统计日期 2026-10-21·本期 5 篇·问题与新思路速读
统计范围：北京时间 2026-10-21 00:00–24:00首次提交、截至检索时已公开并被 arXiv 编目的匹配论文。完整取得 5 篇候选，本期收录 5 篇。
阅读依据：论文标题、摘要与可核对元数据。下文是摘要速读，未逐篇全文审阅或独立复现。
昨日研究概览
本组论文围绕长上下文与智能体状态管理展开：既关注如何在极限稀疏或有限缓存下保留关键信息，也探索把异构日志组织为可推理图谱，并以训练尺度律和记忆生命周期评估判断能力能否持续增长。共同思路是将保存什么、如何更新、怎样验证未来收益统一到可扩展的上下文系统中。
逐篇看：问题与新思路
01. 分层采样缩小极端稀疏注意力差距
原文：Stratified Sparse Attention: Reducing the Sparse-to-Dense Gap at Extreme Sparsity
要解决的问题： 长上下文推理的KV缓存访问成本持续上升。确定性Top-k只保留高分词元而丢失残余注意力，采样覆盖更广但方差高；混合检索在极高稀疏度下仍明显落后于稠密注意力。
新颖的想法： 作者提出分层稀疏注意力（SSA）：先确定性关注高分词元，再依据代理注意力分数对剩余部分做分数引导采样，并按纳入概率进行校正，以补回检索集合之外的注意力质量；该统一形式还涵盖Top-k、Top-p及混合方案。
入选线索： 作者机构原文包含：Stanford University、UC Berkeley、Rice University、Indian Institute of Technology Bombay；摘要或评论提供代码、模型或数据链接线索
02. 语义图谱统一多源系统故障诊断
原文：Semantic Observability for Autonomous Systems Diagnostics
要解决的问题： 分布式微服务故障会产生跨基础设施、跨格式且时序割裂的海量日志，级联异常的根因定位仍依赖人工筛选和多个看板间的时间关联，难以迅速确定影响范围。
新颖的想法： 作者设计语义可观测性框架，将日志及物理拓扑、软件依赖和事件序列统一为带属性的动态属性图；再以有向循环图编排有状态多智能体，通过因果图算法和时间回溯裁剪异常子图，交由LLM生成代码级根因与修复建议。摘要目前主要给出架构和概念性验证，量化结果尚待后续评测。
入选线索： 作者机构原文包含：Siemens Corporation
03. 直接操作智能体活跃KV缓存
原文：Cache Engineering for Agents
要解决的问题： 智能体长轨迹使KV缓存I/O与存储成为主要成本，轨迹还可能超出上下文上限。裁剪或摘要历史会改变前缀、令后续缓存失效并触发重复预填充，而保留过少又会损害任务准确率。
新颖的想法： 作者把缓存工程作为独立控制层，允许智能体用drop将选定缓存排除出后续注意力，并用repos调整保留键的位置编码，无需改写轨迹或重新预填充。其AKV服务引擎针对操作序列造成的历史依赖，管理缓存复用、淘汰与恢复。
入选线索： 作者机构原文包含：Tsinghua University、Chinese University of Hong Kong；摘要或评论提供代码、模型或数据链接线索
04. 经验尺度律指导长上下文持续预训练
原文：Don’t Stop Long-Context Continual Pre-Training Too Early: An Empirical Scaling Law
要解决的问题： 长上下文持续预训练虽常用于扩展能力，但其收益如何随模型规模和短期、长期训练词元预算变化仍不清楚；检查点波动也使何时停止训练难以可靠判断。
新颖的想法： 作者拟合连接模型规模、短期预训练词元预算与长上下文续训词元预算的经验加性幂律，并提出Constant-Last4协议，用恒定学习率训练最近四个检查点的均值稳定观测轨迹。该尺度律用于预测续训进程，摘要据其已评估范围主张继续扩展长期预训练。
入选线索： 作者机构原文包含：Tsinghua University
05. 以未来行动检验智能体持续学习
原文：Memory-Centric Continual Learning for AI Agents
要解决的问题： 基础模型智能体受固定权重和上下文窗口限制，难以从长期部署经验中持续学习。现有外部记忆多是被动检索缓存，评测偏重能否召回事实或历史交互，不能证明记忆改善了后续行为。
新颖的想法： 作者提出记忆中心持续学习（MCCL）框架：以状态载体、记忆资产和管理策略三轴组织记忆，用内循环更新状态、外循环依据任务反馈改进策略；并设计检验抗干扰保持、变化适应和任务迁移的协议，以及刻画经验、存储和计算预算作用的记忆尺度框架。
入选线索： 按方向匹配及摘要中的方法贡献线索入选；发表和机构权威线索未核实
来源、筛选与阅读边界
Top 10 是可解释的阅读优先级，不是公认学术权威排名。排序参考作者标注的发表/录用信息、作者区的机构原文、研究发布和开源线索，再结合方向与方法贡献线索；未提供的依据不从作者姓名或模型常识推断。arXiv 元数据中的录用信息仍是作者标注，不等于本站独立核实了会议录用。
同一论文可以属于多个研究方向；每个方向内部按基础论文 ID 去重，版本更新不另算新论文。候选按首次提交时间筛选，不把旧论文的新版本当作昨天新论文。超过十篇时筛选十篇，不足十篇按实际数量收录。
检索截至：2026.10.22 10:18（北京时间）。本方向共 5 篇候选，本期收录 5 篇。
查询记录：第 1 页。
本文由 AI 研究助手整理并进行来源审校。新颖性为作者的贡献主张，摘要可能省略关键条件；涉及采用、复现或投资决策时，请继续阅读原文。arXiv 收录不代表已经通过同行评审。
有 AI 项目想法？一起聊聊。
欢迎交流实践、寻找伙伴，或聊聊你的项目需求。
