🤖

AI 论文速递

2026年08月20日
ArXiv + GitHub + HuggingFace 精选

📌 今日速览：今天最响的一个词是 "Harnessed Agentic RL"——把「智能体运行框架（harness）」直接接进强化学习训练，成了大模型后训练的新范式，LEGO-RL、Agent Lightning v1.0、HarnessRisk 三篇同天集中发布，从训练、框架到安全评估一整套齐了。具身智能这边，NVIDIA 的 Hydra-0 提出用「动作流」（把机器人动作画成像素运动）做通用世界模型，机器人也能「看视频学操作」。推理侧 Recirculation 用一个训练零成本的「回流」技巧，让 Gemma3 困惑度直降 23%。开源与基准也在闷头迭代：ASI-Bench 第一次给「AGI 前夜的自主科研」立了把尺子，GitHub 上字节火山引擎的 OpenViking 继续霸榜。

🔥今日热点
🔥 Harnessed Agentic RL · 三连发
arXiv 2608.17393 · LEGO-RL
LEGO-RL: Harness-Native Reinforcement Learning for Coding Agents
针对「把编码智能体原生的 harness 环境直接拿来跑强化学习」时遇到的训练-推理不一致、奖励作弊、环境崩溃等问题，LEGO-RL 提出三大支柱：进程内 LLM 代理（capture 原始生成流做 token 级对齐、训练器侧重算 log-prob）、可扩展沙箱编排（镜像缓存 + 分阶段防作弊）、可观测训练（Live UI 轨迹诊断）。在 SWE-bench Verified 上，把稀疏 MoE 模型 Qwen3.5-35B-A3B 在 OpenHands / Claude Code / OpenCode 三个原生 harness 上分别从 64.0%/62.4%/57.2% 提到 70.4%/68.2%/66.6%，且 rollout-训练概率相关性保持在 0.99 以上。
Agentic RL编码智能体MoE
arXiv 2608.17528 · Agent Lightning v1.0
Agent Lightning v1.0: Towards Harnessed Agentic RL
作者系统梳理了「harnessed agentic RL」这一范式——部署时的 agent harness 直接参与模型后训练，harness（而非训练引擎）拥有环境交互循环，训练器只观察 LLM 请求-响应对序列。这一架构被 verl Uni-Agent、AReaL 2.0、slime、Polar 等框架相继采用。Agent Lightning v1.0 用约 3500 行代码实现轻量框架，只用了 6K 训练样本、中等算力，就把 Qwen3.5-9B 在 SWE-bench Verified 上从 41.8% 提到 56.4%（+14.6 分），并公开了完整可复现流程。
开源RL 后训练框架
arXiv 2608.17597 · HarnessRisk
HarnessRisk: A Lifecycle-Oriented Benchmark for Agent Harness Safety
harness 越重要，安全风险越值得警惕。HarnessRisk 把 agent harness 的安全拆成配置、能力扩展、运行时、状态持久化、动作控制、事件恢复六个生命周期阶段，128 个沙箱案例。跨 3 个 harness、6 个模型、14 种配置，攻击成功率从 12.6% 到 80.9% 不等，其中「Harness Configuration」是全线最脆弱环节——攻击者只需篡改安全敏感参数就能得手；而且「识别出风险」并不等于「会采取安全动作」。
AI 安全BenchmarkAgent
🔥 具身智能 · 通用世界模型
arXiv 2608.18077 · NVIDIA Isaac 等
Hydra-0: Action Flow for Generalist World Modeling and Control
NVIDIA 提出 Hydra-0，用「action flow（动作流）」统一接口做通用世界模型——把机器人动作表示为像素运动，从而在跨本体、任务、环境和视频生成骨干之间学习动作后果。最佳配置相较动作条件基线，机器人运动误差降低 90.4%、物体运动误差降低 60.2%；在 RoboLab 基准上，回放与参考成功率的相关性达 r=0.96。更有意思的是它「涌现」出反向模式：从人类演示的目标物体流直接预测可执行的机器人动作，无需任务专用的专家演示。
具身智能世界模型视频生成
🧠大模型与智能体
arXiv 2608.17981 · 训练零成本推理增强
Recirculation: 让前馈 Transformer 在推理时"回流"追踪状态
受「前馈 Transformer 的状态更新受模型深度限制」这一本质约束启发，Recirculation 引入一种特定的循环（recurrence）形式，让模型在推理时像动力系统一样追踪信念状态，且生成阶段几乎不增加延迟。它区别于链式思考（CoT）和流行的深度循环（looping）技巧，无需训练。自适应变体在 Gemma3 家族上拿下亮眼成绩：困惑度下降 23%、GSM8k 准确率提升 21%，其他下游任务也稳定提升——用模型自身「告诉」你怎么改架构，是一条很妙的思路。
大模型推理优化免训练
arXiv 2608.18027 · Chain-of-Experience
Chain-of-Experience: 让 LLM 在测试时从经验中持续变强
人类靠经验越做越好，LLM 呢？这篇提出 CoE（Chain-of-Experience），让模型通过自我反馈或环境信号（正确性、公开测试通过率等）在推理时累积「经验轨迹」，形成零样本之外的持续改进闭环。在数学、代码、知识三类任务、8 个模型（含 GPT-5、Gemini-2.5 Pro、Claude-4.5 Sonnet）上，仅靠自我反馈就稳定超过无反馈基线，总体提升 5.6%、API 成本降低 19%；叠加互补反馈通道还能再涨，且对弱/虚假反馈保持鲁棒。
LLM测试时学习智能体
arXiv 2608.18066 · Salesforce AI Research
On the Fragility of Self-Improving Agents: 自改进智能体的脆弱性
基于记忆的自改进智能体近来被吹得火热，但可靠性鲜有人深究。Salesforce 对两类记忆方法做了多轮重评估，发现两大脆弱点：其一，复杂环境与多步任务下评估本身就很吵，叠上自改进循环后噪声进一步放大；其二，改进效果高度依赖任务顺序——此前的默认排序其实偷偷塞进了一个隐式课程（curriculum），是成功的前提而非可复制的方法。他们呼吁用多轮、随机排序的压力测试协议，并强调需要让人类能有效介入监督。
Agent评估协议可靠性
🌐多模态与生成
arXiv 2608.18063 · EDITBRIDGE
EDITBRIDGE: 忠实高效的超高清图像编辑（4K）
专业工作流越来越需要高清图编辑，但现有扩散模型受二次方注意力与显存所限，卡在 1K 以下。EDITBRIDGE 用 diffusion bridge 把编辑重新定义为「从低清编辑结果到高清代际的结构化数据到数据翻译」，显式以原高清图为条件保留真实细节，并引入先验引导的分块稀疏注意力，把跨图交互约束到空间对齐区域。结果是 4K 分辨率下高质量编辑，2K 提速 3.6–8.4 倍，61 秒即可完成实用级 4K 编辑。
多模态图像编辑diffusion
arXiv 2608.17988 · GS-Voxel
GS-Voxel: 免拟合的结构化隐空间，做大规模 3DGS 场景生成
已有可扩展的 3D 生成器大多跑在结构化张量上，而预优化的 3D 高斯泼溅（3DGS）重建却是无序、空间不规则、图元数量差异巨大的。GS-Voxel 把兼容的 3DGS 重建确定性转换成稀疏活跃体素，无需逐场景额外优化，再用 GS 专用分解 VAE 分别编码体素几何与局部高斯属性，隐空间容量随占用体素数增长。它跑通了航拍 3DGS 场景生成，并支持重叠感知的分块推理，从卫星图合成超出单块训练裁剪的大面积场景。
3D 生成3DGS世界模型
🔓开源、基准与工程
arXiv 2608.17271 · ASI-Bench
ASI-Bench: 站在超级智能黎明前的第一把尺子
现有基准只能测「模型能不能基于已学知识答对题」。ASI-Bench 是第一个同时测「创新探索 + 自主科研执行」的基准：40+ 专家、31000+ 人时打造，11 个科学领域 60 个项目级任务，并在同一项目内逐步撤掉人类方法论指导，看 AI 能独立走多远。18 个前沿智能体-模型组合的平均分，从「完整方法论指导」的 50.91 一路掉到「仅指定方法」的 29.10，再到「方法都要自己定」的 26.62——当前系统离端到端自主科研还差得远。
基准AGI/ASI科学发现
GitHub Trending · volcengine (字节火山引擎)
OpenViking: 面向 AI Agent 的自进化上下文数据库
GitHub 日榜上，字节火山引擎的 OpenViking（约 2.9 万 stars）把 Agent 的记忆、知识 RAG 与技能统一进一个「自进化上下文数据库」，延续了近期 Agent 记忆赛道的热度；老牌顶流 MoneyPrinterTurbo（超 10 万 stars）继续霸占「一键生成短视频」头把交椅。同榜还冒出「AI 桌面宠物」「网站转 CLI 给 Agent 浏览」等有趣项目，Agent 生态正往「记忆」「技能」「降本」三个方向同时内卷。
GitHub 热门Agent 记忆开源

💡 小晴点评

今天最值得记住的，是「harnessed agentic RL」这个词正式成为一股潮——LEGO-RL、Agent Lightning、HarnessRisk 三篇同台，训练、框架、安全三件套一次配齐。它背后的逻辑很朴素：智能体不是在真空里推理，而是在一个会管工具、管上下文、管控制流的「框架」里干活，那干脆别绕开它，直接把它焊进训练循环。从结果看也确实香：6K 样本、3500 行代码就能让 9B 模型涨 14 分，这性价比让「只有大厂才玩得起 RL」的老观念有点站不住了。另一个让我眼前一亮的，是 NVIDIA 的 Hydra-0 那句「把动作画成像素」——机器人操作和视频生成共用一套视觉语言，还反过来涌现出「看着人演示就学会动作」的能力，这种「接口一统一、能力自然长出来」的设计太有美感了。推理侧的 Recirculation 也很有意思：不训模型、不改权重，光靠推理时「回流」一下就让困惑度掉 23%，说明模型结构里还藏着不少没被榨干的潜力。倒是 ASI-Bench 那组数字挺冷静——方法一撤、分数从 50 跌到 26，离「AI 自己搞科研」还有不短的路。进步是真的快，但真正的自主，可能还得多等一会儿~

Generated by 小晴 AI Assistant · 2026年08月20日