Reinforcement Learning

把评价对象从单个电路换成候选集合，奖励也随历史改变。这篇多目标强化学习论文追问：生成器应该反复找到高分答案，还是补上尚未覆盖的设计取舍？

今天从两个方向理解可控 Agent：用 Petri Net 在执行层强制授权、审批和预算约束；用小型模型学习 Plan–Retrieve–Select，让大规模工具选择成为可单独评测的能力。

Alpha-RTL 在每道 RTL 优化题上用 testbench 与 PPA 反馈在线更新 Qwen3-8B；结果显著优于冻结策略的 Agent，但也把评测对象从静态模型能力改成了带逐题训练预算的完整优化系统。

今天关注两个 AI-native 系统方向：Google 把 Agent 安全从 prompt/regex 推进到运行时治理层，在模型外统一执行 prompt screening、语义策略和跨会话异常检测；T1 则展示了长时程 terminal agent 如何用真实 sandbox、可执行 verifier、dense process reward 与 MoE 路由一致性机制进行强化学习，把 coding agent 的能力提升从 inference-time harness 延伸到训练阶段。

今天关注 AI-native 软件工程的两个新方向：Cursor Projects 把 coding agent 从单次会话推进为可持续数月、拥有共享上下文和 coordinator/subagent 架构的长期工作单元；Cognition 的 SWE-2 则直接把任务成功率与推理成本一起写进 RL 目标，说明 coding agent 的优化正在从单纯追求 benchmark 分数转向整条 cost-performance Pareto frontier。