本期判断

头条

1. 生成和修订要大模型、批评器反而不必大：自我改进流水线的非对称算力分配 原文

认知提取

论文摘要

• 论文研究经典的「生成—批评—修订」三阶段自我精炼流程，独立改变某一阶段的模型规模，同时固定另外两个阶段，避免把阶段贡献混在一起。原文方法与实验协议
• 实验覆盖五类任务：行程规划、摘要、逻辑推理、代码优化和故事补写；模型族包括 Qwen3 与 Gemma 3。评测重点不是单一模型榜单，而是各阶段对规模变化的敏感度。
• 论文的可复现实验图表在当前 arXiv HTML 中未提供独立 PNG 资源；下图为原始 PDF 首页截图，保留问题定义与三阶段流程的原始证据。PDF 原文

核心方法

• 对每一个 pipeline stage 做独立 sweep：例如固定批评器和修订器，依次替换不同规模的生成器；再以同样方式研究批评器和修订器。论文用性能范围 Δ 和标准差 σ 量化阶段敏感度。实验设置
• 额外设置 matched no-critique baseline，让修订器直接读取初始输出，不接收显式批评，以判断「批评」带来的收益是否只是多了一次推理计算。
• 论文将批评质量与修订能力分开分析：人工抽样比较小批评器和大批评器的误导率，再检查弱修订器是否能正确使用批评信息。

实验成果

• 五个 benchmark、两个模型族的总体趋势一致：生成器和修订器扩大时，端到端性能明显上升；批评器规模变化的曲线更平坦。原文实验结论
• 在 Qwen3 配置下，生成器在 PIE 任务上的性能标准差达到十点四三个百分点；修订器在 PIE 上达到二十点六零个百分点，而批评器仅为一点六三个百分点，说明修订器是更敏感的瓶颈。
• 用最小的 Qwen3-零点六 B 批评器替代无批评流程，在 Meeting Planning 的生成器和修订器 sweep 中平均带来九点六七和十点三四个百分点的提升；这不是单纯增加一次推理步数的效果。
• 三十个修订器配置中有十二个低于对应的初始生成结果。五十个退化样本中，四十一个样本即使收到不具误导性的批评，也被弱修订器不必要地改动了正确部分。

总结与反思

• 结果总结：自我精炼的容量分配应当非对称；优先保证生成器和修订器，批评器可以从轻量模型开始。
• 局限性：研究只覆盖单轮精炼、两个开源模型族和五类任务，不能直接外推到多轮工具调用、检索或具备长期记忆的 Agent。
• 前沿见解：下一步更像一个路由问题：根据任务难度和当前错误类型，动态决定是增加生成预算、批评预算还是修订预算，而不是统一放大整条链路。

2. 从内部化到调用：AUSO 用动作级信号统一 Agent 技能学习和技能使用 原文

认知提取

论文摘要

• 现有混合技能方法常用轨迹级成功率把任务分成难、中、易，再决定内部化还是利用；两个非常接近的成功率可能因为落在阈值两侧而接受不同训练目标。问题动机
• AUSO 在 ALFWorld、WebShop 和 SearchQA 上验证，目标是提升长时程任务表现和分布外泛化，而不是只提升单步动作准确率。

核心方法

• 统一以 GRPO 作为强化学习骨架，不再把技能内部化和技能利用当作两个互斥训练阶段。
• 使用 Jensen–Shannon divergence 衡量有技能提示和无技能提示时的动作分布差异，把「技能改变了这个动作多少」作为信息增益信号。
• 训练流程包含三步：先用教师—学生机制把通用技能写入策略；再用 GRPO 探索和优化技能；最后按每一步动作的技能收益决定是否调用特定技能。
• 内部化阶段的教师读取技能库，学生只读取原始观察；这样可以训练学生脱离显式技能提示执行，而不是把技能库永久塞进推理上下文。

实验成果

• 论文报告 AUSO 在 ALFWorld、WebShop 和 SearchQA 上相对竞争基线持续提升，并同时考察长时程任务和分布外泛化；具体表格需结合论文版本与代码配置复核。原文实验章节
• 论文的主要证据不是「所有动作都应该用技能」，而是技能对不同动作的影响不均匀；这也是动作级 JSD 相对轨迹级路由的直接实验假设。
• 图一显示阈值附近的成功率样本差异可能只有八分之一，说明仅依赖滑动窗口成功率会把噪声误当成技能生命周期边界。

总结与反思

• 结果总结：AUSO 把技能看成从外部监督到内部知识、再到选择性调用的连续过程。
• 局限性：技能质量、轨迹奖励和环境反馈仍然决定 JSD 信号是否可靠；论文没有消除长时程环境本身的稀疏奖励问题。
• 前沿见解：技能库的下一步不是越大越好，而是要能提供动作级的可归因收益，让系统知道「哪一步为什么需要它」。

3. 记忆把推理从 Decode 搬到 Prefill：短 CoT 的速度与准确率可以同时保住 原文

认知提取

论文摘要

• 论文提出 Context-Generation Substitution Law：显式上下文可以替代部分 decode-time generation，前提是增加的 prefill 成本小于节省的自回归解码成本。理论与定义
• 方法是 training-free 的，评测 GSM8K、MATH、BBH、MMLU-Sci 和 AIME 2024，并报告准确率、prefill tokens、decode tokens、总 token 和延迟。

核心方法

• 离线从历史解题样本构造记忆库，每条记忆保留问题类型、关键约束、子目标、解题策略和关键操作，而不是直接复制完整问答。
• 在线按推理标签和语义相似度检索 top-k 记忆，将其与系统提示和问题拼接为 prefill context，再生成短推理链。
• 论文将信息分成三层：参数中的 implicit memory、输入上下文中的 explicit memory，以及逐 token 生成的 working memory；MAC 的目标是减少 working memory 的长度。
• Retrieval cost 需要单独计入部署预算：Reasoning Tag 的在线标签生成约为六百八十三毫秒/查询，BM25 约为一毫秒，是不同速度—准确率折中点。消融设置

实验成果

• 在 CoD 基线之上，加入 Memory 后，GSM8K、MATH、BBH 和 MMLU-Sci 的准确率分别提升二十一点四、二十八点零、二十九点五和六点六一个百分点。
• 相比标准 CoT，MAC 在不同领域达到一点一四至一点四九倍的延迟加速；把检索开销加回后，端到端仍快于 CoT。原文主结果
• Memory 也能作为插件叠加到 TokenSkip、RPC 和 Extra-CoT 上，说明收益不完全依赖某一个压缩算法。
• 表征消融中，Summary Memory 比固定 few-shot 或完整 CoT 轨迹更合适，后者甚至可能降低性能；摘要式记忆带来六点六七个百分点增益。

总结与反思

• 结果总结：推理压缩的关键不是删除所有中间过程，而是把重复且可迁移的部分转成 prefill 侧的结构化记忆。
• 局限性：论文将检索延迟排除在部分主图的 latency 定义之外；真实服务还要重新核算记忆构建、召回和缓存成本。
• 前沿见解：如果记忆条目可以按任务结构复用，推理系统就会出现类似「编译缓存」的层次：一次构造，多次降低 decode 成本。

认知模型

• 本板块论文：二号、三号已在头条呈现，分别关注动作级技能优化与推理记忆增强。

头条（续）

4. ReFrame：用风险卡和效用卡，在黑盒 MLLM 生成前改写安全代理请求 原文

认知提取

论文摘要

• 论文把测试时多模态安全的两个障碍命名为 Utility Dominance 和 Reasoning Inertia：表面任务压制潜在风险，越狱包装则利用逐 token 生成形成惯性。动机
• 评测三个黑盒下游 MLLM：GPT-4.1、Gemini-3-Flash 和 Qwen3.5-Flash；本地证据生成器默认使用 Qwen3VL-8B-Instruct。

核心方法

• Evidence-generation agent 分别提取风险证据和可保留的正常任务目标；风险卡记录危险意图、敏感视觉证据和拒答边界，效用卡记录正常目标和上下文。
• Rewrite-and-routing agent 把两张卡编译成 safe proxy prompt，并决定保留原图还是只保留受控的视觉证据。保留原图有利于正常任务的细粒度 grounding，屏蔽原图则减少敏感内容重新激活越狱路径的机会。
• 该方案不需要访问下游模型参数或内部状态，因此可用于闭源模型；代价是增加一次或多次前置推理调用。

实验成果

• 在 GPT-4.1、Gemini-3-Flash、Qwen3.5-Flash 上，ReFrame 的安全/效用综合结果分别为九八点三一/九四点零九、九八点三六/九五点三六和九八点一零/九五点九一。
• 在 GPT-4.1 的正常任务评测中，平均准确率从三七点二八提升到四五点九五；论文将其解释为任务澄清与干扰过滤，不应直接理解为下游模型获得了普遍的新能力。主结果
• 运行时开销高于单次 prompt baseline，但低于更重的多阶段防御；因此安全收益和延迟必须一起评估。

总结与反思

• 结果总结：黑盒安全对齐可以被设计成一个输入编译器，关键在于同时保留「拒绝什么」和「仍然要完成什么」。
• 局限性：风险卡质量依赖前置 MLLM 和 judge；测试时代理层也可能成为新的攻击面。
• 前沿见解：安全系统的评价应从最终拒答率扩展到「风险是否被正确恢复、正常意图是否被保留、图像证据是否被正确路由」三个可检查中间量。

多模态

• 本板块论文：四号已在头条（续）呈现，关注黑盒多模态安全对齐。

具身智能

5. ViTacPhys：让机器人在抓取前后都估计质量、硬度和摩擦 原文

认知提取

论文摘要

• 数据集包含六十个物体、七类日常物品、约一千八百条人类抓取示范，标签包括质量、硬度和硅胶接触摩擦系数。数据与协议
• 系统融合腕部 RGB、指尖压力图、视觉和触觉流，以及五帧接触前 RGB 经过 VLM 生成的语义先验。

核心方法

• 视觉和触觉各自使用内容流与运动流，先用时序编码器提取交互过程，再进行双向 cross-attention，让视觉查询触觉、触觉也查询视觉。
• 融合后的视觉—触觉表示再查询 VLM 语义 token，并通过可学习门控限制文本先验对传感器证据的影响。
• 质量和摩擦系数采用有序分类，硬度采用连续回归；部署时先在接触前生成语义先验，触觉接触后滚动更新物理属性 token，条件化下游灵巧手策略。

实验成果

• 已见物体设置下，质量准确率九七点二％、摩擦系数准确率九八点八％、硬度 MAPE 五点五一％。
• 留出物体设置下，质量准确率八七点五％、摩擦系数准确率九七点五％、硬度 MAPE 九点零八％；一-shot 设置进一步下降到四九点二％、五六点九％和一六点八四％，说明物体多样性仍是关键。
• 在下游抓取可行性实验中，物理属性条件化策略相对 ACT 的 clean-success 提升在 ID 物体上为十二点五个百分点，在 OOD 物体上为三八点九个百分点。主结果
• 消融显示，移除视觉或触觉内容流会让质量准确率最多下降二一点五个百分点；移除视觉内容流时，摩擦系数准确率从九七点五％降到八四点四％。

总结与反思

• 结果总结：ViTacPhys 把物理属性从隐含的抓取反馈变成可预测、可传给策略的中间状态。
• 局限性：作者在当前 HTML 版本中没有展开机构署名；一-shot 结果也显示，仅靠少量类别示范还不足以覆盖真实物体的物理变化。
• 前沿见解：具身模型的规模化不仅需要更多动作轨迹，也需要更可比的接触属性标签，否则策略只能记住外观和动作的相关性。

AI4Science

6. Anatomy-Informed Neural Networks：把解剖先验写进网络和损失，而不是只写进训练数据 原文

认知提取

论文摘要

• 论文用主动脉—髂动脉在硬导丝进入后的变形作为工作例子：术前是 3D CT，术中可核验的真实状态往往只有一张 2D 透视血管造影。临床问题
• 中心线和导丝路径被提升到 SE(3) 曲线，用 Cosserat 杆描述导丝，并加入单侧管腔接触不等式与解剖锚定的血管刚度。

核心方法

• 总损失由数据项和多类解剖 penalty 构成；拓扑、形状、连续性和移动性等先验可以按风险选择软约束或硬约束。
• 以 SE(3) 表示每个曲线点的位置和姿态，利用指数映射逐段推进，因此生成的曲线天然是连续的刚体变换序列。
• 导丝不是血管变形后的中心线。导丝半径小于管腔，能量最小化会让它取更直的 chord，并在内弯处产生 bowstring 接触；该现象被写入单侧接触约束。

实验成果

• 这篇工作没有训练 AINN 并报告可与临床基线比较的准确率；论文明确把「少数据泛化更好」作为设计目标，而非已证实的实验结果。原文限制说明
• 论文给出的可检查输出是力学和几何约束：SE(3) 表示保证合法刚体姿态，连续递推保证曲线不断裂，管腔不等式限制导丝离开可行区域。
• 临床状态转换本身具有现实幅度：论文引用的相关研究报告肾动脉开口在术前到术中的平均垂直位移约为一零点四毫米；这说明把术前 CT 当作固定地图会遗漏器械诱导的状态变化。背景证据

总结与反思

• 结果总结：AINN 提供了一种把解剖约束变成接口的建模语言，最有价值的部分是明确区分「可表示」和「可接受」。
• 局限性：当前是单作者方法论文与力学工作例子，没有训练数据规模、临床验证或端到端预测结果；不能把示意图当作性能证据。
• 前沿见解：AI4Science 的先验注入不应只问「损失里加了什么」，还要问模型的状态空间是否从根上排除了错误结构。

Infra

7. COEC：结构化剪枝后同时旋转输入与输出奇异方向，训练免费恢复 LLM 精度 原文

认知提取

论文摘要

• COEC 可以接在任意列选择准则后面，实验使用 Wanda-sp、FLAP 和 RCPU 的选择结果，在 Llama-3、Llama-3.1 和 Qwen2.5 上测试百分之十、百分之二十和百分之三十列稀疏率。原文方法
• 校准只抽取 WikiText-2 训练集的一百二十八条序列，收集激活 Gram 矩阵；不使用反向传播，也不改模型结构。

核心方法

• 对保留矩阵使用两侧正交变换：左旋转调整输出奇异方向，右旋转调整输入奇异方向，逐模态缩放控制奇异谱变化。
• 左旋转有闭式解；右旋转在 reduced-Stiefel 流形上用投影梯度和正交回缩优化，并以单位阵初始化，避免轻稀疏率下过度改变输入框架。
• 广义交叉验证自动选取 ridge 强度，另加跨层对齐 penalty，减轻仅在小校准集上拟合的风险。

实验成果

• 在百分之三十列稀疏率下，Wanda-sp + COEC 将 Qwen2.5-32B 的 WikiText-2 困惑度从一三点九零降到九点六四；在 Llama-3.1-8B 上，FLAP 体系从一一点八九降到一零点八六。主表
• COEC 在所有模型上改善 Wanda-sp 的困惑度，在大多数设置中改善七任务 zero-shot accuracy；稀疏率越高，补偿收益越明显。
• 剪枝后模型参数量、峰值推理内存和 dense FLOPs/token 约下降百分之二十三至二十九％；实际墙钟加速仍取决于内核对矩阵形状的支持，不能把结构性降本直接等同于同幅度的服务加速。
• 剪枝会让注意力输出投影的输入方向平均旋转约二二点二度，COEC 的双侧补偿正是针对这类方向错位，而不只是拟合输出均方误差。

总结与反思

• 结果总结：训练免费、准则无关的补偿让结构化剪枝多了一个可插拔的几何恢复层。
• 局限性：主要结果依赖校准数据和特定硬件协议；论文报告的是困惑度、zero-shot 和架构级成本，真实服务吞吐仍需单独测量。
• 前沿见解：模型压缩的关键接口可能不是「删掉多少参数」，而是剪枝后是否保留了原模型的输入—输出子空间关系。

Agent

8. Clarify-Then-Search：用「澄清—重写—深搜」的端到端 nugget 恢复衡量提问价值 原文

认知提取

论文摘要

• 数据来自百度真实搜索查询，包含五百一十八个经过筛选的 underspecified query / intent query 对；每个意图通过一次 WebDancer 深搜预先建立静态、证据绑定的 golden nuggets。原文摘要
• Clarifier 可提出一到三轮问题；User Answerer 只能根据隐藏意图中明确写出的信息回答，不能凭空补充；Rewriter 只能读取原始模糊查询和问答对。评测协议

核心方法

• 使用 restore_score_100（零到一百）作为端到端指标：对静态 golden nuggets 做加权恢复，允许部分得分，并要求每个 nugget 可追溯到证据来源。
• 每个意图只运行一次深搜建立静态金标准，避免不同系统因为随机搜索路径不同而无法比较。
• 闭卷约束将「知道隐藏意图」和「能从用户回答获得什么」分开：如果问题询问意图中未明确给出的属性，User Answerer 只能返回 unknown。

实验成果

• 所有被测模型在一轮澄清时都超过 no-interaction baseline；增加到两轮、三轮通常继续带来收益，但更多问题并不等于更多有效信息。原文结果
• 一轮设置下 GPT-5.2 的平均 restore_score_100 最高；开源模型中 ERNIE-4.5-Turbo-128K 领先，并在三轮设置下超过 GPT-5.2、Claude-Sonnet-4.5 和 Gemini-2.5-Pro，成为该评测中的总体最高者。
• 诊断发现，模型经常过度询问区域问题，而闭卷用户往往无法回答这些问题，导致 unknown；这说明澄清的瓶颈是问题的 answerability 和信息增益，不是问题数量。

总结与反思

• 结果总结：把澄清问题放进深搜闭环后，提问质量可以用最终证据恢复而不是语言表面质量来衡量。
• 局限性：金标准由一次 WebDancer 搜索构造，仍然继承该深搜骨干的覆盖偏差；闭卷用户模拟也不是完整真实对话。
• 前沿见解：Agent 的主动提问应当优化「预计能改变哪些检索决策」，而不是泛泛地补齐所有槽位。

应用体系

9. EnSI-RAG：以实体和结构为索引单位，解决长文档中的跨实体证据断裂 原文

认知提取

论文摘要

• 论文针对长文档、多文档和多跳问答中「实体与支持证据被 chunk 边界拆开」的问题，提出 query-independent entity-structure index。原文摘要
• 离线阶段构造语义自包含的 entity-centered passages，抽取实体类型、属性、关系和方面；在线阶段根据问题规划一跳或多跳检索，再从原段落生成答案。

核心方法

• 每个 passage 以一个主实体为中心，同时保留能解释其类型、属性、关系和方面的局部上下文，避免语义碎片和无关信息污染。
• 索引记录采用实体—类型—键—值形式，并保留 passage_id、来源文档、标题、时间段等 provenance；关系可建立反向索引，支持从任一实体侧检索。
• 检索器先规划需要的实体、关系和方面，再返回记录和原始 passage；最终 LLM 仍然基于原文生成，不把抽取记录直接当作事实数据库。

实验成果

• 论文在 Loong 和 Oolong 两个长文档问答 benchmark 上评测；前者覆盖金融、法律和学术多文档推理，后者更强调大规模信息聚合。评测设置
• EnSI-RAG 在 Loong 与 Oolong 上取得平均准确率七八点二四，相比论文采用的已发表 baseline 平均高六点六二个百分点；两个数字来自论文摘要，具体分项仍应按同一 backbone 和上下文预算复核。原文摘要
• 这项提升与检索单位和 provenance 同时变化，不能简单归因于单一的实体抽取模块；论文的关键可复现变量是 entity-centered passage、结构索引和原文回指。

总结与反思

• 结果总结：长文档 RAG 的结构化方向从「把 chunk 切得更聪明」推进到「以实体关系定义检索地址」。
• 局限性：离线抽取本身可能出错，实体中心 passage 也需要随领域结构调整；预处理成本不能从部署账本中删除。
• 前沿见解：可信 RAG 的索引条目应当是证据的可寻址接口，而不是脱离原文、不可回溯的压缩答案。

Benchmark

10. OmniAssistBench：从被动视频问答转向多轮、目标驱动的全模态助手评测 原文

认知提取

论文摘要

• 基准包含两层评测框架：Basic tier 测基础交互感知，Advanced tier 测目标驱动的复杂任务；总计七个大任务、十六个子任务和三个真实世界案例。构造方法
• 因为模型回答可能让用户走不同路径，作者先从视频剧情推导先验并规定标准路线，再设计多轮交互，降低路径发散导致的评测不可比问题。
• 数据由专家人工标注，整体构建耗时超过一千个专家小时；评分会惩罚冗余和幻觉信息。

核心方法

• 采用开放式、多轮 QA：视频中嵌入用户问题，答案既有段落级 reference，也有关键点短语，模拟实时交互。
• 三个真实案例包括会议模拟、盲人辅助和手工过程跟踪；会议场景要求模型处理十二名参与者、二十分钟视频，并支持记笔记和信息检索。
• 评分用五级 rubric 再归一化到零至一百，测试模型能否结合视觉状态、语音、用户目标和历史响应，而不是只做单帧描述。

实验成果

• Gemini-3-Pro 得分六六点四/一百，开源 Qwen3-Omni-Instruct 得分五一点二；当前全模态模型在综合助手任务上仍有明显差距。原文结果
• 三个真实案例中，闭源模型平均分五一点二，开源模型平均分三四点八；模型尤其容易在小物体离开视野后失去状态。
• 长期记忆是硬瓶颈：三二 K 上下文下，MiniCPM-o-2.6 以每秒一帧大约只能保留三百八十秒视频；Qwen 系列因每帧 token 更多，有效记忆约八十秒。
• 评测还观察到模态移除的反直觉现象：在 Proactive Response 中只保留视觉反而可能更好，因为完整音频会让模型把背景语音误判成新用户指令。不同 judge LLM 的 Pearson 相关系数均高于零点七五，但评分协议仍然需要独立审计。

总结与反思

• 结果总结：全模态助手的下一道门槛是长期交互记忆、视觉提示跟随和延迟响应，不是再做一个静态视频分类器。
• 局限性：固定交互路径提高了可比性，却不能覆盖真实用户会根据模型回答改变目标的开放世界情况；部分评分依赖 LLM judge。
• 前沿见解：未来 benchmark 应同时记录模型回答、用户状态转移和任务是否完成，让助手评测从「答案分数」进入「交互轨迹分数」。

阅读优先级

• 优先复现：Memory-Augmented Compression 的 prefill/decode 账本、COEC 的校准与剪枝组合，以及 ReFrame 的风险卡—效用卡消融，三者都有清晰的中间接口和可对照基线。
• 优先追踪：AUSO 的动作级技能收益、ViTacPhys 的物理属性跨物体泛化、OmniAssistBench 的长时程交互记忆，这些方向的核心风险都在分布外和真实运行条件。
• 优先读方法边界：AINN 当前更像一套值得继续实现的约束建模语言；Clarify-Then-Search 的主要价值在于把 Agent 澄清问题与最终证据恢复绑定，而不是证明某个模型永远更会提问。

本期共十篇独立论文，覆盖头条、认知模型、多模态、具身智能、AI4Science、Infra、Agent、应用体系和 Benchmark 九个板块；头条论文同时在对应板块索引中标注，不重复计数。