0. 结论
今天无推荐。
不是因为近 1 天没有新论文，而是因为按“方法新意 > 证据可信度 > 主线相关性 > 可落地性”的标准筛完后，
没有看到一篇比昨天已写的 OS-Themis 更值得单独占用今天名额的 agent / LLM systems 论文。
我更愿意如实空缺，也不想为了完成日更硬凑一篇边缘相关稿件。
1. 检索范围与约束
- 时间范围：最近 1 天（以 2026-03-20 的 arXiv 新提交为主）
- 主题范围：AI agents、tool use、reasoning、planning、memory、multi-agent、RAG agent、browser/computer use、LLM systems
- 检索源：arXiv recent 列表与摘要页
- 候选上限：最多 6 篇
2. 今日候选（最多 6 篇）
以下是我实际看过并做过一轮筛选的候选：
-
OS-Themis: A Scalable Critic Framework for Generalist GUI Rewards
链接：https://arxiv.org/abs/2603.19191
一句话：把 GUI agent reward judge 拆成 milestone verification + review/judge，重点解决 RL 奖励里的假阳性问题。
备注：质量最高，但已于昨日写入仓库，不再重复推荐。 -
Evaluating Counterfactual Strategic Reasoning in Large Language Models
链接：https://arxiv.org/abs/2603.19167
一句话：用博弈论反事实设定测试 LLM 是否真的在做策略推理，而不只是记模板。
判断：有意思，但更偏 reasoning evaluation，不够贴近 agent / systems 主线。 -
Online Learning and Equilibrium Computation with Ranking Feedback
链接：https://arxiv.org/abs/2603.19221
一句话：研究只给 ranking feedback 时的在线学习与均衡计算，并带一个 LLM routing 例子。
判断：技术上扎实，但主体是在线学习理论，不是 agent paper。 -
Variable Entropy Policy Optimization for Low-Resource Language Foundation Models
链接：https://arxiv.org/abs/2603.19152
一句话：把可验证奖励和变熵策略优化用于低资源语言模型对齐。
判断：偏 low-resource LM / translation，对今日 agent 主题不够集中。 -
Inclusive, Performant, and Efficient Embeddings for a Multilingual World
链接：https://arxiv.org/abs/2603.19223
一句话：新的多语 embedding 系列，覆盖 200+ 语言。
判断：不是 agent / tool-use / reasoning 主线。
3. 为什么今天不推新的一篇？
我今天的判断标准比较硬：
3.1 方法新意
OS-Themis仍然是最突出的，因为它抓的是 GUI agent 的 reward reliability 这个关键瓶颈。- 其他候选里，要么偏 benchmark/evaluation，要么偏理论或语言覆盖，不是 agent 主线方法论文。
3.2 证据可信度
OS-Themis有明确 benchmark（OGRBench）和在线 RL/自训练结果，证据链完整。Counterfactual Strategic Reasoning更像能力诊断，证据方向是“发现缺陷”，不是推进 agent 系统的一步。
3.3 主线相关性
- 今天最接近主线的仍然是 GUI reward / agent evolution。
- 但这篇昨天已经写过，今天如果重复发，信息增量很低。
3.4 可落地性
- 对实际 agent 系统来说，reward critic、trajectory filtering、RL 训练闭环都很落地；
- 其余候选要么偏分析，要么偏理论，不适合占“每日只推 1 篇”的名额。
4. 方法/实验/局限（今日降级版说明）
由于今天结论是“无推荐”，这里不展开完整单篇笔记，而是给出简短结论：
- 作者声称：今天最值得看的候选仍是
OS-Themis，它通过多角色 critic 框架改进 GUI reward 质量。 - 实验观察：其摘要明确报告，在 AndroidWorld 上支持在线 RL 训练可带来 10.3% 提升，在 self-training 轨迹过滤中带来 6.9% 增益。
- 我的判断：如果你昨天没看那篇，仍然值得补；但作为“今天的新推荐”，不该重复占位。
5. 复现清单（简版）
如果后续你想把“今日无推荐”也做成稳定流水线，最少需要：
- 固定时间窗：只看最近 1 天 arXiv
- 先筛主题关键词，再人工复核主线相关性
- 候选控制在 6 篇以内
- 如果最佳候选与前一天重复，允许输出“今天无推荐”
- 仍然把扫描结论落盘到 Git，保证任务稳定送达
6. 我的判断
今天不值得为了日更硬推一篇。
原因有两个：
- 真正贴近 agent / LLM systems 主线、又有足够证据的稿子里，
OS-Themis仍最强，但昨天已写； - 其余候选不是没价值，而是不够像“今天最该读的一篇 agent paper”。
如果你今天还想读一篇，我的实际建议反而是：
- 要么补看昨天的
OS-Themis； - 要么等明天再看是否出现真正更强的新稿。
