Hermes Cron Paper Digest

Anna 的论文速递

按领域整理 Anna 的每日论文速递，自动从 Hermes cron Markdown 输出生成静态网页。

查看全部归档最新 JSON

领域2

已发布速递55

论文条目390

arXiv 链接286

最新日期2026-06-25

Latest

最新速递

Agent & LLM2026年6月25日

每日论文速递 · Agent & LLM

💡 一句话：这篇直接拆 agentic model 训练数据怎么做，用 100+ ablation 找数据来源、多样性、pipeline 各环节的真实贡献，并开源 100K agent 训练集。

arXiv:2606.24855arXiv:2606.24775arXiv:2606.24820arXiv:2606.24177+4

Embodied Agents & World Models2026年6月25日

每日论文速递 · Embodied Agents & World Models

💡 一句话：把 demonstration 自动切成可组合的 primitive，再让 VLM 指导机器人自己尝试、标注、吸收新 primitive，形成 VLA 的 data flywheel。

arXiv:2606.24884arXiv:2606.24338arXiv:2606.24068arXiv:2606.24101+4

Recent

最近更新

Embodied Agents & World Models2026年6月25日

每日论文速递 · Embodied Agents & World Models

💡 一句话：把 demonstration 自动切成可组合的 primitive，再让 VLM 指导机器人自己尝试、标注、吸收新 primitive，形成 VLA 的 data flywheel。

arXiv:2606.24884arXiv:2606.24338arXiv:2606.24068arXiv:2606.24101+4

Agent & LLM2026年6月25日

每日论文速递 · Agent & LLM

💡 一句话：这篇直接拆 agentic model 训练数据怎么做，用 100+ ablation 找数据来源、多样性、pipeline 各环节的真实贡献，并开源 100K agent 训练集。

arXiv:2606.24855arXiv:2606.24775arXiv:2606.24820arXiv:2606.24177+4

Embodied Agents & World Models2026年6月24日

每日论文速递 · Embodied Agents & World Models

💡 一句话：它把机器人执行拆成 skill graph、资源调度、执行监控、反馈重规划和 3D spatial memory，是真正在往“Embodied AgentOS”方向走的系统论文。

arXiv:2606.23565arXiv:2606.24884arXiv:2606.24815arXiv:2606.23085+4

Agent & LLM2026年6月24日

每日论文速递 · Agent & LLM

💡 一句话：这篇直接拆 agent 模型训练数据 pipeline，做了 100+ ablation，并发布 100K agent 训练样本，核心价值是告诉你“什么数据真的能训出更会用工具/做任务的 agent”。

arXiv:2606.24855arXiv:2606.24775arXiv:2606.24820arXiv:2606.24177+3

Embodied Agents & World Models2026年6月23日

每日论文速递 · Embodied Agents & World Models

💡 一句话：这篇直接把 LLM agent 的“状态理解 → 工具调用 → 反馈检查 → 重规划”闭环搬到真实机器人上，用 Embodied AgentOS + 3D spatial memory + skills 组织真实硬件执行。

arXiv:2606.23565arXiv:2606.22948arXiv:2606.19930arXiv:2606.19926+4

Agent & LLM2026年6月23日

每日论文速递 · Agent & LLM

💡 一句话：系统性评估多智能体系统里的 system prompt 优化，回答“调 prompt 到底在哪些 agent workflow / communication / team size 下有用”。

arXiv:2606.23664arXiv:2606.23654arXiv:2606.23525arXiv:2606.23283+4

领域

Agent & LLM

LLM Agent、推理与对齐、多智能体协作、Agent 架构、AI 系统设计与代码生成。

本领域归档

2026年6月25日

2026-06-25 09:02 每日论文速递 · Agent & LLM💡 一句话：这篇直接拆 agentic model 训练数据怎么做，用 100+ ablation 找数据来源、多样性、pipeline 各环节的真实贡献，并开源 100K agent 训练集。 8 篇

2026年6月24日

2026-06-24 09:02 每日论文速递 · Agent & LLM💡 一句话：这篇直接拆 agent 模型训练数据 pipeline，做了 100+ ablation，并发布 100K agent 训练样本，核心价值是告诉你“什么数据真的能训出更会用工具/做任务的 agent”。 7 篇

2026年6月23日

2026-06-23 09:05 每日论文速递 · Agent & LLM💡 一句话：系统性评估多智能体系统里的 system prompt 优化，回答“调 prompt 到底在哪些 agent workflow / communication / team size 下有用”。 8 篇

2026年6月22日

2026-06-22 09:03 每日论文速递 · Agent & LLM今日总结：6/18 这批论文质量很高，LedgerAgent / MATM / DynAMO 三篇直接对应你 InternOS 的三个核心模块（状态管理 / 经验复用 / 调度编排），SafeClawBench 是给你朋友的礼物。建议优先读前三篇。 6 篇

2026年6月21日

2026-06-21 09:02 每日论文速递 · Agent & LLM💡 一句话：在 208 个真实企业场景上对比了 DAG Plan-and-Execute 和 ReAct 两种编排范式，并提出一个带优先级推断 + 相关任务关联的 Task Manager，把多智能体系统从离散请求-响应推到持续事件监听。覆盖 Persona（<10 agents）、Department（20–80）、Enterprise（200）三个规模。 7 篇

2026年6月20日

2026-06-20 09:02 每日论文速递 · Agent & LLM💡 一句话：在 208 个生产场景上对比了 DAG Plan-and-Execute vs ReAct 在 10/80/200 agent 三档规模下的表现，发现瓶颈不是任务复杂度而是规模本身——agent discovery noise 是企业级编排的头号杀手；他们做了个 Task Manager 用优先级推断+相关事件合并+抢占，把高优队列延迟降 14-75%。 7 篇

2026年6月19日

2026-06-19 13:08 每日论文速递 · Agent & LLM💡 一句话：把状态从 prompt 里拆出来单独维护成 ledger，每次工具调用前用 ledger 校验是否违反 domain policy，解决 agent 用过期/错误信息做决策的两大失败模式。 7 篇

2026年6月17日

2026-06-17 09:02 每日论文速递 · Agent & LLM💡 一句话：今天的 Agent runtime 把 tool 当成孤立的 RPC，缺少 task-scoped 的 commit / rollback / recovery / audit 边界；Cordon 把多步 Agent workflow 当成数据库事务来管。 16 篇

2026年6月16日

2026-06-16 09:02 每日论文速递 · Agent & LLM💡 一句话：现在的 agent skill 都是 SKILL.md 形式，每次运行都要把整段文档塞进 context，浪费 token。S2L 把每个 skill 训成一个 LoRA adapter，运行时按需挂载，行为等价但 context 干净。 7 篇

2026年6月13日

2026-06-13 09:05 每日论文速递 · Agent & LLM今日总结：这两天 arXiv 上 agent 方向出了一批质量很高的工作。两个大趋势：(1) 编排层的优化从规则驱动转向 reward-driven（OrchRM），(2) 记忆系统正在从存取走向演化跟踪（EvoArena、Infini Memory）。对 Anna 来说，OrchRM 的编排质量评估思路 + EvoMem 的 patch-based 记忆演化最值得深挖。 7 篇

领域

Embodied Agents & World Models

具身智能、Embodied Agents、机器人学习、世界模型、VLA、GUI/Web/环境交互 agent 与物理推理。

本领域归档

2026年6月25日

2026-06-25 09:13 每日论文速递 · Embodied Agents & World Models💡 一句话：把 demonstration 自动切成可组合的 primitive，再让 VLM 指导机器人自己尝试、标注、吸收新 primitive，形成 VLA 的 data flywheel。 8 篇

2026年6月24日

2026-06-24 09:13 每日论文速递 · Embodied Agents & World Models💡 一句话：它把机器人执行拆成 skill graph、资源调度、执行监控、反馈重规划和 3D spatial memory，是真正在往“Embodied AgentOS”方向走的系统论文。 8 篇

2026年6月23日

2026-06-23 09:13 每日论文速递 · Embodied Agents & World Models💡 一句话：这篇直接把 LLM agent 的“状态理解 → 工具调用 → 反馈检查 → 重规划”闭环搬到真实机器人上，用 Embodied AgentOS + 3D spatial memory + skills 组织真实硬件执行。 8 篇 2026-06-23 01:28 每日论文速递 · Embodied AI & World Models💡 一句话：它让 VLA 从普通双摄输入中“脑补”多视角未来画面，用 world model 解决遮挡下的 manipulation，真实机器人成功率提升很明显。 8 篇 2026-06-23 01:27 每日论文速递 · Embodied AI & World Models💡 一句话：只用常规 agent-view + wrist-view 两路相机，生成未来多视角场景来补 occlusion 信息，把遮挡任务成功率从 40.0% 拉到 73.3%，还用 token compression 把生成视角延迟压到 0.2–0.3s。 5 篇