alphaXiv 分析了平台上按阅读量加权的 1 万篇最受关注论文，绘制出 2025 到 2026 年 AI 研究注意力的转移地图。结果显示，传统强化学习后训练的关注度在下降，而 harnesses、智能体系统、记忆、蒸馏、机器人与世界模型等方向正在上升。

过去两年，强化学习被大量用于提升数学与推理基准，团队通过海量算力在固定任务上刷分。但当研究目标转向更长时程的智能体任务时，这种范式的计算门槛迅速抬高——需要持续交互、复杂环境模拟与大规模在线采样，普通学术团队与中小公司几乎无法负担。与此同时，harnesses（模型外的控制与工具编排层）、记忆机制、知识蒸馏以及完整的智能体系统，提供了另一条路径：不必重新训练基础模型，而是通过外部架构、检索与压缩，让已有模型在更长链条上稳定工作。机器人与世界模型的升温则把问题进一步推向物理世界——模型不仅要会“想”，还要能在真实或高保真模拟环境中持续行动。

alphaXiv 用 Cohere 嵌入对论文做主题聚类，再叠加实际阅读量，这种“注意力加权”的视角比单纯统计发文量更贴近社区真实兴趣。需要注意的是，大量 harness 与智能体工作往往以代码仓库和博客形式出现，而非正式论文，因此 arXiv 阅读数据可能低估了这一方向的实际热度。

注意力从“刷推理基准”转向“做长程智能体与物理落地”，本质上是算力与工程复杂度倒逼出的务实选择。当纯粹的后训练变得只有少数巨头玩得起时，研究自然会向可组合、可复用、门槛更低的系统层迁移。