论文阅读笔记

HarnessX：可组合、可适应、可演化的 Agent Harness Foundry

HarnessX: A Composable, Adaptive, and Evolvable Agent Harness Foundry

HarnessX 把 harness 本身做成一等公民：用类型化 processor 挂在 8 个生命周期 hook 上做组合，用「RL 镜像」把 harness 演化当符号空间的 MDP 来防守三类 RL 病理，再用一个共享 replay buffer 让 harness 演化与模型 GRPO 训练共演化——五基准 15 格平均 +14.5%（峰值口径）…

Prime Agent: A Self-Improving RLM Harness

这篇论文不提出新模型或新训练方法，它交付的是一个 harness——以及一套把「harness 能力」当作可测量对象的方法。 它的核心主张是：长时程任务的评测里，harness 是模型观察和作用于世界的「膜」（membrane），模型应当因任务超出能力而失败，而不是因为 harness 丢状态、限制动作、算错资源或提前终止（§1 原话）；因此好 harne…

HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness?

这篇把评测对象从「模型在给定 harness 里答题的成绩」换成「模型能否从零造出并且持续改进 harness 这个可运行系统本身」——结论是：2026-09 的前沿模型能从弱种子造出跑得起来的 harness，但在 code 与 search 上仍大幅落后人类工程版；演化（Evolution）阶段能在可见反馈集上涨分，涨分却不稳定，且向留出任务、向「换一…

Dream-RSI: Recursive Self-Improvement through Evolving Worlds

这篇论文把"自我改进"从"改模型/改候选"挪到了"改怎么搜"这一层——并且发现，只要把一次真实的、代价高昂的发现过程完整记录下来（决策树 + 每个节点的执行结果），这棵历史树本身就是一个零成本的世界模型（replay simulator），可以让大量候选探索策略在"做梦"中先比一遍，再把赢家部署回线上。

RRSI: Regularized Recursive Self-Improvement of Agent Harnesses

这篇论文把"用 agent 自己跑出来的反馈反复改 harness"这套 RSI 循环的失败模式诊断清楚了——不是搜得不够，而是搜的东西（有限 evolve set 被反复自适应复用）会过拟合——然后用四项来自经典正则化的约束去限制搜索轨迹（而非限制编辑空间），在 8 个 benchmark / 3 个领域上换来"evolve 集涨得最少、但留出集涨得最多…

万字长文带你读懂 RSI（自进化，Self-Evolving）

这不是一篇提出新方法的工作，而是一篇给"RSI / 自进化"建立坐标系的导读——它先把 RSI 收成一个闭环（下一轮 Agent A{t+1} 由本轮 Agent A_t、轨迹 τ_t、反馈 f_t 经更新算子 U 得到），再用四组主维度（进化什么 / 新版本如何产生 / 谁来更新 / 何时更新）加五组次级维度（验收标准 / 反馈来源 / 反馈类型 / 更…

DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression

这篇报告的主题不是「模型更强」，而是把长上下文推理的成本从「算」转移到「省」——用 CED 砍掉近一半 prefill 计算，用 CSA2 的跨层 KV/索引复用把 decoder 的 KV 生产层压到 1 层，再用 FP4 主 KV 缓存把每个字节再砍一半；部署侧用近似的 SWA Bounded Replay 换掉 SSD 上的 SWA 持久缓存。代价是…

Kimi K2.5: Visual Agentic Intelligence

K2.5 = Kimi K2（1T MoE 语言底座）+ 原生多模态（MoonViT-3D 视觉编码器，约 15T 图文混合 token 联合预训练）+ Agent Swarm（用 PARL 训练并行多智能体编排）。论文的两个主张是「文本与视觉联合优化让两个模态互相增强」和「并行 agent 编排把任务复杂度从线性串行变为并行处理」。

ZeRO: Memory Optimizations Toward Training Trillion Parameter Models

ZeRO 在数据并行（DP）框架内把「模型状态」从每卡复制一份改为按 DP 度数切分、用时再通信聚合，从而在不牺牲计算/通信效率的前提下拿到接近模型并行（MP）的内存效率。