SCAPO：用反事实稳定性改进 GRPO 的 token 级信用分配
提出 SCAPO，用半事实稳定性改进 GRPO 的 token 级信用分配
SCAPO 把固定回答在半事实提示下的稳定性，变成 GRPO 训练早期的 token 级负向信用修正。。
其他arXiv:2609.40360 · 完整解读综述/立场arXiv:2609.12039 · 现实才是最终验证者：智能体软件工程的两大关键缺口
作者用双缺口框架统一智能体软件工程中的奖励投机与幻觉，主张靠外层保证—修订环持续收窄缺口。
完整解读Reality Is the Final Verifier 用 two-gap framework 解释智能体软件工程的主要失败，并主张用外层保证环持续收窄缺口，而不是试图在部署前证明缺口已关闭。
其他arXiv:2609.22978 · DeepSeek Elastic Compute（DSec）：面向大规模智能体训练的高效沙箱基础设施
DeepSeek 发布生产级沙箱平台 DSec，通过统一 SDK 提供 FnCall、容器、microVM 和 full-VM 四类沙箱后端，并与强化学习框架协同设计，将带状态的 rollout 执行与可抢占的 GPU 训练解耦，同时缓解奖励作弊等智能体失范行为。
完整解读DSec 是 DeepSeek-AI 的生产沙箱平台，用来支撑从 DeepSeek V3.2 到 V4.1 的智能体 RL 与评测，而不是报告某个模型的任务准确率。
其他arXiv:2609.26457 · Weco AI 提出 AIDE2：AI 研究智能体递归自我改进 8 天获七次提升
提出双层自改进系统 AIDE2，让外层智能体重写内层 Harness 代码
完整解读其他arXiv:2609.27068 · HiRE：用事后奖励编辑为策略微调突破奖励瓶颈
先补齐论文被截断的附录数字，再按 schema 写解读。
完整解读占位。
已经到底了