- 1. Argus: Evidence Assembly for Scalable Deep Research Agents · 📖 深度解读
针对 deep research agent 并行 rollout 重复采集证据、聚合上下文撑爆模型窗口的问题，提出 Argus：Searcher 以 ReAct 方式为子查询收集证据轨迹，Navigator 维护共享证据图（evidence graph），校验缺失片段、调度 Searcher 补全，并在完整图上推理生成可溯源答案。Navigator 用强化学习训练 verify/dispatch/synthesize…
出现于日报：05-19
- 2. Towards Self-Evolving Agentic Literature Retrieval · 📖 深度解读
针对纯关键词检索可靠但召回受限、而前沿 LLM 直接生成检索结果昂贵且幻觉率高（实测幻觉率 37.79%）的矛盾，提出 PaSaMaster：把文献检索拆成「意图分析 → 检索 → 排序」的可迭代闭环，并坚持用排序而非生成来产出结果以杜绝来源幻觉，同时把规划与检索分离以控成本。在覆盖 38 个学科的 PaSaMaster Benchmark 上，F1 较传统关键词检索提升 15.6 倍…
出现于日报：05-18
- 3. CopT: Contrastive On-Policy Thinking with Continuous Spaces for General and Agentic Reasoning · 📖 深度解读
CopT 把传统 think-then-answer 的 CoT 流程倒过来：先让模型直接产出 draft answer，再把这个草稿作为条件输入，让模型在 on-policy 阶段对其进行反思、纠错。为了判断 draft 是否可信，作者把连续 embedding 作为推理期 contrastive verifier — 对同一段 token，分别以离散 token 输入和连续 embedding 输入算 likelihood…
出现于日报：05-21
- 4. You Only Need Minimal RLVR Training: Extrapolating LLMs via Rank-1 Trajectories · 📖 深度解读
论文研究 RLVR (可验证奖励强化学习) 训练过程中参数轨迹的几何结构，发现 RLVR 的权重增量轨迹极度低秩：大部分下游性能增益由参数 delta 的 rank-1 近似捕获，且该投影的幅度随训练步数近似线性增长。据此提出 RELEX，从一个很短的观测窗口估计 rank-1 子空间，再用线性回归外推未来 checkpoint，无需任何可学习模型…
出现于日报：05-22
- 5. MagenticLite, MagenticBrain, Fara1.5: An agentic experience optimized for small models
微软研究院发布面向小模型的 agentic 体系三件套：MagenticLite (跨浏览器与本地文件系统的自主任务完成应用，Magentic-UI 下一代)、MagenticBrain (14B 编排模型，负责规划、写代码、委派子任务)、Fara1.5 (4B/9B/27B computer-use 模型族)。架构遵循三条原则：增量式 step-by-step 规划以便长任务中途纠错…
出现于日报：05-22
- 6. SD-Search: On-Policy Hindsight Self-Distillation for Search-Augmented Reasoning · 📖 深度解读
搜索增强推理 agent 在内部推理与外部检索调用之间交替，整条 rollout 只有一个轨迹级 outcome reward，单次 search query 拿不到 step 级信用。已有 process-supervision 方法要么依赖更大的 teacher 模型，要么依赖外部系统标注的子问题。SD-Search 让同一个模型扮演两个只在 conditioning 上不同的角色：student 只看推理时可见的上下文…
出现于日报：05-20
- 7. GoLongRL: Capability-Oriented Long Context Reinforcement Learning with Multitask Alignment
GoLongRL 提出 capability-oriented 的长上下文 RLVR 后训练方案，作者完全开源了 23K 训练样本、整套构造 pipeline 和训练代码。区别于以前一味堆复杂 retrieval path 的数据构造，论文按长上下文能力建立 taxonomy，覆盖 9 类任务（书籍、论文、多轮对话等），每类配一个原生评估指标…
出现于日报：05-21
- 8. Improving Retrieval-Augmented Generation without Taxonomy-based Error Categorization
目前 agentic RAG 普遍依赖 critic agent 把错误分到细粒度类别 (factual / hallucination / coverage…) 后再对应修复策略，但作者实证发现细粒度 taxonomy 既难维护又会把 critic 误分类的噪声放大。论文提出 RePAIR，一种 response-action learning 范式，跳过显式错误分类…
出现于日报：05-21
- 9. DecoupleSearch: Decouple Planning and Search via Hierarchical Reward Modeling
Agentic RAG 引入自主 agent 后面临三个问题：每一步成败同时依赖高质量 planning 和准确 search、中间推理步骤缺监督、planning 与 search 的候选空间随步数指数膨胀。DecoupleSearch 用 dual value models 把 planning 和 search 解耦，分别独立优化 plan reasoning 与 search grounding…
出现于日报：05-20
- 10. OPERA: A Reinforcement Learning-Enhanced Orchestrated Planner-Executor Architecture for Reasoning-Oriented Multi-Hop Retrieval
面向复杂推理型多跳检索，OPERA 指出现有 RAG 的三个失效点：规则式 decomposer 在非模板问题上规划差、有限的 query 改写导致迭代检索打转找不到 golden doc、缺乏细粒度推理无法从噪声结果里过滤有用信息，根因是检索与推理弱耦合。方法上拆成 Goal Planning Module（把复杂问题分解成可执行子目标）与 Reason-Execute Module（按子目标做精确推理与有效检索）…
出现于日报：05-20