02 4.40
东北大学和清华发现，边推理边检索时，后面的子查询会沿着前面子查询的移动方向继续偏离原问题，而且越往后越明显。MAPS 据此做两处改动：每轮只把提炼出的知识和一段推理摘要交给模型，不再给它看历史子查询；生成子查询前先列出几个互补方向，各写一个子查询并行检索后合并。Qwen3-32B 上六个问答集平均 Cover-EM 为 56.0，ParallelSearch 为 49.2，Search-o1 为 43.9；三个组件分别去掉后都会下降。
03 4.40
Parlant 原来每轮对每条客服规则问一次大模型是否相关，36 条规则每轮约 69,000 个 token。S&Q 改为离线让大模型为每条规则写 10 条应触发的用户消息和 10 条容易混淆的反例，训练一个逻辑回归；线上每轮只需一次 embedding 和 37 微秒 CPU。在 τ²-bench 航空客服上，召回率 90% 时精确率 32%–34%，余弦阈值为 31%；从真实对话挖样例后精确率升到 43.5%，提升几乎全部来自反例。
04 4.30
IBM 构建了约 3,900 条的多轮 RAG 反问数据集 ClariEdge，专门包含"看起来含糊、但上文已能确定指代"的难负例，用来对 Granite 小模型做 LoRA 微调，判断要不要反问并列出候选项。Granite-4.1-3B LoRA 判断准确率 96.6%，提示词方式下 GPT-4o 为 79.4%，GPT-5.6 Sol 为 73.1%（后者倾向于什么都反问）。去掉难负例训练后，难负例类准确率从 87.3% 跌到 35.4%。
05 4.10
Huawei
Southeast University
Sun Yat-sen University
Shandong Normal University华为诺亚等提出 Uni-Mem，用一个 Qwen3-4B-Instruct 模型同时学"往记忆库里写什么"和"查询时取什么"，两部分都用在线强化学习训练。训练时交替优化写入和检索，每组对比样本里固定另一部分不变，使奖励差异只来自当前部分；奖励按"事件"（一段新对话或一次提问）分配给相关的记忆操作。LoCoMo 上 LLM 评判得分 88.80%，比最强基线 Memory-R2 (OSS) 高 10.93 个点，不做 SFT 也有 80.99%。
06 4.10
SSapienza University of Rome
Georgetown University
University of Glasgow
University of Pisa
比萨大学等发布 ASQ 数据集，记录了约 102 万条开源检索智能体（Search-R1、AutoRefine、gpt-oss-20b）在 MS MARCO、HotpotQA、Researchy Questions 上的完整检索过程，包括每一步子查询、检索结果和推理文本。分析发现，一个问题最多触发 186 次检索，人通常只查 2–3 次；智能体常回到更早用过的查询，重复取回相同结果；加重排或增大检索深度并不能稳定缩短检索链，效果因智能体和配置而异。
07 3.85
港大等提出 BIRD-RL，用强化学习训练小模型在真实数据库上调试 SQL。难点是 SQL 会修改数据库状态，每条采样轨迹本需独立的数据库容器；BIRD-RL 按轨迹登记并复用数据库副本，在 SQLite 负载下空间效率提升 12.8 倍，不需要 Kubernetes。训练分四阶段：模仿推理、模仿多轮工具调用、强化推理、在真实数据库上交互式强化学习。7B 和 14B 模型在 BIRD-CRITIC-SQLite 上成功率 44.40% 和 48.00%，Claude-Opus-4.6 Agent 为 48.20%。
08 3.85
IIQuest Research
Beihang University
Renmin University of China
人大等发现，只在一套固定的智能体运行框架（harness）里做强化学习，模型换框架后效果会变差。Harness Scaling 把框架拆成系统提示词、工具接口、观测格式、上下文管理、工作流五个可替换部分，用正交设计挑出一小组组合训练，每个任务配两个相近的组合。在 ClawGym-Task 上训练 Qwen3-4B-Instruct，未见过的框架组合上 GRPO 平均分从 29.81 升到 39.04；迁移到 Claude Code 时平均 37.22，高于直接在 OpenClaw 上做 SFT（35.08）或 RL（33.38）。
KAIST
Korea University
Northeastern University
Tsinghua
IBM
已录用 NeurIPS 2026
HKU
NUS
Microsoft
UCLA
NVIDIA