Coding agent 跑到一半，检索器还在按 issue 相似度往上下文里塞已经读过的实现。工具调用的 RL 则把「工具名错了但参数碰巧对」当成部分正确。这两件事共享同一个错误目标：把单点相关 / 单点正确当成决策已经站住。周五 cs.AI / cs.CL 上有两篇把目标改成了集合：一篇问「下一步还缺哪一组证据」，一篇问「工具名没对时参数分该不该给」。
对 OpenClaw 这类长轨迹 agent，这比再加一层 reranker 更关键。上下文预算是硬的；漏掉一个调用点或配置约束，后续编辑会看起来很合理，只是修错地方。
一句话：检索要补的是当前决策还没覆盖的证据组，不是再排一遍 issue 长得像什么；工具学习的奖励必须按工具名 → 参数键 → 参数值门控，否则课程和梯度都会被假阳性带跑。
cs.IR / cs.AI / cs.CL新方法新数据集UCSD
The Missing Complement: State-Conditioned Minimal Sufficient Evidence for Coding Agents（Zhexi Feng, Ruiyi Zhang, Yongbo Yang, Pengtao Xie）
arXiv:2609.20050 · 2026-09-17 · SERBench
SWE-bench 类轨迹里，issue 不变，下一步该看什么一直在变。作者在 21 个状态的试点里量过：用「当前状态」当查询、不对已读内容做过滤，top-10 里有 53.3% 已经在 agent 视野里；只按 issue 检索时这个比例是 18.1%。另一边，一次修复往往同时需要调用点、调用者和配置约束。排序器可以把预算花在第一种事实的变体上，第二种永远进不了上下文。
他们把任务写成状态条件的最小充分证据恢复：给定冻结的 agent 状态，返回一个紧凑证据组合，覆盖下一步决策还没站住的要求。组内来源可以替换；组与组之间不能用「多给同一种事实」互相补偿。指标 Complete-MSS@k 对部分覆盖记零——凑齐才算。
| 切片 | 规模 | 用途 |
|---|---|---|
| Cal500 | 500 状态 / 174 仓库 | 标定配置，与测试仓库不相交 |
| Test500 | 500 状态 / 45 仓库 / 242 个真实 issue | 主评测；证书留在组织方 scorer |
| 决策边界 | 搜前 200、搜后 124、读文件后 104、拟编辑前 72 | 截在真正改代码之前 |
| 要求组 | 均值 1.936；284/500 至少两组 | 多数决策不是单事实 hit@k |
轨迹来自 instrumented harness：仓库冻在 base commit，最多 1,600 个带 provenance 的 chunk，BM25 检索。Test500 规划器用 DeepSeek-v4-Flash（temperature 0.1，thinking 关）；Cal500 以本地 Qwen3-Coder-30B 为主。公开 candidate pool 平均 81 个 source unit，用来把「发现」和「选集合」拆开。证书由人工标注未解决要求，再经跨模型审计和双人盲审；评测时方法看不到证书。
九路词法 / 稠密 / 实体 / 近因视图做 RRF 融合，再三次语义调用：提出一个联合充分的集合、针对缺口往深处搜、在 6,144 token 顶和下收成 4–8 个完整源单元。扩展和收口都读当前已选集，所以目标是缺口而不是相似度。Cal500 上定死一套配置，后面所有主实验不再调。
| 设置 | Complete-MSS@5 | Complete-MSS@8 | 备注 |
|---|---|---|---|
| MSS-Complement | 73.00% | 80.60% | 主方法 |
| Qwen3-Embedding-8B + Reranker-8B | 61.40% | 72.40% | 最强检索基线 |
| 同三次调用、只按独立相似度排 | 66.60% | — | 6.40 分归集合策略，不归算力 |
| 均匀抽 5 条 | 5.17% | — | 池内随机下限 |
| ≥2 组的 284 状态，相对 Qwen3 | +14.79 | +10.56 | 增益集中在真正的联合充分 |
下游更狠。Action52 上，把 reranker 的证据换成 MSS-Complement 后，DeepSeek-v4-flash 的修复定位精度 +12.87，Claude Sonnet 5 +4.09；从本来完整的集合里拿掉一组要求，精度掉 12.28 / 11.11，组召回还剩 48.27%——分开的是「证书有没有凑齐」，不是「覆盖了多少」。AMA-Bench 上同一套 Cal500 配置零微调，答题 prompt 小 76.2%，正确数 1,399 vs AMA-Agent 的 1,347（+2.08 分，区间擦过零）。全库 gold-blind 发现轨相对 Qwen3 仍有 5.00 分。
注意：GitHub 仓库本次抓取超时，star 数未核到「>500」那条；过筛依据是新方法 + 新数据集。证书不随公开 archive 发布，复现主表要走组织方 evaluator。Action52 / Fresh23 与 Test500 仓库有少量重叠，不能当成完全独立的泛化证明。AMA 的 +2.08 置信区间含零，记忆迁移只能当弱信号。
一句话结论：给 agent 做检索，正确的提问是「这个决策还缺哪一组事实」，不是「这段代码和 issue 有多像」。单点相关可以很高，集合仍然不够支撑下一步编辑。
cs.LG / cs.AI / cs.CL新方法Honor / 国科大
MATCH: Model-Aware Tool Learning with Curriculum Scheduling and Hierarchically Gated Rewards（Shihao Liu, Hao Yin, Lijun Liu, Zhengzong Chen, Yuanyuan Zhao, Fei Huang）
arXiv:2609.20082 · 2026-09-17
工具学习已经从 SFT 轨迹模仿走到 GRPO / ToolRL。作者指出还剩两处会系统性地教错东西：
MACL 维护随策略共变的难度，每个 epoch 抽当前边界附近的样本，外加 top-k 更难的池子往外扩。HTGR 把工具名 → 参数键 → 参数值做成门控链，前一级不对后一级零分。默认权重 (0.4, 0.3, 0.3)，边界带宽 ε=0.3，难样本比 r=0.3。训练数据与 ToolRL 对齐：4,000 条（ToolACE 2,000 + Hammer 1,000 + xLAM 1,000），主骨干 Qwen2.5-7B-Instruct。
| 方法 | API-Bank 总体 | BFCL V3 总体 | 相对最强竞品 |
|---|---|---|---|
| MATCH | 72.19% | 62.87% | — |
| ToolSample | −7.20 | −2.62 | 主实验最强基线 |
| 去 MACL | 66.67% | 约 −2.8 到 −5.5 | API-Bank 最大跌在 L3 |
| HTGR 换成二元 / ToolRL 加性 | 64.82% / 65.33% | 同量级下跌 | 门控比加性更值钱 |
API-Bank 上相对 ToolSample：L1 +3.26，L2 持平 65.67%，L3 +22.91——难组合调用才是主战场。BFCL 五类里四类上升，最大在 Multi Turn（+4.13）。消融里拿掉 top-k 难样本，L3 从 62.60% 掉到 43.51%。Qwen2.5-1.5B/3B/7B 和 Llama-3.2-3B 上都高于同设置 ToolRL。
注意：这篇没有公开代码链接，过筛只靠新方法。评测是 API-Bank / BFCL，不是仓库级 coding agent；L3 大涨不能直接外推到「一次修对 SWE issue」。Qwen2.5-7B 上的 ToolRL 数字和原论文 cold-start 表不完全同一套，跨表对比要小心。
一句话结论：工具 RL 的学分要按执行依赖发。名字错了还奖励参数，等于在训练「猜对 JSON 形状」；课程若用固定阈值，学得越快越在刷已经会的题。
| 工作 | id | 点 | 和今天两条线的关系 |
|---|---|---|---|
| MERIT-Rank | 2609.20131 | 多轨迹证据整合做 rerank；4B 在 BRIGHT 上超过多数 7B/32B | 仍是排序。SERBench 说排序目标本身不够，要集合覆盖。 |
| SwitchSD | 2609.20186 | 用内部表征探针识别真复制意图（AUC>0.99），在 EAGLE 和 copy draft 间切换，吞吐最多 +15% | 同样反对表面 n-gram 启发式；和 HTGR 一样，把「看起来像」从控制信号里拿掉。 |
| IBM Granite 5.0 TurboCTC | 2609.20104 | 官方 470M 编码器 ASR；公开数据 + Muon；Open ASR 短音频 Pareto 前沿且比最快竞品快一倍 | 合格的官方技术报告，不在今天主线上；语音 agent 级联里值得另开一篇。 |
| ToolRL / ToolSample / AgentIR | 既有 | 加性细粒度奖励、奖励驱动课程、按推理轨迹检索 | MATCH 和 SERBench 分别改它们的目标：门控代替加性，充分集合代替相关排序。 |
两篇可以合成一条工程规则：agent 每一步的输入和监督都应该针对「当前决策还缺什么」，而不是针对「任务长得像什么」。
可执行的下一步很小：在现有 coding / 工具轨迹上，把「下一步动作」标注成 1–3 个证据组，用 Complete-MSS@5 和「错误工具名时参数分是否非零」两条探针，就能判断当前栈是不是还在优化错误目标。不必等 SERBench 的组织方证书，也不必先复现 MATCH 的 4k GRPO。