这个方向不是被一篇论文催生的，而是被四条陆续到期的债务逼出来的，而且它们分别落在

该主题的历史起点是 DreamerV3：它用 RSSM 潜在世界模型在“想象轨迹”里训练 actor-critic，并以一组量纲无关变换（symlog、symexp twohot、KL free bits、百分位回报归一化）让一套固定超参跨 150+ 任务成立，首次确立了“世界模型是控制的操作性基础设施”这一范式。 [ref:L2:2301.04104#1-tl-dr] [ref:L2:2301.

这个主题追问一件事：当一个模型学会"预测世界的下一步"，它离"成为一个会行动的 agent"还有多远？答案在 2026 年集中显形——世界模型不再只是被动的动力学预测器，而是被直接当成 agent 的**模拟器、策略与规划器**：先在脑中"想象"未来，再把想象读成动作。DreamZero 把世界动作模型明确定位为 zero-shot 策略，动作直接从"想象出的未来视频计划"里读出，无需任何 tes

KV-cache offloading 作为一个独立方向的形成，源于两股力量的碰撞：一方面，LLM 推理中 KV cache 随序列长度线性增长，直接成为 GPU VRAM 的首要瓶颈，限制可服务的 batch size 和最大上下文长度 [ref:2506.03296#q1-痛点]；另一方面，CPU DRAM 容量通常是 GPU HBM 的 10–100 倍，且 CPU 内存带宽与 GPU 的差

这个主题聚合的动因是：一个原本只活在推理系统底层的加速范式——"用便宜的方式先猜，再用权威的方式验证，只保留验证通过的部分"——在 2025 年底到 2026 年中同时向两个截然不同的粒度扩张，并各自催生出一批工作，值得作为一个横跨类别的方向统一评价。

2025–2026 年间，agent memory 领域出现了一次范式级转向：**记忆管理从人工设计的固定流水线走向数据驱动的可学习系统**。这一方向同时整合了 agent 运行时架构和训练算法两个维度的创新，是一个天然跨 category 的前沿研究聚落。

Agent skill 在 2024–2025 年间从"有就好"（static injection）进入"怎么管"（dynamic lifecycle management）阶段。这一转折有三个触发事件：

LLM agents increasingly rely on external skill libraries — modular natural-language instruction packages — to extend their capabilities beyond pre-trained knowledge. As these libraries scale from doze

2023–2026 年，AI 服务平台经历了三次范式跃迁：IaaS 卖 GPU 算力 → MaaS 卖 Token → AaaS 卖结果。每一次跃迁都伴随着计费单位的抽象化、风险承担方的转移、以及基础设施栈的结构性重组。

2025–2026 年，coding agent 和 deep-research agent 成为 LLM 的主流使用模式。一个 agent 在执行复杂任务时，其 context 窗口会经历数十轮工具调用，累积大量文件内容、搜索结果、执行日志。这个过程暴露了五个分布在不同系统层级、但互相交织的问题：

2025–2026 年，LLM 的主流使用模式从单请求问答转向多轮自主工具调用（agentic workload）。这一转变使传统负载均衡算法系统性失效：agent 的长 session、持续增长的 KV Cache、bursty 的工具调用模式、以及不可迁移的 decode 状态，要求调度系统从"无状态请求分发"跃迁到"有状态工作流编排"。

2025–2026 年，agent 系统从"单轮推理优化"跃迁至"多轮工作流系统工程"，而工作流中的不同阶段对模型能力的需求呈现出显著的**异构性**——规划与工具选择需要 frontier 大模型（LLM, 70B+），而子任务执行、结果组装、本地数据读取等环节完全可以交给小模型（SLM, 1B–8B）。这种异构需求催生了"强弱模型协作"这一跨 agent、framework、model 三个类

2018–2021 年间，AI 推理芯片（Habana Goya/Gaudi、Google TPU、Graphcore IPU）普遍采用 graph compilation 技术：编译期知道所有 tensor shape，静态规划执行流水，中间 activation 尽量驻留片上 SRAM。这一范式在 ASIC 上通过硬件支持（大 SRAM + 异构引擎 + 硬件 scheduler）获得了天然优

2024–2026 年，LLM 推理工作负载从大 batch 训练时代的规则化执行模式，全面转向延迟敏感的微 batch serving。Token-by-token decoding 每次 forward 仅涉及少量数据但触发上百个 μs 级小操作——attention QKV、softmax、activation、LayerNorm、KV cache update 等 [ref:2604.17

大规模 LLM 集群部署正在经历从"单节点单模型"到"千 GPU 级多模态流水线"的范式跃迁。这一跃迁受到六股力量的同时驱动。

2024 年 5 月到 2026 年 7 月的 26 个月里，开源 MoE 大模型走完了三代跨越，并在 2026 年分裂出两条互不通约的旗舰路线——**架构优先**（DeepSeek）与**训练/编排优先**（Moonshot）。到 2026 年 7 月 Kimi K3 发布，Moonshot 这条线也回到了架构轴，两家于是第一次在同一季度交付了同一类产品：原生 1M 上下文的开源稀疏 MoE 前

2025–2026 年，LLM 的主流使用模式正从**单请求问答**向**多轮自主工具调用**剧烈迁移。以 Cursor、Claude Code、Windsurf、Cline 为代表的编程 agent 成为最显著的工作负载形态——它们运行 12+ 小时的连续 session、在单次任务中产生 4000+ 工具调用、消耗 100K–262K tokens 的上下文窗口 [ref:L2:kimi-k2