills · 2026-10-13 · P1

    SSL 要实际Educator/Student交错教练、唯一Student操作环境并验证可迁移skill。35families/408cases、主22family/155case、66run/schedule及多模型pair，完整技能获取预算高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Agentic-MatriBO: Capability-Compiled Agentic Bayesian Optimization for Materials and Chemical Design · 2026-10-13 · P1

    Agentic-MatriBO 保留capability compiler、证据gate与提交后才可查oracle的边界；不是提前扫描全pool金标。四candidate pools×五seed×多baseline/agent调用，完整执行预算与依赖仍无法廉价核定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Agentic4PDM: Host-Governed Evidence Admissibility for Industrial Fault Diagnosis · 2026-10-13 · P1

    Agentic4PDM 的host治理不等于无需检索/推理。正文附录F显示按样本的复杂调查与DTW基线超过千秒，原系统还需要预训练表征、类别参考和真实工业数据；完整成本无法廉价界定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Beyond Belief Nesting: Rethinking Higher-Order Theory of Mind in Large Language Models · 2026-10-13 · P1

    HopTrace 一次编码透视记录并确定性回答多层ToM问题，不能用gold belief graph替代编码器。原完整比较100 narrative/500主问题、其他基准与多模型，报告4–217秒/story且开放大模型4×A800；本轮不能廉价界定忠实完整配置成本。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Coupled Harness--Model Evolution for Scientific Equation Discovery · 2026-10-13 · P1

    Coupled Harness–Model Evolution 同时演化可执行工具并用GPT-5.5成功轨迹对Qwen controller做LoRA，不是只有工具库注册。完整工具搜索、教师轨迹和学生训练成本经现有配置仍材料性不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • SkillScreen: High-Recall Screening of Malicious Agent Skills with Decision Models · 2026-10-13 · P1

    SkillScreen 用2B决策模型的NLI分数筛查技能，以验证集冻结99%召回阈值；必须保留陌生良性来源FPR升高与仅扫描SKILL.md的限制。v2明确每次单epoch仍需3.4–3.9小时（10GB H100 MIG），还有多划分/多种子；成本过高不复现、审查 DONE，不能因显存小就当便宜。

  • Evidence-First Agentic Verification · 2026-10-13 · P1

    Sauron 的bounded queries/faithfulness checks减少相对成本，但不是便宜全评测。原文100episodes单Sol配置$297.69，TRAIL为$841；仍有多backbone/故障注入/消融，完整复现过高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Adaptive-Group Process Rewards for GUI Agents · 2026-10-13 · P1

    Adaptive-Group process reward需要VLM按动作和subgoal group评估，再用GRPO真实训练GUI agent。两process reward基准和OSWorld三个application组，完整reward scoring/rollout/训练成本仍材料性不确定。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • RALI@iKAT 2026: Retrieval-aware User Profile Denoising via Personalized Conversational Dense Retrieval · 2026-10-13 · P1

    PCDR 需先训练会话retriever，再联合投影用户profile。原文基础conv-Qwen3使用四GPU、batch480、20epochs和跨GPU negatives；不能只用固定embedding替代denoising学习。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Cowork-Gym: Synthesizing Interactive Work Environments at Scale · 2026-10-13 · P1

    Cowork-Gym 的build-execute-revise环境构造和SFT/RL/OPD是中心。64.9K环境、14场景、9B/27B/35B-A3B训练规模明显超预算，不以少数合成环境fixture代替训练。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • Executable Prefix Values for Locating Agent Failures · 2026-10-13 · P1

    Executable Prefix Values 需要重建中间repo状态并多次真实续跑来估计V(h_t)，不是给judge标签重打分。150 SWE任务、47/60条失败曲线与多种restart schedule需要大量continuations，完整成本过高。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • MAS-Gate: Unlocking Multi-Agent System Lifecycle via Node-Centric Quantification · 2026-10-13 · P1

    MAS-Gate 用reference-answer likelihood变化提供训练utility、paired轨迹训练Editor；金标只可留在训练/评分侧。官方PDF p18是8×H100、batch256、group16、15Kprompt/8192response，完整训练过高，不能把gold量化fixture推广为inference算子。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

  • EdgeWise: Bringing Long-Horizon Agents to the Edge via Selective Cloud Delegation · 2026-10-13 · P1

    EdgeWise 的核心是joint solving/delegation step-level RL，而不只是路由标签。9B本地模型、frontier云模型、80turn长任务和RL采样/对照总成本仍明显不确定，不以62%相对省钱当完整复现便宜。 成本过高，不复现（审查 DONE）；不进入自动重试、实现或evolve。

旧文补发现、已知修订版与官方身份：13 项

这些不是本窗口新首发；只关闭当前记录的复现成本决定，旧实现证据不自动升级。

  • Google Earth AI Geospatial Reasoning Agent: Capabilities and a Systematic Evaluation · 2026-10-11 · P1

    Gemini 驱动模块化地理技能与前置规划；官方公开两个 benchmark 的 development splits。arXiv 首发 2026-10-11，目录/博客更新不是新首发。完整 Gemini/地理工具评测成本未能廉价核定，按预算门槛不复现，审查 DONE。

  • DRanker: A Transformer-Based Multi-Task Ranking Model for the Disney+ Homepage · 2026-10-11 · P0

    DRanker 的约 7M 参数 encoder-only 多任务排序器结合因果去偏，正文有线上 A/B 与全局上线结果；不是只有摘要宣称部署。训练依赖数月 Disney 私有交互与数亿训练样本，无法在公开数据和单卡预算下忠实核验生产设置；不复现、审查 DONE。首发 arXiv 2026-10-11，属旧文补发现，不是本窗口新首发。

  • Vela: User Behavior as Supervision Sparks LLM Intelligence · 2026-10-10 · P1

    Vela 把长期用户行为变为任务与轨迹；属于 LLM 数据/训练方案而非已证实的工业业务线上 A/B。35B-A3B、131072 长度、75K 轨迹，两 epoch；附录 RL 使用 48 GPUs（32 训练/16 rollout）。成本过高，不复现、审查 DONE。

  • Do LLMs Learn from Rewards in Context? : Rethinking the role of reward in In-Context RL · 2026-10-08 · P1

    v3用奖励翻转/随机/移除及轨迹打乱等对照，发现直接ICRL收益多由ICL上下文驱动；不能把论文结论推广到所有推理时RL。原文Computational Cost实报单A100上ScienceWorld十episode约5h、代码约3h，整套多模型对照成本高，不复现、审查 DONE。

  • Self-Retrospection Distillation: Turning Post-hoc Experiences into Prior Foresight · 2026-10-06 · P1

    SRD v3用事后经验监督行动前不可见轨迹的foresight，推理无需生成foresight；训练时可用hindsight不等于评测agent可读未来。Appendix C.2为4B/9B thinking-on、8 H200、每步128轨迹及十种agent任务，成本高，不复现、审查 DONE。

  • Imagine the Future, Internalize the Gist: Efficient VLA Reasoning via Internalized Spatiotemporal Imagination · 2026-10-02 · P1

    IG-VLA v3先学习未来SigLIP状态，再将时空reasoning内化为gist；不是仅重复当前帧。§4.1原文训练reasoning用8 H100、gist用4 A6000，LIBERO 100K步和VLABench61K步。成本高，不复现、审查 DONE，单卡推理延迟结果不替代训练验收。

  • Token Utility for On-Policy Distillation via Local Trust-Region Optimization · 2026-10-01 · P1

    FUW/Token Utility 用 Fisher 几何的 token utility 调整蒸馏权重；1.7B/4B学生、8B/14B/30B教师，279步×256序列×8192上下文，成本过高不复现、审查 DONE。arXiv首发2026-10-01，必须记旧文补漏而非10月14日新首发。

  • The Teacher Is a Direction, Not a Destination: Extrapolating RL-Induced Representation Residuals in On-Policy Distillation · 2026-09-29 · P1

    RIDE v2逐层使用RL教师相对base的hidden-state残差构造外推回归目标，需额外冻结base前向；不将output-space概率外推等同hidden-space方法。当前版本方法与配置已核，整套teacher/base/student长rollout和多任务总成本无法廉价核定，不重训、审查 DONE。旧L1实现/回执保留，不因版本元数据变动宣布新版能力完成。

  • Rubric Dropout: A Simple Way to Mitigate Reward Hacking in Rubric-as-Reward RL · 2026-08-12 · P1

    Rubric Dropout v2仍要求同prompt同step共享mask；还讨论相似criteria按block联合drop，至少保留三criteria及full-rubric评测。独立gold judge不是绝对真值，多数配置单run。1.7B–8B、16rollouts、600steps及双API judge完整多臂成本高，不复现、审查 DONE；不宣称旧adapter已覆盖v2 block方案。

  • SPARK: Learning from Verification in Speculative GRPO Rollouts · 2026-08-05 · P1

    v2由SpecRoll改为SPARK：同prompt group共享并每rollout清零的低秩logit correction，以top-16+tail的verifier反馈更新、跨rollout学习投影，原target verifier保持不变。与旧fast/slow SpecRoll不是仅名称变化；本地旧实现不算SPARK。21模型数据设置+GRPO训练全套成本高，不复现、审查 DONE；旧论文页已加版本警示。

  • UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute · 2026-04-14 · P0

    UniRec v5已明确Shopee机构，含capacity-constrained SID、CoA、CDC以及RFT+DPO；§4.2生产A/B的PVCTR/订单/GMV证据通过，不能把离线token-hit和业务收益混写。训练依赖9天数十亿私有交互和三场景，忠实新版全套不复现、审查 DONE；旧CoA本地实验不自动升级为v5全方案。

  • AutoformBench: A Lean Formalization Benchmark for Advanced Mathematics · 首发日未确认 · P1

    身份已确认是 Meta 的 Lean 数学 AutoformBench，不是 2603.29832 文档理解同名作。官方页 2026-10-13，论文首页文稿日期 2026-10-05，软件 CITATION 日期 2026-09-30，语义不同，不能合成已证实的首次公开日。341 题×9 frontier 模型、长轨迹/最高每题 $200 上限（不是实际统一花费）超出本轮预算，不复现、审查 DONE；保留低成本结果导入价值，不声称已接入。

  • CATWILD: Compiler Autotuning For TPU workloads in the Wild · 首发日未确认 · P1

    官方页可确认 CATWILD 的 TPU fleet 编译器 autotuning 与五年生产运行，但只列 2026 年，无可下载原文/精确首发日期；只读官方页和精确标题检索后仍不能确认固定窗口。原系统依赖 TPU fleet，单卡 A100/A30 不具备，成本过高不复现；日期例外归档，不计 accepted。

评测参考、边界与来源例外：3 项

展开其余 P0/P1 决定（均非本轮能力实现）

全量 P2 / 范围外 / 历史日期分流见领域 JSON 与 完整登记，不再堆入默认阅读页。