本期判断

头条

1. 工作记忆盯进度、经验记忆供技能：Recuris 把长程 harness 做成可验证的记忆进化环 原文

认知提取

论文摘要

• 论文提出 Experiential–Working Memory 架构：工作记忆跟踪任务进度并指导技能选择，经验记忆保存可复用技能，二者耦合后把执行轨迹变成可定位失败的结构化证据。1
• 固定 Meta-Agent 根据证据做局部、校验门控的 Skill Memory 更新，再进入下一轮执行，形成有界递归记忆进化环。
• 评测覆盖四个长程基准与十个模型，共三十七个完成的模型—基准对。

核心方法

• Working Memory 为每个目标维护验证状态；在约定执行事件上，调用策略 ρ 从 Experiential Memory 检索匹配技能子集，而不是对完整聊天历史做检索。
• 执行后更新候选工作记忆，再由校验器决定是否接受状态转移，把「技能是否被正确调用」与「目标是否推进」写成可检查接口。
• 固定分析器把轨迹映射到 {经验库、工作记忆、调用策略、校验器} 四类组件故障；Meta-Agent 只对命中组件做校验后更新。

实验成果

• 三十七个完成的模型—基准对中，三十五个任务成功率上升。1
• τ²-Retail 上，GPT-5.6 Sol 从百分之五十八点三升到七十六点一（加十七点八），Claude Opus 5 从七十二点四升到八十七点九（加十五点六）。
• SkillFlow 上，Qwen3.6-27B / 35B 分别加十六点六 / 十三点五；最长任务区间增益可达三十二点二；常见长程失败最多下降约百分之八十。
• 消融显示：仅工作记忆已把 Doubao 部署设定的 Retail 成功率从百分之五十八点一抬到八十二点零；经验记忆与工作记忆耦合后到八十三点六。

总结与反思

• 结果总结：长程 Agent 的关键接口可以是「当前目标状态 + 可校验技能调用」，而不是无限加长上下文。
• 局限性：收益依赖任务族是否共享可复用结构；个别开源模型在部分基准上接近持平；Meta-Agent 本身固定，进化质量受其诊断能力约束。
• 前沿见解：递归自改进的审计重点应从最终分数扩展到「哪段失败证据改写了哪块记忆、能否回滚」。

2. 世界模型真的听动作吗：WorldEcho 诊断、WorldSync 对齐动作条件生成 原文

认知提取

论文摘要

• 诊断显示：现有世界模型对专家动作尚可执行，但面对多样 off-expert 轨迹时，要么忽略指令，要么生成视觉无效 rollout。2
• WorldEcho 以视觉完整性门控 + SE(3) 归一化动态时间规整（NDTW）评价动作跟随。
• 主实验在 RoboTwin 五十个任务与真实机器人堆叠杯子等设定上，比较专家演示训练与扩展动作覆盖训练。

核心方法

• WorldEcho 构造五类动作查询，覆盖演示内与演示外动作；每条动作序列同时生成模拟器参考与世界模型 rollout。
• 视觉完整性要求质量、运动、末端执行器与机械臂外观同时过门；未过门记为失败，过门后再算 NDTW。
• WorldSync 扩展动作覆盖，用 Action-Forcing Expert 把中间视频表征接地到动作诱导的机器人动力学，并用干预效应对齐预测变化与真值变化。

实验成果

• 诊断显示：off-expert 查询上，完整性门控误差相对专家查询上升零点零二九至零点零九九米；NDTW 上升零点零一零至零点零四三米，并伴随更高视觉失败率。2
• 策略 refinement：RoboTwin 倾倒任务上，WorldSync 两轮后成功率到百分之六十五，比初始高十三个百分点；真实堆叠杯子任务上 WorldSync 到百分之六十八，CtrlWorld 为百分之五十六。
• 仅用专家演示训练的 refinement 大约只抬五点；扩展动作覆盖是可靠模拟器的前提条件之一。

总结与反思

• 结果总结：世界模型能否服务策略学习，取决于它在 off-expert 动作上是否仍保持视觉有效且轨迹对齐。
• 局限性：主评测集中在 RoboTwin 与有限真实任务；完整性阈值与 κ 惩罚会改变排序，需要与原始误差一并报告。
• 前沿见解：部署前更该看完整性门控后的动作跟随曲线，而不是只看专家演示上的生成观感。

3. 二十万条、近二十万站点：BrowserForge 用并行浏览器沙箱扩写网页轨迹 原文

认知提取

论文摘要

• 语料含二十万三千二百三十八条轨迹，每条来自不同网站；规模与站点多样性高于 Mind2Web、WebLINX、AgentTrek、Explorer 等公开集。3
• 合成阶段可使用无障碍树等结构信号，但训练与发布的 Agent 只看截图动作。
• 清洗管线结合规则与模型，剔除失败 run，并把幸存推理重写成统一思维链风格。

核心方法

• 开放网页 sourcing 从 Common Crawl 暴露可达站点，避免固定站点列表。
• 沙箱集群调度数百并发浏览器；Proposer 生成任务，Solver 在统一动作空间（屏幕坐标归一化到 0–1000）中执行并验证。
• 以 Qwen3.5-4B/9B 为骨干，在约两万条 BrowserForge 轨迹上微调得到 BrowserForge-4B/9B。

实验成果

• Online-Mind2Web 成功率：BrowserForge-4B 百分之三十三点三（相对 Qwen3.5-4B 基线二十五点七，加七点六），BrowserForge-9B 百分之三十八点零（相对二十九点三，加九点三）。3
• Multimodal-Mind2Web 平均步准确率：BrowserForge-4B Pass@1/Pass@4 为四十三点八 / 五十四点四，BrowserForge-9B 更高；同骨干、同预算下，BrowserForge 数据相对开源轨迹集把平均 Pass@1 从三十二点七四 提到四十一点三三。
• 数据规模扫描显示：Online-Mind2Web 与 Multimodal-Mind2Web 指标随 BrowserForge 样本量单调上升。

总结与反思

• 结果总结：网页 Agent 的数据瓶颈可以被改写成「开放站点上的并行可验证轨迹工厂」，而不是继续扩固定站点清单。
• 局限性：在线评测依赖 WebJudge-7B；公开对比仍受评测站点分布影响；大规模合成成本与失败清洗策略需要单独核算。
• 前沿见解：网页 Agent 训练日志应同时记录站点覆盖、轨迹验证通过率与截图-only 可部署性。

4. 子任务并行不够：Parason 把试探性分支也写成可执行并行推理 原文

认知提取

论文摘要

• 训练目标 PA-GRPO 同时奖励准确率、时延与 subtask/trial 并行比例；推理时通过工具调用执行学到的并行结构，把理论加速落到墙钟时间。4
• 评测覆盖 AIME24/25、AMC、Math500 等数学基准，并在 A800 上测量墙钟加速。
• 分析显示难题生成更多可并行分支，而不是更长的单链。

核心方法

• 用上下文无关文法把顺序推理改写成带 <Parallel> 块的结构化轨迹。
• PA-GRPO 在组相对策略优化中显式平衡准确率、最长路径时延与两类并行触发率。
• 推理期把并行块映射为可调度工具调用，加速比定义为总 token / 最长路径 token。

实验成果

• 在思维预算 B=二千零四十八 token 时，子任务感知 PA-GRPO 的 AIME24 准确率百分之三十四点七，SFT only 为十六点八；B=八千一百九十二时为六十点三。4
• PA-GRPO 在 AIME25 / AMC / Math500 上分别达到百分之七十点六 / 九十七点五 / 九十四点六。
• 加速比约一点七零至一点七五；按难度分层的墙钟加速约一点六二倍量级，难题上可节省的分支 token 从八点八 k 增到二十一点三 k。

总结与反思

• 结果总结：推理加速接口不只是「拆子任务」，还要把并行试探写成可调度、可度量的执行图。
• 局限性：主实验集中在八 B 级数学推理；向真实 Agent 域迁移与更大规模模型仍待验证。
• 前沿见解：测试时扩展的成本表应同时报告最长路径 token、并行触发率与墙钟加速，而不是只报总生成 token。

认知模型

5. StepGuard：步骤级护栏先审工具调用，再用 Balance-GRPO 压偏置 原文

认知提取

论文摘要

• 四 B 护栏模型在轨迹级与步骤级基准上取得开源护栏中最高平均准确率，接近 GPT-5.4。5
• 运行时部署到 AgentDojo 与 AgentDyn，相对无护栏把平均攻击成功率（ASR）降百分之七十七点三，效用只降二点八分。
• 训练数据由 StepGen 生成前缀对齐的安全/危险轨迹，并保留同类工具的良性使用样本。

核心方法

• StepGen：先 rollout 含风险锚点的不安全轨迹，再在风险步重放安全动作，形成局部可对比监督。
• 奖励同时看标签正确与风险类型正确；Balance-GRPO 用类别频率与准确率缺口调节优势。
• 运行时既可审计完整轨迹，也可在每次工具调用前做预执行检查。

实验成果

• 静态评测：StepGuard-4B 轨迹级平均 Acc/F1 为八十三点零 / 八十三点三，步骤级平均八十四点八 / 八十四点一；轨迹级平均 Acc 与 GPT-5.4 持平。5
• AgentDojo：无防御 ASR 二十五点一、效用八十九点七；StepGuard ASR 一点二、效用九十点七。AgentDyn：ASR 从二十一点二 降到九点三，效用六十六点七。
• 相对 vanilla GRPO，Balance-GRPO 把 safe–unsafe 准确率缺口从十三点零 收到八点零，守护 Agent 效用最多高六点七，ASR 只多零点三。

总结与反思

• 结果总结：Agent 安全接口可以前移到步骤级工具调用，并用类别平衡训练避免「宁杀一千」。
• 局限性：主结果依赖合成轨迹分布；跨工具 schema 重叠与真实生产工具权限模型仍需更多外部验证。
• 前沿见解：护栏评测应同时报告 ASR、效用与 safe/unsafe 缺口，而不是只看拒答率。

多模态

6. LAION-BVD：一千万小时开放视频，支撑视频、音频与静态帧预训练 原文

认知提取

论文摘要

• 数据覆盖视频、音频与图像三模态；内容感知场景检测后生成视频与音频字幕。6
• 视频—文本实验用五千万五百万 clip 子集中抽样的 BVD-V-10M / 50M；另对约三亿帧做图像—文本训练。
• 项目页：[https://projects.[laion.ai/bvd/](https://projects.laion.ai/bvd/)](https://laion.ai/bvd/](https://projects.laion.ai/bvd/))

核心方法

• 以 Common Crawl 视频 URL 为入口，下载后做场景切分与时长/上传统计过滤。
• 为 clip 生成视频与音频合成字幕；场景切换帧可另作 image-text 数据源。
• 分别用 ViCLIP、CLAP 与 CLIP 族设定验证视频、音频与静态帧迁移。

实验成果

• ViCLIP 在 BVD-V-50M、看过五千万样本时，总体 Avg 六十二点零，高于 InternVid-10M-FLT 复现的五十八点零 与纯图像 DataComp-1B 的五十三点二。7
• 同设定下 K400 / UCF-101 / HMDB51 top-1 为六十三点三 / 七十九点七 / 六十一点四；MSVD V2T R@1 八十三点九。
• 随数据与模型规模上升，分类与检索指标总体单调改善。

总结与反思

• 结果总结：开放视频预训练可以被写成可下载 URL + 场景 clip + 合成字幕的可复现数据接口。
• 局限性：依赖平台 URL 存活性；合成字幕噪声与版权/再分发条款需要使用者自行合规评估；HTML 版本文图表需从 PDF/源码读取。
• 前沿见解：多模态数据报告应同时给出小时数、独立视频数、clip 数与可复现过滤脚本，而不是只报「更大」。

具身智能

7. LAWA：潜变量动作当意图，让世界动作模型低成本想象未来 原文

认知提取

论文摘要

• 离散 tokenizer 经无动作自我中心预训练，得到以操作为中心的 codebook 目标。8
• 在 RoboCasa 二十四项桌面任务与 LIBERO-Plus 零样本扰动上评测。
• 相对匹配实现的 Fast-WAM / Joint-WAM，比较成功率与每动作块时延。

核心方法

• 动作无关的自我中心视频预训练增强离散潜动作 tokenizer。
• 结构化掩码控制三条分支信息流；推理期丢弃未来视频分支，联合去噪连续潜意图。
• 潜动作扰动实验用于验证意图表示是否承载可操纵的未来结构。

实验成果

• RoboCasa：一百条演示/任务时成功率百分之六十五点六，全量数据百分之八十点八；分别比匹配 Fast-WAM 高九点六 / 四点五，并接近 Joint-WAM 的六十四点一 / 七十八点八。8
• LIBERO-Plus 微平均成功率百分之七十四点四，高于 OpenVLA-OFT 四点八，高于匹配 Joint-WAM 的七十点四；相对匹配 Fast-WAM 高十四点四。
• 测试时未来想象时延相对完整未来观测生成降低百分之四十二点九。

总结与反思

• 结果总结：世界动作模型可以把「未来想象」压缩成可检验的潜意图接口，而不必每步生成像素未来。
• 局限性：潜动作扰动与注意力可视化仍属间接证据；跨本体与强分布外场景需要更多真实部署数据。
• 前沿见解：WAM 的效率报表应同时给出成功率、潜动作可干预性与每 chunk 时延。

AI4Science

8. BioKERN：用可学习生物核，约束组织学—转录组邻域检索 原文

认知提取

论文摘要

• 输入为 H&E 图像块、基因表达与二维坐标；图像编码冻结 PLIP，基因经归一化、对数变换、标准化与 PCA，两端用 ResidualAdapter 投到一百二十八维单位球面。9
• 评测使用与模型无关的固定生物邻域定义，报告 Bio-mAP 及转录/空间邻域召回等。
• 数据覆盖 Mouse Brain Visium 与 Human Liver GSE240429，比较单尺度与多尺度图像上下文。

核心方法

• 转录 RBF 核与空间 RBF 核组合为生物学参考核，提供分级检索目标。
• 单尺度用 96×96 局部形态，多尺度融合 96×96 与 224×224。
• 顺序消融拆成架构、目标函数与生物正则三步，量化每一步贡献。

实验成果

• Mouse Brain Visium 单尺度：Bio-mAP 从 BLEEP 的零点五零八七 到 BioKERN 的零点六一九零；生物正则一步贡献加零点零八二六，占总增益百分之七十四点九。9
• 多尺度：从零点四九六零 到零点六七一六，生物正则贡献加零点一一一四（百分之六十三点四）。
• Human Liver：多尺度 Bio-mAP 从零点零三一二 到零点零四零八，生物正则解释总增益约百分之九十点六；打乱核会回到基线附近。

总结与反思

• 结果总结：跨模态空间表示可以把「生物学邻域几何」写成显式可学习核，而不是只优化精确配对。
• 局限性：依赖 Visium 等现有空间分辨率；冻结病理编码器限制形态端适应；人类肝脏绝对 mAP 仍低，说明任务本身极难。
• 前沿见解：空间组学方法对比应固定邻域定义，并报告打乱核对照，避免把架构增益误认为生物结构增益。

Infra

9. 有效学习率 ELR：预训练损失动态主要由 LR 与参数范数之比决定 原文

认知提取

论文摘要

• 在多种优化器、架构、数据与模型规模上，ELR 匹配后的平均塌缩误差通常只有约 10⁻³ 量级，低于同配置的种子间波动。10
• 归一化设计与 LR—范数变化的时间尺度，是塌缩精度的关键因素。
• 权重衰减与 Hyperball 等范数控制，主要通过它们诱导的 ELR 日程影响损失。

核心方法

• 定义 ELR 为学习率与参数范数的比值，并设计规定 ELR 日程的对照实验。
• 用塌缩误差度量「ELR 匹配但 LR/范数不同」的轨迹残差，并与多种子基线比较。
• 通过只改 LR 去匹配目标 ELR，检验权重衰减与 Hyperball 的机制是否可被 ELR 解释。

实验成果

• 去掉 QK-Norm 后平均塌缩误差从二点三×10⁻³ 升到五点二×10⁻³；再固定 RMSNorm 增益升到一点八四×10⁻²。10
• 权重衰减开关实验中，仅用 LR 匹配目标 ELR 即可把无衰减 run 拉回目标损失轨迹，平均误差四点八×10⁻³；Muon 设定下从七点五千步起误差仅一点二×10⁻³。
• 用 ELR 坐标拟合的 scaling law 迁移到未见过的 Hyperball run 时，RMSE 零点零二一二，而用原始 LR 拟合达零点二五零八（约十一点八三倍）。

总结与反思

• 结果总结：预训练超参搜索可以把「LR 日程 + 范数控制」压缩成一条可比较的 ELR 日程。
• 局限性：塌缩精度对快速振荡的 LR—范数调制更敏感；结论主要来自受控中小规模预训练，极大模型仍需外推验证。
• 前沿见解：训练日志若只记 LR 不记参数范数与 ELR，会把范数控制效应误判成优化器魔法。

Agent

10. CAFE：自改进搜索 Agent 需要与反馈模型共演化 原文

认知提取

论文摘要

• 先用基座 Agent 自身失败轨迹初始化反馈条件恢复，再耦合 online RL 与离线偏好优化。11
• 七 B 骨干上，主结果报告多跳/单跳检索问答的 EM 与 F1，并在 BrowseComp-Plus 上做长程深研测试。
• 分析覆盖 agent–critic cross-play、训练动态与答案级幻觉率。

核心方法

• 反馈增强 SFT 教会模型在失败上下文中请求并吸收纠错。
• online RL 阶段用反馈感知信用分配：请求反馈的回报与反馈前后 token 优势被区别对待。
• 交替更新避免「只训 Agent」或「只训批评者」造成的单边饱和。

实验成果

• 七 B：平均 EM/F1 五十二点五 / 六十点七，高于最强 RL 基线 IGPO 二点一 EM、一点三 F1；相对 GRPO 的四十九点七 / 五十八点零继续提升。11
• 多跳基准相对 Search-R1 平均加七点四 EM / 五点九 F1，单跳只加一点三 / 一点三。
• 答案级幻觉率：基座二十九点九，outcome GRPO 十七点六，CAFE 十二点六；NQ / MuSiQue 上相对 GRPO 分别再降十点八 / 九点四个百分点。
• 交替优化最终到八十六点六，高于 agent-only 终点八十三点六 与 feedback-only 的七十一点三。

总结与反思

• 结果总结：搜索 Agent 的自改进接口可以是「可请求的轨迹内反馈」，而且反馈模型必须跟着 Agent 一起变。
• 局限性：主结果以检索问答为主；批评者质量仍受结果奖励混淆；长程深研评测覆盖有限。
• 前沿见解：Agent RL 日志应分开记录反馈请求率、反馈后改道成功率与幻觉率，而不是只看终局 EM。

应用体系

11. 读到不等于用到：长上下文金融研究里的检索—整合缺口 原文

认知提取

论文摘要

• 主设定把无关上下文从二千 token 增到十二万八千 token，测量单条风险披露对投资判断的边际影响。12
• 现象在多模型族、多判断任务与真实 10-K 删除披露实验中复现。
• 补救实验比较扩展推理、分块摘要、复读披露与结构化重述等流程。

核心方法

• 用「边际决策影响」定义披露是否被使用：在其他决策相关信息固定时，插入/删除披露引起的判断变化。
• 区分条件检索（问到能否定位）与整合（判断是否移动）。
• 工作流实验在源文件仍可见的前提下，比较不同信息编排方式。

实验成果

• 主开源模型上，二千 token 时披露把卖出概率提高三点二个百分点；八千到三十二万区间影响已与插入中性文本无法区分，并维持到十二万八千 token。12
• 开启扩展推理不能恢复长上下文影响，短上下文上甚至削弱影响；通用分块摘要在所有长度上都消掉披露影响。
• 把披露的决策相关事实做结构化重述并紧挨判断阶段，可使十二万八千 token 时影响回到八点五个百分点，十二家公司方向全部符合预期。

总结与反思

• 结果总结：金融 AI 工作流的关键验收指标应是「披露是否改变判断」，而不是「能否点名检索」。
• 局限性：实验以受控披露插入为主，真实组合决策与交易成本未建模；补救依赖额外结构化阶段。
• 前沿见解：投研 Agent 产品应把「证据到判断的强制接口」写进流程，而不是只堆上下文窗口。

Benchmark

12. FraudBench：金融风控对抗鲁棒性，结论高度依赖评测协议 原文

认知提取

论文摘要

• 覆盖 CCFD、IEEE-CIS、LCLD、Sparkov 四个公开集；模型含 MLP、XGBoost 与异构集成。13
• 攻击含 CAPGD、Square Attack 等，并区分无约束成功、事后可过滤性与约束感知成功。
• 指标强调 PR-AUC 等稀有类质量，而非笼统 accuracy。

核心方法

• 部署感知协议：在攻击生成中注入可行性投影与攻击者可变特征掩码，而不是只在事后过滤非法样本。
• 同时报告预测性能退化与可行翻转数量。
• 防御对比包括对抗训练、输入校验与集成等。

实验成果

• LCLD 白盒设定：事后过滤平均只剩三点七个可行翻转；同一扰动预算下，攻击中投影加可变性掩码产生二千八百三十二点三个可行翻转。13
• IEEE-CIS 上，投影会增加可行攻击，掩码又会压制它们，说明可行性与攻击者能力是两条轴。
• Square Attack 下，协议选择会改变 MLP / XGBoost / 集成的相对排序；对抗训练是所评防御中最强，简单 z-score 输入校验不可靠。

总结与反思

• 结果总结：金融对抗鲁棒性排行只有在协议固定时才可比较；否则比较的是评测脚本，不是模型。
• 局限性：公开表格集与真实银行特征工程仍有差距；黑盒与白盒结论需要分开读。
• 前沿见解：风控鲁棒性报告应强制披露约束如何进入攻击循环，并同时给出 PR-AUC 退化与可行攻击计数。

阅读优先级

1. 先看中间状态如何被重写成接口：Recuris 的工作记忆—技能进化、WorldEcho/WorldSync 的动作跟随诊断、CAFE 的轨迹内反馈。
2. 再看数据与推理如何被并行化：BrowserForge 的开放站点轨迹工厂、Parason 的试探并行、LAWA 的潜意图想象、LAION-BVD 的千万小时视频。
3. 最后看验收是否抓住「用到了没有」：Reading Is Not Using、StepGuard、FraudBench；训练动态与生物邻域则读 ELR 与 BioKERN。