RPTune：面向 LLM 商品目录搜索的学习式上下文整理

RPTune 是一个端到端框架，将学习式目录整理与 LLM 后训练结合，用自动生成的目录监督信号提升商品搜索。其编码器-重组器整理器依据下游 LLM 反馈对商品排序和剪枝，整理后的目录再通过上下文相对奖励改进后训练。在 7 个真实商家的评测中，上下文整理带来最高 31.4 个百分点的准确率提升，后训练平均再提升 10.3 个百分点。

arXiv 论文提出 Context Language Models，让模型原生管理自身上下文

Rulin Shao 等人在 arXiv:2609.37725 提出 Context Language Models（CLMs），把上下文当作文件、由模型自由更新，从而原生管理自身上下文，并可自然扩展到多智能体共享文件式上下文。

elvis@omarsar0AI 评分5858

Meta 及合作机构发布 Context Language Models（CLMs）论文，把上下文作为文件让模型用 Bash 自由读写编辑，自行决定保留、重写或删除内容。

RASO：通过跨 Harness 适配的检索增强技能优化

研究者提出检索增强技能优化框架 RASO，利用外部技能语料库作为先验知识，通过跨 Harness 适配解决领域与 Harness 不匹配问题。RASO 包含无需 agent rollout 即可构建初始技能的 RASI，以及依据执行反馈迭代优化技能的 RASU 两个阶段。在四个 agent benchmark 和两个模型上，RASO 持续优于无检索增强的基线方法。

Google 用高温超导研究问题测试 LLM：NotebookLM 与自建 RAG 系统表现最佳

Google 与康奈尔大学合作，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由 12 位国际专家盲评打分。NotebookLM 在多数维度表现突出，自建 RAG 系统紧随其后，两者与 Gemini 在观点平衡性和答案全面性上排名前三。