arXiv 2026年10月5日该工作提出 PAPER2LLM++ 框架，把不断增长的论文文献当作模型改进的证据与监督来源：对每篇新论文抽取有证据支撑的发现，检验所报告的局限在当前模型中是否仍然存在，必要时把发现转化为候选学习信号，并通过 try-evaluate-commit 流程仅在更新能改善目标行为且不显著遗忘先前改进、不降低通用能力时才将其整合；在一串顺序出现的研究所发现的 LLM 失败上，模型能够逐步纳入新发现并保留早期收益。该工作提出 PAPER2LLM++ 框架，把不断增长的论文文献当作模型改进的证据与监督来源：对每篇新论文抽取有证据支撑的发现，检验所报告的局限在当前模型中是否仍然存在，必要时把发现转化为候选学习信号，并通过 try-evaluate-commit 流程仅在更新能改善目标行为且不显著遗忘先前改进、不降低通用能力时才将其整合；在一串顺序出现的研究所发现的 LLM 失败上，模型能够逐步纳入新发现并保留早期收益。PAPER2LLM++ 让模型从论文流中持续自我进化，在顺序出现的失败上逐步吸收新发现并保留早期收益该工作提出 PAPER2LLM++ 框架，把不断增长的论文文献当作模型改进的证据与监督来源：对每篇新论文抽取有证据支撑的发现，检验所报告的局限在当前模型中是否仍然存在，必要时把发现转化为候选学习信号，并通过 try-evaluate-commit 流程仅在更新能改善目标行为且不显著遗忘先前改进、不降低通用能力时才将其整合；在一串顺序出现的研究所发现的 LLM 失败上，模型能够逐步纳入新发现并保留早期收益。该工作提出 PAPER2LLM++ 框架，把不断增长的论文文献当作模型改进的证据与监督来源：对每篇新论文抽取有证据支撑的发现，检验所报告的局限在当前模型中是否仍然存在，必要时把发现转化为候选学习信号，并通过 try-evaluate-commit 流程仅在更新能改善目标行为且不显著遗忘先前改进、不降低通用能力时才将其整合；在一串顺序出现的研究所发现的 LLM 失败上，模型能够逐步纳入新发现并保留早期收益。