- 1. AgenticQwen: Training Small Agentic Language Models with Dual Data Flywheels for Industrial-Scale Tool Use
针对工业级 Agent 应用的成本/延迟约束，论文提出 AgenticQwen——通过多轮强化学习训练的小尺寸 Agentic 语言模型家族。核心是“双数据飞轮”机制：推理飞轮通过错误样本不断提升任务难度，而 Agentic 飞轮把线性工具链扩展为多分支决策树，更贴近真实业务的复杂决策。在公开 Agentic 评测中，AgenticQwen 与体量大得多的开源模型旗鼓相当…
出现于日报：04-28
- 2. Deep Research Max: a step change for autonomous research agents
Google 在 4 月 21 日发布基于 Gemini 3.1 Pro 的 Deep Research 与 Deep Research Max 两档自主研究 agent。Deep Research Max 通过显著加大检索迭代轮数与跨源比对深度生成更长且引用更完整的报告，并新增 MCP 协议支持以接入企业私有数据，原生生成可视化图表。性能上 DeepSearchQA 由 2025 年 12 月的 66.1% 跃升至 93.3%…
出现于日报：04-30
- 3. Why Does Reinforcement Learning Generalize? A Feature-Level Mechanistic Study of Post-Training in Large Language Models
论文针对 RL 后训练能让 LLM 推理能力跨域泛化、SFT 却倾向遗忘通用能力这一对照现象，提出特征级机理分析框架。研究在统一基模型与同份数据上分别做 RL 与 SFT，使用可解释性方法把两者激活对齐到共享特征空间，逐层追踪特征演化。结果发现 SFT 会快速引入大量高度专门化、训练早期就稳定的特征，而 RL 引发的特征变化更克制、持续演化，且大体保留基模型的表征结构，从而解释了 RL 泛化优势的微观来源。
出现于日报：04-30
- 4. PRAISE: Prefix-Based Rollout Reuse in Agentic Search Training
Agentic Search RL 训练有两大痛点：长程 rollout 计算昂贵但利用率低，且只有最终答案有奖励、信号稀疏。PRAISE 提出“前缀复用”：从一条完整的搜索轨迹中抽取不同搜索轮次的前缀状态，用模型补出每个前缀的中间答案，从而 (1) 把同一条 rollout 切成多条训练样本，(2) 用前缀间的性能差作为 step-level reward…
出现于日报：04-28
- 5. IG-Search: Step-Level Information Gain Rewards for Search-Augmented Reasoning · 📖 深度解读
本文提出 IG-Search，一个基于步骤级信息增益（Information Gain）奖励的强化学习框架，用于训练搜索增强推理模型。核心思路是为每一步检索计算 IG 分数：度量当前检索结果相对于随机文档基线，对模型给出正确答案的置信度提升幅度，作为稠密奖励信号注入 GRPO 的 token 级 advantage。基于 Qwen2.5-3B，在 7 个 QA 基准上较轨迹级奖励基线提升 1.6 分，较已有步骤级方法提升 0.9 分…
出现于日报：04-27
- 6. Rewarding the Scientific Process: Process-Level Reward Modeling for Agentic Data Analysis · 📖 深度解读
针对动态数据分析 Agent 任务，作者发现通用 PRM 难以发现执行无异常但结果错误的「静默错误」，且会错误惩罚必要的探索性步骤。论文提出 DataPRM——一个具备环境交互能力的生成式过程奖励模型：作为主动验证器自主执行代码探查中间状态以揭露静默错误，并采用「反思感知三元奖励」区分可纠正的执行失败与真正的逻辑错误。在多个数据分析基准上 DataPRM 显著提升 Agent 执行成功率…
出现于日报：04-29
- 7. AgentGL: Towards Agentic Graph Learning with LLMs via Reinforcement Learning
AgentGL 是首个 RL 驱动的 Agentic 图学习框架，将图任务表述为 LLM Agent 多轮决策过程。它给 Agent 配置了三类“图原生工具”：局部邻居扩展、跳数受限遍历、全局证据探针，从而在不同尺度上探索图结构。框架引入“search-constrained thinking”约束工具使用次数以平衡精度与效率，并采用 graph-conditioned curriculum RL 稳定长程训练…
出现于日报：04-28
- 8. SkillForge: Forging Domain-Specific, Self-Evolving Agent Skills in Cloud Technical Support · 📖 深度解读
针对 LLM 智能体在企业场景（如云技术支持）部署时技能与真实工单脱节、且失败后无法定位技能缺陷的问题，提出 SkillForge 自演化框架。它由「领域上下文化技能创建器」（基于知识库与历史工单生成初始技能）与「失败分析→技能诊断→技能优化」三阶段管线组成，能从批量执行失败中自动定位缺陷并改写技能。在 5 个真实云支持场景、1883 条工单、3737 个任务上验证：领域化创建器显著优于通用版本…
出现于日报：05-01
- 9. Dual-Track CoT: Budget-Aware Stepwise Guidance for Small LMs
面向 7–8B 量级小模型推理瓶颈，论文提出 Dual-Track CoT：在 CoT 解码过程中引入预算感知的逐步指导，结合过程监督与简单的测试时控制（token 预算上限、冗余步骤拒绝）。两条 track 分别承担探索与收敛，在不依赖大规模采样投票或 ToT 搜索的前提下实现细粒度的 step-level 控制。论文论证小语言模型在相同甚至更少 token 预算下能稳定输出多步推理，特别适合端侧、低延迟、成本敏感的部署场景。
出现于日报：04-30
- 10. ClawGym: A Scalable Framework for Building Effective Claw Agents
Claw 风格智能体（在本地文件、工具、持久工作区上完成多步任务）缺乏可扩展开发框架。论文提出 ClawGym：包含 ClawGym-SynData（13.5K 个由 persona 驱动意图与技能化操作合成、配套 mock 工作区与混合验证机制的过滤任务）、ClawGym-Agents（基于黑盒轨迹 SFT 训练，并以轻量并行 sandbox 流水线探索 RL 训练）以及 ClawGym-Bench（200…
出现于日报：05-01