AgentSwing：长时Web Agent上下文管理的自适应路由方法 本文针对长时Web Agent在复杂搜索任务中面临的"上下文腐烂"问题，提出了一种创新的自适应路由方案。传统方法如保留最近N轮、摘要压缩或全部丢弃等静态策略，在效率和精度之间存在固有矛盾。AgentSwing通过并行执行多种上下文管理策略，并前瞻性地评估各分支的未来表现，实现了动态最优策略选择。实验表明，该

你有没有碰到过这种情况——让模型做完一道数学题后，再让它"检查一下自己的答案"，结果它不但没改对，反而把原来对的答案给改错了？这个问题其实挺普遍的。GPT-5.2在AIME 2024上做refinement的时候，pass@4从90.0%降到了86.7%——你没看错，越检查越差。模型的self-refinement（自我纠错）一直是个悖论：我们希望模型能"三思而后行"，但现实是它经常"三思而后废"

论文摘要（≤150字） 研究发现推理模型在生成思维链前已做出决策。通过线性探针检测发现，模型在未输出任何token时（pre-gen状态）隐藏层即可高精度预测最终工具调用决策（AUROC>0.9）。激活引导实验显示，干扰预决策信号可使7-79%样本反转决策，而模型的思维链会为新决策"合理化"而非抵抗。这表明链式推理（CoT）可能更多是决策的事后解释而非真实推理过程，对依赖

文章摘要：当推理预算纳入考量，过度训练小模型才是最优解 传统Chinchilla法则认为每个参数应对应约20个token，但最新研究发现这一法则已过时。威斯康星大学和斯坦福的研究表明，当考虑推理阶段的计算开销（如多次采样）时，过度训练小模型才是数学上的最优解。他们提出的T² Scaling Laws将模型大小、训练token数和推理采样次数联合优化，证明在相同总算力下，过度训练的小模型配合多次采样

LLM 后训练（post-training）中，GRPO 和 SDPO 各有软肋：GRPO 信号太粗（sequence-level reward 广播到每个 token），SDPO 长时间训练会崩溃（self-teacher 信号退化）。SRPO 的核心idea是按样本正确性做路由——答对的样本用 GRPO 做奖励强化，答错的样本用 SDPO 做 token 级纠错蒸馏，再加一个熵感知的动态加权来

Squeez摘要（145字） 这篇论文提出Squeez方法，解决Coding Agent工具输出冗余问题。通过训练2B小模型，在工具输出进入Agent前精准裁剪无关内容。实验表明： 高效裁剪：在11,477样本的benchmark上，砍掉92%输入token的同时保持0.86召回率 超越大模型：比Qwen 35B零样本表现高11个百分点 实用价值：覆盖27种工具类型，特别擅长处理type_chec

SkillX 提出了一套全自动的技能知识库构建框架，核心思路是把 Agent 的执行轨迹分层蒸馏为三级技能（规划技能、功能技能、原子技能），然后通过迭代精炼和探索性扩展不断丰富这个技能库。关键效果：在 Qwen3-32B 上，BFCL-v3 的 Avg@4 从 53.67 涨到 63.67，AppWorld 从 27.68 涨到 35.12。更有意思的是，弱模型可以直接用强模型提炼出的技能库，实现

《Skill0：通过上下文强化学习实现技能内化》摘要 浙江大学与美团联合团队提出Skill0框架，创新性地解决了当前LLM Agent技能增强中存在的三大痛点：检索噪声、token开销高和技能未真正内化。该方法采用三步走策略：首先对技能进行任务类别分组，然后通过视觉化上下文强化学习训练模型，最后采用动态课程逐步减少技能依赖直至零样本推理。实验表明，在ALFWorld任务中，Skill0比标准RL基

本文提出了一种让代码模型"脑内编译"的新方法，通过自然语言执行轨迹监督训练和强化学习，使模型能够在不实际执行代码的情况下预测程序输出。实验表明，该方法显著提升了模型预测代码执行结果的准确率，其中7B模型预测准确率从34%提升至75.5%，超过许多更大规模的模型。在竞赛编程任务中，该方法将pass@1从49.0%提升至63.2%，接近真实执行的上限65.3%。这一突破解决了代码模

RLSD：融合自蒸馏与强化学习的token级信用分配新方法 这篇论文提出RLSD方法，巧妙结合了自蒸馏的细粒度信号与强化学习的可靠方向指引。针对GRPO方法在token级信用分配上的不足，以及OPSD存在的特权信息泄露问题，RLSD通过让环境奖励决定更新方向、自蒸馏差异决定更新幅度，实现了更精准的token级优化。实验表明，在Qwen3-VL-8B模型上，RLSD在5个多模态推理基准上平均准确率达