R
AI Research Radar
每日前沿研究信号
AI Research Radar - 2026-11-16
研究画像:George Research Profile v2
总结模式:单模型
供应商:deepseek
模型:deepseek-v4-flash
LLM 总结调用次数:7
估算成本:RMB 0.0 / 1.0
最近一次 LLM 错误:provider=deepseek; model=deepseek-v4-flash; base_url=https://api.deepseek.com; HTTP status=n/a; error=Could not parse JSON response:
已禁用供应商:kimi
原因:unauthorized
0. 每日概览
最重要方向:Agent 运行时 / RL 基础设施 / 调度
必读数量:3(LuthorSQL: A One-Pass Text-to-SQL Model as System 1 for a Slower LLM Agent;TailGuard-GDS: Tail-Safe Control of GPU Storage Data Movement;DySENSE: Dynamic Spatiotemporal ENergy Synthesis and Emulation with Satellite Imagery)
略读数量:8(Teaching LLMs to Update Beliefs for Efficient Long-Horizon Interaction;Superfluid: Local AI Server for Distributed LLM Inference;Training-Free Acceleration of Multi-View 3D Transformers via Regime-Aware Attention Approximation;Aligning AI Teams;MASTARS: Multi-Agent Sequential Trajectory Augmentation with Return-Conditioned Subgoals)
关注数量:12(BAIR at CoRL 2026;2026 BAIR Graduate Showcase;Identifying Interactions at Scale for LLMs;Agent-R^2: Scaling Agents for Realistic Productivity Work via Real-Source Data Synthesis;Adaptive Parallel Reasoning: The Next Paradigm in Efficient Inference Scaling)
关键词:cs.AI、nlp、agent、robotics、github、framework、cs.CL、llm agent
判断:今日主线:围绕《LuthorSQL: A One-Pass Text-to-SQL Model as System 1 for a Sl》展开,建议从其问题设定和可复现实验切入。
1. 核心研究方向
1.1 AI 系统 / HPC / 分布式训练与推理
必读
略读
关注
1.2 GPU 中心 I/O / 网络 / 存储
必读
阅读优先级:必读
来源:arXiv Systems/HPC/GPU Data Path(一手来源;角色=论文来源)
发布时间:2026-11-13T06:59:39+00:00
主方向:GPU 中心 I/O / 网络 / 存储
次级标签:AI 系统 / HPC / 分布式训练与推理、Agent 运行时 / RL 基础设施 / 调度、AI 基础设施压缩 / 可靠性、其他亮点
依据层级:仅摘要
评分:个人相关度=0.91,全局热度=0.38,可信度=1.00,证据强度=1.00,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.88、schedagent=0.22、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:TailGuard-GDS: Tail-Safe Control of GPU Storage Data Movement:研究论文,方向为“GPU 中心 I/O / 网络 / 存储”;主要线索:GDS、GPUDirect Storage、HPC、I/O stack。
问题:它关注“GPU 中心 I/O / 网络 / 存储”里的 GDS、GPUDirect Storage、HPC、I/O stack 等问题。
方法 / 贡献:摘要可确认它提出或引入了 GDS、GPUDirect Storage、HPC、I/O stack;具体训练设置、指标和消融细节需读原文确认。
为什么对 George 重要:阅读优先级:必读 编辑优先级:0.80 今天安排深读。 个人相关度:0.91,研究相关度:1.00。
建议动作:读 PDF
命中关键词:GDS、GPUDirect Storage、HPC、I/O stack、NVMe、cs.DC、cs.OS、data path
略读
关注
1.3 AI 基础设施压缩 / 可靠性
必读
略读
关注
1.4 Agent 运行时 / RL 基础设施 / 调度
必读
阅读优先级:必读
来源:arXiv AI/ML/NLP/Vision/Robotics(一手来源;角色=论文来源)
发布时间:2026-11-13T05:44:08+00:00
主方向:Agent 运行时 / RL 基础设施 / 调度
次级标签:具身智能 / VLA / 世界模型、AI 系统 / HPC / 分布式训练与推理、AI 基础设施压缩 / 可靠性、Agent / 推理 / 推理时扩展 / 规划
依据层级:仅摘要
评分:个人相关度=0.90,全局热度=0.51,可信度=1.00,证据强度=1.00,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:LuthorSQL: A One-Pass Text-to-SQL Model as System 1 for a Slower LLM Agent:研究论文,方向为“Agent 运行时 / RL 基础设施 / 调度”;主要线索:agent、agent serving、cs.AI、cs.CL。
问题:它关注“Agent 运行时 / RL 基础设施 / 调度”里的 agent、agent serving、cs.AI、cs.CL 等问题。
方法 / 贡献:摘要可确认它提出或引入了 agent、agent serving、cs.AI、cs.CL;具体训练设置、指标和消融细节需读原文确认。
为什么对 George 重要:阅读优先级:必读 编辑优先级:0.82 今天安排深读。 个人相关度:0.90,研究相关度:1.00。
建议动作:读 PDF
命中关键词:agent、agent serving、benchmark、cs.AI、cs.CL、cs.LG、github、llm agent
略读
阅读优先级:略读
来源:arXiv AI/ML/NLP/Vision/Robotics(一手来源;角色=论文来源)
发布时间:2026-11-13T05:10:32+00:00
主方向:Agent 运行时 / RL 基础设施 / 调度
次级标签:AI 系统 / HPC / 分布式训练与推理、GPU 中心 I/O / 网络 / 存储、具身智能 / VLA / 世界模型、AI 基础设施压缩 / 可靠性
依据层级:仅摘要
评分:个人相关度=0.85,全局热度=0.41,可信度=1.00,证据强度=1.00,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:Superfluid: Local AI Server for Distributed LLM Inference:研究论文,方向为“Agent 运行时 / RL 基础设施 / 调度”;主要线索:agent、cs.AI、cs.CL、cs.DC。
问题:它关注“Agent 运行时 / RL 基础设施 / 调度”里的 agent、cs.AI、cs.CL、cs.DC 等问题。
方法 / 贡献:摘要可确认它提出或引入了 agent、cs.AI、cs.CL、cs.DC;具体训练设置、指标和消融细节需读原文确认。
为什么对 George 重要:阅读优先级:略读 编辑优先级:0.78 今天快速扫读。 个人相关度:0.85,研究相关度:1.00。
建议动作:快速扫读
命中关键词:agent、cs.AI、cs.CL、cs.DC、github、inference、language model、latency
阅读优先级:略读
来源:arXiv AI/ML/NLP/Vision/Robotics(一手来源;角色=论文来源)
发布时间:2026-11-13T06:57:46+00:00
主方向:Agent 运行时 / RL 基础设施 / 调度
次级标签:Agent / 推理 / 推理时扩展 / 规划、具身智能 / VLA / 世界模型、其他亮点、CV
依据层级:仅摘要
评分:个人相关度=0.82,全局热度=0.51,可信度=1.00,证据强度=1.00,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:Aligning AI Teams:研究论文,方向为“Agent 运行时 / RL 基础设施 / 调度”;主要线索:agent、alignment、cs.AI、diffusion。
问题:它关注“Agent 运行时 / RL 基础设施 / 调度”里的 agent、alignment、cs.AI、diffusion 等问题。
方法 / 贡献:摘要可确认它提出或引入了 agent、alignment、cs.AI、diffusion;具体训练设置、指标和消融细节需读原文确认。
为什么对 George 重要:阅读优先级:略读 编辑优先级:0.78 今天快速扫读。 个人相关度:0.82,研究相关度:0.88。
建议动作:快速扫读
命中关键词:agent、alignment、cs.AI、diffusion、framework、llm agent、multi-agent、nlp
关注
1.5 具身智能 / VLA / 世界模型
必读
阅读优先级:必读
来源:arXiv AI/ML/NLP/Vision/Robotics(一手来源;角色=论文来源)
发布时间:2026-11-13T08:11:20+00:00
主方向:具身智能 / VLA / 世界模型
次级标签:Agent 运行时 / RL 基础设施 / 调度、CV、GitHub / 开源项目、NLP
依据层级:仅摘要
评分:个人相关度=0.87,全局热度=0.52,可信度=1.00,证据强度=1.00,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:DySENSE: Dynamic Spatiotemporal ENergy Synthesis and Emulation with Satellite Imagery:研究论文,方向为“具身智能 / VLA / 世界模型”;主要线索:cs.AI、cs.CV、framework、github。
问题:它关注“具身智能 / VLA / 世界模型”里的 cs.AI、cs.CV、framework、github 等问题。
方法 / 贡献:摘要可确认它提出或引入了 cs.AI、cs.CV、framework、github;具体训练设置、指标和消融细节需读原文确认。
为什么对 George 重要:阅读优先级:必读 编辑优先级:0.81 今天安排深读。 个人相关度:0.87,研究相关度:0.96。
建议动作:读 PDF
命中关键词:cs.AI、cs.CV、framework、github、multimodal、nlp、robotics、simulation
略读
阅读优先级:略读
来源:arXiv AI/ML/NLP/Vision/Robotics(一手来源;角色=论文来源)
发布时间:2026-11-13T00:59:07+00:00
主方向:具身智能 / VLA / 世界模型
次级标签:Agent 运行时 / RL 基础设施 / 调度、CV、NLP、Benchmark / 数据集 / 评测
依据层级:仅摘要
评分:个人相关度=0.83,全局热度=0.47,可信度=1.00,证据强度=1.00,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:Training-Free Acceleration of Multi-View 3D Transformers via Regime-Aware Attention Approximation:研究论文,方向为“具身智能 / VLA / 世界模型”;主要线索:attention、cs.AI、cs.CV、image。
问题:它关注“具身智能 / VLA / 世界模型”里的 attention、cs.AI、cs.CV、image 等问题。
方法 / 贡献:摘要可确认它提出或引入了 attention、cs.AI、cs.CV、image;具体训练设置、指标和消融细节需读原文确认。
为什么对 George 重要:阅读优先级:略读 编辑优先级:0.78 今天快速扫读。 个人相关度:0.83,研究相关度:0.94。
建议动作:快速扫读
命中关键词:attention、cs.AI、cs.CV、dataset、image、language model、nlp、robotics
关注
2. 支撑性 AI 基础方向
上下文 / 记忆
通用 Agent / 推理
强化学习
模型架构
多模态 / VLM / 计算机视觉
NLP
开放世界 / 持续学习
模型蒸馏
3. 跨方向连接
VLA inference latency ↔ GPU serving
robot rollout ↔ RL infrastructure
world model simulation ↔ HPC
KV cache ↔ storage hierarchy
gradient compression ↔ collective communication
agent workflow ↔ cluster scheduling
checkpoint ↔ GDS / distributed storage
4. Benchmark / 数据集 / 评测
Core Benchmarks for My Research
阅读层级:关注
来源:arXiv AI/ML/NLP/Vision/Robotics
证据来源:仅摘要
benchmark 评估什么能力:评估 agent 规划、执行或环境交互能力。
适合用于什么研究:适合用于 agent evaluation / memory / long-horizon planning 相关实验。
可否作为实验基准:可以优先评估是否作为实验基准。
建议行动:use_as_eval
阅读层级:关注
来源:arXiv AI/ML/NLP/Vision/Robotics
证据来源:仅摘要
benchmark 评估什么能力:评估 agent 规划、执行或环境交互能力。
适合用于什么研究:适合用于 agent evaluation / memory / long-horizon planning 相关实验。
可否作为实验基准:可以优先评估是否作为实验基准。
建议行动:use_as_eval
阅读层级:关注
来源:arXiv AI/ML/NLP/Vision/Robotics
证据来源:仅摘要
benchmark 评估什么能力:评估 agent 规划、执行或环境交互能力。
适合用于什么研究:适合用于 agent evaluation / memory / long-horizon planning 相关实验。
可否作为实验基准:可以优先评估是否作为实验基准。
建议行动:use_as_eval
阅读层级:关注
来源:arXiv Systems/HPC/GPU Data Path
证据来源:仅摘要
benchmark 评估什么能力:评估摘要中描述的任务能力;具体指标需打开原文确认。
适合用于什么研究:适合用于评测协议、指标设计或负样本构造参考;是否纳入实验需看任务贴合度。
可否作为实验基准:暂不作为核心基准,先保存评测协议和指标设计。
建议行动:skim
阅读层级:关注
来源:arXiv AI/ML/NLP/Vision/Robotics
证据来源:仅摘要
benchmark 评估什么能力:评估 agent 规划、执行或环境交互能力。
适合用于什么研究:适合用于 agent evaluation / memory / long-horizon planning 相关实验。
可否作为实验基准:可以优先评估是否作为实验基准。
建议行动:use_as_eval
Interesting Benchmarks
阅读层级:关注
来源:arXiv AI/ML/NLP/Vision/Robotics
证据来源:仅摘要
benchmark 评估什么能力:评估摘要中描述的任务能力;具体指标需打开原文确认。
适合用于什么研究:适合用于评测协议、指标设计或负样本构造参考;是否纳入实验需看任务贴合度。
可否作为实验基准:暂不作为核心基准,先保存评测协议和指标设计。
建议行动:skim
阅读层级:关注
来源:arXiv Systems/HPC/GPU Data Path
证据来源:仅摘要
benchmark 评估什么能力:评估摘要中描述的任务能力;具体指标需打开原文确认。
适合用于什么研究:适合用于评测协议、指标设计或负样本构造参考;是否纳入实验需看任务贴合度。
可否作为实验基准:暂不作为核心基准,先保存评测协议和指标设计。
建议行动:skim
阅读层级:关注
来源:arXiv AI/ML/NLP/Vision/Robotics
证据来源:仅摘要
benchmark 评估什么能力:评估摘要中描述的任务能力;具体指标需打开原文确认。
适合用于什么研究:适合用于评测协议、指标设计或负样本构造参考;是否纳入实验需看任务贴合度。
可否作为实验基准:暂不作为核心基准,先保存评测协议和指标设计。
建议行动:skim
阅读层级:关注
来源:arXiv AI/ML/NLP/Vision/Robotics
证据来源:仅摘要
benchmark 评估什么能力:评估摘要中描述的任务能力;具体指标需打开原文确认。
适合用于什么研究:适合用于多模态泛化或跨域评测设计参考。
可否作为实验基准:暂不作为核心基准,先保存评测协议和指标设计。
建议行动:skim
阅读层级:关注
来源:arXiv AI/ML/NLP/Vision/Robotics
证据来源:仅摘要
benchmark 评估什么能力:评估摘要中描述的任务能力;具体指标需打开原文确认。
适合用于什么研究:适合用于评测协议、指标设计或负样本构造参考;是否纳入实验需看任务贴合度。
可否作为实验基准:暂不作为核心基准,先保存评测协议和指标设计。
建议行动:save
Other Benchmarks
其余 10 个只进入附录标题列表:reports/appendix/2026-11-16-benchmarks.md
5. GitHub / 开源项目
New / Recently Active Projects
阅读优先级:克隆运行
来源:GitHub AI Research Projects(聚合来源;角色=代码可操作性来源)
发布时间:2026-11-16T01:55:33+00:00
主方向:GitHub / 开源项目推荐
次级标签:AI 系统 / HPC / 分布式训练与推理、Agent 运行时 / RL 基础设施 / 调度、工具库
依据层级:仓库 README
评分:个人相关度=0.81,全局热度=0.62,可信度=0.89,证据强度=0.69,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:NousResearch/hermes-agent:开源项目,方向为“GitHub / 开源项目推荐”;主要线索:GPU cluster、agent、cluster、github。
问题:它关注“GitHub / 开源项目推荐”里的 GPU cluster、agent、cluster、github 等问题。
方法 / 贡献:这是代码仓库条目;优先检查 README、示例、许可证和是否有可复现实验入口。
为什么对 George 重要:阅读优先级:克隆运行 编辑优先级:0.35 按 GitHub 项目动作处理。 个人相关度:0.81,研究相关度:0.95。
建议动作:克隆运行
命中关键词:GPU cluster、agent、cluster、github、github.com、gpu、open-source
阅读优先级:克隆运行
来源:GitHub AI Research Projects(聚合来源;角色=代码可操作性来源)
发布时间:2026-11-16T02:17:04+00:00
主方向:GitHub / 开源项目推荐
次级标签:Agent / 推理 / 推理时扩展 / 规划、上下文压缩 / 长上下文 / 记忆、Agent 运行时 / RL 基础设施 / 调度、工具库
依据层级:仓库 README
评分:个人相关度=0.74,全局热度=0.62,可信度=0.89,证据强度=0.69,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:langgenius/dify:开源项目,方向为“GitHub / 开源项目推荐”;主要线索:RAG、agent、agentic、framework。
问题:它关注“GitHub / 开源项目推荐”里的 RAG、agent、agentic、framework 等问题。
方法 / 贡献:这是代码仓库条目;优先检查 README、示例、许可证和是否有可复现实验入口。
为什么对 George 重要:阅读优先级:克隆运行 编辑优先级:0.32 按 GitHub 项目动作处理。 个人相关度:0.74,研究相关度:0.79。
建议动作:克隆运行
命中关键词:RAG、agent、agentic、framework、github、github.com、open-source、repository
阅读优先级:克隆运行
来源:GitHub AI Research Projects(聚合来源;角色=代码可操作性来源)
发布时间:2026-11-15T20:56:20+00:00
主方向:GitHub / 开源项目推荐
次级标签:上下文压缩 / 长上下文 / 记忆、Benchmark / 数据集 / 评测、Agent 运行时 / RL 基础设施 / 调度、其他亮点、工具库
依据层级:仓库 README
评分:个人相关度=0.63,全局热度=0.51,可信度=0.89,证据强度=0.69,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:Shubhamsaboo/awesome-llm-apps:开源项目,方向为“GitHub / 开源项目推荐”;主要线索:RAG、agent、eval、github。
问题:它关注“GitHub / 开源项目推荐”里的 RAG、agent、eval、github 等问题。
方法 / 贡献:这是代码仓库条目;优先检查 README、示例、许可证和是否有可复现实验入口。
为什么对 George 重要:阅读优先级:克隆运行 编辑优先级:0.24 按 GitHub 项目动作处理。 个人相关度:0.63,研究相关度:0.65。
建议动作:克隆运行
命中关键词:RAG、agent、eval、github、github.com、open source、open-source、security
Paper-linked Repos
阅读优先级:作为基线
来源:GitHub AI Research Projects(聚合来源;角色=代码可操作性来源)
发布时间:2026-11-11T04:04:43+00:00
主方向:GitHub / 开源项目推荐
次级标签:上下文压缩 / 长上下文 / 记忆、AI 系统 / HPC / 分布式训练与推理、Benchmark / 数据集 / 评测、NLP、工具库
依据层级:仓库 README
评分:个人相关度=0.63,全局热度=0.44,可信度=0.89,证据强度=0.69,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:rednote-machine-learning/RedKnot:开源项目,方向为“GitHub / 开源项目推荐”;主要线索:framework、github、github.com、long-context。
问题:它关注“GitHub / 开源项目推荐”里的 framework、github、github.com、long-context 等问题。
方法 / 贡献:这是代码仓库条目;优先检查 README、示例、许可证和是否有可复现实验入口。
为什么对 George 重要:阅读优先级:作为基线 编辑优先级:0.18 按 GitHub 项目动作处理。 个人相关度:0.63,研究相关度:0.67。
建议动作:阅读 README
命中关键词:benchmark、framework、github、github.com、long-context、open-source、release、serving
阅读优先级:研读代码
来源:GitHub AI Research Projects(聚合来源;角色=代码可操作性来源)
发布时间:2026-11-06T23:15:20+00:00
主方向:GitHub / 开源项目推荐
次级标签:上下文压缩 / 长上下文 / 记忆、Agent / 推理 / 推理时扩展 / 规划、AI 基础设施压缩 / 可靠性、Benchmark / 数据集 / 评测、工具库
依据层级:仓库 README
评分:个人相关度=0.66,全局热度=0.51,可信度=0.88,证据强度=0.69,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:Paritok-official/paritok-4b-v1:开源项目,方向为“GitHub / 开源项目推荐”;主要线索:agent、agentic、compression、context window。
问题:它关注“GitHub / 开源项目推荐”里的 agent、agentic、compression、context window 等问题。
方法 / 贡献:这是代码仓库条目;优先检查 README、示例、许可证和是否有可复现实验入口。
为什么对 George 重要:阅读优先级:研读代码 编辑优先级:0.17 按 GitHub 项目动作处理。 个人相关度:0.66,研究相关度:0.69。
建议动作:研读代码
命中关键词:agent、agentic、compression、context window、evaluation、github、github.com、open-source
阅读优先级:研读代码
来源:GitHub AI Research Projects(聚合来源;角色=代码可操作性来源)
发布时间:2026-01-27T03:45:14+00:00
主方向:GitHub / 开源项目推荐
次级标签:Agent / 推理 / 推理时扩展 / 规划、AI 系统 / HPC / 分布式训练与推理、Benchmark / 数据集 / 评测、AI 基础设施压缩 / 可靠性、工具库
依据层级:仓库 README
评分:个人相关度=0.65,全局热度=0.45,可信度=0.89,证据强度=0.69,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:deepseek-ai/DeepSeek-OCR:开源项目,方向为“GitHub / 开源项目推荐”;主要线索:compression、environment、eval、github。
问题:它关注“GitHub / 开源项目推荐”里的 compression、environment、eval、github 等问题。
方法 / 贡献:这是代码仓库条目;优先检查 README、示例、许可证和是否有可复现实验入口。
为什么对 George 重要:阅读优先级:研读代码 编辑优先级:0.11 按 GitHub 项目动作处理。 个人相关度:0.65,研究相关度:0.69。
建议动作:研读代码
命中关键词:compression、environment、eval、github、github.com、image、inference、open-source
Evergreen Toolkits
阅读优先级:保存
来源:GitHub AI Research Projects(聚合来源;角色=代码可操作性来源)
发布时间:2026-10-31T13:36:31+00:00
主方向:GitHub / 开源项目推荐
次级标签:上下文压缩 / 长上下文 / 记忆、Agent / 推理 / 推理时扩展 / 规划、AI 系统 / HPC / 分布式训练与推理、AI 基础设施压缩 / 可靠性、工具库
依据层级:仓库 README
评分:个人相关度=0.65,全局热度=0.50,可信度=0.86,证据强度=0.69,炒作风险=0.00,反馈=0.00
项目相关性:skyfs=0.00、schedagent=0.00、verl_infrastructure=0.00、embodied_intelligence=0.00
是什么:Context-Engine-AI/Context-Engine:开源项目,方向为“GitHub / 开源项目推荐”;主要线索:agent、agentic、compression、context compression。
问题:它关注“GitHub / 开源项目推荐”里的 agent、agentic、compression、context compression 等问题。
方法 / 贡献:这是代码仓库条目;优先检查 README、示例、许可证和是否有可复现实验入口。
为什么对 George 重要:阅读优先级:保存 编辑优先级:0.17 按 GitHub 项目动作处理。 个人相关度:0.65,研究相关度:0.67。
建议动作:保存
命中关键词:agent、agentic、compression、context compression、github、github.com、inference、open-source
6. 学者雷达
Jeff Dean: focus=ai_systems_hpc, distributed_systems, machine_learning_systems; last_verified=2026-07-18
Richard Sutton: focus=rl, agent_rl_infrastructure; last_verified=2026-07-18
Torsten Hoefler: focus=ai_systems_hpc, gpu_data_path_storage, compression_reliability; last_verified=2026-07-18
Pieter Abbeel: focus=embodied_world_models, rl; last_verified=2026-07-18
Shunyu Yao: focus=agent_rl_infrastructure, agents; last_verified=2026-07-18
孙凝晖: focus=ai_systems_hpc, hpc; last_verified=2026-07-18
赵海睿: focus=agent_rl_infrastructure, ai_systems_hpc; last_verified=2026-07-18
7. 高校 / 实验室雷达
8. 公司研究雷达
Stanford University: focus=ai, systems, robotics; last_verified=unverified
MIT: focus=ai_systems_hpc, robotics; last_verified=unverified
UC Berkeley: focus=systems, ai, robotics; last_verified=unverified
Carnegie Mellon University: focus=systems, robotics, ai; last_verified=unverified
Tsinghua University: focus=ai_systems_hpc, ai; last_verified=unverified
Institute of Computing Technology, CAS: focus=ai_systems_hpc, distributed_systems; last_verified=unverified
NVIDIA Research: focus=gpu_data_path_storage, ai_systems_hpc, embodied_world_models; last_verified=unverified
Google DeepMind: focus=ai, embodied_world_models, rl; last_verified=unverified
9. 学会 / 奖项 / Fellow / 领导层
学会
ACM: focus=computer_science, ai_systems_hpc; last_verified=2026-07-18
IEEE: focus=computer_science, electrical_engineering; last_verified=2026-07-18
IEEE Computer Society: focus=ai_systems_hpc, gpu_data_path_storage; last_verified=2026-07-18
AAAI: focus=ai, agent_rl_infrastructure; last_verified=2026-07-18
CCF: focus=computer_science; last_verified=2026-07-18
USENIX: focus=systems, security, storage; last_verified=2026-07-18
SIAM: focus=hpc, scientific_computing; last_verified=2026-07-18
ACL: focus=nlp; last_verified=2026-07-18
奖项与代表论文
10. 重要会议与期刊论文
NeurIPS: focus=not specified; last_verified=2026-07-18
ICML: focus=not specified; last_verified=2026-07-18
ICLR: focus=not specified; last_verified=2026-07-18
SOSP: focus=not specified; last_verified=2026-07-18
OSDI: focus=not specified; last_verified=2026-07-18
FAST: focus=not specified; last_verified=2026-07-18
SC: focus=not specified; last_verified=2026-07-18
SIGCOMM: focus=not specified; last_verified=2026-07-18
11. 常青经典
作者:Zihang Dai、Zhilin Yang、Yiming Yang、Jaime Carbonell、Quoc V. Le、Ruslan Salakhutdinov
topic_tags:context_compression、long_context、model_architecture
关联方向:Context Compression / Long Context / Memory、Model Architecture
为什么经典:它系统化处理长距离依赖和跨片段记忆,适合回看今天关于长上下文、状态压缩和记忆复用的新工作。
今日新论文继承了什么问题:TailGuard-GDS: Tail-Safe Control of GPU Storage Data Movement 延续了经典工作里的核心问题:有限上下文、外部记忆与状态复用如何支撑更长程的推理。
它挑战了什么经典假设:它挑战的是静态检索、固定窗口或只读记忆的假设,转向会随新证据更新的工作记忆和缓存管理。
它推进到什么新场景:新场景从语言建模推进到 agent memory、动态 workflow 和长上下文服务系统。
预备知识:熟悉 Transformer 自注意力和语言模型训练。
相关今日条目:
TailGuard-GDS: Tail-Safe Control of GPU Storage Data Movement (GPU-Centric I/O / Networking / Storage;连接词:memory)
作者:Shunyu Yao、Jeffrey Zhao、Dian Yu、Nan Du、Izhak Shafran、Karthik Narasimhan、Yuan Cao
topic_tags:agents、planning
关联方向:Agent / Reasoning / Inference-time Scaling / Planning
为什么经典:ReAct 把推理轨迹和行动轨迹放在同一循环中,是今天 tool use、web agent、GUI agent 和长程任务规划的经典起点。
今日新论文继承了什么问题:LuthorSQL: A One-Pass Text-to-SQL Model as System 1 for a Slower LLM Agent 继承了经典 agent 论文中的问题:如何把推理、行动、工具调用和环境反馈组织成可检查的轨迹。
它挑战了什么经典假设:它挑战固定单轨迹、人工指定控制流或只看任务成功率的假设,转向并行、自适应和轨迹级评估。
它推进到什么新场景:新场景扩展到长程规划、agentic RL、支付/网页/GUI workflow 与并行推理执行。
预备知识:熟悉 prompting、chain-of-thought 和基础强化学习任务表述。
相关今日条目:
LuthorSQL: A One-Pass Text-to-SQL Model as System 1 for a Slower LLM Agent (Agent Runtime / RL Infrastructure / Scheduling;连接词:llm agent)
12. 反馈感知推荐
No explicit feedback signal yet; using cold-start research profile.
13. 来源健康状态
OpenReview:错误(0 条) - 返回内容为空或不是合法 JSON: line 1 column 1 (char 0)
GitHub AI Research Projects:time budget exhausted(24 条) - 时间预算已耗尽 after 24 items
The Batch by DeepLearning.AI:错误(0 条) - 403 Client Error: Forbidden for url: https://www.deeplearning.ai/the-batch
14. 采集说明
生成时间:2026-11-16T02:23:47.149634+00:00
来源数量:32
原始条目数:683
去重后条目数:578
API 请求总数:7
各供应商 API 请求数:deepseek:6, kimi:1
缓存命中:0
缓存未命中:6
Benchmark 附录:reports/appendix/2026-11-16-benchmarks.md
报告路径:reports/daily/2026/11/2026-11-16.md
上一份报告链接:reports/daily/2026/11/2026-11-15.md