[2026-10-04] Self-Evaluating Recursive Agents
Agent 拆出的子任务没有现成答案，怎样训练它评价这些任务？SERA 让同一模型写评分条件、执行与评分。本文用公开两菜任务的实际程序重放，讲清三种训练奖励、最终验收和关键负结果。
# Reinforcement Learning
[2026-02-04] Privileged Information Distillation for Language Models
强模型只留下成功做过哪些操作，也能帮助训练吗？本文通过取消订单的真实记录，解释 π-Distill 如何让同一模型在带参考记录和不带记录的两种输入下共同学习，并核对奖励、概率约束和评测选择。
[2026-08-26] V-Rubrics: Visual Faithfulness via Rubric-Based Reinforcement Learning
答对选项也可能看错图。V-Rubrics 把视觉事实、推理和输出要求分开判分，再将每项训练信号分配给回答的相应前缀。本文用公开潮汐题复算奖励，核对原论文图表与代码边界。
[2026-09-26] Groupwise Agentic Grading and Advantage Redistribution for Code Agent RL
GAGAR 如何比较多次通过测试的代码修改质量，再重新分配训练权重；拆解判分 Agent、计算公式、训练结果、带上限的实现与未公开证据。
[2026-01-29] ASTRA: Automated Synthesis of agentic Trajectories and Reinforcement Arenas
ASTRA 先生成工具调用示范，再把多步问答写成可执行的模拟工具，用模型自己的执行结果继续训练。本文分开解释数据构造、环境检查、训练奖励、行李加购真实样本及公开代码与论文的差异。
[2026-08-31] Learning Where Outcomes Change: Credit-Addressable Reasoning for Multimodal Geometry
把几何解题过程写成带标签的步骤，固定某一步以前的内容，再从这里生成不同完整解法，用最终分数差训练后半段。结合等腰三角形真实案例，说明数据来源、评分、更新范围与实验限制。
[2026-09-03] Multi-Harness Reinforcement Learning for Coding Agents: Training Gains and Harness Dependence
同一批编程执行记录，按接口分别比较成绩，或把同题不同接口的成绩合起来比较：两种训练都只有小幅提升，评测接口带来的差异更大；换到未见接口后，谁更好仍没有稳定证据。
[2026-08-17] ClawGym II: Exploring Black-Box RL on Agent Harness
ClawGym II 保留 Claude Code 和 OpenClaw 的工具执行流程，通过模型调用记录和任务评分训练模型。本文解释分支怎样恢复、哪些生成不参与训练，并实际运行公开周报任务的检查程序，核对评分与实…
[2026-08-23] Learning Generalizable Behaviors for Terminal Agents
RIVER 先检查任务说明、容器和测试程序是否一致，再让强模型各试两次，从原训练集筛出约 3.5K 个环境。两条真实误判记录说明答案泄漏和脆弱测试怎样带偏训练，以及重复操作的扣分加在何处。
[2026-08-18] LEGO-RL: Harness-Native Reinforcement Learning for Coding Agents
LEGO-RL 保留 Claude Code 等编码助手原有的执行流程，记录模型实际生成的内容，再按隐藏测试结果训练模型。用真实进度条修复任务讲清生成记录、任务筛选、评分和训练更新，并区分验证集最高分与最后一次验证。
