Github项目地址，推荐阅读

https://github.com/2308087369/ArXiv-CS-weekly/blob/main/2026/%E7%AC%AC%E4%B8%80%E6%9C%9F0107.md

2026年1月的第一个星期（1月1日至1月7日），arXiv计算机科学分区涌现了大量突破性研究，标志着人工智能与计算技术进入了一个全新的“后大模型时代”。如果说2024-2025年的主旋律是单纯的参数规模扩张（Scaling Laws），那么2026年初的文献则明确指向了推理效率（Inference Efficiency）、多模态联合物理生成（Joint Physics Generation）、自主智能体的无限上下文（Infinite Context via Agency）以及数据中心之外的具身智能（Embodied AI in the Wild）。

---

第一章 多模态生成式人工智能的物理统一

在这一周的文献中，生成式AI的研究重心已从单纯的图像或文本生成，转移到了对物理世界多感官体验的联合建模上。最显著的趋势是“音画同步”不再是后处理步骤，而是成为了模型架构的内生能力。

1.1 LTX-2：高效联合视听基础模型 (LTX-2: Efficient Joint Audio-Visual Foundation Model)

文献索引: HaCohen et al., arXiv:2601.03233 1
原文pdf: 2601.03233v1.pdf

1.1.1 核心背景与痛点

长期以来，视频生成（Video Generation）与音频生成（Audio Generation）被视为两个独立的任务。传统的视频制作管线中，AI模型（如Sora或Gen-3）先生成无声视频，随后通过“视频到音频”（V2A）模型配音。这种级联方式存在根本性缺陷：语义断裂与时序错位。声音往往无法精准匹配视觉事件的微秒级物理触发（如玻璃破碎的瞬间），且缺乏对环境氛围的整体理解。

1.1.2 创新点：非对称双流扩散Transformer (Asymmetric Dual-Stream DiT)

LTX-2 的提出打破了这一范式，它是一个原生的视听联合生成模型。

1. 非对称双流架构 (Asymmetric Dual-Stream Architecture)：
   研究团队敏锐地指出，视频与音频的信息熵密度存在巨大差异。视频包含高维的空间冗余，而音频则是高频的时间序列。因此，强行将两者映射到同一潜空间（Latent Space）会导致“语义模糊”。LTX-2 采用了非对称设计：
   • 视频流 (Video Stream)：拥有 140 亿参数 (14B)，专注于处理复杂的时空动态。
   • 音频流 (Audio Stream)：拥有 50 亿参数 (5B)，专注于一维时间波形。
     这种参数分配策略（约为 3:1）在计算资源有限的情况下，最大化了生成的感官保真度。
2. 双向跨模态注意力 (Bidirectional Cross-Attention)：
   两个流并非独立运行，而是通过跨模态注意力层进行耦合。关键技术在于引入了一维时间旋转位置编码 (1D Temporal RoPE)。这使得模型能够学习视听信号之间的精确对齐关系。例如，当视觉流中出现“嘴唇闭合”的特征时，音频流能立即通过注意力机制抑制高频辅音的生成，从而实现亚帧级（Sub-frame）的唇形同步。

3. 解耦潜空间 (Decoupled Latent Representation)：
   模型分别使用了针对视频的3D VAE和针对音频的1D VAE。这种解耦不仅优化了压缩率，还支持了灵活的编辑工作流（如仅修改视频保留音频，或反之）。

1.1.3 关键原理与公式逻辑

LTX-2 基于扩散模型（Diffusion Models），其核心训练目标是联合去噪。为了控制生成过程，模型引入了模态感知无分类器引导 (Modality-Aware Classifier-Free Guidance, Modality-CFG)。

传统的 CFG 公式为：

$$\widehat{ϵ}={ϵ}_{\theta }(z_t|c)+w({ϵ}_{\theta }(z_t|c)-{ϵ}_{\theta }(z_t|\varnothing ))$$

其中 $w$ 是引导权重。
LTX-2 将其扩展为模态独立控制：

$${\widehat{ϵ}}_v={ϵ}_{\theta ,v}(z_t|c)+w_v({ϵ}_{\theta ,v}(z_t|c)-{ϵ}_{\theta ,v}(z_t|\varnothing ))$$

$${\widehat{ϵ}}_a={ϵ}_{\theta ,a}(z_t|c)+w_a({ϵ}_{\theta ,a}(z_t|c)-{ϵ}_{\theta ,a}(z_t|\varnothing ))$$

通过调节 $w_v$ 和 $w_a$，用户可以精细控制文本提示对画面和声音的影响力。例如，在生成音乐视频时，可以提高 $w_a$ 以确保旋律准确；在生成无声电影风格片段时，则侧重 $w_v$。

1.1.4 优缺点总结

维度	评价	细节说明
优点	原生同步	彻底解决了音画不同步问题，无需后期合成，Foley（拟音）效果自然。
	推理速度	得益于蒸馏管道 (Distilled Pipeline)，能在 8 步内生成高质量内容，比级联模型快数倍。
	开源生态	权重与代码完全开源，支持 ComfyUI 等社区工具，极大降低了创作门槛。
缺点	指令依从性	对复杂动作（Verbs）和情感意图的理解弱于对物体（Nouns）的描绘，容易生成“表面动作”。
	长时一致性	20秒长视频中，物体恒常性（Object Permanence）有时会失效，受限于压缩的时间上下文。
	硬件门槛	尽管进行了优化，原生4K生成仍需 RTX 4070 Ti 级别以上的显存支持。

—

1.2 VAR RL Done Right：视觉自回归模型的强化学习对齐

文献索引: Sun et al., arXiv:2601.02256 3
原文pdf: 2601.02256v1.pdf

1.2.1 核心背景

在图像生成领域，视觉自回归（Visual AutoRegressive, VAR）模型作为扩散模型的强力竞争者正在崛起。VAR采用“从粗到细”的多尺度生成策略（Next-Scale Prediction），而非传统的逐像素或逐Token生成。然而，当研究人员尝试利用强化学习（RL）来微调VAR模型以对齐人类偏好（如通过DPO或GRPO算法）时，遭遇了严重的异步策略冲突 (Asynchronous Policy Conflicts)。

1.2.2 创新点：NextFlow-RL 框架

该研究提出了 NextFlow-RL 框架，专门解决 VAR 模型在 RL 训练中的独特病态问题。

1. 异步策略冲突的本质：
   VAR 的生成步骤是异构的。第1步可能生成 $16\times 16$ 的 Token 图（256个Token），而第10步可能生成 $256\times 256$ 的 Token 图（65,536个Token）。传统的 RL 算法（如 GRPO）通常假设每个动作步骤的重要性均等，导致梯度更新时的方差极高——高分辨率层级的海量 Token 会淹没低分辨率层级的关键结构信号。

2. 中间价值回报 (Value as Middle Return, VMR)：
   为了解决长程信用分配问题，VMR 将生成过程分解。它在中间时间步 $m$ 引入一个“软终端回报” $V_m^{\ast }(s_m)$。

   • 对于前缀策略（Prefix Policy, $1\sim m-1$步）：该值作为终止奖励。
   • 对于后缀策略（Suffix Policy, $m\sim T$步）：该值作为初始状态价值。
     这种设计在数学上保持了马尔可夫决策过程（MDP）的结构完整性，同时提供了更密集的反馈信号。

3. 动态时间步重加权 (Dynamic Time-Step Reweighting)：
   引入了基于网格尺寸的归一化因子。损失函数 $L(\theta )$ 被重构为：

   $$L(\theta )\propto \sum _t\frac{1}{(h_t{w}_t{)}^{\alpha }}\cdot A_t$$

   其中 $h_t,w_t$ 是第 $t$ 步的特征图高宽。这项改进确保了“宏观布局”与“微观细节”在优化过程中拥有均衡的权重。

1.2.3 关键原理

论文中还提出了掩码传播 (Mask Propagation, MP) 算法，源自奖励反馈学习（ReFL）。在文本渲染任务中，模型仅需对包含文本的区域负责。MP 算法将最终图像上的奖励区域（如文字的 Bounding Box）向后投影到粗糙尺度的 Token 图上，精准计算每个 Token 的因果贡献，避免了全图奖励带来的噪声。

1.2.4 优缺点总结

维度	评价	细节说明
优点	性能跃升	在 CVTG-2K 文本渲染基准上，单词准确率提升 41.6% (55.36% -> 78.41%)。
	理论贡献	首次系统性解决了多尺度生成模型中的 RL 训练不稳定性问题。
缺点	实现复杂	相比直接应用 DPO，该框架引入了 VMR 和动态权重，增加了实现的工程难度。
局限	任务特异性	目前主要在文本渲染等结构化任务中验证，在艺术风格化等主观任务上的效果尚待评估。

—

第二章 具身智能与通用游戏智能体

2026年，AI 从“观看”世界走向“操作”世界。游戏作为最具挑战性的虚拟仿真环境，成为了具身智能（Embodied AI）的最佳演练场。

2.1 NitroGen：通用游戏智能体的开放基础模型

文献索引: Magne et al., arXiv:2601.02427 5
原文pdf: 2601.02427v1.pdf

2.1.1 核心背景

以往的游戏 AI（如 AlphaStar, OpenAI Five）多采用强化学习（RL）在特定模拟器中自我对弈。这种方法虽然能达到超人水平，但通用性极差且训练成本极高。相比之下，大语言模型（LLM）通过互联网规模的数据实现了通用性。NitroGen 试图复刻 LLM 的成功路径，通过“互联网视频”来训练通用的视觉-动作（Vision-Action）模型。

2.1.2 创新点：从视频中挖掘“隐形”数据

NitroGen 的最大贡献在于其数据工程，而非模型架构本身。

1. 互联网规模视频-动作数据集 (Internet-Scale Video-Action Dataset)：
   互联网上有海量的游戏视频，但绝大多数缺乏“动作标签”（即玩家按了什么键）。NitroGen 团队发现了一类特殊视频：主播在屏幕上叠加了手柄按键可视化（Input Overlay）。
   • 自动提取管线：
     1. 模板匹配：使用 SIFT/XFeat 特征，从 300 多种手柄模板中定位视频里的叠加层。
     2. 状态解析：训练一个 SegFormer 模型，读取叠加层的像素变化，反推按钮状态和摇杆向量。
   • 成果：构建了包含 1,000 多款游戏、40,000 小时的标注数据。这是迄今为止最大的游戏行为克隆数据集。
2. 通用模拟器接口 (Universal Simulator)：
   为了评估模型，团队开发了一个 Wrapper，通过拦截系统时钟和输入总线，将任意商业游戏（.exe）封装成标准的 Gymnasium API 环境。这意味着 AI 可以像玩 Atari 游戏一样玩《赛博朋克 2077》或《空洞骑士》，无需修改游戏源码。

2.1.3 关键原理

NitroGen 模型本身是一个基于 GR00T 架构的 5 亿参数 (500M) 模型：

• 视觉编码：SigLIP-2 Transformer 处理 $256\times 256$ 的 RGB 帧。
• 动作生成：基于流匹配（Flow Matching）的扩散 Transformer。它不预测单一动作，而是预测一个包含 16 个未来动作的“动作块”（Action Chunk），这有助于保持动作的时间连贯性。

2.1.4 优缺点总结

维度	评价	细节说明
优点	强泛化性	在未见过的游戏中，任务成功率比从头训练的模型高 52%。展现出跨类型的操作能力（如从 FPS 到 2D 平台跳跃）。
	数据创新	巧妙利用现存网络资源解决了具身智能最大的痛点——数据匮乏。
缺点	上限瓶颈	由于采用行为克隆（Behavior Cloning），模型能力受限于人类玩家的平均水平，难以产生超越人类的策略。
	噪声敏感	训练数据包含大量压缩伪影和非标准 UI，导致模型在干净环境下可能出现分布外（OOD）问题。

—

第三章 大语言模型：推理、递归与无限上下文

本周的 LLM 研究呈现出明显的分化趋势：一方面是小模型通过推理时间换取性能（Falcon-H1R），另一方面是通过架构创新突破上下文限制（RLM, SimpleMem）。

3.1 Falcon-H1R：以小博大的推理前沿

文献索引: Falcon LLM Team, arXiv:2601.02346 8
原文pdf: 2601.02346v1.pdf

3.1.1 核心理念：测试时扩展 (Test-Time Scaling, TTS)

Falcon-H1R (7B) 的核心论点是：推理能力不仅仅取决于参数量，还取决于思考时间。 只要给予足够的推理计算量，小模型也能匹敌大模型。

3.1.2 创新点与关键技术

1. 混合架构 (Hybrid Transformer-Mamba)：
   该模型并未使用纯 Transformer，而是结合了 Mamba（状态空间模型，SSM）。
   • 原理：Mamba 具有线性时间复杂度的推理特性 $O(N)$，而 Transformer 是 $O(N^2)$。
   • 优势：这种混合设计使得 Falcon-H1R 在生成长思维链（Chain-of-Thought）时，显存占用极低，吞吐量极高。这为大规模并行推理提供了物理基础。
2. DeepConf 算法：
   为了实现 TTS，模型并非简单地进行“多数投票”（Majority Voting）。
   • 置信度感知剪枝：DeepConf 算法在生成推理链的过程中，实时监控模型的置信度。一旦某条思维链的累积置信度过低，即刻终止生成。
   • 效益：这大幅减少了无效 Token 的生成，使得 Falcon-H1R 在同等计算预算下，能探索更多的推理路径。

3.1.3 性能表现

在 AIME 2024 数学竞赛基准测试中，Falcon-H1R (7B) 达到了 96.7% 的准确率，这一成绩匹敌甚至超越了 32B 参数量的 Qwen3 等模型。这证明了“高效架构 + 推理搜索”是通往 AGI 的一条捷径。

3.2 递归语言模型 (Recursive Language Models, RLMs)

文献索引: Zhang et al., arXiv:2512.24601 (2026年1月更新) 11
原文pdf: 2512.24601v1.pdf

3.2.1 核心背景

现有的长上下文解决方案（如 RAG 或 1M+ Context Window）本质上是“被动”的。模型被迫在一次前向传播中处理海量信息，导致“中间迷失”（Lost-in-the-Middle）现象。

3.2.2 创新点：将上下文视为环境

RLM 提出了一种根本性的范式转换：上下文不是输入，而是环境。
模型并不直接读取 1000 万字的文档，而是通过编写 Python 代码与一个保存了该文档的 REPL（交互式解释器）进行交互。

3.2.3 关键原理：程序化递归

RLM 被定义为一个递归函数 $RL{M}_M(q,C)$。

1. 查询分解：面对复杂问题 $q$，模型生成代码将 $C$ 切片或索引，通过正则或关键词定位关键片段。
2. 递归调用：模型可以生成新的子查询 $q^{\prime }$，并调用 llm_query(q’, chunk)。这实际上构建了一棵动态的推理树。
3. 无限深度：只要递归栈不溢出，模型可以处理无限长度的文本，且每次处理的都是局部的高信噪比信息。
   

3.2.4 优缺点总结

维度	评价	细节说明
优点	无限上下文	理论上可处理的上下文长度仅受限于存储介质，且不存在“注意力稀释”问题。
	成本可控	仅对相关片段进行 Token 化，避免了全量处理的高昂 Token 费用。
缺点	延迟累积	递归调用通常是串行的，导致端到端延迟显著高于单次推理。
	死循环风险	模型可能陷入无休止的递归查询中，需要设计强健的终止机制。

—

第四章 自主智能体的记忆系统

如果说 RLM 是通过代码处理上下文，那么 SimpleMem 则是通过模拟生物记忆机制来压缩上下文。

4.1 SimpleMem：基于语义无损压缩的终身记忆

文献索引: Liu et al., arXiv:2601.02553 13
原文pdf: 2601.02553v1.pdf

4.1.1 核心背景

长期交互中，对话历史包含大量低熵噪声（如寒暄、重复确认）。直接存储这些 Token 会导致上下文窗口迅速耗尽，且检索准确率下降。

4.1.2 创新点：三阶段仿生记忆管道

SimpleMem 借鉴了互补学习系统（CLS）理论（海马体与新皮层），设计了以下流程：

1. 语义结构化压缩 (Semantic Structured Compression)：

   • 写入时消歧 (Write-Time Disambiguation)：这是最关键的一步。当用户说“明天提醒我”时，系统不存储“明天”，而是立即将其解析为绝对时间“2026-01-09”。所有的代词（他、那个）都被解析为具体实体。
   • 原子化：将对话拆解为独立的原子事实（Atomic Facts），去除所有冗余修辞。

2. 结构化索引 (Structured Indexing)：
   建立多视图索引：

   • 语义层：稠密向量（Dense Vector）用于模糊匹配。
   • 词汇层：稀疏索引（BM25）用于精确关键词匹配。
   • 符号层：元数据（时间戳、实体类型）用于逻辑过滤。

3. 自适应检索 (Adaptive Retrieval)：
   SimpleMem 不使用固定的 Top-K 检索，而是根据查询复杂度 $C_q$ 动态计算检索深度 $k_{dyn}$：

   $$k_{dyn}=\lfloor k_{base}\cdot (1+\delta \cdot C_q)\rfloor$$

   这意味着，对于简单的“你好”，系统几乎不检索；而对于复杂的推理问题，系统会自动扩大搜索半径。

4.1.3 优缺点总结

维度	评价	细节说明
优点	极高信噪比	相比 Mem0 等基线，F1 分数提升 26.4%，Token 消耗减少 30 倍。
	长程推理	消歧机制使得模型在数千轮对话后仍能准确回溯早期事实。
缺点	写入延迟	写入时的解析和压缩需要额外的计算开销，不如直接追加文本快。
	依赖模型能力	消歧和原子化的质量高度依赖后端 LLM 的指令遵循能力。

—

第五章 2026年1月首周广泛文献综述

为了呈现本周 Computer Science 领域的全貌，本章对 snippet 中提及的其他重要文献进行分类梳理。这些研究虽然未被详细展开，但同样代表了各自领域的前沿方向。

5.1 逻辑与形式化验证 (cs.LO / cs.PL)

• FlexProofs (arXiv:2601.03031) 15: 提出了一种具有灵活线性时间的向量承诺（Vector Commitment）机制，主要用于零知识证明系统。这对于区块链扩容和隐私计算具有重要意义。

• Logical Phase Transitions (arXiv:2601.02902) 15: 这是一个有趣的理论研究，探讨 LLM 在逻辑推理任务中的“相变”现象。研究发现，随着问题复杂度的增加，LLM 的推理能力并非线性下降，而是会经历突然的“崩塌”（Collapse），类似于物理学中的相变。

• Quantifier Elimination Meets Treewidth (arXiv:2601.00312) 15: 将树宽（Treewidth）理论应用于量词消去算法，旨在解决复杂逻辑公式的可满足性问题，对自动化推理有重要价值。

5.2 网络与新兴技术 (cs.NI / cs.ET)

• Eco-WakeLoc (arXiv:2601.03171) 16: 针对超宽带（UWB）定位系统提出了一种能量中立（Energy-Neutral）的协作定位方案。这对于无电池物联网设备（Battery-free IoT）的部署至关重要。

• Analog Weight Update in Ferroelectric Hafnia (arXiv:2601.01186) 16: 探索利用铁电铪氧化物实现皮焦耳（pico-Joule）级别的模拟权重更新。这是神经形态计算（Neuromorphic Computing）硬件层面的重要突破，旨在实现极低功耗的边缘 AI。

• Inter-drone Interference as a Service (arXiv:2601.02270) 16: 随着无人机群的普及，该论文提出将无人机间的通信干扰建模为一种服务/资源进行管理，为未来的空中交通网络（Skyway Networks）奠定基础。

5.3 软件工程与社会计算 (cs.SE / cs.CY)

• The Invisible Hand of AI Libraries (arXiv:2601.01944) 17: 这是一篇反思性研究，分析了 Hugging Face、PyTorch 等 AI 库如何通过 API 设计和默认配置，潜移默化地塑造（甚至限制）了开源社区的研究方向。它指出了工具对科学发现的“隐形引导”作用。

• MLIR-Smith (arXiv:2601.02218) 17: 针对编译器基础设施 MLIR 的随机程序生成器，用于挖掘编译器优化管道中的 Bug，提升了 AI 编译器的鲁棒性。

5.4 统计机器学习 (stat.ML)

• Physics-Informed Deep Recurrent Back-Projection Network (arXiv:2601.02007) 16: 结合物理信息（Physics-Informed）与深度学习，解决隧道传播建模问题。这是 Scientific AI (AI for Science) 在通信领域的典型应用。

—

第六章 总结与趋势研判

综合分析 2026 年 1 月 1 日至 7 日的 arXiv 文献，我们可以清晰地看到计算机科学，尤其是 AI 领域正在发生的深层次变革。

6.1 从“暴力美学”到“精细工程”

过去几年流行的“Scaling Laws”（单纯增加参数和数据量）正在让位于更精细的工程优化。

• LTX-2 证明了通过不对称的参数分配和解耦的潜空间，可以在更小的计算代价下实现更好的多模态效果。
• Falcon-H1R 证明了 7B 模型配合优秀的推理搜索算法（DeepConf）可以击败 32B 模型。
  这表明，**架构效率（Architectural Efficiency）和推理时计算（Inference-time Compute）**已成为新的增长极。

6.2 物理世界的回归

AI 正渴望突破文本和像素的牢笼，触摸物理世界的真实。

• 音画联合生成（LTX-2）不再满足于视觉上的相似，而是追求物理规律（如发声同步）的一致性。
• NitroGen 和 Eco-WakeLoc 等研究显示，无论是通过游戏模拟还是物联网硬件，AI 正在构建对物理空间、运动和因果关系的深度理解。

6.3 智能体的自我进化

RLM 和 SimpleMem 展示了智能体设计的未来方向：自主性。
未来的智能体不再是被动接收 128k 上下文的机器，而是拥有主动管理记忆、编写代码探索数据、并根据任务难度动态调整计算资源的“数字生命雏形”。它们开始像人类一样，懂得“遗忘”无关信息，懂得“查阅”外部资料，懂得“反思”推理路径。

6.4 建议与展望

对于相关领域的研究者和从业者：

• 关注混合架构：Transformer 与 Mamba/RWKV 等线性注意力机制的结合（如 Falcon-H1R）将是端侧 AI 和实时推理的关键。
• 重视数据工程：NitroGen 的成功再次证明，数据的质量和来源（如挖掘被忽视的 Overlay 数据）往往比模型结构的微调更具决定性。
• 拥抱系统思维：AI 的进步不再单点突破，需要结合编译器优化（MLIR-Smith）、硬件特性（Analog Weight）、网络通信（UWB）进行全栈式创新。

2026 年的开端，预示着一个更加高效、物理感知更强、且具备高度自主性的智能计算新纪元。

---

报告声明：本报告基于 2026 年 1 月 1 日至 1 月 7 日 arXiv 发布的公开文献整理分析，旨在提供学术参考。文中提及的技术指标与性能数据均引用自原始论文。

引用

1. LTX-2: Efficient Joint Audio-Visual Foundation Model - arXiv, https://arxiv.org/html/2601.03233v1
2. [2601.03233] LTX-2: Efficient Joint Audio-Visual Foundation Model - arXiv, https://arxiv.org/abs/2601.03233
3. VAR RL Done Right: Tackling Asynchronous Policy Conflicts in Visual Autoregressive Generation - arXiv, https://arxiv.org/html/2601.02256v1
4. VAR RL Done Right: Tackling Asynchronous Policy Conflicts in Visual Autoregressive Generation | alphaXiv, https://www.alphaxiv.org/overview/2601.02256
5. An Open Foundation Model for Generalist Gaming Agents - NitroGen, https://nitrogen.minedojo.org/assets/documents/nitrogen.pdf
6. NitroGen | A Foundation Model for Generalist Gaming Agents, https://nitrogen.minedojo.org/
7. Paper Review: NitroGen: A Foundation Model for Generalist Gaming Agents, https://andlukyane.com/blog/paper-review-nitrogen
8. Falcon-H1R: Pushing the Reasoning Frontiers with a Hybrid Model for Efficient Test-Time Scaling - Paper Details - ChatPaper.ai, https://www.chatpaper.ai/dashboard/paper/e788db09-6265-4b2f-aac2-b02a13c671cf
9. Falcon-H1R: Pushing the Reasoning Frontiers with a Hybrid Model for Efficient Test-Time Scaling - ChatPaper, https://chatpaper.com/chatpaper/paper/223469
10. 1 DeepConf@512 (, ) average results over AIME24, AIME25, AMO-Bench, and GPQA-Diamond (Detailed results in Table ). Falcon-H1R-7B achieves exceptional performance by pushing the reasoning frontiers in 3 dimensions: higher accuracy, token efficiency and fast inference in the parallel thinking setting. - arXiv, https://arxiv.org/html/2601.02346v1
11. Recursive Language Models - arXiv, https://arxiv.org/html/2512.24601v1
12. Recursive Language Models | Alex L. Zhang, https://alexzhang13.github.io/blog/2025/rlm/
13. [2601.02553] SimpleMem: Efficient Lifelong Memory for LLM Agents - arXiv, https://arxiv.org/abs/2601.02553
14. aiming-lab/SimpleMem: SimpleMem: Efficient Lifelong Memory for LLM Agents - GitHub, https://github.com/aiming-lab/SimpleMem
15. Logic in Computer Science - arXiv, https://arxiv.org/list/cs.LO/recent
16. Emerging Technologies - arXiv, https://arxiv.org/list/cs.ET/recent
17. Programming Languages - arXiv, https://arxiv.org/list/cs.PL/recent