diff --git a/SESSION-HANDOFF.md b/SESSION-HANDOFF.md
index adf5ce5ee..8637ab57a 100644
--- a/SESSION-HANDOFF.md
+++ b/SESSION-HANDOFF.md
@@ -2,10 +2,34 @@
 
 > 状态：当前接班入口。旧的批量生产 session 快照已失效，不得用于恢复自动循环；持续运行使用只读 supervisor + 有界 writer epoch。
 
-## 2026-07-15 继续推进 4 篇 web / app / tool-use 环境论文
+## 2026-07-15 总结不足后推进 4 篇通用助手 / 浏览器 / 移动端论文
 
 - status：`local-ready`（已完成本地内容、receipt、atlas 和核心审计；远端 PR / merge / Pages deploy 仍以实时外部状态为准）。
+- 起始 ref：`38a0f7a8f31acca8ad728189d4e8530a72cba60c`（PR #35 merge 后的 `origin/main`）。
+- 本轮不足总结：上一轮 web / app / tool-use 环境卡完成了环境层补齐，但仍偏单类环境组件；缺少通用助手综合任务、真实耗时 open-web 任务、统一浏览器评测生态、移动 GUI 动态环境四条主线；所有新卡仍是 `STATIC_ANALYSIS` / `UNVERIFIED`，没有真实 benchmark 运行证据。
+- objective：新增 4 篇 `study-v2` paper note，补强 general assistant / browser ecosystem / mobile GUI agent 评测：`GAIA`、`AssistantBench`、`BrowserGym`、`AndroidWorld`。
+- scope：允许新增 `src/content/docs/papers/*.md`、`data/review-receipts/papers/*.json`，刷新 `data/note-index.json`、papers atlas 派生页和公开计数文案；不修改候选队列、policy/threshold、既有论文正文语义。
+- activated_by：`explicit-user-request-2026-07-15-summarize-gaps-and-advance-one-more-round`
+- review_after：`2026-07-15`
+- acceptance_checks：
+  - `lr search arxiv` + arXiv API 元数据核验 4/4；
+  - `node scripts/quality-gate.mjs` 逐篇通过，行数分别为 136 / 136 / 143 / 140，无 advisory；
+  - `npm run audit:content-contract`：0 blocking，64 v2；
+  - `npm run atlas`：2036 notes，69 chunks；
+  - `npm run audit:counts`：projects=961、papers=1075、total=2036；
+  - `npm run audit:links` / `npm run audit:wikilinks`：无 blocking。
+- budget：1 个内容小批次、4 篇新增 paper、1 个可写切片、1 个本地 writer。
+- external_outcome：当前为本地 review-ready change set；PR、merge 和 Pages deploy 需要以单独外部动作完成并复核。
+- stop_conditions：规范工具链不可用；arXiv 来源不可核验；content contract / redline / strict build / verify:ci 失败且无法在 scope 内修复；需要改 policy/threshold、候选队列或敏感内容；用户停止。
+- superseded_by：`none`
+
+## 2026-07-15 继续推进 4 篇 web / app / tool-use 环境论文全流程完成记录
+
+- status：`complete`
 - 起始 ref：`aac96ba8b574509edf089c20732a17b19e98b487`（PR #34 merge 后的 `origin/main`）。
+- 完成 ref：`38a0f7a8f31acca8ad728189d4e8530a72cba60c`（PR #35 merge commit）。
+- external delta：PR #35 `Add four web and tool-use agent papers` 已合并；GitHub Pages workflow `29382534990` 已成功完成，公开站点为 `https://estelledc.github.io/study/`。
+- 内容 delta：新增 4 篇 `study-v2` paper note（`webarena`、`mind2web`、`appworld`、`toolsandbox`）、4 份 `study-review-receipt-v1`，并刷新 atlas / note-index / 公开规模文案；当前公开计数为 projects=961、papers=1071、total=2032。
 - objective：在用户明确要求“继续推进”下，新增 4 篇 `study-v2` paper note，补强 web / app / tool-use agent 环境评测主线：`WebArena`、`Mind2Web`、`AppWorld`、`ToolSandbox`。
 - scope：允许新增 `src/content/docs/papers/*.md`、`data/review-receipts/papers/*.json`，刷新 `data/note-index.json`、papers atlas 派生页和公开计数文案；不修改候选队列、policy/threshold、既有论文正文语义。
 - activated_by：`explicit-user-request-2026-07-15-continue-study-round`
@@ -16,10 +40,15 @@
   - `npm run audit:content-contract`：0 blocking，60 v2；
   - `npm run atlas`：2032 notes，69 chunks；
   - `npm run audit:counts`：projects=961、papers=1071、total=2032；
-  - `npm run audit:links` / `npm run audit:wikilinks`：无 blocking。
+  - `npm run audit:links` / `npm run audit:wikilinks`：无 blocking；
+  - `git ls-files -co --exclude-standard -z | node scripts/audit-public-redlines.mjs --stdin0`：0 blocking；
+  - `npm run build:strict -- --log /tmp/study-20260715-web-tool-round-build-clean.log`：通过；首次失败由 stale `.astro` cache 触发 duplicate-id warning，删除 ignored cache 后恢复；
+  - `STUDY_CHANGED_FROM=origin/main npm run verify:ci`：本地通过；PR #35 远端 CI `29382391831` 通过；
+  - 线上冒烟：主页和 `webarena`、`mind2web`、`appworld`、`toolsandbox` 均返回 200。
 - budget：1 个内容小批次、4 篇新增 paper、1 个可写切片、1 个本地 writer。
-- external_outcome：当前为本地 review-ready change set；PR、merge 和 Pages deploy 需要以单独外部动作完成并复核。
+- external_outcome：4 篇新增论文笔记进入公开 study 站点；验证状态保持 `UNVERIFIED`。
 - stop_conditions：规范工具链不可用；arXiv 来源不可核验；content contract / redline / strict build / verify:ci 失败且无法在 scope 内修复；需要改 policy/threshold、候选队列或敏感内容；用户停止。
+- 最终状态：`main...origin/main` 对齐；下一次写入只能由新的显式 backlog、外部状态变化或用户重新授权触发。
 - superseded_by：`none`
 
 ## 2026-07-14 总结不足后再推进 4 篇补强论文全流程完成记录
diff --git a/data/note-index.json b/data/note-index.json
index cdb3e7694..0d7b022dc 100644
--- a/data/note-index.json
+++ b/data/note-index.json
@@ -3,16 +3,16 @@
   "taxonomy_version": "taxonomy-v1",
   "stats": {
     "summary": {
-      "total": 2032,
-      "classified": 1985,
+      "total": 2036,
+      "classified": 1989,
       "unclassified": 47,
       "unknown_difficulty": 1975,
       "empty_description": 1970
     },
     "by_area": {
       "papers": {
-        "total": 1071,
-        "classified": 1052,
+        "total": 1075,
+        "classified": 1056,
         "unclassified": 19,
         "unknown_difficulty": 1014,
         "empty_description": 1013
@@ -1044,6 +1044,38 @@
         "chunk_route": "/study/atlas/papers/topic-papers-compilers-and-programming-language-theory-01/"
       }
     },
+    {
+      "id": "papers::androidworld",
+      "area": "papers",
+      "slug": "androidworld",
+      "title": "AndroidWorld — 动态 Android 环境里的移动端 agent 评测",
+      "description": "用 AndroidWorld 理解移动 GUI agent 为什么需要真实 App、动态任务、初始化和成功检查，而不只是截图问答。",
+      "difficulty": "intermediate",
+      "canonical_topics": [
+        "papers-agents-and-llm-systems"
+      ],
+      "classification": {
+        "state": "classified",
+        "source": "frontmatter-category",
+        "topic_id": "papers-agents-and-llm-systems",
+        "matched_category": "agent",
+        "raw_category": "AI Agent / Mobile GUI Benchmark"
+      },
+      "trust": {
+        "contract_state": "v2",
+        "verification_status": "UNVERIFIED"
+      },
+      "freshness": {
+        "state": "NOT_EVALUATED",
+        "reviewed_at": "2026-07-15",
+        "review_after": null
+      },
+      "route": "/study/papers/androidworld/",
+      "atlas": {
+        "chunk_id": "topic-papers-agents-and-llm-systems-01",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+      }
+    },
     {
       "id": "papers::andromeda-2018",
       "area": "papers",
@@ -1427,6 +1459,38 @@
         "chunk_route": "/study/atlas/papers/topic-papers-databases-01/"
       }
     },
+    {
+      "id": "papers::assistantbench",
+      "area": "papers",
+      "slug": "assistantbench",
+      "title": "AssistantBench — 真实耗时 Web 任务里的助手评测",
+      "description": "用 AssistantBench 理解为什么 web agent 不能只测短路径点击，还要测耗时、开放、可自动验收的现实任务。",
+      "difficulty": "intermediate",
+      "canonical_topics": [
+        "papers-agents-and-llm-systems"
+      ],
+      "classification": {
+        "state": "classified",
+        "source": "frontmatter-category",
+        "topic_id": "papers-agents-and-llm-systems",
+        "matched_category": "agent",
+        "raw_category": "AI Agent / Assistant Benchmark"
+      },
+      "trust": {
+        "contract_state": "v2",
+        "verification_status": "UNVERIFIED"
+      },
+      "freshness": {
+        "state": "NOT_EVALUATED",
+        "reviewed_at": "2026-07-15",
+        "review_after": null
+      },
+      "route": "/study/papers/assistantbench/",
+      "atlas": {
+        "chunk_id": "topic-papers-agents-and-llm-systems-01",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+      }
+    },
     {
       "id": "papers::asterisk",
       "area": "papers",
@@ -3712,6 +3776,38 @@
         "chunk_route": "/study/atlas/papers/topic-papers-hci-and-software-engineering-research-01/"
       }
     },
+    {
+      "id": "papers::browsergym",
+      "area": "papers",
+      "slug": "browsergym",
+      "title": "BrowserGym — Web Agent 研究的统一浏览器环境",
+      "description": "用 BrowserGym 理解为什么 web agent 需要统一 observation / action / evaluation 接口，而不是每个 benchmark 各跑一套。",
+      "difficulty": "intermediate",
+      "canonical_topics": [
+        "papers-agents-and-llm-systems"
+      ],
+      "classification": {
+        "state": "classified",
+        "source": "frontmatter-category",
+        "topic_id": "papers-agents-and-llm-systems",
+        "matched_category": "agent",
+        "raw_category": "AI Agent / Browser Environment"
+      },
+      "trust": {
+        "contract_state": "v2",
+        "verification_status": "UNVERIFIED"
+      },
+      "freshness": {
+        "state": "NOT_EVALUATED",
+        "reviewed_at": "2026-07-15",
+        "review_after": null
+      },
+      "route": "/study/papers/browsergym/",
+      "atlas": {
+        "chunk_id": "topic-papers-agents-and-llm-systems-01",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+      }
+    },
     {
       "id": "papers::btrfs-2013",
       "area": "papers",
@@ -12119,6 +12215,38 @@
         "chunk_route": "/study/atlas/papers/topic-papers-compilers-and-programming-language-theory-01/"
       }
     },
+    {
+      "id": "papers::gaia",
+      "area": "papers",
+      "slug": "gaia",
+      "title": "GAIA — 通用 AI 助手的现实任务基准",
+      "description": "用 GAIA 理解为什么真正的助手能力不等于专业考试高分，而是能组合推理、多模态、浏览和工具。",
+      "difficulty": "intermediate",
+      "canonical_topics": [
+        "papers-agents-and-llm-systems"
+      ],
+      "classification": {
+        "state": "classified",
+        "source": "frontmatter-category",
+        "topic_id": "papers-agents-and-llm-systems",
+        "matched_category": "agent",
+        "raw_category": "AI Agent / General Assistant Benchmark"
+      },
+      "trust": {
+        "contract_state": "v2",
+        "verification_status": "UNVERIFIED"
+      },
+      "freshness": {
+        "state": "NOT_EVALUATED",
+        "reviewed_at": "2026-07-15",
+        "review_after": null
+      },
+      "route": "/study/papers/gaia/",
+      "atlas": {
+        "chunk_id": "topic-papers-agents-and-llm-systems-01",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+      }
+    },
     {
       "id": "papers::game-semantics-pcf",
       "area": "papers",
@@ -31392,8 +31520,8 @@
       },
       "route": "/study/papers/toolsandbox/",
       "atlas": {
-        "chunk_id": "topic-papers-agents-and-llm-systems-01",
-        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+        "chunk_id": "topic-papers-agents-and-llm-systems-02",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-02/"
       }
     },
     {
@@ -31456,8 +31584,8 @@
       },
       "route": "/study/papers/toxigen-2022/",
       "atlas": {
-        "chunk_id": "topic-papers-agents-and-llm-systems-01",
-        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+        "chunk_id": "topic-papers-agents-and-llm-systems-02",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-02/"
       }
     },
     {
@@ -31711,8 +31839,8 @@
       },
       "route": "/study/papers/tree-of-thoughts-2023/",
       "atlas": {
-        "chunk_id": "topic-papers-agents-and-llm-systems-01",
-        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+        "chunk_id": "topic-papers-agents-and-llm-systems-02",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-02/"
       }
     },
     {
@@ -31902,8 +32030,8 @@
       },
       "route": "/study/papers/truthfulqa-2021/",
       "atlas": {
-        "chunk_id": "topic-papers-agents-and-llm-systems-01",
-        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-01/"
+        "chunk_id": "topic-papers-agents-and-llm-systems-02",
+        "chunk_route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-02/"
       }
     },
     {
@@ -64587,7 +64715,7 @@
       "page": 2,
       "pages": 2,
       "route": "/study/atlas/papers/topic-papers-agents-and-llm-systems-02/",
-      "entries": 9
+      "entries": 13
     },
     {
       "id": "topic-papers-ai-safety-and-interpretability-01",
diff --git a/data/review-receipts/papers/androidworld.json b/data/review-receipts/papers/androidworld.json
new file mode 100644
index 000000000..b2b2784d5
--- /dev/null
+++ b/data/review-receipts/papers/androidworld.json
@@ -0,0 +1,55 @@
+{
+  "schema_version": "study-review-receipt-v1",
+  "generation": 1,
+  "predecessor_digest_sha256": null,
+  "note": {
+    "area": "papers",
+    "slug": "androidworld",
+    "digest_sha256": "02841f4e4a5f95d6b4da863075f7f698c1a491a1e877bc3db871098b122f219e"
+  },
+  "source_revision": "arXiv:2405.14573v5",
+  "research_input_sha256": "1e77cd892ba8898f8f2630c6cbc0e322318c18ab6007717e74609e9647b9ff73",
+  "reviewers": [
+    {
+      "role": "ZERO_BASE",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 87,
+      "warnings": [
+        "Explains AndroidWorld with a toy mobile GUI task; Android emulator and benchmark tasks were not executed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "MANUAL_SIMULATION"
+      }
+    },
+    {
+      "role": "ENGINEER",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 85,
+      "warnings": [
+        "Engineering interpretation is static; no AndroidWorld task initialization, success check, or teardown was run."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    },
+    {
+      "role": "ACADEMIC",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 84,
+      "warnings": [
+        "Citation identity was checked through arXiv metadata; reported benchmark results are not independently reproduced."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    }
+  ],
+  "waivers": [],
+  "created_at": "2026-07-15T03:20:00.000Z"
+}
diff --git a/data/review-receipts/papers/assistantbench.json b/data/review-receipts/papers/assistantbench.json
new file mode 100644
index 000000000..4d7d61bcf
--- /dev/null
+++ b/data/review-receipts/papers/assistantbench.json
@@ -0,0 +1,55 @@
+{
+  "schema_version": "study-review-receipt-v1",
+  "generation": 1,
+  "predecessor_digest_sha256": null,
+  "note": {
+    "area": "papers",
+    "slug": "assistantbench",
+    "digest_sha256": "a5fcd23b75333a50c26fb62c10c10b63ee23d2744af90f08a68c05c85df3d53c"
+  },
+  "source_revision": "arXiv:2407.15711v2",
+  "research_input_sha256": "784f08016d90cb342475f9a7d95c16d430bf9318b45d2c18211bf7c177f64cd6",
+  "reviewers": [
+    {
+      "role": "ZERO_BASE",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 86,
+      "warnings": [
+        "Explains AssistantBench with a toy time-consuming web task; benchmark tasks were not executed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "MANUAL_SIMULATION"
+      }
+    },
+    {
+      "role": "ENGINEER",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 84,
+      "warnings": [
+        "Engineering interpretation is static; SeePlanAct and web task execution were not run."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    },
+    {
+      "role": "ACADEMIC",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 84,
+      "warnings": [
+        "Citation identity was checked through arXiv metadata; benchmark scores are not independently reproduced."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    }
+  ],
+  "waivers": [],
+  "created_at": "2026-07-15T03:20:00.000Z"
+}
diff --git a/data/review-receipts/papers/browsergym.json b/data/review-receipts/papers/browsergym.json
new file mode 100644
index 000000000..779362796
--- /dev/null
+++ b/data/review-receipts/papers/browsergym.json
@@ -0,0 +1,55 @@
+{
+  "schema_version": "study-review-receipt-v1",
+  "generation": 1,
+  "predecessor_digest_sha256": null,
+  "note": {
+    "area": "papers",
+    "slug": "browsergym",
+    "digest_sha256": "4e7491fe5be6e76e75e13d902ddaeb81730325fea26150b8522ed74251d816a3"
+  },
+  "source_revision": "arXiv:2412.05467v4",
+  "research_input_sha256": "b322ad18703ca31d2e47036365d016ec4f7369e8aee247c75fbc2136051a6578",
+  "reviewers": [
+    {
+      "role": "ZERO_BASE",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 86,
+      "warnings": [
+        "Explains BrowserGym through a toy gym-like browser interface; BrowserGym was not installed or run."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "MANUAL_SIMULATION"
+      }
+    },
+    {
+      "role": "ENGINEER",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 85,
+      "warnings": [
+        "Engineering claims are limited to static paper reading; no AgentLab or benchmark adapter was executed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    },
+    {
+      "role": "ACADEMIC",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 84,
+      "warnings": [
+        "Citation identity was checked through arXiv metadata; ecosystem claims are not independently reproduced."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    }
+  ],
+  "waivers": [],
+  "created_at": "2026-07-15T03:20:00.000Z"
+}
diff --git a/data/review-receipts/papers/gaia.json b/data/review-receipts/papers/gaia.json
new file mode 100644
index 000000000..c62758d5d
--- /dev/null
+++ b/data/review-receipts/papers/gaia.json
@@ -0,0 +1,55 @@
+{
+  "schema_version": "study-review-receipt-v1",
+  "generation": 1,
+  "predecessor_digest_sha256": null,
+  "note": {
+    "area": "papers",
+    "slug": "gaia",
+    "digest_sha256": "b5dbc82ffd40f3433719aea40be4f8c8441c2ee8ddbf2c312c04c62f9c0567e2"
+  },
+  "source_revision": "arXiv:2311.12983v1",
+  "research_input_sha256": "34779f3f0b380c2fc850322226d20a6a33846f83200b18868b66ff6efde3e85f",
+  "reviewers": [
+    {
+      "role": "ZERO_BASE",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 87,
+      "warnings": [
+        "Explains GAIA through a toy multimodal browsing task; GAIA dataset was not executed."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "MANUAL_SIMULATION"
+      }
+    },
+    {
+      "role": "ENGINEER",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 84,
+      "warnings": [
+        "Engineering claims are limited to static paper reading; no assistant agent or plugin stack was run."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    },
+    {
+      "role": "ACADEMIC",
+      "reviewer_version": "study-static-review-20260715-general-assistant-round",
+      "decision": "PASS_WITH_NOTES",
+      "score": 84,
+      "warnings": [
+        "Citation identity was checked through arXiv metadata; reported human/model scores are not independently reproduced."
+      ],
+      "execution": {
+        "review_mode": "STATIC_REVIEW",
+        "code_mode": "NOT_APPLICABLE"
+      }
+    }
+  ],
+  "waivers": [],
+  "created_at": "2026-07-15T03:20:00.000Z"
+}
diff --git a/src/content/docs/about.md b/src/content/docs/about.md
index c66420e08..d0cad9989 100644
--- a/src/content/docs/about.md
+++ b/src/content/docs/about.md
@@ -14,7 +14,7 @@ sidebar:
 
 写到今天的硬数字：
 
-- **1071 篇论文笔记** + **961 篇项目笔记**，合计 **2000+ 篇**
+- **1075 篇论文笔记** + **961 篇项目笔记**，合计 **2000+ 篇**
 - 横跨 19 个主题：分布式系统 76 / 编程语言 76 / 数据库 47 / 操作系统 46 / 机器学习 44 / 区块链 44 / 后端 API 40 / 基础设施 38 / 网络协议 37 / 图形学 36 / 形式化方法 27 / 通信 27 / 信息检索 25 / Agent 24 / CLI 23 / NLP 11 / 编译器 11 / 等
 - 近 30 天集中产出：基础设施（444 commits）、编译器与 PL（72）、自演化 Agent（10+ 新建）、分布式（47）、区块链（44）
 
diff --git a/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-01.md b/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-01.md
index 960b3b0f1..6110d074b 100644
--- a/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-01.md
+++ b/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-01.md
@@ -17,14 +17,17 @@ sidebar:
 | [Agent-R1 — 把 LLM agent 当 RL 环境训练的模块化框架](/study/papers/agent-r1-2511/) | `agent-r1-2511` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [Agentic Context Engineering — 把上下文当成会进化的 playbook](/study/papers/agentic-context-engineering-2025/) | `agentic-context-engineering-2025` | intermediate | UNVERIFIED | ACE 将上下文视为可演化 playbook，用生成、反思和整理缓解 context collapse |
 | [Agentless — 反 Agent 派的 SWE-bench 解法](/study/papers/agentless/) | `agentless` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
+| [AndroidWorld — 动态 Android 环境里的移动端 agent 评测](/study/papers/androidworld/) | `androidworld` | intermediate | UNVERIFIED | 用 AndroidWorld 理解移动 GUI agent 为什么需要真实 App、动态任务、初始化和成功检查，而不只是截图问答 |
 | [Anthropic Prompt Caching — 让长 prompt 只算一次，后续只付 10%](/study/papers/anthropic-prompt-caching/) | `anthropic-prompt-caching` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [APEX — 给自进化 agent 配一张"策略图"防止它走老路](/study/papers/apex-policy-exploration/) | `apex-policy-exploration` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [AppWorld — 多 App 世界里的交互式代码 agent](/study/papers/appworld/) | `appworld` | intermediate | UNVERIFIED | 用 AppWorld 理解为什么工具调用 benchmark 需要状态、用户、多个 App 和可执行代码，而不是单轮 API 序列 |
+| [AssistantBench — 真实耗时 Web 任务里的助手评测](/study/papers/assistantbench/) | `assistantbench` | intermediate | UNVERIFIED | 用 AssistantBench 理解为什么 web agent 不能只测短路径点击，还要测耗时、开放、可自动验收的现实任务 |
 | [AutoGen — 多智能体对话框架](/study/papers/autogen/) | `autogen` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [AWQ — 看激活脸色给权重打折](/study/papers/awq/) | `awq` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [AWQ 2023 — 把 70B 大模型权重压到 35GB](/study/papers/awq-2023/) | `awq-2023` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [BIG-Bench Hard — 从大题库里挑出模型最头疼的 23 类题](/study/papers/big-bench-hard-2022/) | `big-bench-hard-2022` | intermediate | UNVERIFIED | 用 BBH 理解为什么 benchmark 需要难题子集和 CoT 对照 |
 | [BLOOM — 把 176B 多语种模型做成开放科学工程](/study/papers/bloom-2022/) | `bloom-2022` | intermediate | UNVERIFIED | 用 BLOOM 理解大模型也可以用社区协作、数据治理和开放发布来推进 |
+| [BrowserGym — Web Agent 研究的统一浏览器环境](/study/papers/browsergym/) | `browsergym` | intermediate | UNVERIFIED | 用 BrowserGym 理解为什么 web agent 需要统一 observation / action / evaluation 接口，而不是每个 benchmark 各跑一套 |
 | [Chain-of-Thought — 让大模型先写步骤再回答](/study/papers/chain-of-thought/) | `chain-of-thought` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [ClawTrace — 把 agent 每步操作的"成本账"先算清再蒸馏](/study/papers/clawtrace-cost-aware/) | `clawtrace-cost-aware` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [Code as Agent Harness — 把代码当 agent 的"骨架"来重新看 agentic AI](/study/papers/code-as-agent-harness/) | `code-as-agent-harness` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
@@ -34,6 +37,7 @@ sidebar:
 | [EVE-Agent — 自我训练前先把证据钉在桌上](/study/papers/eve-agent-evidence/) | `eve-agent-evidence` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [Evo-Memory — 给"会自己长记性"的 agent 出一份统一考卷](/study/papers/evo-memory-2511/) | `evo-memory-2511` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [EXG 经验图 — 把 agent 的成败拼成一张可复用的关系图](/study/papers/exg-experience-graphs/) | `exg-experience-graphs` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
+| [GAIA — 通用 AI 助手的现实任务基准](/study/papers/gaia/) | `gaia` | intermediate | UNVERIFIED | 用 GAIA 理解为什么真正的助手能力不等于专业考试高分，而是能组合推理、多模态、浏览和工具 |
 | [Gorilla — 让 LLM 学会查 API 文档再调用](/study/papers/gorilla-2023/) | `gorilla-2023` | intermediate | UNVERIFIED | 用 Gorilla 理解 API grounding 如何降低工具调用幻觉 |
 | [GPTQ — 把 175B 大模型压成 4-bit 还几乎不掉点](/study/papers/gptq-2023/) | `gptq-2023` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [GraphRAG — 微软的知识图谱 + RAG](/study/papers/graphrag/) | `graphrag` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
@@ -109,9 +113,5 @@ sidebar:
 | [ToolBench-X — 工具会坏时，agent 还能不能把事做完](/study/papers/toolbench-x/) | `toolbench-x` | intermediate | UNVERIFIED | 用 ToolBench-X 理解 tool-use benchmark 为什么要模拟规格漂移、调用错误、执行失败和结果冲突 |
 | [Toolformer — 教 LLM 自主调用 API](/study/papers/toolformer/) | `toolformer` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [ToolLLM — 用 16000+ API 训练模型进入真实工具世界](/study/papers/toolllm-2023/) | `toolllm-2023` | intermediate | UNVERIFIED | 用 ToolLLM 理解大规模 API 数据集、工具检索和工具评测如何支撑 agent |
-| [ToolSandbox — 状态化对话工具调用评测](/study/papers/toolsandbox/) | `toolsandbox` | intermediate | UNVERIFIED | 用 ToolSandbox 理解为什么工具调用 agent 需要测状态依赖、信息不足和多轮用户反馈，而不是只测单轮函数参数 |
-| [ToxiGen — 用生成模型造隐性仇恨测试集](/study/papers/toxigen-2022/) | `toxigen-2022` | intermediate | UNVERIFIED | 用 ToxiGen 理解安全评测为什么要覆盖隐性、对抗性和群体相关文本 |
-| [Tree of Thoughts — 让 LLM 像下棋一样多想几步再答](/study/papers/tree-of-thoughts-2023/) | `tree-of-thoughts-2023` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
-| [TruthfulQA — 专门问模型容易学人类谬误的问题](/study/papers/truthfulqa-2021/) | `truthfulqa-2021` | intermediate | UNVERIFIED | 用 TruthfulQA 理解语言模型为什么会模仿常见假话而不是坚持事实 |
 
 [下一组](/study/atlas/papers/topic-papers-agents-and-llm-systems-02/)
diff --git a/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-02.md b/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-02.md
index c74b4afcd..d1e92c78a 100644
--- a/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-02.md
+++ b/src/content/docs/atlas/papers/topic-papers-agents-and-llm-systems-02.md
@@ -1,6 +1,6 @@
 ---
 title: "智能体与 LLM 系统 · 论文 · 第 2 组"
-description: "9 条 智能体与 LLM 系统 Atlas 分块"
+description: "13 条 智能体与 LLM 系统 Atlas 分块"
 sidebar:
   hidden: true
 ---
@@ -9,10 +9,14 @@ sidebar:
 
 [返回论文全景索引](/study/papers-atlas/)
 
-本分块共 9 条，稳定上限为 100 条。
+本分块共 13 条，稳定上限为 100 条。
 
 | 论文 | Slug | 难度 | 可信状态 | 简介 |
 |---|---|---|---|---|
+| [ToolSandbox — 状态化对话工具调用评测](/study/papers/toolsandbox/) | `toolsandbox` | intermediate | UNVERIFIED | 用 ToolSandbox 理解为什么工具调用 agent 需要测状态依赖、信息不足和多轮用户反馈，而不是只测单轮函数参数 |
+| [ToxiGen — 用生成模型造隐性仇恨测试集](/study/papers/toxigen-2022/) | `toxigen-2022` | intermediate | UNVERIFIED | 用 ToxiGen 理解安全评测为什么要覆盖隐性、对抗性和群体相关文本 |
+| [Tree of Thoughts — 让 LLM 像下棋一样多想几步再答](/study/papers/tree-of-thoughts-2023/) | `tree-of-thoughts-2023` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
+| [TruthfulQA — 专门问模型容易学人类谬误的问题](/study/papers/truthfulqa-2021/) | `truthfulqa-2021` | intermediate | UNVERIFIED | 用 TruthfulQA 理解语言模型为什么会模仿常见假话而不是坚持事实 |
 | [UL2 — 一个模型同时练完补空、续写和长文本](/study/papers/ul2-2022/) | `ul2-2022` | advanced | UNVERIFIED | 用 UL2 理解 mixture-of-denoisers 如何统一不同语言模型训练范式 |
 | [VeriCache: Turning Lossy KV Cache into Lossless LLM Inference — 有损压缩草稿，无损输出验收](/study/papers/vericache/) | `vericache` | unknown | UNVERIFIED | 暂无独立描述；可先从标题与正文定位开始。 |
 | [VisualWebArena — 让网页 agent 真正看见界面](/study/papers/visualwebarena/) | `visualwebarena` | intermediate | UNVERIFIED | 用 VisualWebArena 理解多模态 web agent 为什么不能只读 DOM 文本，还要处理视觉线索 |
diff --git a/src/content/docs/career-plan.md b/src/content/docs/career-plan.md
index 9588b08c8..8fd2709fa 100644
--- a/src/content/docs/career-plan.md
+++ b/src/content/docs/career-plan.md
@@ -5,7 +5,7 @@ sidebar:
   order: 1
 ---
 
-> 本页是路径说明。具体笔记见左侧分组；当前规模 2000+ 篇（论文 1071 + 项目 961）。
+> 本页是路径说明。具体笔记见左侧分组；当前规模 2000+ 篇（论文 1075 + 项目 961）。
 
 ## 1. 路径模型的演化
 
diff --git a/src/content/docs/index.md b/src/content/docs/index.md
index 17607ae18..9afb62e80 100644
--- a/src/content/docs/index.md
+++ b/src/content/docs/index.md
@@ -144,7 +144,7 @@ head:
 </dl>
   </div>
 
-  <p class="study-muted"><strong>当前规模：</strong>1071 篇论文 + 961 个项目 = 2032 篇笔记，按 19 个主题组织。数量已移出首屏，只作为覆盖面证据。</p>
+  <p class="study-muted"><strong>当前规模：</strong>1075 篇论文 + 961 个项目 = 2036 篇笔记，按 19 个主题组织。数量已移出首屏，只作为覆盖面证据。</p>
 </section>
 
 <section class="study-section">
diff --git a/src/content/docs/method.md b/src/content/docs/method.md
index a6ac51200..b093d49c2 100644
--- a/src/content/docs/method.md
+++ b/src/content/docs/method.md
@@ -11,7 +11,7 @@ sidebar:
 
 ## 顶层结论（先看）
 
-- 这套方法跑过 **961 篇项目 + 1071 篇论文 = 2032 篇**笔记，跨 19 个一级主题、约 2032 行写作密度
+- 这套方法跑过 **961 篇项目 + 1075 篇论文 = 2036 篇**笔记，跨 19 个一级主题、约 2036 行写作密度
 - 最常被跳过的层是 **Layer 4 改一处**——但每次跳过都让整篇笔记从"机制"退回"翻译"
 - 真正变成"门面级"反向引用枢纽的笔记（[React](/study/projects/react/) 68 / [[pytorch]] 67 / [[kubernetes]] 66 / [[postgresql]] 66），无一例外都做过 L3+L4 双层
 - L0 / L1 / L2 / L7 即使做得平庸也不致命；L3+L4 任一项缺失 = 整篇笔记掉档
diff --git a/src/content/docs/papers-atlas.md b/src/content/docs/papers-atlas.md
index 2a9a0f14b..854d427e3 100644
--- a/src/content/docs/papers-atlas.md
+++ b/src/content/docs/papers-atlas.md
@@ -1,6 +1,6 @@
 ---
 title: 论文全景索引
-description: 1071 篇论文的分块地图 · 稳定 taxonomy · 自动生成
+description: 1075 篇论文的分块地图 · 稳定 taxonomy · 自动生成
 sidebar:
   order: 5
   label: 论文全景索引
@@ -12,10 +12,10 @@ sidebar:
 ## 总览
 
 <div class="study-stats-strip">
-  <div><strong>1071</strong><span>论文总数</span></div>
-  <div><strong>1052</strong><span>已有规范主题</span></div>
+  <div><strong>1075</strong><span>论文总数</span></div>
+  <div><strong>1056</strong><span>已有规范主题</span></div>
   <div><strong>19</strong><span>暂未收纳进主题路线</span></div>
-  <div><strong>98.2%</strong><span>分类覆盖率（1052 / 1071，已分类 / 总数）</span></div>
+  <div><strong>98.2%</strong><span>分类覆盖率（1056 / 1075，已分类 / 总数）</span></div>
 </div>
 
 ## 先选一条学习路径
@@ -41,7 +41,7 @@ Atlas 不替代精选路线。零基础读者先从下面六条路径选一条
 
 | 主题 | English | 数量 | 分块 |
 |---|---|---:|---|
-| 智能体与 LLM 系统 | Agents and LLM Systems | 109 | [第 1/2 组](/study/atlas/papers/topic-papers-agents-and-llm-systems-01/) · [第 2/2 组](/study/atlas/papers/topic-papers-agents-and-llm-systems-02/) |
+| 智能体与 LLM 系统 | Agents and LLM Systems | 113 | [第 1/2 组](/study/atlas/papers/topic-papers-agents-and-llm-systems-01/) · [第 2/2 组](/study/atlas/papers/topic-papers-agents-and-llm-systems-02/) |
 | NLP 基础与 Scaling | NLP Foundations and Scaling | 114 | [第 1/2 组](/study/atlas/papers/topic-papers-nlp-foundations-and-scaling-01/) · [第 2/2 组](/study/atlas/papers/topic-papers-nlp-foundations-and-scaling-02/) |
 | 计算机视觉 | Computer Vision | 11 | [第 1/1 组](/study/atlas/papers/topic-papers-computer-vision-01/) |
 | 生成模型 / 扩散 | Generative Models and Diffusion | 14 | [第 1/1 组](/study/atlas/papers/topic-papers-generative-models-and-diffusion-01/) |
@@ -79,4 +79,4 @@ Atlas 不替代精选路线。零基础读者先从下面六条路径选一条
 
 - difficulty 未知：1014
 - description 为空：1013
-- sidecar 主键：1071 个唯一 `area::slug`
+- sidecar 主键：1075 个唯一 `area::slug`
diff --git a/src/content/docs/papers-method.md b/src/content/docs/papers-method.md
index 6413ae574..421df0ce3 100644
--- a/src/content/docs/papers-method.md
+++ b/src/content/docs/papers-method.md
@@ -11,7 +11,7 @@ sidebar:
 
 ## 站点的论文体量
 
-截至 2026-07，论文目录共 1071 篇笔记，覆盖：
+截至 2026-07，论文目录共 1075 篇笔记，覆盖：
 
 - 分布式系统 76 篇（[[paxos-1998]] / [[raft]] / [[lamport-1978]] / [[spanner-2012]]）
 - 编程语言 + 类型论 76 篇（[[hindley-milner]] / [[lambda-calculus]] / [[hoare-logic]]）
diff --git a/src/content/docs/papers-queue.md b/src/content/docs/papers-queue.md
index 4499f5919..8fd6e74c0 100644
--- a/src/content/docs/papers-queue.md
+++ b/src/content/docs/papers-queue.md
@@ -5,7 +5,7 @@ sidebar:
   order: 4
 ---
 
-> 站内累计 1071 篇论文笔记，跨 14 个主题。这页不是"待读清单"，是
+> 站内累计 1075 篇论文笔记，跨 14 个主题。这页不是"待读清单"，是
 > **入门指引** —— 每个 topic 给 3-5 篇 pillar 论文 + 一行说明它
 > 为什么是该 topic 的支点。看完一条主线的 pillar，你就拿到了
 > 该 topic 整张反向链接图的入口。
@@ -13,7 +13,7 @@ sidebar:
 ## 怎么用这页
 
 - 不知道某个 topic 从哪读 → 来这里挑该主题 3-5 篇 pillar
-- 想看完整 1071 篇分布与主题地图 → [papers-atlas](/study/papers-atlas/)
+- 想看完整 1075 篇分布与主题地图 → [papers-atlas](/study/papers-atlas/)
 - 想要"如何精读一篇论文"的方法 → [papers-method](/study/papers-method/)
 - 想看跨论文 + 项目的混合阅读节奏 → [queue](/study/queue/)
 
diff --git a/src/content/docs/papers/androidworld.md b/src/content/docs/papers/androidworld.md
new file mode 100644
index 000000000..9294aa392
--- /dev/null
+++ b/src/content/docs/papers/androidworld.md
@@ -0,0 +1,139 @@
+---
+title: 'AndroidWorld — 动态 Android 环境里的移动端 agent 评测'
+description: '用 AndroidWorld 理解移动 GUI agent 为什么需要真实 App、动态任务、初始化和成功检查，而不只是截图问答。'
+来源: 'Rawles et al., arXiv:2405.14573'
+日期: 2026-07-15
+分类: AI Agent / Mobile GUI Benchmark
+难度: 中级
+difficulty: intermediate
+trust:
+  version: study-v2
+  source_kind: paper
+  note_type: paper
+  canonical_source: https://arxiv.org/abs/2405.14573v5
+  source_authority: AUTHOR_PRIMARY
+  accessed_at: '2026-07-15'
+  publication_id: arXiv:2405.14573
+  source_version: arXiv:2405.14573v5
+  evidence_type: STATIC_ANALYSIS
+  verification_status: UNVERIFIED
+  reviewed_at: '2026-07-15'
+  review_after: null
+  applicable_version: arXiv v5
+---
+
+## 是什么
+
+AndroidWorld: A Dynamic Benchmarking Environment for Autonomous Agents 是一个面向 Android 移动端 agent 的动态 benchmark 环境。它提供一个功能性 Android 环境，覆盖 20 个真实 Android apps、116 个程序化任务，并为每个任务提供初始化、成功检查和清理逻辑。
+
+类比：[[osworld]] 像让 agent 操作桌面电脑；AndroidWorld 像给 agent 一台 Android 手机，让它打开 App、点按钮、填表、改设置，然后用系统状态检查任务是否真的完成。
+
+本卡只基于 arXiv v5 和论文静态阅读整理，没有运行 Android emulator，也没有执行 AndroidWorld task。所有结果保持 `UNVERIFIED`。
+
+## 问题是什么
+
+移动端 GUI agent 不能只靠截图问答评估。真实手机任务有 App 状态、权限弹窗、软键盘、滚动列表、系统设置、通知和跨 App 信息。静态截图很难覆盖这些交互。
+
+AndroidWorld 的问题是：能不能构造一个真实、可复现、动态生成任务的 Android 环境，让 agent 的移动端操作能力可以被程序化评估？
+
+这补上了前几轮的空白：我们已经有 [[webarena]] 的网页环境、[[visualwebarena]] 的视觉网页、[[terminal-bench]] 的命令行和 [[osworld]] 的桌面；AndroidWorld 把同一套思路带到移动端。
+
+## 为什么重要
+
+- 移动端是最常见的人机界面之一，不能只测浏览器和桌面。
+- 它使用真实 Android apps，而不是纯玩具 UI。
+- 动态任务参数化能减少背题和固定脚本。
+- 每个任务有初始化、成功检查和清理，利于复现。
+- 它为移动端 GUI agent 提供了标准化环境。
+
+## 核心方法
+
+| 组件 | 作用 | 工程直觉 |
+|---|---|---|
+| fully functional Android environment | 提供真实交互环境 | agent 真的操作手机 |
+| 20 real-world apps | 覆盖多种 App 形态 | 不只测一个 toy app |
+| 116 programmatic tasks | 用程序定义任务和奖励 | 自动验收 |
+| dynamic construction | 参数化生成自然语言任务 | 降低记忆固定测试集 |
+| init / success / teardown | 控制前后状态 | 保证可复现 |
+
+我最看重 init / success / teardown。移动端状态很容易污染：登录状态、列表内容、输入框残留、权限弹窗都会影响下一次测试。没有状态管理，benchmark 很快就不可复现。
+
+## 论文地形
+
+1. 引言说明 realistic and reproducible benchmark 对 computer-use agent 的重要性。
+2. Environment 章节介绍 AndroidWorld 的 App、任务和交互方式。
+3. Task logic 说明初始化、成功检查和清理逻辑。
+4. Baseline 章节评估若干 agent，并展示初始结果。
+5. 讨论部分分析动态任务、复现性和移动端困难。
+
+读这篇时，要把它当作移动端 eval 工程论文：任务怎么生成、状态怎么复原、成功怎么判，比单个 agent 分数更重要。
+
+## 手工 toy 复现
+
+我用一个极小 AndroidWorld-like 任务手推：
+
+任务：在联系人 App 里给 Alice 添加生日备注，并在日历 App 里创建提醒。
+
+| 阶段 | 环境要做什么 | agent 要做什么 |
+|---|---|---|
+| init | 创建 Alice 联系人，清空相关日历事件 | 确保起点一致 |
+| instruction | “给 Alice 加生日并创建提醒” | 理解跨 App 任务 |
+| action | 打开联系人、编辑备注、打开日历、建事件 | GUI 操作 |
+| success check | 查询联系人备注和日历数据库 | 程序化验收 |
+| teardown | 清理联系人和事件 | 避免污染下一题 |
+
+这说明移动 agent benchmark 不是“看一张图点哪里”就够了。真正难的是状态管理和终态检查。
+
+## 评测读法
+
+AndroidWorld 的结果要按三类失败读：
+
+1. **感知失败**：看不懂按钮、列表、输入框或弹窗。
+2. **动作失败**：点错、输入错、没处理软键盘。
+3. **状态失败**：看似完成，但系统状态没有改变到目标。
+
+这三类分别对应模型视觉能力、action grounding、环境反馈和验证机制。只看总成功率会丢掉这些调试信息。
+
+## 踩过的坑
+
+1. **不要把移动端当小屏网页**：App 有系统控件、权限、通知和键盘。
+2. **不要忽略状态污染**：一次失败可能影响后续任务。
+3. **不要只看截图**：最终状态需要程序化检查。
+4. **不要低估动态任务**：参数变化能暴露 hard-coded agent。
+5. **不要把 emulator 成功等同真机成功**：真实设备还有性能、输入和网络差异。
+
+## 与当前工作的连接
+
+今天就能用：做移动端自动化时，要把任务拆成 init / action / success / teardown。没有 teardown，很难稳定回归。
+
+下个月可以用：如果要设计 iOS / Android agent eval，可以借鉴 AndroidWorld 的任务结构，但用本地安全假数据和可控 App。
+
+不要照搬：真实手机任务涉及隐私、账号和系统权限。公开 benchmark 的可控环境不能直接等同真实用户设备。
+
+## 学到什么
+
+- 移动 GUI agent 的核心难点是动态状态和真实 App。
+- 好的移动 benchmark 要有初始化和清理逻辑。
+- AndroidWorld 与 [[osworld]] 共同构成 computer-use agent 的桌面 / 移动双线。
+- 它把前几轮 web / terminal / app eval 扩展到移动端。
+
+## 延伸阅读
+
+- 原文：<https://arxiv.org/abs/2405.14573>
+- 本卡使用版本：<https://arxiv.org/abs/2405.14573v5>
+- [[osworld]]：桌面 GUI computer-use benchmark。
+- [[visualwebarena]]：视觉网页任务。
+- [[terminal-bench]]：终端 agent 环境。
+- [[browsergym]]：浏览器 agent 统一环境。
+
+## 关联
+
+- [[osworld]]
+- [[visualwebarena]]
+- [[terminal-bench]]
+- [[browsergym]]
+- [[webarena]]
+
+## 反向链接
+
+<!-- 由 scripts/regen-backlinks.mjs 自动生成 -->
diff --git a/src/content/docs/papers/assistantbench.md b/src/content/docs/papers/assistantbench.md
new file mode 100644
index 000000000..a6a1ef7fa
--- /dev/null
+++ b/src/content/docs/papers/assistantbench.md
@@ -0,0 +1,135 @@
+---
+title: 'AssistantBench — 真实耗时 Web 任务里的助手评测'
+description: '用 AssistantBench 理解为什么 web agent 不能只测短路径点击，还要测耗时、开放、可自动验收的现实任务。'
+来源: 'Yoran et al., arXiv:2407.15711'
+日期: 2026-07-15
+分类: AI Agent / Assistant Benchmark
+难度: 中级
+difficulty: intermediate
+trust:
+  version: study-v2
+  source_kind: paper
+  note_type: paper
+  canonical_source: https://arxiv.org/abs/2407.15711v2
+  source_authority: AUTHOR_PRIMARY
+  accessed_at: '2026-07-15'
+  publication_id: arXiv:2407.15711
+  source_version: arXiv:2407.15711v2
+  evidence_type: STATIC_ANALYSIS
+  verification_status: UNVERIFIED
+  reviewed_at: '2026-07-15'
+  review_after: null
+  applicable_version: arXiv v2
+---
+
+## 是什么
+
+AssistantBench: Can Web Agents Solve Realistic and Time-Consuming Tasks? 是一个面向 web agents / language agents 的真实任务 benchmark。它包含 214 个可自动评估的现实任务，例如监控房地产市场、寻找附近符合条件的地点等。
+
+类比：[[webarena]] 像在可控网站里完成任务；AssistantBench 更像用户真的把一个耗时查找任务交给助手：“帮我持续查、比较、过滤，最后给我可核验答案”。它更强调开放网页、耗时和事实核验。
+
+本卡只基于 arXiv v2 和论文静态阅读整理，没有运行 SeePlanAct，也没有执行 AssistantBench 任务。论文中“无模型超过 26 分”等结果保持 `UNVERIFIED`。
+
+## 问题是什么
+
+很多 web agent benchmark 任务很短：点几步、填表、提交。真实助手任务常常更烦：要搜多个网页、比较候选、处理过期信息、排除不满足条件的选项，并给出可验证结果。
+
+AssistantBench 的问题是：当前 language agents 能不能解决真实、耗时、开放网页上的任务？
+
+这补上了上一轮不足：上一轮有 [[webarena]] 和 [[mind2web]]，但它们更偏环境和轨迹；AssistantBench 更偏“用户真的会把这类任务交给助手”的现实需求。
+
+## 为什么重要
+
+- 它把 web agent 评测从短交互推进到耗时真实任务。
+- 它覆盖 214 个可自动评估的任务，避免完全人工评分。
+- 它揭示闭卷模型、RAG、web agent 各自的弱点。
+- 它强调 precision：不要为了回答而幻觉事实。
+- 它提出 SeePlanAct，尝试让 agent 先看、再规划、再行动。
+
+## 核心方法
+
+| 组件 | 作用 | 我怎么理解 |
+|---|---|---|
+| realistic tasks | 来源接近日常真实需求 | 不只是模拟网页点击 |
+| time-consuming | 需要多步搜索和比较 | 测耐心和过程管理 |
+| automatic evaluation | 可程序化判断答案 | 减少主观打分 |
+| SeePlanAct | see / plan / act 结构 | 给 web agent 一个更明确的执行节奏 |
+
+AssistantBench 的价值在于“任务形态”。它告诉我们：很多助手任务难不是因为某一步深奥，而是因为搜索空间大、信息会变、条件很多、验收要精确。
+
+## 论文地形
+
+1. 引言说明真实 web 助手任务和现有 benchmark 的差距。
+2. Benchmark 章节介绍 214 个任务、领域和自动评估方式。
+3. Baseline 章节比较闭卷 LM、RAG 和 web agents。
+4. SeePlanAct 章节提出更结构化的 agent 方法。
+5. 分析章节讨论幻觉、低 precision、网页执行失败等问题。
+
+读这篇时，要特别看它怎么平衡“真实任务”和“自动评估”。完全真实的任务往往难自动验收；完全可验收的任务又容易变成玩具。
+
+## 手工 toy 复现
+
+我用一个 AssistantBench-like 任务模拟：
+
+任务：找出某城市未来两周内三个“周末开放、评分 4.5 以上、适合带小孩”的室内活动，并给出官网链接。
+
+| 子步骤 | 难点 |
+|---|---|
+| 搜索活动网站 | 网页来源分散 |
+| 判断日期 | 需要解析时间和周末 |
+| 过滤评分 | 信息可能在第三方网站 |
+| 判断适合小孩 | 需要综合描述 |
+| 去重和排序 | 同一活动可能多个页面 |
+| 给出官网链接 | 不能只给聚合页 |
+
+这题每一步都不难，但完整做下来很耗时。AI 容易为了快速回答而编活动、忽略日期、或者给错链接。
+
+## 评测读法
+
+论文摘要里提到闭卷 LMs accuracy 不错但 precision 低，state-of-the-art web agents 接近零分。我读这类结果时会重点看 precision：助手不能为了覆盖率乱答。
+
+在真实产品里，“没找到”通常比“编一个看似合理的答案”更安全。AssistantBench 的价值就是让这种差别进入评测。
+
+## 踩过的坑
+
+1. **不要只看 accuracy**：web 助手乱答会伤害用户信任。
+2. **不要低估时间成本**：真实任务的难点常是持续查找和筛选。
+3. **不要把 RAG 当 web agent**：RAG 能答知识，不一定能完成开放网页任务。
+4. **不要忽略可验收性**：没有自动检查，很难规模化比较 agent。
+5. **不要把 open web 当稳定数据库**：网页会变、信息会过期。
+
+## 与当前工作的连接
+
+今天就能用：设计助手任务时，把“答案必须可核验”和“允许回答不知道”写进评分标准。
+
+下个月可以用：如果要做研究助手或网页助手 eval，可以用 AssistantBench 思路选题：用户真实会外包、耗时、可自动或半自动验证。
+
+不要照搬：开放网页任务会遇到地区、语言、时间和访问限制。内部使用时要固定访问时间和来源策略。
+
+## 学到什么
+
+- 真正的 web 助手任务往往耗时而不是高深。
+- Precision 比“看起来回答了”更重要。
+- AssistantBench 和 [[gaia]] 都强调现实助手能力，但 AssistantBench 更聚焦 open web。
+- 它补齐了 [[webarena]] 的短交互环境之外的长任务视角。
+
+## 延伸阅读
+
+- 原文：<https://arxiv.org/abs/2407.15711>
+- 本卡使用版本：<https://arxiv.org/abs/2407.15711v2>
+- [[gaia]]：通用助手能力 benchmark。
+- [[webarena]]：可复现网页环境。
+- [[mind2web]]：跨网站泛化数据集。
+- [[browsergym]]：统一浏览器 agent 评测生态。
+
+## 关联
+
+- [[gaia]]
+- [[webarena]]
+- [[mind2web]]
+- [[browsergym]]
+- [[react-agent]]
+
+## 反向链接
+
+<!-- 由 scripts/regen-backlinks.mjs 自动生成 -->
diff --git a/src/content/docs/papers/browsergym.md b/src/content/docs/papers/browsergym.md
new file mode 100644
index 000000000..9ac68cb84
--- /dev/null
+++ b/src/content/docs/papers/browsergym.md
@@ -0,0 +1,142 @@
+---
+title: 'BrowserGym — Web Agent 研究的统一浏览器环境'
+description: '用 BrowserGym 理解为什么 web agent 需要统一 observation / action / evaluation 接口，而不是每个 benchmark 各跑一套。'
+来源: 'Le Sellier De Chezelles et al., arXiv:2412.05467'
+日期: 2026-07-15
+分类: AI Agent / Browser Environment
+难度: 中级
+difficulty: intermediate
+trust:
+  version: study-v2
+  source_kind: paper
+  note_type: paper
+  canonical_source: https://arxiv.org/abs/2412.05467v4
+  source_authority: AUTHOR_PRIMARY
+  accessed_at: '2026-07-15'
+  publication_id: arXiv:2412.05467
+  source_version: arXiv:2412.05467v4
+  evidence_type: STATIC_ANALYSIS
+  verification_status: UNVERIFIED
+  reviewed_at: '2026-07-15'
+  review_after: null
+  applicable_version: arXiv v4
+---
+
+## 是什么
+
+The BrowserGym Ecosystem for Web Agent Research 是一个面向 web agent 的统一评测生态。它把不同 web benchmark 包进 gym-like 环境，提供更一致的 observation、action space、evaluation 和 agent 分析工具。
+
+类比：如果 [[webarena]]、[[mind2web]]、[[assistantbench]] 是不同城市里的驾驶考试，BrowserGym 像统一驾校训练场和仪表盘：你可以用同一种接口接入不同路况，比较不同驾驶策略。
+
+本卡只基于 arXiv v4 和论文静态阅读整理，没有安装 BrowserGym / AgentLab，也没有跑任何 web benchmark。所有结论保持 `UNVERIFIED`。
+
+## 问题是什么
+
+Web agent 研究很容易碎片化：每个 benchmark 有自己的环境、动作格式、页面观察、评分脚本和日志格式。这样会导致两个问题：结果难比较，agent 组件难复用。
+
+BrowserGym 的问题是：能不能提供一个统一、可扩展、gym-like 的生态，让 web agent 的设计、测试、分析更可复现？
+
+这正好总结上一轮不足：上一轮我们补了多个 web/app/tool 环境，但它们仍像一组分散岛屿。BrowserGym 是把这些岛屿接成研究平台的工作。
+
+## 为什么重要
+
+- 它减少 web agent benchmark 的接口碎片化。
+- 它让 observation / action / reward / termination 更标准。
+- 它方便跨 benchmark 比较 agent。
+- 它配合 AgentLab，支持 agent 创建、测试和分析。
+- 它让新 benchmark 更容易被接入已有生态。
+
+## 核心方法
+
+| 组件 | 作用 | 工程直觉 |
+|---|---|---|
+| BrowserGym | gym-like 浏览器环境 | 像 RL 环境一样 step / observe |
+| unified observation space | 统一页面观察格式 | 降低 benchmark 适配成本 |
+| unified action space | 统一浏览器动作 | 方便 agent 复用 |
+| benchmark integration | 接入多个已有 benchmark | 做横向比较 |
+| AgentLab | 创建、测试、分析 agent | 配套实验工作台 |
+
+BrowserGym 的贡献不在某个任务特别难，而在“实验工程”。web agent 要成为可积累研究方向，统一环境和日志非常关键。
+
+## 论文地形
+
+1. 引言说明 web agent 评测生态碎片化。
+2. BrowserGym 章节介绍统一环境抽象和接口。
+3. Ecosystem 章节说明集成 benchmark 和 AgentLab。
+4. 实验 / case study 展示如何比较 agent。
+5. 讨论部分强调可复现性、扩展性和未来 benchmark 接入。
+
+读这篇时，重点不是“某模型多少分”，而是它如何降低实验摩擦：同一 agent 能不能换 benchmark 跑，同一 benchmark 能不能换 agent 比。
+
+## 手工 toy 复现
+
+我用一个伪接口理解 BrowserGym：
+
+```text
+obs = env.reset(task="find product under $50")
+action = agent.act(obs)
+obs, reward, done, info = env.step(action)
+```
+
+| 字段 | 如果不统一会怎样 |
+|---|---|
+| observation | 有的给 DOM，有的给 screenshot，有的给 accessibility tree |
+| action | 有的点坐标，有的点元素 ID，有的写 JS |
+| reward | 有的看文本，有的看数据库，有的人工评 |
+| info / logs | 失败后很难对齐分析 |
+
+BrowserGym 的作用就是把这些差异收敛成可比较接口，让研究者少写 glue code，多比较 agent 设计。
+
+## 评测读法
+
+BrowserGym 类论文要看三个层次：
+
+1. 接口是否真的能覆盖不同 benchmark。
+2. 日志和分析是否足够解释失败。
+3. 新 benchmark 接入成本是否低。
+
+如果一个统一环境只包住最简单动作，就会牺牲 benchmark 表达力；如果接口太自由，又会回到碎片化。BrowserGym 要平衡这两边。
+
+## 踩过的坑
+
+1. **统一接口不等于统一任务难度**：跨 benchmark 分数仍要谨慎比较。
+2. **observation 选择会影响能力边界**：DOM、截图、a11y tree 各有偏差。
+3. **动作空间不能过度简化**：真实网页动作有等待、滚动、输入和弹窗。
+4. **日志比总分更重要**：agent 失败需要可复盘轨迹。
+5. **生态维护是长期成本**：benchmark 一多，版本和依赖会变复杂。
+
+## 与当前工作的连接
+
+今天就能用：做任何 agent eval 时，先统一日志格式和 action/observation 结构，否则后续横向比较会很痛。
+
+下个月可以用：如果 study 继续扩展 web agent 线，可以把 BrowserGym 作为“评测工具链”节点，连接 [[webarena]]、[[mind2web]]、[[assistantbench]]。
+
+不要照搬：统一环境会抽象掉一些平台特性。真实产品接入仍要考虑账号、网络、权限、等待策略和安全动作。
+
+## 学到什么
+
+- Web agent 研究需要 benchmark，也需要实验基础设施。
+- 统一接口能让 agent 设计真正可比较。
+- BrowserGym 是 web agent 生态里的工具层，不只是又一个任务集。
+- 它和 [[terminal-bench]] 的共同点是：都把“执行环境”变成一等公民。
+
+## 延伸阅读
+
+- 原文：<https://arxiv.org/abs/2412.05467>
+- 本卡使用版本：<https://arxiv.org/abs/2412.05467v4>
+- [[webarena]]：可复现网页环境。
+- [[assistantbench]]：真实耗时 web 任务。
+- [[mind2web]]：跨网站 action sequence 数据集。
+- [[visualwebarena]]：视觉网页任务。
+
+## 关联
+
+- [[webarena]]
+- [[assistantbench]]
+- [[mind2web]]
+- [[visualwebarena]]
+- [[terminal-bench]]
+
+## 反向链接
+
+<!-- 由 scripts/regen-backlinks.mjs 自动生成 -->
diff --git a/src/content/docs/papers/gaia.md b/src/content/docs/papers/gaia.md
new file mode 100644
index 000000000..eee33d7c2
--- /dev/null
+++ b/src/content/docs/papers/gaia.md
@@ -0,0 +1,135 @@
+---
+title: 'GAIA — 通用 AI 助手的现实任务基准'
+description: '用 GAIA 理解为什么真正的助手能力不等于专业考试高分，而是能组合推理、多模态、浏览和工具。'
+来源: 'Mialon et al., arXiv:2311.12983'
+日期: 2026-07-15
+分类: AI Agent / General Assistant Benchmark
+难度: 中级
+difficulty: intermediate
+trust:
+  version: study-v2
+  source_kind: paper
+  note_type: paper
+  canonical_source: https://arxiv.org/abs/2311.12983v1
+  source_authority: AUTHOR_PRIMARY
+  accessed_at: '2026-07-15'
+  publication_id: arXiv:2311.12983
+  source_version: arXiv:2311.12983v1
+  evidence_type: STATIC_ANALYSIS
+  verification_status: UNVERIFIED
+  reviewed_at: '2026-07-15'
+  review_after: null
+  applicable_version: arXiv v1
+---
+
+## 是什么
+
+GAIA: a benchmark for General AI Assistants 是一个评估通用 AI 助手的 benchmark。它的任务不是考模型会不会解专业题，而是问：面对现实世界里概念上不难、但需要组合推理、多模态、网页浏览和工具使用的问题，AI 助手能不能稳稳做完。
+
+类比：很多考试 benchmark 像奥数竞赛；GAIA 更像生活里的“帮我查清楚这件事并给出可验证答案”。人类觉得不难，但需要会找资料、会看图、会算、会核对、会使用工具。
+
+本卡只基于 arXiv v1 和论文静态阅读整理，没有下载 GAIA 数据集，也没有运行任何 agent。论文中的人类 92% vs GPT-4 with plugins 15% 等结果保持 `UNVERIFIED`。
+
+## 问题是什么
+
+LLM 在法律、化学、数学等专业考试上已经能超过很多人类，但这不代表它是好助手。真实助手任务往往不是“知道某个专业知识点”，而是把多个简单能力串起来：查网页、读表格、看图片、做简单计算、判断答案是否唯一。
+
+GAIA 的问题是：如果把任务设计成“人类容易、AI 难”，我们能不能更准确地衡量通用助手离真实可用还有多远？
+
+这正好总结上一轮的不足：上一轮补了 [[webarena]]、[[mind2web]]、[[appworld]]、[[toolsandbox]]，但它们分别测网页、数据集、多 App、工具调用。GAIA 更像把这些能力放到一个助手任务里综合考。
+
+## 为什么重要
+
+- 它反对只追“人类也很难”的专业考试 benchmark。
+- 它强调现实任务的组合性：浏览、多模态、推理、工具一起出现。
+- 它把“简单但烦”的任务作为 AGI / assistant 的重要门槛。
+- 它能解释为什么模型专业题很强，做真实助理仍然不稳。
+- 它给后续 [[assistantbench]] 这类耗时任务 benchmark 提供了思想背景。
+
+## 核心方法
+
+| 设计 | 作用 | 我怎么理解 |
+|---|---|---|
+| real-world questions | 贴近日常或知识工作问题 | 避免纯学术题 |
+| simple for humans | 人类不需要博士训练 | 测 robust assistant，而非专家记忆 |
+| multi-ability requirement | 推理、多模态、网页、工具组合 | 测能力编排 |
+| exact answer | 答案可核验 | 避免开放式主观评分 |
+
+GAIA 的关键哲学是“不要把 benchmark 做得只剩模型擅长的考试”。真正有用的助手要能把普通人会做但耗时间的任务稳定做完。
+
+## 论文地形
+
+1. 引言解释为什么专业考试高分不能代表通用助手能力。
+2. Benchmark 设计说明任务的能力组合和答案验证方式。
+3. Human / model comparison 展示人类和 GPT-4 with plugins 的差距。
+4. 分析部分讨论不同能力维度对任务成功的影响。
+5. 结论把 GAIA 作为通用助手研究的里程碑式评估。
+
+读这篇时，我会特别看它的任务选择哲学：不是追更难的专业题，而是追“真实、可验证、组合能力”的任务。
+
+## 手工 toy 复现
+
+我用一个极小 GAIA-like 任务手推：
+
+任务：找出某张会议照片里左侧海报对应论文的第一作者，并给出该作者所在机构。
+
+| 子能力 | 人类怎么做 | AI 助手要做什么 |
+|---|---|---|
+| 看图 | 读海报标题 | 多模态 OCR / 图像理解 |
+| 搜索 | 搜论文标题 | web browsing |
+| 核对 | 匹配会议和年份 | 避免搜错同名论文 |
+| 抽取 | 找第一作者 | 文档理解 |
+| 再搜索 | 查作者机构 | 多跳检索 |
+| 输出 | 给出简洁答案和来源 | 可验证回答 |
+
+这题对人类不难，但 AI 容易在任一环节错：看错字、搜错论文、把现在机构当发表机构、或不提供可核验来源。
+
+## 评测读法
+
+GAIA 论文摘要里的人类 92% vs GPT-4 with plugins 15% 很有冲击力。我不会把它理解成“GPT-4 很弱”，而是理解成：真实助手任务要求的是稳定编排，而不是单点能力。
+
+一个模型可以会推理、会看图、会搜索，但只要不能把这些能力可靠串起来，GAIA 就会给低分。这对 agent 产品很重要，因为用户关心的是最后答案对不对，而不是中间某一步看起来聪明。
+
+## 踩过的坑
+
+1. **不要把专业考试高分等同助手能力**：助手任务更看组合和核验。
+2. **不要只看最终答案**：没有来源或中间证据的答案很难信。
+3. **不要低估简单任务的长链错误**：每一步 90% 准确，串 6 步就会明显掉。
+4. **不要忽略多模态输入**：真实任务常把文字、图像、网页混在一起。
+5. **不要把 GAIA 当唯一 AGI 标尺**：它是重要切片，不是完整人类能力。
+
+## 与当前工作的连接
+
+今天就能用：评估一个 AI 助手时，设计 5 个“人类 5 分钟能查到但需要多步核验”的任务，比只问知识题更有价值。
+
+下个月可以用：给 study 或内部 agent 建 eval 时，可以按 GAIA 思路拆能力：浏览、文件、多模态、计算、引用核验，每题至少跨两项。
+
+不要照搬：GAIA 题目可能依赖公开网页状态。企业场景还要处理私有知识库、权限和引用可见性。
+
+## 学到什么
+
+- 通用助手能力的核心是能力编排。
+- “人类容易、AI 难”是很好的 benchmark 设计方向。
+- GAIA 把 [[webarena]]、[[toolsandbox]]、[[visualwebarena]] 等单项能力放到更高层视角里。
+- 对 study 图谱来说，它是 assistant eval 的总入口之一。
+
+## 延伸阅读
+
+- 原文：<https://arxiv.org/abs/2311.12983>
+- 本卡使用版本：<https://arxiv.org/abs/2311.12983v1>
+- [[assistantbench]]：更强调耗时、真实 web task。
+- [[webarena]]：可复现网页环境。
+- [[toolsandbox]]：状态化工具调用评测。
+- [[visualwebarena]]：视觉网页任务评测。
+
+## 关联
+
+- [[assistantbench]]
+- [[webarena]]
+- [[toolsandbox]]
+- [[visualwebarena]]
+- [[react-agent]]
+
+## 反向链接
+
+<!-- 由 scripts/regen-backlinks.mjs 自动生成 -->
diff --git a/src/content/docs/queue.md b/src/content/docs/queue.md
index 48b30e0af..8032a53e5 100644
--- a/src/content/docs/queue.md
+++ b/src/content/docs/queue.md
@@ -6,7 +6,7 @@ sidebar:
 ---
 
 > 不是"读哪 20 个"的清单，是"先读哪 5 个就能撑起一个领域"的导航。
-> 当前站点 961 篇项目笔记 + 1071 篇论文笔记，凑数没有意义，**取舍**才有。
+> 当前站点 961 篇项目笔记 + 1075 篇论文笔记，凑数没有意义，**取舍**才有。
 > 每个主题给 3-5 个 pillar：反向链接最多、跨主题被引最广、读完能形成判断。
 
 ## 怎么用这页
@@ -189,7 +189,7 @@ PL 理论在论文侧根扎得最深：[[hindley-milner]] / [[lambda-calculus]]
 ## 全景 atlas
 
 - 项目全景（961 篇按主题分组、反向链接热度、消化状态）：[projects-atlas](/study/projects-atlas/)
-- 论文全景（1071 篇按子领域、pillar 标记、未消化队列）：[papers-atlas](/study/papers-atlas/)
+- 论文全景（1075 篇按子领域、pillar 标记、未消化队列）：[papers-atlas](/study/papers-atlas/)
 - 论文推荐入口（与本页平行的论文版导航）：[papers-queue](/study/papers-queue/)
 - 方法论与挑选标准：[about](/study/about/) / [method](/study/method/) / [papers-method](/study/papers-method/)