EBR-bench：同一桌游连打三十局，AI 纹丝不动、人类越打越强

1. 分数高，到底证明它「会学习」，还是只是「底子好」？

本文要判断的只有一个问题：长时程任务里打出的分数，能否归因于模型从经验中学习。答案没法直接从分数里读出来，因为一个分数混着两样东西：起点能力（先验强度），也就是模型发布时就会的、来自预训练阶段的那部分能力，它可能很高，但跟「会不会在部署中变强」没有关系；经验增益，也就是可归因于先前部署经历的那部分能力增量，这是持续学习唯一可观测的证据。单点分数或平均分数把这两者搅在一起：一个从预训练里就自带完整游戏理解的模型，即使从头到尾不学任何东西也能拿高分；另一个会在部署中持续变强的系统，前几局的分数反而可能平平。要分辨两者，必须做一个反事实实验：让同一个系统「不学习」地再跑一遍同样的任务，看差值。差的这一部分，才是经验增益。

EBR-bench（Epoch AI 在 2026 年推出的长时程学习基准，全称 Earthborne Rangers benchmark）的整套设计，就是冲着这个判断来的。它选的环境是一款同名桌游：冷门的卡牌游戏，几乎没有出现在主流预训练数据里，这保证了模型不太可能提前「背过」答案，等于把先验这条腿按下去；被测 agent 在同一套规则里连续跑 30 个 playthrough（一整局的完整游玩），把经验这条腿拉出来。游戏本身是一场 5 天的战役式旅程，一共 21 个可计分目标（任务完成、解锁奖励、记录重要事件都算）；人类打一局要 2 到 4 个小时，真正玩明白需要几十局。被测 agent 的工程骨架是一套 ReAct 风格的 harness，也就是连接模型与环境的驱动层，外加持久笔记工具。

先看这个设计在现场给出的第一份证据，三十局曲线，再看怎么解读。

图注：横轴是第几次 playthrough（0 到 30），纵轴是 21 分制的得分。三条彩色曲线分别是 GPT-5.5、Opus 4.8 与 Gemini 3.1 Pro，灰色的 EXPERT HUMAN 参考线在 20 分上下。三模型全程在 0 到 10 分之间波动，30 局里看不出任何上升趋势（EPOCH AI，CC-BY）。EBR-bench

这张图要拆的是本专题第一个直觉：跑得久，不等于会学习。你可能会反驳：这只能证明「AI 菜、人类强」。但问题没这么简单。三条模型曲线全程在 0 到 10 分之间波动，30 个 playthrough 里看不出任何上升趋势，而 EXPERT HUMAN 参考线在 20 分上下。这条曲线之所以能对「会不会学习」说话，靠的是上面那两步设计：冷门游戏压低了先验的贡献，连续 30 局给了经验足够长的跑道。设计上还差最后一环，也就是「不学习地重跑一遍」这个反事实本身怎么落地，两种实现都放在下一章统一讲。至于曲线的平，已经说明模型的增益约等于零。EBR-bench

同样的错位，在长上下文赛道上有更尖锐的现场，这是同一个问题的第二份证据。AgentLongBench 把同一个推理任务放进两种设置：Knowledge-Intensive 用大众熟知的 Pokémon 实体，Knowledge-Free 把实体替换成 Item_84、Attr_1 这类抽象符号，强行把预训练知识挡在门外。

图注：AgentLongBench 在 Knowledge-Free 与精简回复设置下的主结果热力图。任务去掉实体语义提示后，长上下文一侧（约 512K 起）几乎全线低分，与部分模型在 Knowledge-Intensive 下尚存 30–40% 量级的表现形成悬崖。图中单元格数值不作精确引用。AgentLongBench

这里的反常值得点破：上下文长度是模型实打实看到的，为什么换掉实体名字就崩了？因为此前所谓「长上下文能力强」，有一部分是预训练知识在撑。这一对照说明实体先验显著参与了原设置的表现；它是否以及如何替代状态追踪，还需机制证据。能确定的只有一点：Knowledge-Intensive 里计进分数的有一部分是先验，不是经验增益，而先验这一列，恰好就是 EBR-bench 用冷门游戏想按下去的东西。这个「先剥先验、再看能力」的动作，和 EBR-bench 的三十局曲线指向同一个错位，只是换了个赛道：两处都演示了，不把先验从分数里剥出去，就问不出「会不会学习」。

要把这个错位从直觉收成一条可算的公式，需要一套度量语言，以及公式成立的边界条件。CL-Bench 的度量语言做的正是这件事，下一章就建立这条公式，以及公式成立的三个条件。

2. 什么条件下，长时程任务才真的在测「学习」？

先给直觉。假设考试的出题规律固定：某种题型总在考，但每张考卷长得不一样。新手第一场考不好，多考几场能总结出规律，而下一场还会考到。这时分数随场次上升，才能归因于「会学习」。如果每场考题毫无规律，或者规律从不重复，分数再高也只是底子好。出题规律就是隐藏结构；规律会复现、且后续任务必须调用它，才谈得上学习。

Continual Learning Bench（CL-Bench）把这套直觉操作化了。它挑了六个真实感很强的域，每个域都埋了一份「多次实例共享、需要在线发现并复用」的隐藏结构，而且结构会在后续任务里再次出现并要求调用：

图注：CL-Bench 的六域任务总览。每个域一栏，标出各自的实例数 N（从 12 到 120）与 reward 轴。隐藏结构（latent structure）是学习系统能跨实例发现并利用的规律，比如数据库的 schema、扑克对手的类型、各簇销量增长率。CL-Bench

举两个具象例子。Database Exploration 是一个故意混淆过的 SQLite 数据库，agent 要答 40 个问题；答到第 20 题时 schema 中途迁移，表被改名、加了新列，考验学到的东西能否迁移。Exploitable Poker 是 120 手单挑德州扑克，对手只有三种确定性类型（跟注狂、契合就弃、松凶），真正值得学的不是牌技，而是识别当前对手属于哪种并针对性调整。

判断一个长时程评测是否真的在测学习，就查三件套：

1. 可迁移的隐藏结构：早期经历确实暴露了一个未知规律。
2. 复现要求：后续任务要求调用它，不调用就做不好。
3. 无学习反事实基线：同一系统在「不累积经验」的模式下跑同样的实例。

第三件是关键动作。CL-Bench 的写法是：同一套系统，在 stateful（有状态）与 stateless（无状态）两种模式下跑完全相同的实例序列。有状态指经验在实例间累积，无状态指每个实例重新开始。两者相减：

$$g_t = r^{\text{sf}}_t - r^{\text{sl}}_t$$

两个分数来自同一个系统、同一个实例，所以实例本身对底层模型偏难还是偏易，会互相抵消；剩下的差值只归因于「累积下来的状态」。为了让不同任务、不同系统的增益可比，再除以系统自己的 headroom，也就是最大可达分数减去它无状态时的分数，得到归一化增益：它衡量的是「抓住了多少可用上升空间」。

$$\hat{g} = \frac{\bar{r}^{\text{sf}} - \bar{r}^{\text{sl}}}{r_{\max} - \bar{r}^{\text{sl}}}$$

记住这一点：后文出现的 25.4% 这类数字，是归一化增益，不是原始得分百分比。CL-Bench

EBR-bench 的 ablated learning score 是同一套反事实操作的另一个名字：给 matched sample 只留 2 次 playthrough 并提示立即最大化，与完整 10 次 playthrough 的分数之差就是经验增益，报告时带 90% 置信区间，区间不跨零才算「显著在学或在退步」。EBR-bench

HORIZON 又把这条思路推广了一步，提出与模型无关的任务难度轴 intrinsic horizon $H^{*}$，也就是最优策略下完成任务所需的最少有效动作数。这让不同域的任务能在同一根长度轴上比较，等于把「隐藏结构」推广成可跨域构造的难度度量。HORIZON

三件套齐了。EBR-bench 是不是符合？下一章拿它的现场数字来对表。

3. 同一个游戏、同一套规则：人类顶尖第五局满分，AI 三十局原地踏步

把三件套套到 EBR-bench 上，会发现它几乎是为「先验 vs 增益」的对照量身定做的：游戏冷门（压低预训练污染）、内容几乎纯文本卡牌（不牵扯多模态短板）、且兼有两条学习轴，一局之内的回合战术和跨局的组牌策略（deck-building）。agent 被允许在局与局之间留下持久笔记。这些条件被显式控制之后，剩下的反差就是主线要的证据。

人类这边，2026 年 7 月到 8 月跑了一组基线：招募 15 人（来自作者的职业与个人网络），2 人中途退出，最后公开 13 人的成绩。13 人中的大多数随局数提高，最顶尖的一位在第 5 局就拿到满分 21/21。注意口径：满分是顶尖参与者的成绩，不是全体人类的平均。另外，人类的学习增益用「最后一次计分跑次减前两次」这个代理量估计，可能略偏高估，因为人类知道前期不计分；作者回放 transcript 核实过，没有人把早期局当丢分场，偏差被认为有限。EBR-bench

模型这边就是第 1 章那张图：首局就能胜过不少新手人类（先验强），但 30 次 playthrough 曲线近乎平坦，GPT-5.5、Opus 4.8、Gemini 3.1 Pro 全在 0 到 10 分之间，远离约 20 分的 EXPERT HUMAN 参考线。用第 2 章的增益语言说：人类有实实在在的增益，AI 的增益约等于零。也说明一下口径：EBR-bench 的数字对方法学版本敏感，v1（2026-07 首发）、v2（7 月底引入 ablated learning score）、v3（8 月中双 compaction 设置）的数据点不可直接比较，这里讨论的是 v2/v3 口径下的曲线。

如果瓶颈只是「不知道该怎么玩」，那给答案应该有用。Epoch AI 试了最极端的一种：把作者本人打到 20/21 用的牌组路线和回合战术，当成答案手册直接塞给模型。

图注：三个模型在 Basic（基础提示）与 With Strategy Guide（附带策略指南）两种条件下的得分对比。带指南的柱子都略高一点，但全部远没有碰到 EXPERT HUMAN 参考线（EPOCH AI，CC-BY）。图柱数值为视觉估读，正文只引用「+2 到 +3.5」的范围口径。EBR-bench

反常点就在这：策略指南只换来 +2 到 +3.5 objectives 的提升（21 分制；该范围来自 v1 figure-5 的视觉估读口径，v2 之后换成更详细的 step-by-step 指南，效果会更大）。把答案手册塞进输入，几乎等于把解法写在卷子上，分还是上不去。这条结果排除了「只需补一份静态攻略」这一种解释，并提示瓶颈可能在归纳、执行或指南的调用上。下一章考察归纳假说：模型缺的是不是把跨局经历升级成可复用的规则、再在新局里有选择地调用的能力；记忆综述把这种能力定义为 Experience 阶段，即跨轨迹抽象出来的规则集。

4. 塞给它笔记和答案攻略还不够：归纳可能是缺口

先推翻最省事的解释：「是不是模型记不住？」如果只是记不住，给它更大的记忆应该有效。CL-Bench 的实测至少不支持这个推断：六个域上，朴素 ICL（in-context learning，上下文内学习），也就是不做任何专门记忆管理、只让经验直接留在上下文里的配置，配 Sonnet 4.6 拿到归一化增益 25.4%，冠绝全场；而配备了完整记忆管理的 ACE，配 GPT-5.4 增益只有 8.6%，还是全场最贵的系统（单次完整运行约 $62.8）。需要提醒口径：这两组配置的底座模型并不同（Sonnet 4.6 对 GPT-5.4），单点排名不能作排他归因；但方向一致地提示，多花钱、多搭记忆层，并不自动换来更多学习。CL-Bench

更反直觉的是：专用记忆系统不但没帮忙，还会把陈旧信念带进后续决策，让「有状态」变成负资产。把 CL-Bench 附录里的一个失败案例讲透。Sales Prediction 域里，agent 在第 9 个实例（模拟 2035 年）看到自己打分 0.945，认定之前高估了国王床（king bed frame）系列的销量，于是把它的预测压成一条平线（约 228）；到了第 10 个实例（2036 年）它又完全反转，同一个系列给出 +16%/年的增长。两次决策都被最近的观察牵着走，前一次的「信念」既没有守住、也没有被检验。另一个同类的例子只提一句：Cohort Studies 的 Study 15 里，agent 把一组存活率预测原样套给 28 个变量缺失的队列，得分 0.005，几乎等于不预测。笔记里明明有相关内容，只是没在对的时刻被调出来。这两类失败，正是「存得越多、碍事越多」的当代版本。

回到 EBR-bench：给笔记、给答案手册，也只换来 +2 到 +3.5 的小幅提升。合并起来看，这些结果不支持「只要扩容记忆就会学习」的解释；归纳不足是与陈旧检索、执行能力等并列的假说，未必是唯一瓶颈。一个值得检验的方向是：模型缺的可能是把成败、延迟后果、规则例外压缩成可检验的因果策略，并在新局中有选择地调用的能力。这一步叫策略压缩。

这个现象在文献里有名字：稳定性—可塑性困境（stability-plasticity dilemma）。系统要吸收新规律（可塑性），就可能覆盖旧知识；要守住旧知识（稳定性），就可能学不进新东西。连续体的一头是灾难性遗忘，另一头是信念固化：

其中一个时间锚值得补一句：这个话题 1989 年就被 McCloskey 与 Cohen 命名为 catastrophic interference（灾难性干扰，顺序学习问题）。他们的原始论据是分布式表示里共享权重会被新梯度覆盖；今天 agent 记忆里的陈旧信念，与它呈现相似的稳定—可塑取舍，但一个涉及权重更新、另一个涉及外部记忆与检索，不能据此认定机制相同。这里只作历史锚，不展开当年的实验。McCloskey 1989

为什么「存得越多越僵」会在 agent 身上发生？另一份记忆综述给了机制解释，用三阶段进化框架讲：Storage（存轨迹）、Reflection（提炼）、Experience（跨轨迹抽象）。

图注：LLM agent 记忆机制的三阶段进化总览：轨迹保存（Storage）经语义精炼（Reflection）再到跨轨迹抽象（Experience），箭头标示信息流向。这是该综述自己的演化视角，不是工业共识。StorageExp

问题出在中间的 Reflection 阶段。它像一个「语义过滤器」：把一段轨迹提炼成一条看似权威的独立信念，存进记忆库。但提炼结果高度依赖生成它的具体语境（原文描述为碎片化且对上下文高度依赖），于是新情境只要稍有偏移，这条信念就被误用：它读起来是对的，但它的适用条件已经不在场。这正好解释了策略压缩为什么会失败：轨迹没有被保留住适用条件、压成可检验的规则，国王床系列先被压成平线、又在下一个实例里被彻底反转，就是提炼结果脱离适用条件的现场。按这份综述的解释框架，这就是错误泛化的源头，CL-Bench 那些失败案例可以这样读；需要说明的是，这是综述给出的机制解释，不是已被这些案例证明的因果链。StorageExp

可塑性在 EBR-bench 现场还有一个直观的出口：探索。牌组由 4 个 Background × 4 个 Specialty × 2 个 Role 组合而成，理论上有 32 个原型（archetype），但多数模型只探索其中 1 个。

图注：14 个模型在牌组原型上的占比分布，每个色块代表一种 archetype。多数头部模型几乎只用一个原型；反常的是，较新的模型探索多样性反而更低（EPOCH AI，CC-BY）。图中比例不作精确引用，只作量级判断。EBR-bench

反常点在于：更强的模型更早锁定一个「看起来合理」的策略，然后不再去试其余 31 个。用稳定—可塑连续体来读，这是可塑性瓶颈在探索层最自然的现场表现，与连续体右端的信念固化同构；作为机制结论它仍是假说，探索多样性低也可能是策略搜索算力有限等别的因素造成的。你可能会问：有没有人在做机制层的破解，让记忆本身能被安全地修改？有，而且不止一派。下一章把现有方案归成三类：长上下文靠扩容输入窗口，压缩交给模型自己在上下文里完成，校验最弱、容量有限；检索记忆把经验存到外部、在提问时刻召回，压缩保留在笔记原文，校验交给「捞得回来还要捞得对」的相关性判断；测试时参数更新直接让归纳发生在权重里，压缩与校验都做到最强，但可审计性和成本最差。三套方案各自如何处理策略压缩与校验、付出什么代价，下一章放在同一台秤上称。

5. 长上下文、检索记忆、测试时参数更新：三套方案在同一个秤上怎么称？

部署期让模型变强，大致有三条路。记忆机制综述给了坐标系，先给大白话再上术语：三套方案的差别是，经验放在哪、怎么放、要花多少钱。

第一种，长上下文：什么都塞进窗口，经验靠上下文里的累积。机制家族叫 context-resident compression（上下文驻留压缩），零基础设施、完全透明，但容量有限，压缩轮次多了会「摘要漂移」，低频细节被悄悄丢掉。

第二种，检索记忆：经验存到外部存储，需要时再捞回来。家族叫 retrieval-augmented stores（检索增强存储）。难点从存储转移到相关性：捞得回来不等于捞得对。

第三种，测试时参数更新或策略学习：直接改机制本身。家族里最重的两档是 policy-learned management（策略学习管理）和 parametric memory（参数化记忆）。前者把「何时写、何时读、何时删」本身训练成策略；后者把知识压进权重。沿这条家族轴，可审计性一路走低：从完全透明的启发式规则，到提示式、层级式、反思式，再到策略学习与参数化，越往后越难回答「模型为什么做了这个记忆操作」。MemSurvey

把三套方案放上同一台秤，要用三个砝码：成本、遗忘风险、可审计性。成本与增益这一侧，CL-Bench 给过一组标定数字：

注：表中增益百分比均为归一化增益（相对各系统自身 stateless 基线可捕捉 headroom 的比例，公式见第 2 章），不是原始得分百分比。

先声明：这张表不是三套方案同等实证厚度的证明。测试时参数更新（test-time training，TTT）那一格最薄，CL-Bench 明确把它划在评测范围之外，目前没有同口径的基准数字；Recuris 属于策略学习家族，是半参数化实例，并不直接等价于改权重的 TTT。这一列的能力证据来自机制综述与工程侧面描述，不是同等厚度的 benchmark 数据。

再看反常的那组数字：花最贵的钱买的记忆系统，增益最低。ACE 约 $62.8 只换 8.6% 的归一化增益；朴素 ICL 用约 $7.6 就能拿 16.4% 的归一化增益；全场唯一在增益和成本上都站得住脚的非 ICL 系统是 Claude Code（约 $38.6 / 23.9%）。也就是说，在 CL-Bench 覆盖的六域里，没有一个专用记忆系统能在成本轴上支配朴素 ICL。CL-Bench

面对这个诊断，2026 年 8 月的 Recuris 走的是「策略学习」路线：不动 LLM 权重，只对记忆组件做组件级局部补丁，外加一道 held-out 验证门。

图注：Recuris 的双循环架构。任务内：工作记忆跟踪每个目标及其已验证状态，调用策略 ρ 从技能库检索技能，行动后由校验器 C 只提交观察支持的更新；跨任务：固定 Meta-Agent 读结构化轨迹，把失败归属到单个组件，只补丁受牵连的组件，候选更新必须通过 held-out 验证门才被采纳。base LLM 始终冻结。Recuris

这套设计的看点，是把「改记忆」本身变成可审计、可回滚的操作。论文报的数字：4 个长时程基准 × 10 个模型，35/37 个模型-基准对得到提升（GPT-5.6 Sol 在 τ²-Retail 上从 58.3 提到 76.1，Claude Opus 5 从 72.4 提到 87.9）；失败定位从结构化轨迹入手能到 64.8% 的准确率，只看最终结果只有 13.0%。但必须带天花板警示：基线接近任务上限时增益会消失，Opus 5 基线 72.4 时加 15.6 分，基线 73.5 时只加 4.8 分。Recuris 是「剩余空间的放大器」，不是「从零教起」，论文自己也这么定位。Recuris

同一时间窗里，一份流式评测给出了同向警示：在跨基准持续任务流上，自演化增益被模型能力门槛卡住，弱模型三场景全负（GPT-5.4 在 Isolated、Sequential、Interleaved 三种场景下的增益分别是 −0.35%、−0.78%、−0.62%）。这一句只作窗口旁证，不展开。AgentStream

所以三套方案不是谁替代谁，而是三份不同的「成本、遗忘与可审计性」合同。选型的前提，是把这三列数字摆到同一张表上。这个要求对评测同样成立：一个可信的长时程基准，报告也得按同一台秤来。下一章把它落实成四个必报维度。

6. 一个可信的长时程基准，至少得报告这四件事

把第 5 章的秤，从「选型工具」升级成「报告格式」。CL-Bench 的报告框架是 reward × gain × cost 三联：奖励（reward）用固定外部基线归一化，增益（gain）用每个系统自己的 headroom 归一化，成本（cost）按平均 rollout 花销。落到可以对照任何长时程基准的判断工具，就是四个必报维度。其中「学习增益」一项本身含着「剥离先验」的要求：同实例无学习反事实跑的是同一个系统的同一批实例，只把「累积经验」拿掉；因此反事实跑必须与原跑保持先验条件一致，否则差值里混进的是先验差异，不是学习增益。CL-Bench

为什么要一起报而不是只报一个总分？CL-Bench 的 Pareto 图把原因画得很直白：

图注：CL-Bench 公开榜的聚合 Pareto 视图。左面板是归一化 reward 对成本，右面板是归一化 gain 对成本，黑线连接未被任何配置支配的 Pareto 前沿。最便宜的 ICL 配置在左下角，最贵的 ACE 在右上角，增收都不成比例。注意两个 y 轴都是归一化口径。CL-Bench

只报顶线分数会掩盖什么？HORIZON 用横切数据补了最硬的一击：它把 WebArena、AgentBench、MAC-SQL、Isaac Sim 四个域的 700+ 任务、3100+ 条轨迹的失败原因，归成 7 类、两大组。

图注：四个任务域各自的失败组成，每栏按失败类别分色。过程级风险（PFMEA）合计占 72.5%，包括环境交互、指令跟随、规划错误、历史错误累积；设计级风险（DFMEA）合计占 27.5%，包括记忆受限、灾难性遗忘与错误假设。这是聚集后的失败组成，不是失败率随时程变化的曲线。HORIZON

注意口径：记忆受限、灾难性遗忘与错误假设三项合在一起，才是占 27.5% 的设计级风险；前两项自身没有各自单独的占比可引用，不能由此说它们「合计近三成」。正因为拿不到单独数字，记忆受限和灾难性遗忘才必须分别单列报告，否则结构性瓶颈到底落在哪一项，根本无从判断。如果只报成功率，这部分结构性瓶颈会被顶线分数完全盖住；规划类失败同样是结构性的（Embodied 域里 Planning Error 占该域失败 94.9%，Database 域 79.3%，各只提一句）。记忆综述里有一条旁证说得更直白：现有评测「没人把遗忘测好」，虽然过时信息会悄悄毒化检索精度。MemSurvey

最后把标准连回本专题的起点。漏报「剥离先验」这项反事实前提的代价，AgentLongBench 已经演示过：不把 Knowledge-Intensive 和 Knowledge-Free 两侧都报出来，预训练强弱就会被误读成学习能力。AgentLongBench 对齐评测因此不能只问「模型发布时会什么」，还要问第二个问题：它在真实交互中，以什么速度获得新能力，这份能力能否归因为经验。这正是 EBR-bench 这类长时程基准存在的理由。

也保留应有的诚实边界。EBR-bench 不是对 AI 学习能力的终审判决：Epoch AI 试过代码执行、替代 harness、多 agent、给专家转录文本，都没有显著提升，但作者明确提示 elicitation，也就是把能力逼出来的提示技巧，无法完全排除；人类基线只有 13 人，且来自作者网络，可能有游戏熟悉度的选择偏差；再说一次，21/21 是顶尖参与者的成绩，不是全体人类。

收束全文的主线：长时程环境只有在反复交互中埋入未知但可迁移的因果结构，并用无学习反事实基线把起点能力和经验增益分开测量，才测得出持续学习；否则，它主要测到的是预训练强弱和记忆容量。拿这四个维度去对照任何一份长时程基准，你就能判断它到底在测学习，还是把更强的预训练误判成了会学习。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. Earthborne Rangers (EBR-bench) — On-the-Fly Learning Benchmark： https://epoch.ai/benchmarks/ebr-bench
2. Continual Learning Bench: Evaluating Frontier AI Systems in Real-World Stateful Environments： arXiv:2606.05661
3. Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers： arXiv:2603.07670
4. From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms： arXiv:2605.06716
5. The stability-plasticity dilemma: investigating the continuum from catastrophic forgetting to age-limited learning effects： Frontiers in Psychology, 2013
6. Catastrophic Interference in Connectionist Networks: The Sequential Learning Problem： McCloskey & Cohen, 1989
7. Recursive Experiential–Working Memory Evolution for Long-Horizon Agent Harnesses (Recuris)： arXiv:2608.24876
8. AgentLongBench: A Controllable Long Benchmark For Long-Contexts Agents via Environment Rollouts： arXiv:2601.20730
9. The Long-Horizon Task Mirage? Diagnosing Where and Why Agentic Systems Break (HORIZON)： arXiv:2604.11978
10. AgentStream: How Well Do Self-Evolving LLM Agents Perform Under Streaming Tasks?： arXiv:2608.00155