核心亮点：把参考解法当作可执行证明，按“延长工作流—重对齐验证器与指令—新砂箱验证—合格任务再作种子”递归生成长时终端任务。

• 研究问题：终端任务必须让指令、环境、参考解与私有 verifier 同时一致，人工编写昂贵，直接生成又容易破坏契约。
• 核心方法：RST 从已验证种子出发，以受控 operator 扩展解法，再同步环境、测试和公开指令；双重有效性要求 oracle 可运行且 verifier 没有暗藏条件。
• 关键证据：作者报告 15 轮得到 37,484 个通过验证的任务，参考解中位行数 67→374、命令数 40→244；不同训练阶段在三个终端基准上给出 SFT/PPO 增益。
• 边界与影响：适合有干净环境与确定性验收的代码/数据任务；必须防族系偏置、测试泄漏和 verifier 共适应，任务数量不能替代语义多样性审计。

来源：Hugging Face · arXiv:2608.05466

核心亮点：Manage–Execute–Audit 循环把持久状态放到执行上下文之外，并只接纳由只读 auditor 从环境独立验证的事实。

• 研究问题：持续增长的上下文会混淆任务状态，执行者自评一旦出错又会污染后续步骤。
• 核心方法：Manager 维护结构化需求/产物/事实，fresh-context Executor 只做有界环境迁移，read-only Auditor 对照验收标准检查结果。
• 关键证据：摘要报告 Qwen 3.7-Plus 在 WeaveBench 51.8→80.7、Terminal-Bench 2.1 69.7→77.2、OSWorld 2.0 2.8→8.3；Opus 4.7 在 OSWorld 子集 20.0→34.3。
• 边界与影响：最可复用的是“自述不写入持久状态”；代价是更多模型调用，且 auditor 误判、陈旧状态和不可形式化产物仍会累积。

来源：Hugging Face · arXiv:2608.01964

核心亮点：将 teacher–student token 对数概率差聚合为轮次证据，在 log-odds 空间递归更新相对成功支持，再用边际修订重加权 GRPO。

• 研究问题：终局奖励无法区分长轨迹里的关键、冗余与误导步骤，序列级优势广播会把信用平均摊给所有 token。
• 核心方法：同一策略的技能条件分支重打分已采样动作，轮次证据通过历史依赖 belief update 转化为有界信用；无需额外 critic 或新环境 rollout。
• 关键证据：在 ALFWorld、WebShop 与 Search-QA、3B/7B 两个规模上优于 GRPO 与自蒸馏基线；摘要报告 Qwen2.5-7B 的 ALFWorld 成功率 89.1%，消融支持轮次聚合和递归更新。
• 边界与影响：适用于有技能条件教师和可验证终局奖励的多轮训练；self-teacher 代理未校准、额外打分前向开销和仓库代码尚未完整开放限制复现。

来源：Hugging Face · arXiv:2608.05987

核心亮点：不再默认 VLM judge 可靠，而用跨平台、人工复核的 computer-use 轨迹直接评估奖励模型，并暴露普遍的宽松偏差。

• 研究问题：GUI 轨迹的 verifier 关系到评测、数据筛选与 RL，但人工无法规模化，VLM judge 又缺少标准化可靠性检验。
• 核心方法：OSReward 汇集多平台、多 agent backbone 的人类验证轨迹，构建 Hard 与 Multi 切片，并训练开放的 OS-Shepherd 9B/35B 奖励模型。
• 关键证据：论文报告前沿 judge 对失败轨迹存在系统性宽松偏差；开放模型与可靠商业 judge 之间有明显差距，OS-Shepherd 以更低成本接近商业 judge。
• 边界与影响：奖励模型必须报告假阳性、跨平台与成本，不只给平均准确率；现有结论仍受轨迹来源、人工标签和 bundle 版本约束。

来源：Hugging Face · arXiv:2607.28609

核心亮点：Skill-α 将技能生成改写为逐步文本编辑，并用“原技能 vs 编辑后技能”在锚定查询上的下游执行差作为 rollback reward。

• 研究问题：技能缺少天然监督；相关性和正确性最终要看它是否真的改善 worker 在下游任务的行为。
• 核心方法：Create/Update/Prune 形成顺序编辑过程，每一步通过固定 worker 的执行比较获得局部奖励，再用 SFT 与 GRPO 训练编辑器。
• 关键证据：作者报告 GPT-4o worker 上相对最强技能生成 baseline，CL-Bench 平均 +3.3 点、tau2-bench +6.7 点；跨 Claude worker 有改善但幅度依赖任务，部分子类不增反降。
• 边界与影响：证明的是外部 skill artifact 有用，不是 worker 脱离文本后的内部学习；来源投毒、过期技能和并发更新冲突必须另行治理。

来源：Hugging Face · arXiv:2608.01678

核心亮点：用 matched persistence-on/off 序列把“保留经验后得分更高”与“确实沿 save–retrieve–update 路径改善”拆成两个指标。

• 研究问题：个人 agent 会保留偏好、任务历史和技能，但分数改善可能来自偶然上下文，而不是预期持久化机制。
• 核心方法：26 个场景、204 个 episode 覆盖记忆、程序复用、信息收集与更新；每个序列在新会话中匹配开启/关闭持久状态。
• 关键证据：七个 base model 在固定 Hermes 下 overall gap 均为正，但程序能力弱于记忆/更新；同样 +0.13 的 headline gain 可对应不同 mechanism 分数，说明结果与路径不能互换。
• 边界与影响：持续学习评测应同时记录写入质量、召回、更新、远期保留与污染；现有场景规模、LLM judge 和短期序列限制外推。

来源：Hugging Face · arXiv:2608.04003

核心亮点：从公共 skills 合成必须实质调用指定技能的可执行任务与轨迹，并以规则、agent 验证和反馈修复过滤监督。

• 研究问题：把技能文件交给模型不等于模型会选择、组合和正确执行技能；训练数据还需证明每个指定技能真正参与了成功轨迹。
• 核心方法：SKT 从 2,000 个技能构造单/多技能配置，生成 4,000 个 task package 与 27,164 条验证轨迹；SkillEval 使用不相交技能池。
• 关键证据：两个模型、两个框架、四个基准的 16/16 配对均改善，绝对增益 3.20–18.91；去掉验证的合成数据反而让四个基准均下降。
• 边界与影响：可迁移的是“任务—技能使用—执行成功”三重 verifier；匹配框架轨迹更强，说明收益同时包含技能能力和接口对齐。

来源：Hugging Face · arXiv:2608.02287

核心亮点：让 LLM 优化器在昂贵、随机、预算受限的反馈下修改完整 harness，并只用搜索期间不可见的 held-out test 计最终增益。

• 研究问题：自动框架优化已成为提升 agent 的现实路径，但缺少统一协议区分真实泛化与对可见评估的追逐。
• 核心方法：dev 披露轨迹、validation 仅给聚合、test 完全隐藏；可信执行环境固定目标模型、环境和 verifier，并计量调用、案例遍历与 token。
• 关键证据：5 个前沿模型、4 个任务、111 次计分运行显示 optimizer 模型差异大于其 coding harness 差异，native harness 不稳定占优，最终 test 常低于搜索中最佳 validation。
• 边界与影响：框架优化必须保留版本、预算与 held-out 门；论文的调用上限表述有口径差异，任务和 seed regime 数量也限制通用排名。

来源：Hugging Face · arXiv:2608.06301

核心亮点：冻结目标 agent，让独立工程师模型从失败批次生成受限生命周期补丁，再以同批任务 fresh rerun 的结果差训练框架编辑能力。

• 研究问题：固定 ReAct/Reflection 不能针对某个 agent 的系统性失败；大模型写出“看似合理”的补丁也不等于任务结果改善。
• 核心方法：补丁只能进入四个生命周期 hook，先过 schema/AST/禁止操作验证，再让目标在全部同批任务上重跑；SFT 冷启动后用在线 GRPO 优化。
• 关键证据：论文在 WebShop、ALFWorld、DBBench 上比较框架编辑；最终 SFT 样本为 877，每个失败包的 RL 组采样 8 个候选，同批全量重跑抑制只修失败样本的回归。
• 边界与影响：可用于有环境奖励和回归任务集的 runtime 改进；线上自编辑仍需要审批、沙箱、回滚和外部回归，不能把论文训练循环直接等同自主部署。

来源：Hugging Face · arXiv:2608.02276

核心亮点：Boundary-Bench 用真实网络、文件系统和特权机制建立嵌套策略等级，并在评 agent 前先证明任务在限制下是否仍可解。

• 研究问题：宽松容器默认 root、任意外网和系统写权限，可能高估企业环境中的 coding-agent 能力。
• 核心方法：Control、Non-root、NIST-derived high 逐级收紧；pre-flight 验证限制确实生效，参考解/合规 witness 将“策略阻断”与“agent 找不到解”分开。
• 关键证据：89 个 Terminal-Bench 2.1 任务中 82 个有 high-policy 可解 witness；12 个模型—harness bundle 在 high 下均成功下降、成本上升，但跨 bundle 极值不是通用系数。
• 边界与影响：先在真实策略中审计任务和评分器，再联合比较成功、成本、超时与错解；论文测的是性能代价，不是限制本身带来多少安全收益。

来源：Hugging Face · arXiv:2608.02670