- 1. Realize What Matters: Principled Context Representation for Large-Scale Reasoning
R3Con 从相关性形成理论出发，为大规模上下文构建提出设计原则，并实现面向跨文档推理的执行框架。在两个基准上对比九种方法，相对最强基线分别提升 20 和 8.4 个百分点；4B、9B 模型超过所评估的 35B 基线，说明上下文组织具有独立价值。
出现于日报：09-25
- 2. Just-in-Time Memory: Learning to Curate Task-Adaptive Memory for LLM Agents
JitMem 保留原始任务轨迹，在新任务到来后才按需整理记忆，而不是提前写成固定摘要；整理器可直接利用当前任务成功信号训练。在 ALFWorld、WebShop、τ²-bench 上，相对最强基线的成功率分别提高 16.2、16.3 和 3.9 个百分点，未训练整理器也有竞争力。
出现于日报：09-25
- 3. TRACE: Accountable Agentic Retrieval for Source Discovery in Digital Archives · 📖 深度解读
TRACE 面向有噪声、跨语料且必须追溯出处的检索，将问题分解、混合召回、证据暂存复审与重规划组成免训练搜索循环。在 1,752 个历史问题上，R@10 达 0.856、MRR 达 0.653，高于稠密检索的 0.734 和 0.535；托管推理约每题 0.02 美元，但延迟不适合直接搬入同步搜索主链路。
出现于日报：09-21
- 4. Verify, Don't Trust: Agentic Model Development for Video Discovery Retrieval at Scale · 📖 深度解读
针对长期自动建模中实验跑完却结论无效的问题，EvoPilot用版本化技能、实验协议和产物核验约束研究智能体。37天、7个方向的研究纠正了漏斗深度不一致造成的负22个百分点误判；匹配比较获得离线命中率提升3.20个百分点，另一次7天线上实验测得GSRR相对提升0.66%。
出现于日报：09-22
- 5. SpeakerMem-R1: Speaker-Centered Dual-Track Memory for Multi-Party Dialogue
SpeakerMem-R1 面向多人对话中的说话人归属与状态重建，将带身份的原始消息和个人、群组结构化状态分别存储，再按实体、事件和时间联合检索。三个多人记忆基准准确率为 47.9%、69.2%、61.9%；305 题控制实验中，强化学习使写入器准确率从 57.38% 升至 68.20%。
出现于日报：09-24
- 6. Verifiable Hidden Dynamics Play: Generating Agentic RL Environments from Solved Mechanisms
VHD-Play 先采样并求解数学机制，再将机制呈现为有状态工具，使环境动态与评分依据共享来源。系统以每个数美分生成 3,300 个 Agent 环境；Qwen3.6-35B-A3B 在三个机制族训练后，五族诊断的平均得分从 0.204 升至 0.815，并评估未见机制迁移。
出现于日报：09-25
- 7. CoVeR: Coverage-Based Routing of Verifier Calls in Agentic Retrieval · 📖 深度解读
针对多步搜索每轮重复验证证据的开销，CoVeR 用冻结句向量的覆盖缺口筛掉明显不完整状态，仅在模糊状态调用验证器。在 HotpotQA 和 2Wiki 上验证调用分别减少 62.2% 和 67.8%，EM 相对始终验证仅变化 −0.10 和 +0.20 个百分点；93% 的 MuSiQue 降幅属于饱和场景。
出现于日报：09-24
- 8. Adaptive Instructed-Retriever: Frontier-Quality Search at 2x Lower Latency
Databricks把并行检索与串行多跳搜索合并，用CISPO在线强化学习学习何时继续搜索、何时停止，并惩罚无收益的额外步骤。在7个留出内部及公开基准上，官方报告平均端到端延迟5.8秒，在接近对照模型质量的情况下快两倍以上。
出现于日报：09-22
- 9. COMED: The Missing Middle Between Routing and Collaboration in Multi-LLM Inference
COMED 针对多模型协作既能修复错误、也可能破坏正确答案的问题，利用主模型自一致性、路由间隔及轻量同伴探测决定是否升级协作。在 16 个开放权重设置均取得增益，MedQA 最高提升 10.7 个百分点；HLE 上 GPT-5.5 从 23.1% 升至 28.1%。
出现于日报：09-25
- 10. Meet, Compare, or Abstain: LatWeave for Deterministic Multi-Hop Question Answering on Knowledge Lattices
LatWeave 将多跳问答编译为知识格上的交集、比较和拒答三类确定性算子，仅在构建及查询规划阶段使用 LLM。MetaQA 的 39,093 道题上 any-hit 为 0.9975，2WikiMultihopQA 的 1,258 道留出题 EM 为 0.865；IIRC 拒答准确率为 0.971。
出现于日报：09-25