- 1. Spurious Tool Use: When RL Agents Learn the Wrong Reason to Act
研究构造事实问答与数学推理环境，在训练数据中加入与搜索或计算工具相关、但与真实需求无关的表面线索。反事实测试显示，强化学习后的伪工具调用率最多增加 39%；作者进一步引入逐次判断调用必要性的密集奖励，在保持任务表现的同时抑制依赖线索的错误调用。
出现于日报：09-17
- 2. Bypassing inference bottlenecks: Accelerating complex AI search with Retrieve-for-Train
Google将搜索查询分解的强化学习探索放到离线：先训练能生成互补子查询的模型，再合成监督数据，蒸馏到5390万参数扩散检索器。博客报告相对自回归方式获得12—20倍推理加速，利用相关性、集合多样性和数据库可检索性共同约束输出。
出现于日报：09-16
- 3. Question's Gambit: The First Move Matters in Agentic Deep Search
针对深度搜索首次检索缺少线索组织的问题，Question’s Gambit先拆解问题、扩展互补查询，再合并重排结果作为智能体的起始上下文。在保持后续搜索循环一致时，GPT-5.5在BrowseComp-Plus上的准确率从83.1%升至90.5%，提升7.4个百分点。
出现于日报：09-16
- 4. Predicting Partial Answer Quality and Utility in Agentic Retrieval-Augmented Generation
论文在每轮检索与推理后强制生成临时答案，分别测量当前答案质量和相邻轮次的质量增量，并利用轨迹特征预测继续检索的价值。多跳问答实验中，质量预测的 Pearson 相关系数超过 0.43；基于预测早停后，平均迭代次数减少约 11%，保留自然终止时约 98% 的最终答案质量。
出现于日报：09-17
- 5. One Size Does Not Fit All! Dynamic Retriever and Generator Selection for RAG
论文针对固定 RAG 配置浪费计算、复杂问题证据不足的矛盾，提出联合选择检索器与生成器的 DRAG。无训练版本使用查询难度与上下文困惑度，监督版本学习配置选择；在 GPT-OSS 的 HotpotQA 上，监督路由 F1 为 67.6，高于静态强配置的 65.2。
出现于日报：09-18
- 6. Cognition on Graph: Navigating Massive Knowledge Space via Cognitive Cycles and Bidirectional Graph-Text Synergy
CoG 面向大规模图谱与文本混合知识库，通过计划、探索、反思的循环组织多跳检索，并从文本抽取实体反向引导图谱遍历。七项问答基准使用相同 Qwen3-32B 骨干；MuSiQue 的 EM 为 27.8%，高于 IRCoT 的 20.6%，平均访问文档数为 2.6，而 ToG-2 为 32.5。
出现于日报：09-15
- 7. Diagnosing the Fact-Grounding Gap in Multi-Hop Question Answering
论文将多跳问答中的逐跳缺陷拆成未召回支持段落与已召回段落仍缺少所需事实两类，并在三个基准中检查这一差别。MuSiQue 的 6,401 个推理跳中，检索失败占 30.7%，事实抽取缺口占 27.3%，后者约占全部缺陷的 47%；更换检索器并不能消除该缺口。
出现于日报：09-17
- 8. When Agents Slow Down: Understanding LLM Agents' Test-Time Strategies via Elo-per-token Analysis
论文用Elo-per-token比较不同预算下智能体已找到的最佳解，发现长会话的边际收益最终低于独立采样参照。研究覆盖4个通用Agent和4个开放任务基准；在拼块任务中按拐点拆分1亿Token预算，比单一长会话高264 Elo，比10个短会话高355 Elo。
出现于日报：09-16
- 9. How KDDI built Buffmee, a faster, reliable consumer RAG app
KDDI 的 Buffmee 面向百余内容来源提供检索问答，通过自动评测、生产日志分析和按需加载 ADK Skills 定位延迟与提示词问题。工程案例报告总体响应延迟降低 38%、首 token 时间改善近 18%、事实依托评分提高 25%；按格式与媒体构成抽样，使评测工作量减少 75%。
出现于日报：09-17
- 10. Confidence Comes from Experience: Experiential Confidence Estimation from Reasoning to Agents
XConf 利用模型过去有判分结果的任务记录估计当前回答置信度，先召回相似任务与相近置信度的经历，再让模型反思历史失败。覆盖九个基准、四个模型，在 24 次比较中的 23 次达到或超过十次采样自一致性；拒绝最低置信度的 10% 任务，智能体交付成功率最多提高 8.7 个百分点。
出现于日报：09-18