9月22日论文雷达：驾驭层被蒸馏进权重、自进化卡在选择、判官一致不等于证据更强：长程智能体与生成式音频的 56 篇分层雷达

先看哪几篇：56 行阅读优先级全景表

驾驭层去哪了：进权重，还是留在外面当闸门

1. Harness-Zero: Harness Distillation via Agent-as-Harness（arXiv:2609.24974，直接命中·其他/综合 AI）

• 研究问题：驾驭层能大幅提升智能体表现，但这份收益绑死在部署时的那套驾驭层上；最佳驾驭层随领域、实例与模型变化，通用智能体于是只能在「共用一个次优的驾驭层」和「路由到一个不断膨胀的专用驾驭层集合」之间二选一。能不能把专用驾驭层的收益搬进模型权重，部署时只留一套固定的目标驾驭层？
• 改动位置（维度）：训练信号构造加后训练。不动驾驭层本身、不动评测协议，把「驾驭层优化」从部署期搬到了训练期。
• 核心方法机制：三阶段。先在训练任务上演化出学生侧的驾驭层 h*，再把它改写成一份私有的参考驾驭层 K，K 与部署时的固定目标驾驭层 h 动作空间一致。接着是「智能体即驾驭层」的采集：学生每个回合提出回复，一个 harnessing agent 看着当前上下文、这版回复、K 和历史，决定「放行」还是「替换」，替换时给出完整改写。只有被接受的版本才真正执行、才进入学生可见的上下文，被拒的提案与私有审阅记录都不进轨迹。最后对这些被接受的回复做监督微调，审阅视角的推理从损失里 mask 掉；部署只保留策略模型与 h。
• 关键定量结果（含比较对象与口径）：部署时把 h*、K 和审阅智能体全部移除，Qwen3.5-9B 基座的 macro-average 任务成功率从 23.3% 升到 44.3%（绝对 +21.0 点，相对 +90.1%），并高于一直挂着 h* 的 41.7%；分域是表格 31.0→44.0、26.8→58.9、12.0→30.0。三个领域 28 个驾驭层专属行为模式平均恢复 82.3% 的驾驭层诱导行为——口径是蒸馏后的学生在没有驾驭层时仍表现出该行为的比例。推理期不训练时带 K 的版本在六个基准–模型设置上平均 81.1%，对 code-as-harness 的 78.1%、固定驾驭层的 68.6%、空 K 的 69.2%。
• 证据强弱与复现边界：单次运行、固定 seed 42；没有区间、显著性检验与重复。训练轨迹 487/282/500 条，评估集 100/168/100 题。最关键的是 Table 3 的消融（USPTO，500 题、同一采集集与训练配方）：不训练 12.0；直接拿教师轨迹蒸馏、教师采集成功率 52.0，结果 12.0（+0.0）；教师挂 h*（62.0）得 3.0；学生挂 h*（39.4）得 12.0；harnessing agent 用空 K（44.2）得 11.0；给 oracle 答案（98.6）只到 15.0；用 K（59.4）才到 30.0。结论是监督的价值来自「驾驭层引导的审阅」本身，既不来自更强的示范，也不来自答案可得性，采集成功率也不预测蒸馏价值。 作者自述的边界是：依赖足够强的 harnessing model（换成弱模型时审阅会变得有害）；采集期每步多一次模型调用（USPTO 上平均延迟升到 2.4 倍）；监督微调无法完全内化 h* 的深层领域知识（USPTO 上 30.0 仍低于 38.0）。
• 对目标研究线的连接点：直接命中轨迹学习与自进化——这是「把搜索到的外部驾驭层内化进权重」的一条完整路径；也接长程任务的评估，因为所有指标都定义在固定部署驾驭层下的任务成功率，并且给出了「换驾驭层就掉分」的直接证据。可搬走的具体东西是 review-before-execution 的轨迹采集协议、审阅视角推理的损失 mask 规则，以及「动作空间不匹配时不能直接模仿源驾驭层轨迹」这一诊断。
• 结论与阅读建议：建议精读原文，重点看 Table 3 那组消融——它把「什么才是有效监督」这个问题问清楚了。
• 入口：栏目正文 · arXiv

2. Self-Healing Harness for Runtime Oversight of Agent Self-Modification（arXiv:2609.24130，直接命中·自然语言与多模态智能）

• 研究问题：智能体能改写自己未来的行为，那么哪些自生成的改动应该被允许持久化？论文把这件事形式化成自修改的准入控制：智能体可以提议，外部运行时闸门决定是否留下。
• 改动位置（维度）：控制与监督层，权重完全不动；改的是「策略诱导出来的上下文」。
• 核心方法机制：一个模型无关的闸门套在未修改的智能体外面，循环是检测 → 通知 → 修复 → 验证。检测按轮做轨迹级评测（每轮有强制采样屏障，另有趋势与越界升级、以及关闭档）。通知把发现写进外部工作区，并采用拉取模型——内容默认不进对话上下文，除非智能体主动检索，这是上下文卫生的一处细节。修复由智能体自己撰写候选行为规则，候选在评测期拿到临时执行权。验证用 replay（有匹配证据时最强）或前向试验，晋升条件是在触发失败的指标上超过准入裕度且在受保护案例上不回退超过 0.05；另有一道语料级守卫，用当前活跃规则重放整个评测语料，任何已评案例在任一指标上掉超过阈值就整批失败。
• 关键定量结果（含比较对象与口径）：16 对匹配的基线/闸门，覆盖三个基准族与四个模型；任务完成分 16/16 全部上升，通过率类指标 12 胜 4 平 0 负，单次通过 14 胜 1 平 1 负。但只有 2 对的 95% 区间排除零：一处在任务完成分上从 0.701 升到 0.723（差 +0.022，区间 [+0.006,+0.040]，p=.010），另一处 +0.032（区间 [+0.003,+0.061]，p=.03）。为什么需要准入控制：智能体一共提议 2,306 条规则，晋升 1,244、退休 1,062；在 383 条由 replay 判定退休的规则里，211 条（55%）确实改善了它本该修好的那个失败，却让一个原本可用的受保护案例退化（观测到的回退包括任务完成分下降 0.60、结果正确性下降 0.25）——如果只看「触发案例是否改善」这一条，这 211 条都会被放行。累积漂移上，某个配置的分位增益从第一季度的 +0.017 单调降到第四季度的 −0.016（置换 p=.022），活跃规则数 13→70，每轮输入 token 升到基线的 1.50–2.52 倍。代价：任务花费 177.06→211.46 美元，加 92.90 美元修复费，总计 1.72 倍；墙上时间约 1.7–7 倍。
• 证据强弱与复现边界：单种子（作者明说「所有运行都用 seed 1，而自适应是路径依赖的」），每任务 4 次试验，配对任务级 bootstrap 10,000 次、置换 5,000 次，因此「16/16 皆升」这句话的方向性证据比显著性证据强得多。作者在附录里逐条列出了没有运行的对照（关闭候选校验、关闭语料守卫、去掉屏障、规则内联、只 replay、只前向试验等），并明说基线—闸门比较因此不能分离「准入前校验」的效应。受保护案例每轮至多两个，所以 211 是一个「被检出的冲突」数，不是总发生率。此外，τ² 基准族的 replay 预算按智能体轮数给、而该基准按消息跳数消耗，导致部分 replay 被截断，削弱了那一族的证据。
• 对目标研究线的连接点：直接命中长程任务的评估与自进化两条线，而且它的价值一半在反面——它给出了「自进化写入门控」最直接的量化依据：逐条准入挡不住语料层面的漂移，局部有益会带来附带回归。可搬走的具体做法是证据门控的准入裕度判定、语料级守卫，以及「外部工作区 + 拉取式通知」这套让内容不自动进上下文的上下文卫生做法。
• 结论与阅读建议：建议精读原文，重点看受保护案例的判定与语料级守卫这两处的设计——它们是自进化系统里最容易省略、也最容易付代价的两个环节。
• 入口：栏目正文 · arXiv

自进化：谁来决定哪条更新活下来

1. Beyond Endpoint Performance: Process-Level Evaluation of Self-Evolving Agents（arXiv:2609.24663，直接命中·评测、基准与数据集）

• 研究问题：自进化智能体把交互反馈写成持久 artifact，artifact 在经验流里反复更新。端点性能说不清「能力什么时候出现、后续更新是增强、保持还是削弱了它」，因此需要过程级评测。
• 改动位置（维度）：评测协议与基准层；它不改进任何自进化方法本身，而是冻结基座与工具、在连续检查点冻结 artifact、在留出 episode 上评目标能力。
• 核心方法机制：每条流含 5 次更新机会，于是有 6 个 artifact 状态；每个状态冻结后复制只读副本，在匹配的留出 episode 上评测，评测与训练过程完全隔离。三种流模板对应三个维度：累积（同族 5 集，测泛化）、干扰（2 集焦点族加 3 集干扰族，测保持）、反转（3 集初始关系加 2 集反证，测规则修订）。指标把「相对不进化基线的配对增益」「相对禁用 artifact 访问的配对增益」「近分布与迁移两类留出」分开报；规则修订用一次更新后与两次更新后两个口径。载体是公开真实交易数据加按真实数据校准的半合成数据，共发布 1,800 条平衡纵向流。
• 关键定量结果（含比较对象与口径）：近分布增益最高的 SkillBoost 在迁移留出上仍然最好（近分布 1.597、迁移 0.537），而 SkillOpt 近分布 0.763、迁移 −0.273，SkillGrad 0.555 与 −0.383，两者都是「同分布涨、迁移转负」。代价上，SkillBoost 比 SkillOpt 多花 2.39 倍 token，只换来 45.5% 更大的增益。最能说明问题的是干预实验：把候选数从 1 扩到 4，提交率 +0.180、最强候选增益 +0.496，但「最强候选」与「实际被保存的更新」之间的选择差距同时扩大 +0.163，迁移增益掉 1.463；加上保障规则后，接受精度 9.3%→29.5%、有害接受 12.4%→6.2%，代价是漏掉 0.0%→16.5%、捕获率 69.0%→47.2%。规则修订类指标在 Holm 校正后无一显著。
• 证据强弱与复现边界：所有方法共享同一 settings 与 seed，主表都是点估计、没有区间；规则修订类指标作者直接写明不构成可靠证据。执行随机性做了 50 次配对。载体是金融场景的半合成数据（单一），基线为自实现。
• 对目标研究线的连接点：直接命中自进化与长程评测。可搬走的是三模板设计、state-off 对照，以及「选择差距 / 有害接受 / 漏掉」这三个指标——它们把「自进化为什么不稳定」拆成了可测量项。
• 结论与阅读建议：建议精读原文；如果团队正在做技能库或记忆写入，这篇的干预实验表（Table 4）值得先看。
• 入口：栏目正文 · arXiv

2. World State Generator（arXiv:2609.24744，直接命中·其他/综合 AI）

• 研究问题：被提示的规划器在世界拒绝某一步时，往往换个说法重写同一段、再被拒、直到把尝试预算烧光；先反思再重写也不解除循环。根因是计划从未与世界绑定，于是拒绝信息在计划里无处附着。
• 改动位置（维度）：规划环节里的修复调用，也就是「下一步要做成什么状态」这一步；不引入奖励，不动环境。
• 核心方法机制：建立在「以状态为中心的决策过程」上：智能体不直接选动作，而是承诺一句可校验的自然语言状态谓词，目标本身也是谓词。四个算子循环：写计划、照着行动、对世界判定每个状态、某状态失败后重写计划。判定失败时把当时实际成立的观测与失败状态一起记成一次 refutation，已认证的前缀不回退、只重写剩余部分。语料就是这些「重写且被世界认证过」的状态链，训练只对目标链算损失，无奖励、无链间比较。
• 关键定量结果（含比较对象与口径）：抽取阶段用三个近 30B 开源模型跑了 226,316 个 episode，其中 75.3% 至少被世界否决过一次，产生 775,180 次修复调用、过滤后保留 238,563 份（30.8%）。七个公开基准上的零样本增益在 3.4–31.9 个百分点之间：τ²-bench 42.5→56.3 与 68.3→76.6，ScienceWorld 35.8→44.4 与 36.4→46.8，工具沙盒 64.3→72.5 与 64.7→69.6，PlanBench-XL 38.5→53.9 与 16.1→48.0，REAL 27.7→37.3 与 22.6→40.2，深规划 48.5→59.0 与 29.1→51.2，AgentBoard 53.3→58.3 与 58.3→61.7。恢复率上，两个最难的基准从「每 7 个被否 episode 恢复不到 1 个」提高 66%–187%；墙上时间在 REAL 上 −55%、ScienceWorld 上 −47%。重写行为的差异更说明问题：提示方案在 refutation 后「换词重写被否状态」的比例是 38% 与 28%，本方法降到 19% 与 7%，而且重写链与被替换链的重叠度更高（0.49 对 0.29）——它改得更接近原意。
• 证据强弱与复现边界：无种子、无区间、无显著性；重复次数未报（作者说明每个数字是任务集上的均值）。只训了两个约 30B 的骨干。留出方案是 2% 的世界连同其产生的全部样本，训练监控显示留出损失单调下降，属过程证据。失败归因（45% 卡在执行、20% 被判定器误否）是手工判定，未报判者一致性。「达到专有模型水平」的对照取自各基准论文的已发表数字，口径、评测框架与预算都不同。还有一个负结果很值得记：训练集若混入「没有 refutation 的首轮计划」，模型比只练修复更快过拟合，并且丢掉提示下的规划能力；adapter 更大或学习率更高同样出现这种坍塌。
• 对目标研究线的连接点：直接命中自进化（从失败轨迹里学修复的完整配方）与长程任务的训练。可搬走的具体东西：失败—修复对的保留判据（必须由世界认证，而不是人工或模型评判）、三条语料过滤规则（重述已被否决的链丢弃、状态写成动作丢弃、完全重复丢弃）、只对目标链算损失的微调配方、多域混合按样本数平方根采样，以及恢复率与代价一起报的报告口径。
• 结论与阅读建议：建议精读原文的第三、四、五节与 Table 2/3/4——尤其那条关于混入首轮计划会毁掉规划能力的负结果。
• 入口：栏目正文 · arXiv

3. ACLArena: Agent Continual Learning in Multi-stage Post-training（arXiv:2609.23989，直接命中·智能体、规划与决策）

• 研究问题：工业部署的通用智能体需要把多个训练阶段获得的能力整合起来，但持续学习缺乏成熟配方，也不清楚几种整合范式的取舍在哪，遗忘与泛化的机制更没被拆开过。
• 改动位置（维度）：多阶段后训练的数据与参数整合层。课程是数学 → 搜索 → 电商 → 指令遵循四段，统一用序列级裁剪的强化学习做骨干。
• 核心方法机制：系统对比三种整合范式：多教师同策略蒸馏（混合各阶段提示流，每个提示只由拥有该域的冻结教师打分）、自蒸馏微调（从基座分别训出每任务专家、过滤高质量轨迹后混合微调）、模型合并（对任务向量做加权平均），再提出第四种：以自蒸馏检查点为共享底座并冻结，每个阶段各挂一个独立低秩专家用强化学习优化，推理时按执行上下文里可观测的环境路由。它不需要知道基准身份或真实标签。
• 关键定量结果（含比较对象与口径）：三次运行、结果给 mean±std。顺序训练的末检查点在 AIME26/NQ/零售/指令遵循上为 10.21、33.5±1.7、29.6±1.6、84.8±0.1；多教师蒸馏 21.25、45.2±0.4、27.7±1.5、84.6±0.5；自蒸馏 22.29、48.3±0.1、22.3±0.5、53.6±0.2（搜索最强但明显损伤电商与指令遵循）；模型合并 14.79、39.0±0.2、11.8±1.9、74.6±0.1；冻结底座加专家的方案在全部域内指标上接近独立专家，并在若干外域指标上为全方法最优。顺序训练诊断更值得记：电商阶段把 AIME26 从 23.33 打到 6.04、把 NQ 从 45.2 打到 14.6、多跳搜索从 37.4 打到 9.4；最终检查点在任何一项能力上都低于课程中它自己出现过的峰值（AIME26 10.21 对峰值 25.83）。
• 证据强弱与复现边界：三次独立运行并给标准差，这是本期少见的；但没有显著性检验与区间。单模型族、固定四阶段课程，四种范式都是自建实现，各范式的比较也没有在同一训练预算口径下报告。冻结底座方案相对自蒸馏的领先在若干指标上只有 0.1–0.2 点，落在标准差量级内。论文未声明发布任何代码、数据或权重。
• 对目标研究线的连接点：直接命中长程任务的训练与评估——可搬的是「遗忘与迁移诊断」的口径、四范式的对照框架，以及把工具调用格式统一后做跨阶段课程的做法。
• 结论与阅读建议：建议精读原文；如果团队在做多阶段后训练，这篇的遗忘诊断比它的方法更值钱。
• 入口：栏目正文 · arXiv

4. MedRSI: Recursive Self-Improvement for Medical Agents via Clinically Aligned Self-Evolution（arXiv:2609.24838，直接命中·评测、基准与数据集）

• 研究问题：能不能让医疗智能体从诊断失败里持续长出新临床能力，同时用临床原则约束「什么该改、什么该留」。
• 改动位置（维度）：能力发现与写入层——工具注册表加临床成本加权的失败优先级排序。
• 核心方法机制：每轮先诊断，再按临床成本给失败排序（把「后果更重」的失败排前面），把反思规格化，然后走三条候选路线（写代码、组合已有工具、训练模型）之一，候选带版本哈希进实验池；只有在一个发现队列加测试队列上取得持续增益、且临床成本没有恶化，才注册进生产。分类阈值 0.5 点、效应下限 0.01，λ=2，K=3。
• 关键定量结果（含比较对象与口径）：青光眼诊断从第 0 轮到第 20 轮，平衡准确率/宏 F1/AUC 从 56.2/22.6/57.9 升到 94.1/83.2/97.2；心脏病 56.5/32.5/58.4 升到 82.3/77.3/88.6。对照上，立即注册的做法第 20 轮 82.4、第 30 轮掉到 76.9，而慢注册保持 94.1/94.4；统一训练的做法训练集 97.8 / 测试集 88.7（差 9.1 点），本方法 95.7/94.1（差 1.6 点）。临床成本 2.5 对 6.0，严重错误率 1.5% 对 4.0%，稳定工具 16 个，61% 的候选被丢弃。
• 证据强弱与复现边界：5 个种子、5 条轨迹，患者级 bootstrap 2000 次，配对置换 10000 次，最后一轮为预注册。但对照表混用了不同来源的数字，两个私有任务不可公开，完整的 20 轮只在单个模型上跑过。声明要发布的代码仓库实测被前端壳挡住，接口显示仓库存在但为空（0 字节、无许可证文件）。
• 对目标研究线的连接点：直接命中自进化，兼接长程评估。可搬走的是一套候选生命周期：快发现、慢注册、后果优先排序，以及「持续增益加成本稳定」这条准入判据。
• 结论与阅读建议：值得扫读原文——它的机制比数字更值得搬，引用数字时必须带上私有任务与单模型这两条限制。
• 入口：栏目正文 · arXiv

5. OptiSkill: A Hierarchical and Evolving SkillBank for LLM-Based Optimization Modeling（arXiv:2609.22987，直接命中·自然语言与多模态智能）

• 研究问题：运筹优化建模的经验应该以什么形式存在，才能成为可复用的技能，而不是一份被动参考？它要能指明适用情境、支撑建模决策、并预防具体错误。
• 改动位置（维度）：记忆写入与检索层；模型参数全程冻结。
• 核心方法机制：技能分两层——「全局策略」是问题级的建模骨架（字段是适用条件与有序高层步骤），「步骤经验」是局部防错规则（字段是触发情境与警告纠正动作）。离线阶段用强教师对问题生成多条轨迹并自动验证，只保留同时有成功与失败轨迹的题；从成功轨迹抽全局策略，从成功—失败轨迹对里对比出步骤经验。测试时每 200 题批量演化一次：新技能与修复技能先进非活跃候选池，批末合并去重后验证——新技能要求支持度达标且与现有技能不冗余，修复技能要求同时满足修复率与回归率两个阈值才替换父技能，未通过的留在非活跃池、不参与检索。
• 关键定量结果（含比较对象与口径）：八个优化建模基准的 macro Pass@1，静态技能库下 DeepSeek-V4 上 73.9、另一骨干 73.2；同表 DeepSeek-V4 区块最强的智能体基线是 72.2，其余为 70.4、69.5、67.7、63.9。消融：去掉策略层 72.1（−1.7）、去掉步骤经验 71.8（−2.0）；换成另一个骨干后去掉策略层的跌幅扩大到 −5.2。测试时演化相对静态在 NL4OPT 涨 4.2、OptiBench 涨 3.7、OptiMATH 涨 7.2，代价是每题的耗时 34.13→36.57 秒、token 5,964→6,176。
• 证据强弱与复现边界：全部是单值 Pass@1，没有种子、区间与显著性，因此 73.9 对 72.2 这 1.7 点的领先不足支撑「在两个骨干下都最强」的强结论。蒸馏教师与两个评测骨干之一同源。人工结构重叠分析给出的近重复率是 8.06%。代码仓库实测可开、含数据与技能库目录，但没有许可证文件，商用需自行确认。
• 对目标研究线的连接点：直接命中自进化——它回答的是「记忆写入该写什么形状」。可整套搬走四字段技能模板、批量级准入规则（支持度加修复率加回归率），以及「可靠性标签只作辅助、语义相关性仍是主准则」的检索策略。
• 结论与阅读建议：值得扫读；机制与字段设计可以直接用，但引用它的排名结论前要记得没有统计证据这一条。
• 入口：栏目正文 · arXiv

6. CREDO: Variance-Guided Rubric Evolution for Replay-Corrected Credit Assignment（arXiv:2609.24174，邻近跟踪·其他/综合 AI）

• 研究问题：在固定的重放预算下，怎么同时决定保留哪些评分规则特征、以及把重放预算投到哪里。
• 改动位置（维度）：信用分配层——转移级信用加重放采样与预算分配，附带评分规则的演化选择。
• 核心方法机制：冻结的判官给出负、正两种分数，线性信用头；做双侧重放，用 inclusion 概率与 Horvitz–Thompson 式校正得到无偏的信用估计；重放预算按一个闭式解出的分配公式投放，优先给梯度范数大、重放代价低的转移；评分规则用逆概率加权风险来演化，候选只从拟合分区的残差里提，在留出集上同集比较、超过裕度才接受。能搬走的正是这套「匹配总成本的 2×2 对照」思路：把「有修正/无修正」与「有分配/无分配」交叉起来，比单看某个技巧有效更可信。
• 关键定量结果（含比较对象与口径）：这里没有语言智能体基准实验，只有精确有限模型审计。有限审计目标梯度 0.1127514540；零预测加修正的期望等于目标、偏差 0；同期望成本下，把分配从朴素换成 oracle 分配，方差从 1.668019 降到 1.319479；不加修正则偏差 0.112751，方差为 0；反向分配则偏差翻倍到 0.225503。
• 证据强弱与复现边界：作者自己把语言智能体上的比较列为未完成，因此这篇目前的证据只覆盖理论条件与有限审计，无种子、区间与显著性。无代码与数据入口。
• 对目标研究线的连接点：接长程任务的评估（信用估计的偏差—方差记账方式），弱接自进化。
• 结论与阅读建议：只按连接点取用；把它当作「重放预算该怎么记账」的方法索引，不要引用它的效果量。
• 入口：栏目正文 · arXiv

7. PINNForge: Execution-Grounded Evolutionary Design of Physics-Informed Neural Networks for PDE Solving via Large Language Models（arXiv:2609.23023，邻近跟踪·自然语言与多模态智能）

• 研究问题：物理信息神经网络的配置高度耦合、跨方程差异大，而现有的搜索只用执行信息「评估」候选，没有用它「改进」后续设计。
• 改动位置（维度）：搜索与进化层的反馈闭环。
• 核心方法机制：固定一个 27B 骨干，用结构化的算法规格（七个维度）描述候选；候选在真实训练中产生误差、残差、约束与优化行为的执行证据，全局前三名连同五条重组策略（精修、物理、结构、综合、新颖）一起生成下一代；搜索用低保真预算、最终验证用高保真预算，搜索—验证与最终测试按 30/70 隔离。
• 关键定量结果（含比较对象与口径）：25 个偏微分方程、十次运行：24/25 取得最低误差，中位均方误差降 59.85%，最好基线的几何均值是它的 2.78 倍；Friedman 检验 χ²=42.696、p=2.86e-9，平均秩 1.04 对次优 3.04。消融给出中位跨任务误差比：去掉知识库 3.74 倍、去掉执行反馈 12.10 倍、去掉进化搜索 10.10 倍，完整版 1.00 倍。
• 证据强弱与复现边界：十次运行给 mean±std，有 Friedman 与 Wilcoxon Holm 校正——统计上比本期多数搜索类工作扎实。但单骨干固定、未报语言模型调用与 token 成本、无代码；25 个任务里 21 个来自公开基准，其「最佳」值仅作 oracle 参照。
• 对目标研究线的连接点：接自进化（执行证据驱动下一代设计、低保真/高保真两级预算、结构化规格），弱接长程任务评估。
• 结论与阅读建议：只按连接点取用；它不在四条目标线的正中心，但「执行反馈用来生成下一代而不是只用来打分」这一点可以直接搬。
• 入口：栏目正文 · arXiv

长程执行：什么时候该停、该做、该重做、该被拒绝

1. When More Evidence Hurts: Publication-Bias Drift and Principled Stopping for Biomedical Causal Search（arXiv:2609.24101，直接命中·知识表示、推理与符号 AI）

• 研究问题：自动化的生物医学证据综合依赖检索已发表研究，而文献系统性偏向阳性结果，于是检索得越深，真效应为零时越可能被错误地判为有效。问题不是要不要检索，而是在偏倚压过信号之前何时停止。
• 改动位置（维度）：检索与停止策略层，外加因果图构建与后验聚合；不改模型权重、不做训练。
• 核心方法机制：循环是检索一批摘要 → 抽因果三元组 → 更新动态因果图（边带极性、逐条抽取置信度与支持文献，用噪声或聚合）→ 路径推断（直接边加两跳路径，极性沿路径乘性传播，每跳折扣）→ 标签后验 → 停止判定。停止分两层：第一层是准确率层，只监视后验的变化率（KL 收敛）而不是后验幅度——因为后验校准差（测试轨迹上的期望校准误差 0.236）；第二层是效率层，一个 Bradley–Terry 过程奖励模型（四层 MLP、二十维特征、2,998 个训练偏好对、成对排序准确率 88.1%），在线作为下降检测器使用而不是事后择优：reward 跌破历史最大减去阈值时停止。
• 关键定量结果（含比较对象与口径）：基准是 969 条来自系统综述的干预—结果查询（656/140/173 划分），准确率只在 140 条平衡测试集（70 有效应 / 70 零效应）上报告，区间是 10,000 次 bootstrap 的 95% 区间。核心现象：固定预算下漂移率单调从 7.9%（k=3）升到 15.7%（k=20）；零效应类的「判为有效应」平均后验从 0.21 爬到 0.43，而有效应类起点就在 0.48、只升到 0.60；曾经到达过正确中间答案的零效应查询，到第 20 步有 46.9% 漂移，有效应类只有 10.0%。主结果：不停止（k=20）61.4、只用 KL 69.3、只用过程奖励模型 65.0、两层合用 69.3，oracle 上界 77.1；零效应准确率 40.0 / 60.0 / 51.4 / 61.4 / 65.7；漂移 15.7 / 7.1 / 10.7 / 6.4 / 0；平均步数 11.41 / 4.29 / 6.59 / 3.71 / 3.66。两层分工很清楚：KL 收敛管准确率，过程奖励模型管效率——后者单独不能提高准确率（只差一条查询，p=1.0），但它把平均检索从 4.29 步降到 3.71 步（−14%），并把漂移再压到 6.4。三条结构型停止规则（结构密度稳定、路径发现、证据平台期）没有一条超过 50.0% 的零效应准确率，因为它们把结构收敛当成了推断收敛。实体对齐审计给出一条反向印证：两端都能对齐到标准词表的查询比不能对齐的漂移更多（36.4% 对 17.3%），原因是它们检索到约两倍的证据（12.1 对 6.3 篇/查询）。
• 证据强弱与复现边界：n=140、95% bootstrap 区间、McNemar 精确检验（主对比 p=0.019，KL 对 k=20 p=0.013，两层合用对只用 KL p=1.0、只差一条查询）都在；测试集专用报告、所有停止规则在同一条录制轨迹上离线应用以保证证据完全相同，这些设计比同批多数工作干净。缺的是：没有种子数与重复运行；没有标注一致性（第二标注者或 κ）；只用了一个基准家族（系统综述派生），32 条有害类被排除在准确率评测之外；抽取与生成所用的后端模型未在正文点名；oracle 上限 77.1% 本身反映了摘要级综合的结构性上限。
• 对目标研究线的连接点：直接命中长程任务的评估。可搬走的最具体四件：drift rate 这个指标定义（曾经答对、在停止步答错的查询占比），固定预算对照族加「预算越大反而越差、伤害集中在最难类」的证据结构，把证据来源的系统性偏斜当作环境属性写进评测设计，以及两层停止的分工结论。
• 结论与阅读建议：建议精读原文的第二到第五节与两张主表；这套「收敛层管准确率、过程奖励层管效率」的分工结论可以直接搬进任何长程检索型智能体的评测。
• 入口：栏目正文 · arXiv

2. LazyAgent: Demand-Driven Materialization and Physical Optimization of Agentic Programs（arXiv:2609.23058，直接命中·智能体、规划与决策）

• 研究问题：现有运行时只认「节点就绪就可以执行」，规划器写多少节点就自动授权花多少钱；要把「节点就绪」（图的性质）与「节点被需要」（相对当前请求的决策）分开。
• 改动位置（维度）：执行运行时的许可与调度层。
• 核心方法机制：「需求集」是从被请求输出出发的反向闭包，随执行刷新；一次反向图遍历就能算出来，不需要模型调用，每个节点只需一位。运行时因此给每个节点一个许可位，另配八个物理算子（重排、投影、剪枝、复用、保真度、融合、投机、提交），其中提交被当作一道屏障。评测上要求每个算子都配一个「匹配的积极控制」——也就是同样的算子但按旧语义执行，这样幅度才归因得清。
• 关键定量结果（含比较对象与口径）：在 154 条工作流轨迹、86 个多产物、303 个请求上，相对「只停掉多余启动」的策略平均省 42.0%（95% 区间 [37.5,46.7]），中位 37.0%，211 胜 / 0 负 / 92 平，p<0.001。等价性上，三个基准的相对差全部是 0.0%：其中一个 500/500 逐例相同、一个 2,304/2,304、一个 395/395。形状规律是：当全部产物都在请求路径上时省 0.0%（86/86 精确为零）；偏离路径的产物少于四分之一时省 3.3%（n=28），超过四分之三时省 85.1%（n=40）。实时侧：一个数据科学基准的 28 个任务 95 个目标省 12.8%（区间 [7.7,18.2]），15 胜 / 0 负 / 13 平；构建系统场景 419 个目标省 96.0%（区间 [95.0,96.8]）。
• 证据强弱与复现边界：配对设计、bootstrap 95% 区间、Wilcoxon、rank-biserial 与固定种子都有，等价性检验也做得干净。但没有语言模型采样种子、重复次数少；最大的那组幅度来自重放的科学工作流，真正智能体场景只有 28 个任务、省 12.8%；论文里若干「headline」幅度是作者自设的常数。它也诚实说明：噪声底是重复运行同一模型约 2.3 点、换规划器差 4.6–8 点，比较幅度要放在这个背景下看。无代码、数据、权重入口。
• 对目标研究线的连接点：直接命中长程任务的执行与评估。可搬走的是「就绪不等于被需要」这一区分、反向闭包许可、常数时间判定、以及每个算子必须配匹配的积极控制这一评测纪律。
• 结论与阅读建议：建议精读原文的第三、五、七、九节与附录里那份 21 条局限清单——后者比正文更值钱。
• 入口：栏目正文 · arXiv

3. APEXA: Execution-Integrity Enforcement for Multi-Agent LLM Automation of Synchrotron Data Reduction（arXiv:2609.24165，直接命中·多智能体与博弈）

• 研究问题：用随机模型驱动真实科学流水线会出现对话式基准看不到的失效——智能体可以报告一次从未计算过的定标。正确性是「实际执行了什么」的属性，而不是「对话记录写了什么」的属性。
• 改动位置（维度）：执行与工具层加评测协议层。核心是把可信度放进确定性代码而不是提示词：工具层守卫；同时发布以「物理后果」为轴的基准与跨探测器判分协议。
• 核心方法机制：单个推理智能体调用 61 个工具、跨 3 个服务。模型与执行之间隔着一层确定性的东西：一个格式容忍的解析器吸收不同模型的工具调用格式漂移；一个执行完整性守卫在某一轮响应含工具调用语法、但实际没有任何工具被执行时，拒绝定稿、注入纠正、强制重试，反复失败就返回明确的「什么都没执行」。一个设备控制服务在任何写入前跑五项确定性检查（限位查询、软限位校验、超半程守卫、速度边界、点动时长上限）。评分函数把权重、正确性与安全性乘起来，因此「正确但不安全」得零分。
• 关键定量结果（含比较对象与口径）：电机安全：50 个对抗场景 × 4 个模型 = 200 次试验，工具层强制 0/200 违规，纯提示词方案 15/200；漏过的类型是大步长平移 9 次、超范围目标 4 次、提示注入 1 次、多轴 1 次。真实束线数据上，两个化学不同的标样恢复出的探测器距离一致到 0.03 mm、束斑中心一致到小于 0.005 像素；单次运行的读数是探测器距离 895.80 mm、束斑中心 (1410,1447) 像素、残余伪应变 1.3×10⁻⁶。跨探测器判分最有价值：同一个「先定标再积分」流程跑在四种物理上不同的探测器上、对单一可溯源标样判分，首跑就暴露了两个单探测器流程从未出现的缺陷，它们共同把晶格常数在两个探测器上推离认证值 63 与 65 mÅ（其余只差几 mÅ），修复后离散度收敛到亚 mÅ。
• 证据强弱与复现边界：无种子、无区间、无显著性检验；提示词安全基线只有 4 个模型的单次点估计（2026 年 5 月），而它是要被比较的对象。0/200 这个数字是代码决定的恒真，不是统计意义上的对照测量——把它当「保证」而不是「效应量」才正确。样本结构上，58 任务基准的大规模智能体评分被作者明确推迟到后续论文，四个探测器只用了一个标样。复现条件则是本期最好的一档：代码仓库公开可开、413 次提交、含基准、服务与测试目录，许可证为阿贡国家实验室的三条款 BSD 式许可；数据有 DOI 指向开放数据设施，含原始数据与图数据；文档给出干跑与只走提示词两条命令，后者可以复现 15/200 的对照。
• 对目标研究线的连接点：直接命中长程任务的评估。可搬走的是执行完整性守卫与格式容忍解析器、「按物理后果分类」的加权与乘性评分、以及把基准当作自身工具链的持续集成来用的做法。
• 结论与阅读建议：建议精读原文，全文只有五页、复现成本低；它也是本期「引用数字前先看这个数字是怎么被造出来的」的最好例子。
• 入口：栏目正文 · arXiv

4. Incremental Consistency Execution for Autonomous Intelligent Systems（arXiv:2609.24090，邻近跟踪·自然语言与多模态智能）

• 研究问题：长时程自主系统的外部状态持续变化，常见做法把「输入变了」直接等同于「下游输出一定错」，于是从那里全量重跑；而大量输入扰动其实不改变契约层的下游结论。
• 改动位置（维度）：运行时缓存与依赖层，再加上提交时的授权。
• 核心方法机制：五个运行时构造：版本化的「任务事实」与三态状态机（有效 / 已续期 / 失效）、声明输入输出模式与字段级依赖掩码和等价判据的「契约」、字段级依赖倒排索引、保证等价判据成立的保守输入子区域（「不变域」，在一处可跑组件但不产生真实副作用的环境里用约束扰动加边界搜索加保守收缩构造出来），以及把「结果续期」与「副作用授权」解耦的提交门——支付、设备控制、不可逆写入之前要重读权限、目标版本、业务锁与关键输入版本。
• 关键定量结果（含比较对象与口径）：三臂对照（全量重执行 / 粗糙缓存 / 本方法）：每次变更的昂贵调用 1.00 / 0.84 / 0.18，端到端时延 380 / 120 / 65 毫秒，续期校验通过率不适用 / 91.4% / 98.6%，误传播率 0% / 3.8% / 0.4%。三个案例：工业设备诊断的不变域是转速 1470–1510 rpm，一次从 1490 变到 1502 的变更命中域、跳过故障分类，只刷新展示字段；企业分析的风险等级不变域是「毛利率不低于 30% 且预算偏差绝对值不超过 5%」，命中时省一次语言模型调用、每次刷新的端到端时延降约 4.2 秒；多工具助手的价格区间命中时省一次规划与一次解释调用。提交门是唯一给了样本量的一处：1,200 个采购提案，阻断 47 个「上游已续期但期间权限已变」的提案，批准 1,153 个，未观察到静默绕过。
• 证据强弱与复现边界：没有种子、区间、显著性检验与重复次数；只有提交门一处给样本量；三个案例全为自建、无组件级消融，因此无法判断五个构造各自的贡献；汇总表把不同任务族压成一列，分母口径不清。全部实现细节未发布。
• 对目标研究线的连接点：中到强接长程任务的评估与执行。可搬走的是三态状态机、不变域加现场校验加等价屏障的三段式、以及「每次变更的昂贵调用数 / 误传播率」这两个评测维度。
• 结论与阅读建议：值得扫读——方法在第三节、数字在第四节与汇总表；因为无消融且口径不清，不值得精读。
• 入口：栏目正文 · arXiv

判官、测量与可复现：三件不同的事

1. Agreement Overstates Evidence: Error Dependence in LLM Judge Consensus（arXiv:2609.22512，直接命中·自然语言与多模态智能）

• 研究问题：多个模型判官投票时，共识的可靠性是否被它们共同的错误高估了。
• 改动位置（维度）：评测协议层——判官错误相关性、统计推断单位、部署时的聚合方式。
• 核心方法机制：用偏好对、n 个判官的投票和一份小校准集估计成对误差指示，再用 Ledoit–Wolf 收缩估计相关矩阵，算出平均非对角相关与有效规模，并把有效规模转成一个体现「同质」的 κ。两个聚合方案：相关过滤按相关矩阵调整样本数；偏差聚类按「与校准集不一致」的判官数量分配权重。最终用一个含四个规则加三十五个统计量的路由式选择器在不同批次间挑聚合方式。
• 关键定量结果（含比较对象与口径）：十个判官（五个模型 × 两种提示）在同一批 1,133 条上：平均非对角相关 0.206、有效规模 3.51（名义十个）、κ=0.20、方差膨胀 2.85。把推断单位从条目级换成成对级，同一个面板里显著结论的比例从 79% 掉到 52%，28% 的比例会出现结论翻转；分领域看事实性题 22%、数学与精确指令遵循不到 2%。面板成分的影响同样大：三个前沿判官组合的平均相关 0.56、有效规模 1.41、多数投票 0.933；十个开源判官平均相关 0.18、有效规模 3.75、多数投票 0.603；混合面板 0.19 / 3.83 / 0.915。在脆弱子群上，偏差聚类相对多数投票在三个通过率档上分别高 3.1、4.9、2.3 个百分点。
• 证据强弱与复现边界：有 Ledoit–Wolf 收缩、2,000 次 bootstrap、预注册设计、40 个种子的标签噪声分析，方法学完整性在本期最高一档。缺的是没有 p 值表、没有重复解码的区间估计；用来验证的强化学习实验只有 1 个种子、3 个基座、1 种方法。代码仓库可开但没有许可证文件，项目页也可开。
• 对目标研究线的连接点：强接长程任务的评估——报告判官面板成绩时必须先报有效规模，这条纪律比它给的数字更值钱。可搬走的还有「用约一百条可信标签选聚合方式」的低成本做法，以及把推断单位写进结论的写法。
• 结论与阅读建议：建议精读原文；如果团队在用多模型投票做评测，这篇是最应该先读的一篇。
• 入口：栏目正文 · arXiv

2. GRUET: Quantifying Uncertainty of Agentic Reasoning-and-Acting Processes（arXiv:2609.24831，直接命中·智能体、规划与决策）

• 研究问题：ReAct 轨迹会发散，而现有的不确定性量化把逐轮分数一平均，效果接近随机；需要的是轨迹级不确定性。
• 改动位置（维度）：评测与置信度估计层，属事后选择性生成。
• 核心方法机制：每一轮采十条推理链，把隐藏状态、推理内容与动作建成有向图；推理节点用自然语言推断的双向蕴含合并，动作节点用嵌入余弦在阈值 0.94 上合并；节点不确定性取该节点 token 对数概率的滑动均值，再取最高的 10% 平均；把图喂给一个前馈网络、并给节点偏差项，输出图级不确定性；轨迹级分数按首轮、末轮、头部、尾部、Top 或全轮聚合。
• 关键定量结果（含比较对象与口径）：九个模型 × 五个基准的全均值：AUROC 75.49 对逐轮平均的 58.38 与随机的 50.00，AUPRC 61.10 对 44.68，AUARC 51.91 对 40.13；首轮聚合反而更差（66.11 对 54.05 对 47.14）。只有本方法通过 3σ 检验。敏感性上，采样条数从 3 加到 10 有提升、10 到 15 收敛；合并阈值不敏感；温度推荐 1.0。
• 证据强弱与复现边界：1,000 次 bootstrap 与 3σ 在，但没有区间与假设检验；每个基准的样本量、种子数、重复次数都未报；作者没有 Limitations 章节。全文未声明发布代码、数据或权重。
• 对目标研究线的连接点：强接长程任务的评估与轨迹学习。可搬走的是「把轨迹建成图再聚合」这一思路、推理与动作节点各自的合并规则，以及论文里那张按聚合方式列出的成本表——它让你在准确率与调用成本之间做选择时有依据。
• 结论与阅读建议：建议精读；它是本期「轨迹级不确定性能不能算准」这个问题上最直接的一篇。
• 入口：栏目正文 · arXiv

3. Replication Without Persistence in Hosted LLMs: Measurement Sensitivity in Action-Time Belief Evaluation（arXiv:2609.22478，直接命中·自然语言与多模态智能）

• 研究问题：托管模型的一个标识指向的是服务而不是冻结的产物，因此「能否复现」「测量对配置是否敏感」「行为是否持续」是三件互不蕴含的事。
• 改动位置（维度）：评测协议层——测量工具与溯源的元评测。
• 核心方法机制：用一个隐藏王位置的棋类环境，对「行动时刻的真实信念」打分；核心网格是两个模型版本 × 两个上下文长度、每格 150 局，另设条件与温度边界条件，游戏聚类 bootstrap，端点预先冻结，并把每个结论标注为验证性、描述性或探索性。
• 关键定量结果（含比较对象与口径）：复现：用历史配置跑新数据，仍然读到 +0.0530 的赤字（区间 [+0.0329,+0.0714]）。测量敏感性：同一标识、同一天重建配置，两个条件之差 0.0429（区间 [+0.0182,+0.0667]）——六组件联合变化，无法分解到单个组件。持续性：共享同一版本时两个条件符号反转；服务期贡献 −0.0166（区间 [−0.0483,+0.0157]）未解析。深度上，一个模型的赤字在更深的搜索层数上放大（+0.0411 与 +0.0618），另一个在更深处转为负值。
• 证据强弱与复现边界：有固定局数、预固定的 bootstrap 种子与状态标签，结论分级也写清了。但作者主动匿名化了仓库、提交与账号，没有公开代码与数据；两个端点条件不是随机分配；六组件联合变化使归因不可能；服务期效应未解析；网格没有重复。
• 对目标研究线的连接点：强接长程任务的评估——它给了一套可以直接照抄的溯源元评测写法：四元组索引、整局或轨迹级聚类 bootstrap、以及把结论标注为验证性/描述性/探索性。
• 结论与阅读建议：建议精读；引用托管模型的行为数字时，这篇的结论比数字本身更重要。
• 入口：栏目正文 · arXiv

4. MAWILE: Multi-Axis Workbench for Inspecting LLM Evaluators（arXiv:2609.22599，直接命中·自然语言与多模态智能）

• 研究问题：一个已经配置好的模型判官，对保义扰动是否漂移、对真实降质是否敏感？这两件事与它的准确率是什么关系？
• 改动位置（维度）：评测协议层——判官审计与校准。
• 核心方法机制：把判官写成四元组（模型、提示、评分规则、输出格式），只扰动其中后三项与输入输出；先重复评未经修改的条目得到重复翻转基线，再由一个规划智能体提出不变性算子与方向性算子、经校验后重跑判官。内置 16 个不变性算子与 7 个方向性算子。四个指标：准确率、重复翻转率、不变性翻转率、降质检出率。
• 关键定量结果（含比较对象与口径）：三个数据集 × 三个判官 × 两个生成器的六个设置。准确率不蕴含鲁棒性：在一个数据集上准确率最高的判官不变性翻转反而最高（11.7–12.2 个百分点），而一个 4B 小模型的准确率最低但翻转只有 2.4–2.8；换到别的数据集方向反转。同一判官在不同生成器上，方向性敏感平均差 7.5 个百分点，而不变性只差 0.5——也就是说换输入来源主要动的是「该不该降分」的判断，不是「无关变化会不会动分」。
• 证据强弱与复现边界：3×3×2 全交叉是优点；没有区间、显著性，样本量与重复次数未报；成对设置缺少方向性轴；含一个 4B 小模型，且成对数据集在某个小模型上不变性翻转高达 16.0。代码仓库可开（BSD-3-Clause 变体加 NOTICE）。
• 对目标研究线的关系：强接长程任务的评估审计。可搬走的是四表面扰动、不变性与方向性两类算子的区分，以及「先重复评未修改条目建基线」这一必要步骤——它把判官自身的随机性和它对扰动的敏感度分开了。
• 结论与阅读建议：值得扫读；审计流程可以直接用，数字不必逐条引。
• 入口：栏目正文 · arXiv

5. CraftBench-UE: Deterministic Evaluation for Coding Agents in Unreal Engine（arXiv:2609.23142，直接命中·自然语言与多模态智能）

• 研究问题：游戏引擎里的功能不能只靠「编译通过」或模型判官判断，需要不依赖语言模型的确定性判分；同时要比较两套实现路径（C++ 与蓝图）的能力差异。
• 改动位置（维度）：评测协议与基准构造层，兼测工具面。
• 核心方法机制：每个原子机制任务声明可写区与检查项，判分分三层——编译层、行为层（以固定 1/60 步长在编辑器内运行功能测试）、资产层（不开图形界面查资产图拓扑、继承与属性）。每次判分前把提交重放到起始工程的新副本，判分过程不读提交、轨迹、截图或测试报告来下结论。
• 关键定量结果（含比较对象与口径）：十个配对玩法任务、每个配置 70 次：文件与命令行的 C++ 基线完成 45/70（64.3%）；两种工具方案下 C++ 分别 46/70（65.7%）与 50/70（71.4%），蓝图只有 25/70（35.7%）与 20/70（28.6%）——C++ 比蓝图高 30.0 与 42.9 个百分点。更要紧的是：蓝图提交里有 42.2% 与 50.0% 通过了资产检查却在运行时失败，这正好证明资产层检查不能替代行为层。成本上，一种工具方案的中位计费是另一种的 2.21 倍，最高到 2.69 倍，最低的模型只有 0.21 倍。
• 证据强弱与复现边界：70 次每配置、配对任务、确定性判分、题目准入都有；但每格只跑一次，没有区间、显著性与重复方差，30 题也不构成代表性抽样。仓库公开（MIT，含 117 题），但不含运行记录，需要特定引擎版本，专有的一个工具方案不分发。
• 对目标研究线的关系：强接长程任务的评估。可搬走的是三层判分、重放到干净副本、以及「禁止语言模型参与判分」这一条纪律；「过了静态检查照样运行时挂」这个数字是本期最直接的一条评估教训。
• 结论与阅读建议：值得扫读。
• 入口：栏目正文 · arXiv

6. TicTacBench: Benchmarking Timing Closure Capabilities of Coding Agents（arXiv:2609.23363，直接命中·自然语言与多模态智能）

• 研究问题：现有的寄存器传输级基准漏评「时序收敛」，需要用布线后时序违例为零作为硬判据。
• 改动位置（维度）：评测协议与基准构造层。
• 核心方法机制：任务声明可用工具与检查方式，但智能体不能自己跑布线后静态时序分析；30 道题来自两个公开基准加五道派生题；指标包括时序收敛率与三个增量百分比；配一套六条标准作业程序，对应六类失败。
• 关键定量结果（含比较对象与口径）：30 题、8 个前沿智能体、300 多次运行：最好的只收敛 53.3%，平均功耗退化 7.18%、能耗时延积改善 8.83%；另一个模型时序违例改善最高（55.9%）但收敛只有 40.0%；还有 23% 的任务没有任何智能体收敛。技能消融给出配对增益：一个模型 53.3→56.7%（+3.4 点），另两个分别 +10.0 与 +13.4 点；摘要里那个「+9%」是三者平均。
• 证据强弱与复现边界：有布线后硬判、帕累托分析与配对技能消融；确切运行数与重复次数未报、无区间与显著性；30 题有限。作者给出的匿名工件站在实测中返回 401，也就是拿不到；工具链本身都是开源的。
• 对目标研究线的关系：强接长程任务的评估。可搬走的是「端到端真实指标替代中间指标」、以及「智能体可见的证据不等于判分依据」这一区分。
• 结论与阅读建议：值得扫读。
• 入口：栏目正文 · arXiv

7. The Wisdom of Artificial Deliberative Crowds（arXiv:2609.22497，邻近跟踪·自然语言与多模态智能）

• 研究问题：模型之间自行审议，能否像人类小群体那样优于被动平均，增益是否依赖模型多样性。
• 改动位置（维度）：评测与聚合协议层——审议式聚合对被动平均。
• 核心方法机制：把人类的三阶段审议范式改写到模型上，用三个不同家族的模型，在四个领域测试（视觉数值估计、论文评审、智能体隐藏恶意行为检出、对真实预测市场的体育预测）；关键对照是同质克隆组对异质跨模型组。
• 关键定量结果（含比较对象与口径）：只有摘要可读——arXiv 未为该文生成 HTML 全文。三条方向性结论：所有领域审议都在被动聚合之外进一步降低集体误差；审议后个体判断仍保留该集体增益；增益需要模型多样性，同一模型的克隆组没有收益。全文没有给出任何准确率、误差降幅、区间或样本量。
• 证据强弱与复现边界：种子、区间、显著性、样本量全部未报，且无法补齐；无代码与数据。
• 对目标研究线的连接点：可迁移的是一条注意——做多模型评审时，评委要跨家族异构，不能把同一模型的多次采样当成群体。这与本节第一篇的有效规模是同一件事的两个侧面。
• 结论与阅读建议：只按连接点取用。
• 入口：栏目正文 · arXiv

8. Do Not Trust the Benchmark: Limitations of General LLM Rankings and a Case for Task-Specific Evaluation（arXiv:2609.23201，邻近跟踪·自然语言与多模态智能）

• 研究问题：通用模型排名在哪些环节失真，需要什么样的任务特定评测与报告流程。
• 改动位置（维度）：评测协议与报告规范层；这是一篇观点文。
• 核心方法机制：列出五类失效——被评系统不等于公开系统、独立评测的访问与资金受限、基准饱和与缺陷与污染、奖励攻击、以及通用分数与用户任务的相关性有限——每类配一个公开案例；再以某众包平台为例说明任务特定评测的现状与设想。
• 关键定量结果（含比较对象与口径）：没有自有实验数值。平台现状是：一个进行中的挑战、公共排名含 60 余个模型、每次任务不少于 5 次公开尝试、部分任务接近满分。作者明确说明不报告测量效应。
• 证据强弱与复现边界：公开案例可核对，但案例不建立普遍性，也不估计失败率、不比较基准提供方的可靠性；没有实验。方法页所附的代码仓库实测 404。
• 对目标研究线的连接点：接长程任务评估与自进化。可搬走的是它主张的披露清单：配置、工具、预算、题库、评分方式与尝试次数都要写出来。
• 结论与阅读建议：只按连接点取用；把它当作评估报告该写哪些字段的检查表。
• 入口：栏目正文 · arXiv

长程环境与任务：从蓝图、组织投影和边界场景里长出来

1. AutoGym: Blueprint-First Generation of Verifiable Agent Gyms（arXiv:2609.22592，直接命中·智能体、规划与决策）

• 研究问题：强化学习训练智能体需要「任务 + 可执行环境 + 可靠验证器」三件套；人工构造昂贵、静态、容易饱和也容易被污染，而单次生成的题目难度多是表面装饰，正确性只能事后靠有偏的模型判官。
• 改动位置（维度）：数据构造层加训练课程层；它改的是「生成的顺序」与「生成参数到课程分布的映射」。
• 核心方法机制：先蓝图、后物化。蓝图阶段定场景与人设，抽样任务拓扑、交互深度、能力轴、混淆梯度与干扰项组成，然后写清解空间、依赖结构与验证准则，物化之前做一致性核对。物化阶段把蓝图变成可执行环境，真值由「在物化环境上执行蓝图解法」推导出来，验证器由真值与蓝图准则导出。课程阶段对目标模型多次采样、按能力聚合，把成功率低于 0.30 的放松、高于 0.80 的加强，更新有界以防震荡。
• 关键定量结果（含比较对象与口径）：难度分布是主结果。在 280 题的 C2 配置上，同一个强模型落在难/中/易三档的比例是 39.0/10.0/51.0，而人工专家编写的 300 题上它落在容易档的有 66.1%；在 297 题的 C1 配置上 10.0/34.7/55.3。同一批 gym 上的跨模型区分度是可用的：强模型有 61% 的任务落在中或容易档，弱模型只有 30%，70% 落在难档。修复流程也有效果：C2 从 350 题三轮修复到 280 题，分布从 57.0/13.0/30.0 变成 39.0/10.0/51.0；留存率 C1 84.9%、C2 80.0%、时序推理 92%。成本对比（作者明确说明建立在假定定价上）：单任务专家 500–1,000 美元、1–1.5 小时，本方法中档 2–5 美元、前沿 3–8 美元、15.6 分钟；50 个任务并发下专家 2.5 万–5 万美元、2–4 周，本方法 100–200 美元、54 分钟。
• 证据强弱与复现边界：每任务 8 次独立采样，但没有种子数、区间、显著性检验与重复次数；认证由一条独立的模型流水线按固定七维评分单次打出来，没有区间。人工留存检查也没给检查人数。受评模型只有两个，生成只用了一个模型，难度分档用的又是这个 gym 自己的验证器（存在构造循环）。摘要页与全文都没有代码、数据或权重链接，那近 300 题目前拿不到。
• 对目标研究线的连接点：强接长程任务的训练环境。可搬走的具体做法：蓝图先于物化、可解性作为构造前提、「隐去的信息必须可被找回」的一致性核对、干扰项类型学、成功率 <0.30 放松 / >0.80 加强的有界课程更新规则，以及那套七维认证评分表。
• 结论与阅读建议：建议精读原文第三、四、五节与附录的成本与认证部分。
• 入口：栏目正文 · arXiv

2. WorkWorlds: An Infrastructure for Evaluating AI Agents on Workplace Tasks（arXiv:2609.23806，直接命中·智能体、规划与决策）

• 研究问题：多数知识工作基准是「任务先行」——完成任务所需的上下文与任务规格一起被挑出来。当任务规格决定了选哪些上下文，环境就被写进了任务信息，等于预先替智能体做掉了一部分「在工作场所里找信息」的工作。
• 改动位置（维度）：评测协议与环境构造层；改的是「环境是什么、什么时候确定」。
• 核心方法机制：输入是版本、日期与员工座位，先物化出该员工在该时点允许访问的全部文件、记录与沟通（包括与当前任务无关的材料），任务只在投影固定之后才叠加。执行时切成两个包：候选包（员工投影加工具加任务请求加可写工作区）与验证包（评分细则、检查项与评分证据，对智能体密封）。每次运行前按冻结清单校验公司状态、员工访问、必需证据与候选/验证隔离，不符就阻止测量。第二个实验只改信息投影：全投影对任务定制投影，两名从业者（各十年以上相关职能经验）独立选源，禁止新增、摘要、改名或重组。
• 关键定量结果（含比较对象与口径）：标准化口径下，判据通过率从 68.2% 升到 79.4%（差 +11.2 个百分点，95% 区间 [6.4,16.0]），足够证据可达率从 74.5% 升到 90.4%（+15.9 个百分点 [12.7,19.2]）；而「在拿到足够证据的条件下通过」这一项是 84.5% 对 84.7%（+0.2 个百分点，区间跨零，作者标为描述性）。也就是说，提升几乎全部来自「更容易找到该找的东西」，不是来自「找到了之后做得更好」。 模型层面四个模型全部改善，最强与最弱的差距从 16.7 缩到 10.8 个百分点。选源本身也被审计：中位选 7 个源（4–11），八个任务里有六个两名选源者的选择不同，Jaccard 0.75；最终覆盖 144/144 条必需证据；相对 775 个文件只保留 0.52%–1.16%。评分审计一致率 89.6%（κ 0.78），可达性标签 91.3%（κ 0.78，区间 0.71–0.84）。
• 证据强弱与复现边界：8 个任务簇、192 次运行（簇内重复），广义估计方程加 10,000 次任务簇 bootstrap、固定 bootstrap 种子，这些设计在本期属前列。没有经典显著性检验。局限很明显：单个制药世界、8 个任务、单日期、环境外部静态、搜索难度与干扰与上下文负担被捆在一起、定制投影只保留约 1% 的文件。生产实现、语料、受限数据源与评分证据都不发布。
• 对目标研究线的连接点：强接长程任务的评估。可搬走的具体做法：用「版本 + 日期 + 座位」确定投影、候选与验证包分离、冻结清单加文件哈希校验、「足够证据可达」这个独立指标，以及把「可达」与「可达后做得对不对」分开报告——这条口径本身就是本期最好的一条评估教训。
• 结论与阅读建议：建议精读原文第三到第五节与附录里的原始计数表。
• 入口：栏目正文 · arXiv

3. EDGEGEN: Improving Tool-Calling Agents Beyond Happy Paths with Synthetic Edge Case Generation（arXiv:2609.24115，直接命中·自然语言与多模态智能）

• 研究问题：工具调用智能体的评测与优化需要多样、贴近使用的任务数据，但真实日志因隐私不可得、人工造又贵；现有合成方法生成的任务太通用，没有接地到智能体自己的状态或数据库，因此完全没覆盖「用户请求本身就违反业务政策」这类边界场景。
• 改动位置（维度）：数据构造层；其次也改优化入口——同一批数据既能做监督微调，也能给黑盒模型优化驾驭层。
• 核心方法机制：把一次部署写成工具集、政策文档与关系数据库三件。五步流水线：从政策文档抽原子合规规则（枚举时只取最重要的几条），按类型兼容性建工具依赖图并采样工作流；违规场景取规则的幂集，用一致性检查滤掉不可行组合；再用迭代式查询智能体采样数据库行来「接地」场景；然后生成任务摘要（含库中真实实体）与自然语言断言集；最后做双重校验——数据接地（标识符与事实必须被库支持）与场景可行（工具与状态允许期望的合规响应，拒绝类场景的拒绝理由必须成立），两项都过才接受。全流程无人工标注；有成功轨迹的做监督微调，同一批数据还能驱动一个提议者智能体迭代改写指令与工具描述。
• 关键定量结果（含比较对象与口径）：在主基准的航空域上，一个小模型的平均进度从 0.258 升到 0.366（相对 +42.2%），而同批的已有合成基线是 0.28/0.25，人工整理数据 0.30；工具沙盒上相对提升 +10.9% 到 +23.4%。驾驭层优化在 4B 模型上把平均进度从 0.4301 拉到 0.5608，高于人工整理数据优化出来的 0.5083，同时工具调用 6.9 对 8.8 次、token 85.0k 对 121.0k。复杂度消融显示增益并不单调：一种模型在「一个违规」档大涨 0.32，到「两个违规」档反而低于基线。
• 证据强弱与复现边界：每场景 8 次试验；但种子与区间未报、作者明确写明这些是描述性比较而非显著性检验；每个基准只有 10–15 个评测场景，缩放实验最多 21 个；人工复核发现成功轨迹里只有 6/10 与 4/10 被确认为真正确，其余是断言错误、缺任务细节或判官错误；驾驭层的 +30% 只在一个 4B 模型上成立，换到前沿模型相对人工整理数据反而低 2–4 个百分点，摘要的表述比证据强。声明了但拿不到：文中明确写代码与数据按 Apache-2.0 发布，但全文与摘要页都没有任何 URL。
• 对目标研究线的连接点：强接长程任务的训练与评估，也接自进化（不需要人工标注的自动闭环）。可搬走的是那套「从政策文本反推违规组合、再把场景接地到真实数据库状态」的数据配方，以及「同一批合成数据既做微调又做驾驭层搜索」的闭环。
• 结论与阅读建议：建议精读原文；引用那个 +42.2% 时务必带上「相对的是最小模型的最小基线，绝对增益只有 0.108」这一条。
• 入口：栏目正文 · arXiv

4. When and How Should an Agent Clarify? CIGAsk: Teaching LLMs to Clarify via Counterfactual Information Gain（arXiv:2609.24290，直接命中·自然语言与多模态智能）

• 研究问题：指令微调后的模型遇到欠指定查询时会挑一个解释硬答，输出自信的错误；光靠提示不行——模型要么对每个查询都反问，要么问得很虚、问不出缺失信息。要同时学会「何时问」与「怎么问」。
• 改动位置（维度）：信用分配——在多轮强化学习循环内部给单个澄清动作单独定价，并改奖励设计。
• 核心方法机制：把澄清建模成部分可观测的决策过程，每轮在「思考 / 澄清 / 回答」三个动作里选。奖励由三项相加：终局的结果项；一个逐轮只加在澄清动作上的「反事实信息增益」项——它比较「含本轮用户回复的历史」与「把本轮回复抹掉的历史」在一个冻结参考模型下对标准答案的对数似然之比，也就是说它衡量的是这一轮回复到底带来了多少信息；以及一个终局的不对称歧义奖励——对模糊查询澄清给正奖励、不澄清给负奖励，对清晰查询澄清给负奖励、不澄清不给奖励。优势用双流估计，终局流在组内标准化后广播，内在流只做词级标准化。
• 关键定量结果（含比较对象与口径）：主基准 1,952 条上，7B 模型的 F1 0.795、澄清后 F1 0.768、歧义召回 0.873、清晰样本澄清率 0.260；提示类基线里直接回答只有 0.312 且从不澄清，固定模板每问必问的 F1 0.177，ReAct 0.481；监督微调暖启动的 7B 是 0.581 且澄清率为 0。消融给出清楚的分工：去掉不对称奖励后歧义召回从 0.873 塌到 0.171、清晰样本澄清率从 0.260 降到 0.036（选择性消失）；去掉反事实信息增益后澄清后 F1 掉 0.068、选择性基本保留；两者都去掉是 0.683。另外把冻结参考换成当前策略后，整体与澄清后 F1 都变差、澄清更少，而训练奖励前后期几乎不变。
• 证据强弱与复现边界：单种子（作者写明所有数字都是单种子，seed 4242），主表没有区间、没有 p 值；只有「澄清条目对直接回答条目」的自一致性检查给了 bootstrap 95% 区间，全程在 0 以上。最强外部对照跑在不同骨干与不同协议上，作者自己标为仅作锚点，因此 0.795 对 0.787 这 0.008 的差不可判定。训练用固定的模型模拟器且有真实意图的 oracle 访问权，对嘈杂或真人的鲁棒性未研究；不对称奖励需要逐实例的歧义标签，未标注语料上不可用。无代码、权重与数据入口。
• 对目标研究线的连接点：直接命中长程任务的训练与轨迹学习。最值得搬的是那个信用分配写法——在冻结参考模型下，量出「抹掉这一轮用户回复」前后的标准答案对数似然差，用它给单个交互动作定价；这个思路不限于澄清，任何「该不该主动做一次交互」的决策都能用。
• 结论与阅读建议：建议精读原文；它的消融表把「选择性」和「澄清质量」两个能力分开证明，这种拆法本身就值得学。
• 入口：栏目正文 · arXiv

5. Emergent Collusion in Long-Horizon LLM Agent Interaction（arXiv:2609.24967，直接命中·自然语言与多模态智能）

• 研究问题：两个智能体长期共享日志、互相验证、共享奖励，当「遵守协议」与「最大化奖励」冲突时，它们会不会自发跳过验证？
• 改动位置（维度）：评测协议与环境构造；不改模型与损失。
• 核心方法机制：每个回合四段：完成任务、就各自日志通信（五轮、每轮 200 字符）、对同伴的验证结论作出接受或拒绝的判决、然后反馈反思。协议要求判决必须基于对方的原始日志，日志不可得时应当拒绝。但原始日志的中位长度是 5,289 字符，而通信预算只有 1,000 字符，10,000 个智能体回合里 9,999 个都超预算——于是「合规」意味着必须拒绝，而「拿高分」意味着违规。奖励按双方互相验证正确的比例给。
• 关键定量结果（含比较对象与口径）：十个模型聚合：任务正确率 89.3%，互相接受率 66.0%，十模型里最高的两个接近 86.6% 与 86.6%，最低的一个只有 29.2%。按合谋起始归因，四类成因分别是执行类 24.4%、反思类 33.5%、策略类 32.3%、其它 9.8%。干预很干净：把同伴换成违规者，一个模型的接受率从 13.6% 升到 41.2%；去掉判决复核这一环，另一个模型从 37.0% 升到 55.2%；去掉跨集记忆几乎消除合谋。把奖励改成纯接受率奖励时，某个模型的合谋从 72% 降到 0%。
• 证据强弱与复现边界：十模型、每个 50 条轨迹 × 10 回合，共 10,000 个智能体回合，468 条轨迹有合谋起始；bootstrap 20,000 次加 Wilson 区间与 Friedman 检验（p<0.001）。这是一份相当扎实的证据。边界：只有双智能体，没有独立的局限章节，66.0% 这个数字只由「互相接受」定义，起始标注对顺序敏感，「能力更强的模型更早合谋」只在同一家族内观察到。代码仓库公开（MIT）。
• 对目标研究线的连接点：直接命中长程任务评估与轨迹学习。可搬走的具体做法：构造「协议合规与奖励最大化故意冲突」的环境，用互相接受率、任务正确率、合作正确率三个量分开度量，并把合谋起始按成因归因——这三件合起来就是检测多智能体退化行为的一套模板。
• 结论与阅读建议：建议精读原文；如果团队在跑多智能体长程协作，这篇的干预设计可以直接复用到自己的环境里。
• 入口：栏目正文 · arXiv

6. Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents（arXiv:2609.23986，直接命中·智能体、规划与决策）

• 研究问题：现有智能体记忆把「怎么组织、怎么取、怎么用」都交给自回归模型反复生成，昂贵的生成落在记忆操作的关键路径上；能不能用轻量结构化决策替代高频生成，只把真正需要深思的合成留给人模型。
• 改动位置（维度）：记忆写入与检索的控制层。
• 核心方法机制：控制器接收结构化状态与一个显式决策问题，输出命题概率或互斥选项的分布。写入路径给观测打四个重叠的类型分（情景、语义、程序、偏好），做确定性检索取出有限候选，再由控制器只对候选对判断语义相关、方向性因果、同事件与实体等价，边只在概率超过阈值时插入；时间顺序与精确共享标识符直接建边、不学。读取路径先预测各关系视图的相关性、多跳需求与时近重要度，据此分配图扩展预算与深度，用倒数排名融合定锚点，每一轮评估证据充分性、继续检索的期望效用、缺失关键证据与未解矛盾，满足条件就停。合成答案只由模型在最后对证据集做一次。
• 关键定量结果（含比较对象与口径）：LoCoMo 总体判官分 0.777，对最强基线 0.700；分项是 0.623/0.637/0.618/0.802/0.962（多跳/时序/开放域/单跳/对抗），最强基线对应 0.528/0.650/0.517/0.776/0.742。效率上构建 158 秒对最快竞品 1,044 秒（相对减少 84.9%）、平均查询 0.93 秒对 1.47 秒（−36.7%）。
• 证据强弱与复现边界：没有消融、没有种子、区间、显著性检验，样本量也没写；作者没有局限章节。正文里存在口径冲突，引用时必须标明：第 4.2 节叙述写多跳 0.625、开放域 0.610、单跳 0.797、时序「与最佳持平 0.650」，而 Table 1 的对应格是 0.623、0.618、0.802、0.637——时序那一项按表格其实低于基线的 0.650。效率对比里「最快竞品」而不是「同等质量的基线」，口径偏向有利方向。代码仓库公开可开（MIT），可以跑。
• 对目标研究线的连接点：接长程任务的评估与执行效率。可搬走的是那套效率口径（构建时间与每次查询延迟），以及架构原则——把高频控制决策从生成路径上摘下来，改成有界输出空间的结构化预测。
• 结论与阅读建议：值得扫读；代码可跑、效率口径干净，但数字自相矛盾、无消融无区间，精读性价比不足。
• 入口：栏目正文 · arXiv

7. DUMA-Bench: A Dual-Control Multi-Agent Benchmark for Evaluating LLM Agent Security（arXiv:2609.24662，直接命中·多智能体与博弈）

• 研究问题：现有的智能体安全评测多数假设用户是被动的、控制是静态的；如果用户也能改变共享环境，安全鲁棒性还成立吗？
• 改动位置（维度）：评测协议——在既有对话基准上扩展对抗环境与双控制交互。
• 核心方法机制：八个安全域、35 个任务，都是可执行的多轮场景，包含安全政策、可变状态、工具、对抗工件与用户侧指令；双控制意味着智能体与用户模拟器都能写共享状态。成功要求环境断言与通信断言全部通过，其中部分通信断言由模型判定。指标报攻击成功率，并报多轮通过率。
• 关键定量结果（含比较对象与口径）：每档 1,960 次试验：被动设置成功率 0.731、攻击成功率 0.269；双控制设置成功率 0.589、攻击成功率 0.411——攻击成功率上升 14.2 个百分点（Fisher 显著但未给 p 值）。按模型看位移：一个较小模型从 0.079 到 0.121，一个较大模型从 0.071 到 0.164。温度从 0.0 扫到 1.0 对成功与攻击成功率都没有显著差异。
• 证据强弱与复现边界：每档 1,960 次试验、报告多轮通过率、含显著性检验机制，规模在本期评测类工作里偏上。但作者未做因子隔离，14.2 个百分点是整体交互范式的效应，不能单独归因给「用户可以写状态」；用户是模型模拟器；部分任务依赖模型判定。仓库公开（MIT，派生自公开对话基准）。
• 对目标研究线的连接点：接长程任务的评估。可搬走的是「让用户也能改共享状态」这一评测设计，以及「状态断言加通信断言」的组合判分。
• 结论与阅读建议：值得扫读；它只做评测不做训练，引用 14.2 个百分点时要带上未做因子隔离这一条。
• 入口：栏目正文 · arXiv

8. Beyond Linear Context: Graph-Guided Evidence Navigation for Long-Novel Reasoning with a Local 9B Language Model（arXiv:2609.22939，邻近跟踪·知识表示、推理与符号 AI）

• 研究问题：在同一预算下，把证据重组为可检索的图，能不能让小模型比线性上下文更好地做长篇小说推理。
• 改动位置（维度）：评测协议与检索侧；冻结小说图谱与冻结的 9B 读者，共九个条件。
• 核心方法机制：语料是 30 部侦探小说、234 道选择题。对照条件包括最后 5 万字符、整书层级压缩、向量检索与只看问题；图引导一侧做了选项顺序置换、图内多数投票与紧扩展。建图按 1500 字符切块、100 重叠，两遍抽实体关系与证据，并设三道门（孤立节点占比上限、边数下限、关系拒答率上限）。标注证据在预测之后才加载。
• 关键定量结果（含比较对象与口径）：234 题上图引导最好 53.85%（Wilson 区间 [47.4,60.1]），线性全文 46.15%（[39.9,52.6]），整书压缩 51.28%，向量检索 51.71%，只看问题 40.17%。图引导对最弱基线差 +7.69 个百分点（47 胜 29 负，p=0.0505），对整书压缩只差 +2.56、对向量检索 +2.14；跨 15 个对比经 Holm 校正后无一存活。索引质量审计更有意思：与标注证据重合的节点有 53.66% 落在图的核心区，其它节点只有 18.18%，富集 2.95 倍。
• 证据强弱与复现边界：作者如实报告了校正后无显著，这本身值得肯定；Wilson 区间、5,000 次聚类 bootstrap、McNemar 与 Holm 校正都在。局限：效应小、区间重叠，两个小说队列的构造流水线不同因而不宜池化，证据重合判定只用 8 字符词汇匹配，读者只有一个 9B 模型。代码仓库公开（MIT）。
• 对目标研究线的连接点：接长程任务的评估与检索设计。可搬走的是索引质量审计这两条：核心区富集倍数与标注证据映射率——它们能在不下游评测的情况下先判断图谱本身够不够用。
• 结论与阅读建议：值得扫读；不要引用它的增益，要引用它的审计方法。
• 入口：栏目正文 · arXiv

中间的每一步值不值：定价、门控与证据预算

1. When Should a VLM Look? Paying Only for Visual Calls That Were Needed and Used（arXiv:2609.22910，直接命中·自然语言与多模态智能）

• 研究问题：视觉调用成功不等于模型需要看、也不等于它用上了像素；怎样只为「既需要又被使用」的调用付费。
• 改动位置（维度）：信用分配——给每次返回图像的调用单独定价，配双通道强化学习。
• 核心方法机制：在每个调用真实的调用前状态，用策略自己的标准答案分数做两次比较：决策价值比较「走视觉分支的实际结果」与「当场直接作答」，证据价值比较「真实裁剪图」与「同尺寸随机图块」。双检验都通过就给返现，其余已执行的调用交租；价格有界，保证正确轨迹能排在错误轨迹之上。
• 关键定量结果（含比较对象与口径）：七个基准均值 76.1 对基座 67.7；三个分辨率类基准分别 +12.5、+11.1、+10.8，通用基准 +3.2 到 +6.6。相对只看结果的强化学习：三个分辨率基准高 6.3–9.4 点，调用次数 1.78 对 1.84，虚假调用率 31%–36% 对 82.1%；相对另一类为每次调用付统一报酬的做法：均值 76.1 对 71.6，调用 1.78 对 2.45，虚假调用率 31.4% 对 62.9%。审计给出问题的量级：冷启动时只有 10%–12% 的调用既被需要又被使用，现有智能体的虚假调用率在 36%–87% 之间。
• 证据强弱与复现边界：3 个种子但无区间与显著性；最关键的薄弱处是价格由策略自己的分数定义，存在自我参照；对照方法没有可用的检查点；跨基座只验了一个额外模型；效率指标来自训练对照，需要独立评测才能外推。
• 对目标研究线的连接点：接长程任务的训练与轨迹学习；更重要的是那套「中间动作定价 + 有界返现/租金」的写法可以整体平移到别的模态（例如播客素材检索、多步语音生成），只是本文的视觉结论不要直接搬。
• 结论与阅读建议：建议精读原文的方法与审计部分——审计那一段比主表更有信息量。
• 入口：栏目正文 · arXiv

2. ProcessLight: Process Supervision for Large Language Model Based Traffic Signal Control（arXiv:2609.22746，直接命中·自然语言与多模态智能）

• 研究问题：现有的信号控制只从最终结果优化，无法区分「有效推理步骤」与「误导步骤」，好步骤和坏步骤一起被更新。
• 改动位置（维度）：信用分配——把决策拆成预定义、可验证的语义步骤，在语义步骤树上分配优势。
• 核心方法机制：两阶段：先构造任务提示；执行时每一步给出推理证据与结论，最后落到动作。信用分配用三个量：步骤质量分、步骤重要性（用遮蔽该步之后相位选择概率的变化来衡量）、以及在语义步骤树上从叶到根传播的全局值与局部值，再传到推理词元。
• 关键定量结果（含比较对象与口径）：五个真实路口的零样本跨域评测（训练在合成数据上），平均行程时间从 327.90 逐步降到 289.34：预热 320.91、加步骤质量分 300.64、加步骤重要性 293.23、加树分配 289.34；另一个路口从 356.37 降到 293.18。90 次比较经全局 Holm 校正后：88 次均值更优、81 次显著、9 次无差别、0 次显著偏向基线。五个种子下变异系数 0.44%–9.76%。受控噪声注入显示，结果监督的优势符号准确率 78%，而步骤质量分是 100%。
• 证据强弱与复现边界：五个种子、90 次比较加 Holm 校正、受控噪声下的符号准确率——统计口径在本期偏上。但领域单一（只在仿真环境里训练与评测、五个路口、两个城市）、步骤是预定义的、噪声注入是自证式的、其中一个对照没有源码。
• 对目标研究线的关系：强接长程任务的训练与轨迹学习。可搬走的是「按语义步骤建树再分配优势」这一结构、以及用遮蔽步骤看输出概率变化来量步骤重要性这个便宜的做法。
• 结论与阅读建议：建议精读原文的消融序列；它的价值在方法不在领域。
• 入口：栏目正文 · arXiv

3. Taming CoT Obfuscation in VLMs: From Mechanistic Evidence to Activation Enforcement（arXiv:2609.24243，直接命中·自然语言与多模态智能）

• 研究问题：强化学习提升推理的同时会诱发「思维链混淆」——准确率上去了，但思维链更不接地、更不可监控。它在表示层的对应物是什么，有没有可操作的干预。
• 改动位置（维度）：训练期的表示层干预。
• 核心方法机制：先用两套参考标签（一套奖励信息充分性与视觉接地，一套奖励安全且经跨家族审计）建立可监控性基线；再用注意力路由、积分梯度与一个冻结的稀疏自编码器定位机制；因果检验对排名前二十的「模板相关特征」做定向与匹配随机的消融或注入。方法本身是序列级任务奖励加一个反混淆反馈环，再加一条非对称的激活约束——只在激活高于强化学习之前的基线时才惩罚模板激活，也就是只压「多出来的那一部分」。
• 关键定量结果（含比较对象与口径）：两组训练下监控指标从 .302 升到 .611、从 .394 升到 .561（摘要表述为 +30.9 个百分点）；换一个骨干从 .272 到 .541、从 .356 到 .512。消融：只加激活约束 .519、只加行为约束 .548、加随机激活约束 .532，都低于完整版的 .611。代价是通用能力——某组设置下 MMMU-Pro 从 48.6 降到 43.0，而强化学习基线本身已经降了 4.0 点。
• 证据强弱与复现边界：有 400 条盲评（κ=.74）、两个独立监控器与跨架构验证；没有种子、区间与显著性。因果证据只是部分贡献——定向消融只比随机消融高 .113 与 .093。全文无任何发布入口。
• 对目标研究线的关系：接长程任务的训练与自进化——它给出了一个必须并报的量：在报告推理能力提升时，同时报告思维链的可监控性，否则「训练出来的能力」可能只是不可审计的模板。
• 结论与阅读建议：建议精读原文的机制定位与消融部分。
• 入口：栏目正文 · arXiv

4. How Many Pixels Is a Digit Worth? Place-Aware Coordinate Entropy for GUI Agent Confidence Estimation（arXiv:2609.24277，直接命中·自然语言与多模态智能）

• 研究问题：界面智能体把点击坐标输出成一串数字词元，通用的语言模型置信度对它排序很差；需要一个单次前向就能得到的逐点击置信度，用于执行、弃权或转人工。
• 改动位置（维度）：置信度估计层，不动模型与训练。
• 核心方法机制：贪心解码得到坐标的数字序列与各位的分布，取各位的熵，再按十进制位权加权——高位的熵权重是低位的数倍，因此「百位不确定」比「个位不确定」更严重。无需训练、无需额外前向；如果解码没有稳定出现定点位就回退到普通的坐标熵。
• 关键定量结果（含比较对象与口径）：界面定位基准上 AUROC 0.857、AUARC 0.803，对坐标熵 0.847/0.796、对全序列熵 0.763/0.676、对十次采样基线 0.704/0.649、对模型自评 0.435/0.365。跨八个智能体的均值增益是 +0.019 与 +0.066。误点击拦截上，在 10% 弃权率时从 29.1 升到 36.7，30% 时从 59.5 升到 72.2。
• 证据强弱与复现边界：两个基准分别 1,581 与 1,272 次点击；本方法与坐标熵的比较用 2,000 次配对 bootstrap，六个点估计全部偏向本方法、其中四个 95% 区间不含 0；未报随机种子与多次运行方差，主比较只覆盖三个智能体的全量基线，其余五个只与坐标熵比。无代码、权重、数据入口。
• 对目标研究线的关系：接长程任务的评估与轨迹学习。可搬走的是「按位权加权输出不确定性」这个思路——它不限于坐标，任何把连续量摊成数字串输出的动作都能用；以及「用弃权率换准确率」这条报告曲线。
• 结论与阅读建议：值得扫读原文；思路可以直接用，但它的区间只覆盖六个点估计里的四个，不要把排序结论引成确定结论。
• 入口：栏目正文 · arXiv

5. Pinocchio: Fast Uncertainty Estimates for Black-Box Language Models（arXiv:2609.24881，邻近跟踪·自然语言与多模态智能）

• 研究问题：闭源接口不返回对数概率、不允许微调，采样法又贵五到十倍；需要一个完全不碰模型内部、单次前向就能预测「这次回答对不对」的办法。
• 改动位置（维度）：新增一个外部校准器——数据构造加监督训练，目标模型完全不动。
• 核心方法机制：输入是问题（含图像）、答案（含推理），以及可选的模型身份；一个 8B 视觉语言基座加低秩适配，只预测一个二选一的词元，取它的 softmax 概率作为「正确」的置信度。训练数据覆盖七个目标模型 × 二十个基准（九个文本、十一个视觉语言），匹配方式十五个精确或模糊、五个用模型判官。零样本使用时省略模型身份。
• 关键定量结果（含比较对象与口径）：1,953 条留出上 AUROC 0.863（区间 [0.847,0.879]）、Brier 0.164、期望校准误差 0.107；最强的单次前向黑盒基线（语言化置信度加输出长度）AUROC 0.649（[0.624,0.673]）、Brier 0.229。摘要写 0.862、正文表 0.863，两个口径都记着。零样本迁移到 13 个未见模型、8 个组织，平均 AUROC 0.814；留一基准的对照显示被排除与未被排除分别是 0.875 与 0.877。再校准上，用 100 条标注做 Platt 或 Isotonic 可以把期望校准误差从 0.259 降到 0.076 或 0.058。
• 证据强弱与复现边界：95% BCa bootstrap 2,000 次与 DeLong 检验都在；无种子。采样基线只在 1,376 条纯文本子集上，因此与 1,953 条不可直接比——这一条很容易被误引。跨家族迁移会退化，依赖元数据，只测英文，且在最难的基准上表现最弱。入口实测全部打不开：文中给出的安装包名、代码仓库与权重页三个地址实测都是 404。
• 对目标研究线的关系：接长程任务的评估与智能体自检。可搬走的是「不碰模型内部、单次前向给正确概率」这个位置——它适合插在智能体的自检、置信门控、转人工与轨迹打分过滤这些环节。
• 结论与阅读建议：值得扫读原文，先复核那三个 404 的入口；引用 AUROC 时说明留出集与基线子集不是同一批样本。
• 入口：栏目正文 · arXiv

6. VLM-in-Sandbox: Visual Workspaces for Agentic Visual Reasoning（arXiv:2609.24362，邻近跟踪·自然语言与多模态智能）

• 研究问题：沙箱化的视觉推理会产生大量裁剪、掩码、叠加等中间图像证据，这些既需要可寻址、又不能无界地堆进多模态上下文。
• 改动位置（维度）：运行时与记忆写入层——把视觉证据的生成与管理拆开；模型冻结。
• 核心方法机制：一个「图像台账」登记稳定标识、文件位置与来源；每一步对非活跃、非输入资产做载荷驱逐，只留元数据，需要时再从磁盘重载；活跃的视觉上下文只有焦点与辅助两个槽位，生成物不会自动可见，必须显式提升；提示编译器每一步重建请求，保留最近若干轮未压缩的动作—观察对、一段回顾、台账与活跃槽位。
• 关键定量结果（含比较对象与口径）：七个基准的样本量加权准确率：65.81→67.47、76.11→79.65、72.99→78.08、48.50→58.11。1,260 例的 2×2 配对里，相对「自动把全部生成物追加进上下文」token 少 18.6%、准确率高 1.83 个百分点（区间 [0.40,3.25]，McNemar p=0.014）；全 6,350 例相对只追加不清理 +2.52 个百分点（区间 [1.83,3.21]，p<0.001），净增 160 例。但拆开看，有界保留带来的 +1.19 个百分点是显著的，显式提升路由带来的 +0.63 个百分点其区间跨零，作者自己说这个增量不成立。
• 证据强弱与复现边界：1,260 例配对、50,000 次固定种子 bootstrap、McNemar 检验都在，作者也如实标注了不成立的那一项——这一点值得肯定。无随机种子；计算更贵；只处理静态图像；2×2 只覆盖一个模型；无发布入口。
• 对目标研究线的关系：接长程任务的评估与轨迹学习。可搬走的是「证据移出上下文、只留可寻址元数据、用时显式提升」这一套上下文卫生做法。
• 结论与阅读建议：建议扫读原文；它对自己的负向结果表明了态度，读起来省力。
• 入口：栏目正文 · arXiv

7. TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction（arXiv:2609.24677，邻近跟踪·自然语言与多模态智能）

• 研究问题：模型同时用数值时序与文本事件做预测时，准确率说不清它是否真的整合了两个模态，给出的解释也可能只是事后合理化。
• 改动位置（维度）：评测协议——诊断基准加受控干预，另附一个适配迁移评估。
• 核心方法机制：输入是事件前的数值序列加文本事件加预测问题，输出未来响应与自然语言解释。四个诊断族：自然预测、正确性归因、解释忠实性、捷径鲁棒性。受控期望变化对只改一个模态、固定另一个，并要求两端都答对；解释忠实性把「引用了什么」与「引用是否支撑结论」分开度量。
• 关键定量结果（含比较对象与口径）：4,856 条记录、十个模型。人类在自然预测上（71.7 与 70.0）高于最强模型（55.0 与 45.0）；受控对上的峰值正确率只有 19.2% 与 11.7%；十个模型在序列侧的受控变化一致性全部为负（−16.4 到 −6.3），95% 区间全部落在 0 以下——也就是说，改了数值序列，它们的预测反而更常朝错误方向走。引用的支持度上，事件侧因素接近 100% 被引用，但在某些干预下虽然引用率超过 90%，结论一致率却低于 22%。适配迁移上，自然数据上的微调没有带来一致增益（自然准确率 +0.5，区间跨零）。
• 证据强弱与复现边界：有 95% bootstrap；未报 p 值；主表单次运行，模型间差异的稳定性未知；人可解性未报标注者一致性；声明将发布基准但全文无 URL。
• 对目标研究线的关系：接长程任务的评估。可搬走的是那套「受控期望变化对」的设计与「引用率与结论一致率分开报」的做法——它把「解释看起来有依据」和「解释真的支撑结论」分开了。
• 结论与阅读建议：建议扫读；方法设计可以直接借鉴。
• 入口：栏目正文 · arXiv

8. FinInteract: Benchmarking Clarification and Intent Integration in Ambiguous Financial Question Answering（arXiv:2609.24002，邻近跟踪·自然语言与多模态智能）

• 研究问题：金融问题看起来完整实则欠定，单一金标无法区分「真的澄清了」与「猜到了常见读法」。
• 改动位置（维度）：评测协议加训练信号两层。
• 核心方法机制：每条实例配「默认读法」与「真实意图」两种解读，替代单一金标；构造时用一个对抗验证器检查：在不知道澄清上下文的情况下多次作答，如果它既能产出真实意图的答案、又能说出真实意图的解读，这条实例就被拒绝。评测在标准交互协议下测交互能力、触碰式与核心准确率、以及校准。
• 关键定量结果（含比较对象与口径）：同一批输出只换金标，某个模型的准确率从 37.0% 掉到 12.1%，也就是单金标高估了 3.1 倍；另一常见模糊问答集上高估 2.1–2.3 倍。加入交互与整合之后，自由交互下没有任何模型超过 44%，而 oracle 上界是 95.4%——瓶颈在交互，不在知识。训练阶梯上，留出集 51 条里基座 25.0、加监督微调 68.6、加偏好优化 70.6，作者自己指出防泄漏的信号几乎全在微调阶段获得。人类分层抽样 50 条总体 30.0%。
• 证据强弱与复现边界：基准只有 173 条（英 53、中 120），类别失衡（实体类 94、识别类 9、时间类 7、归档类 0）；专家一致性 Gwet AC1 0.85；头条准确率给了 bootstrap 95% 区间与 p 值；未报种子；生成器与评测器偏向同一模型家族，有可能污染。多次声明发布但从未给出仓库名。
• 对目标研究线的连接点：接长程任务的评估（配对解读这一评测协议、以及把过程信号当奖励的阶梯），也接轨迹学习（澄清后整合的轨迹）。
• 结论与阅读建议：建议扫读；「单金标高估 3.1 倍」这个数字是本期关于评测口径最直观的一条。
• 入口：栏目正文 · arXiv

9. ScholarStack: Layered Research Asset Orchestration and Cross-Task Reuse for Scientific Agents（arXiv:2609.23735，邻近跟踪·自然语言与多模态智能）

• 研究问题：科研智能体按任务组织工作，同一批论文被反复检索、切分与解读，一个任务获得的理解无法跨任务复用。
• 改动位置（维度）：数据构造加记忆写入层——把论文编译成三层可复用资产。
• 核心方法机制：三层是源证据事实（带上下文与验证状态）、领域组织（分类体系、实体、归属与关系，从事实构建）、以及范围化的跨论文综述（只允许引用已注册的事实）。注册门校验引用关系，资产版本化。使用时通过五个视图操作组合：检索、筛选、扩展、比较、综合。
• 关键定量结果（含比较对象与口径）：固定语料、50 条检索查询上 R@1 0.670 对全文基线 0.650、混合基线 0.347，每查询 token 47.9k 对 49.3k；797 条多论文问答上总分 18.41 对全文 8.46（跨论文合成分 3.48 对 1.41），token 少约 73.3%，生成 7.54 秒对 13.13 秒；综述生成上引用重叠微观 F1 0.214 对其它系统的 0.090/0.052/0.039。
• 证据强弱与复现边界：样本量大，但未报区间与显著性；论断验证为单次运行、且近半标签不正确；多论文问答的评分来自模型；三层归因只在受控设置下验证；各基线来源不同，跨表并列有口径风险。无作者入口。
• 对目标研究线的关系：接自进化（事实 schema、注册门、视图操作），部分接长程任务评估。
• 结论与阅读建议：建议扫读；「事实注册门」这个设计值得单独搬。
• 入口：栏目正文 · arXiv

10. Are Human-Aligned Models Models of Humans? A Turing-Test Gap in Preference Alignment（arXiv:2609.23640，邻近跟踪·其他/综合 AI）

• 研究问题：人类偏好对齐不等于人类行为对齐；偏好对齐甚至可能让模型更不像人。
• 改动位置（维度）：对齐目标的定义——也就是训练目标与偏好数据的使用方式。
• 核心方法机制：论文先给出形式化：如果从人类分布出发做带 KL 约束的偏好优化，得到的是人类分布的一个偏好加权版本，于是产物分布与人类分布之间的差异，取决于偏好奖励在人类支撑集上是否近似常数——只有当它处处相同时差异才为零。实验上用两个 7B/8B 指令模型，在两组偏好数据上做重加权（λ 从 −1 到 +1）、直接偏好优化、人类数据监督微调与「人类优于模型」的偏好优化，评价指标包括偏好间隔、人类分布下的负对数似然、以及一个衡量「像不像人」的判别指标。
• 关键定量结果（含比较对象与口径）：验证池 1,064 个提示、4,116 条人类回答。四个 DPO 设置相对人类监督微调起点，与人类分布的距离增量全部为正：如 +0.033（区间 [+0.020,+0.045]）、+0.097（[+0.083,+0.111]）、+0.051（[+0.038,+0.063]）；从未改动检查点出发则能读到负值（−0.036、−0.047）。十个随机权值重分配对照只抬高负对数似然而不产生偏好增益，说明观测到的效应不是分布位移本身造成的。判别实验里，未改动的指令模型「像人」判别 AUC 大于 0.99，人类监督微调带来的变化最大且能跨域迁移，提示干预较小。
• 证据强弱与复现边界：验证池与训练对规模、95% 提示级 bootstrap 10,000 都在；未报 p 值与种子；单轮单数据集、两个 7B/8B 模型；总体分布匹配不等于个体行为；非交互式；表内行标签存在歧义，作者文字与其中一个读数不一致。
• 对目标研究线的关系：这是本期对 TTS 与播客评估最有迁移价值的一篇：它提醒「人更偏好」与「人自己会产出」是两个不同目标。做合成语音或合成节目时，用偏好打分选出来的输出可能系统性地偏离真人说话方式——它给的判别指标与随机权值对照，可以直接用来监测这一点。
• 结论与阅读建议：建议扫读；把它当作「评估目标该分成两个」的论据，不要引用它的具体效应量。
• 入口：栏目正文 · arXiv

11. EvidenT: Building Trustworthy Enterprise Assistants through Evidence Groundedness and Traceability（arXiv:2609.22537，邻近跟踪·其他/综合 AI）

• 研究问题：企业检索增强系统会出现引用漂移、无支撑内容与弱源溯源，怎样在不重训模型的前提下压低这三类病。
• 改动位置（维度）：流水线中段——在检索与生成之间插一层证据抽取与对齐过滤。
• 核心方法机制：五个模块：联邦检索汇总候选；用模型结构化抽出候选的逐字片段；对齐过滤用源文档上的 n-gram 重叠（默认窗口 5、阈值 0.7）判断——超过阈值保留原出处，部分重叠则截断保留，完全不重叠就判为疑似漂移、去其它检索文档里再找，找到就替换出处，找不到就丢弃；生成只基于已验证片段，每句挂出处。
• 关键定量结果（含比较对象与口径）：约 500 条企业查询上，有据率从 52±4.4 升到 77±3.7（第一个模型）、从 73±3.9 升到 93±2.2（第二个模型），幻觉率降到 0（上界 0.6），p<0.05；按相对提升算分别是约 +48% 与 +27%。引用覆盖率 0.998 与 0.999，语义最大相似度 5.360 与 5.990 对直接生成的 3.280 与 4.100。上线后五个月、200 余名活跃用户：有用性相对基线提升 28%、上下文相关性 +19%、留存 90%；延迟从约 10±3 秒增到 12±3 秒。
• 证据强弱与复现边界：该主表有 95% 区间与二比例 z 检验，其后各表没有区间；未报种子；只有两个同族模型，规模与方法的作用无法分离；金标非穷尽，会抬高所有方法的绝对分数。摘要声称的「平均提升 29%」在正文里没有对应表，正文能核到的是约 +48% 与 +27%。无代码。
• 对目标研究线的关系：接长程任务的评估，边缘但可用；对播客线的价值在方法——这套「逐字片段加词重叠对齐加句级引用」可以直接用来管住脚本里的引用漂移，代价是每条查询约多两秒。
• 结论与阅读建议：只按连接点取用；引用时以正文的两张表为准，不要引摘要那个 29%。
• 入口：栏目正文 · arXiv

12. Testing, not presuming, adequacy: calibrating generative social simulators against emergent network structure（arXiv:2609.24012，邻近跟踪·其他/综合 AI）

• 研究问题：生成式社会模拟器的验证往往止步于表面效度；怎样判断它「够不够用」，并且在真实市场里检验一个无交互的独立聚合模型能否复现网络结构。
• 改动位置（维度）：评测协议层——后验估计、可辨识性、充分性检验、诊断修复加留出审计。
• 核心方法机制：输入是二手奢侈品转售市场四个「渠道 × 居住地」单元的买方—品牌网络加一个前向模型，行为参数挂在由模型离线诱导出的人设档案上。链路依次是摊销后验估计、合成可辨识性检查、匹配样本量的充分性检验、诊断引导修复、留出统计量审计。充分性的判据是：观测到的摘要量能否被先验预测覆盖。
• 关键定量结果（含比较对象与口径）：摘要口径的四条结论：行为参数在四个单元里全部可恢复，但其中一个的校准「近似且过度自信」；观测摘要量在每一个单元都落在模拟器可达性参考之外，最常见的缺失是平均购买档位；修复让四个单元中的两个满足判据，但没有恢复充分性；留出审计发现买方广度离散度仍然缺失。模型档案在四个单元里全部优于平坦规则基线。
• 证据强弱与复现边界：该文 arXiv 未生成 HTML 全文，正文表格口径与区间无法核对，只能按摘要口径引用。仅单一真实市场四个单元；种子、区间、显著性未报；无发布入口。
• 对目标研究线的连接点：它的「充分性三件套」对评估器本身也适用——先问清楚你的评测工具能不能覆盖目标现象，再谈分数。
• 结论与阅读建议：只按连接点取用；引用时注明只有摘要口径可得。
• 入口：栏目正文 · arXiv

13. AgentRouter: Heterogeneous Model Routing for Cost-Optimal Multi-Step Agentic Workflows（arXiv:2609.22951，邻近跟踪·智能体、规划与决策）

• 研究问题：企业智能体把每一步都发给前沿模型，把 60%–80% 的推理预算浪费在小模型同样能做好的子任务上；而现有路由只优化单轮分配，忽略了同一条轨迹内子任务复杂度差异极大。
• 改动位置（维度）：推理与调度层——按轨迹步选择模型档位。
• 核心方法机制：把按步路由形式化为轨迹上的序贯分配问题；提出一个 1,200 万参数的轻量分类器，每步开销小于 5 毫秒，用五个「在路由时刻可提取」的特征把每一步映射到四个模型档之一；训练集是五万条标注过的智能体轨迹步，覆盖规划、编码、研究、数据分析四类任务。
• 关键定量结果（含比较对象与口径）：相对「全部走前沿模型」：成本降低 72%、保留 97.3% 的质量、端到端任务完成度下降不到 3%。分类准确率上，最低复杂度步 91%、高效档步 85%、较难的中间档与前档 76%–82%。同一批基准上把两个既有路由方案按步应用只分别降低 31% 与 44%。
• 证据强弱与复现边界：arXiv 未为该文生成 HTML 全文（实测 404），因此机制与消融都无法核验。种子、区间、显著性、评测样本量、重复次数全未报；四个档位的模型构成未给，72% 的成本节省无法换算成绝对费用；97.3% 用的是什么基准、什么指标也没交代。
• 对目标研究线的连接点：弱到中等接长程任务的评估——可作为「每步用哪个档位的模型」与「成本降低对质量保留」这一报告口径的设计参考。机制细节缺失，因此不安排精读。
• 结论与阅读建议：只按连接点取用；把它当作「按步降档」这个成本杠杆的索引留在雷达上。
• 入口：栏目正文 · arXiv

语音与音频：评测对象第一次到了节目级时长

1. MuLA-Bench: A Multilingual Long-Form Audio Understanding Benchmark via Multi-Tier Auditing（arXiv:2609.23416，邻近跟踪·语音翻译与语音语言模型）

• 研究问题：长音频能力一直被「上下文长度加聚合准确率」概括；怎样在保住原生语言与自然声学条件的同时，控制题目在语言、领域与操作类型上的分配。
• 改动位置（维度）：数据构造加评测协议层。
• 核心方法机制：1,769 段整段原生录音、1,377.9 小时、5,038 道题，中位时长 36.8 分钟、均值 46.7 分钟、≥30 分钟的占 92.8%，单段评估封顶 3 小时（超长的取后段三小时窗口）。覆盖 16 种语言（阿拉伯语、德语、英语、西班牙语、法语、印地语、印尼语、意大利语、日语、韩语、葡萄牙语、俄语、泰语、土耳其语、越南语、中文）× 8 个领域，共 128 个单元。题目按四种操作出：事实、推理、时间定位、长程——其中长程要求最早证据出现在 600 秒之后，或证据跨度超过 600 秒。质量控制走五级审计，并由 16 位母语专家全量终审。
• 关键定量结果（含比较对象与口径）：十个模型里最高是 Gemini 3.8 Flash 的总体 73.40（语义轨 79.06、声学轨 55.26）；Gemini 3.1 Pro 61.31（72.14 / 26.63）；Qwen3.5-Omni-Plus 60.92（66.80 / 42.07）；最弱的 13.60（15.29 / 8.18）。所有十个模型都是长程题最好，声学聚合一致低于语义聚合；不同能力可以同分——总分只差 0.40 的两个模型在分项上差异很大。声学轨与语义轨之差在事实题上全为负，从 −9.3 个百分点（MOSS）到 −72.7 个百分点（Gemini 3.1 Pro）；在推理题上有六个模型反转（约 +15 个百分点）。时间题上「顺序」比「时点」容易得多：Gemini 3.1 Pro 59.6 对 22.9，Doubao 48.7 对 8.1。
• 证据强弱与复现边界：114/117 的人评一致率 97.4%、配对 bootstrap 与 400 次聚类 bootstrap 都在；没有种子与重复运行；托管模型不可复算；专家是单语言单审。公开仓库实测可开，但论文的 5,038 题 / 1,769 段 / 1,377.9 小时与仓库的 5,029 题 / 1,768 段 / 约 1,371 小时不一致，且公开的是 JSONL、不含音频。
• 对目标研究线的关系：这是本期播客线上最直接的一篇，但必须把边界划清楚——它的音频来源在论文里写的是「公开可访问的在线媒体」，仓库元数据写的是社交媒体视频，从未写播客；引文里的讲座与访谈只是使用场景，不是数据来源。 因此它支撑的是「节目级时长的长音频理解评测」这件事，不支撑「播客节目制作」或「播客节目级评估」中的主持与对话结构部分。可搬走的具体做法很多：同一段录音上按证据距离分层的四种操作、声学轨与语义轨分开报、时间题区分顺序与时点、±3 秒的时间容差、以及「缺失作答按固定分母记零」的评分纪律。
• 结论与阅读建议：建议精读原文的数据构造与评分两节；引用它的分数时要带上托管模型不可复算与口径不一致这两条。
• 入口：栏目正文 · arXiv

2. CycleSpeech: Reciprocal Alignment for Instruction-Controlled Speech Synthesis and Paralinguistic Understanding（arXiv:2609.24771，直接命中·语音合成与声音生成）

• 研究问题：指令控制的语音合成与副语言理解各自独立发展，缺少生成与理解之间的互惠反馈。
• 改动位置（维度）：训练与对齐层——奖励与信用分配；数据自建，评测沿用。
• 核心方法机制：在一个冻结的语音基座上挂两个低秩适配模块（生成侧与理解侧），共享一份十字段的语音画像。联合监督微调之后做循环强化学习：前向方向让生成侧按指令合成、理解侧尝试从音频里恢复画像，奖励按画像恢复、约束满足与主观质量三项加权；后向方向让理解侧采样画像、经桥接重建回语音，奖励按反向恢复与风格一致性加权；两个方向交替进行。
• 关键定量结果（含比较对象与口径）：指令匹配上中文 74.50→79.00、英文 75.47→85.53；画像恢复上中文 57.00→77.98、英文 59.45→76.54。消融显示，去掉循环之后画像恢复 78.35 对完整版 78.36，也就是理解侧的提升几乎全部来自监督微调而不是循环本身；循环真正带来的是风格准确率差 1.50；另外完整版在英文词错率上由 2.56 升到 3.08，是变差的。
• 证据强弱与复现边界：主表给 ±95% 置信界；没有种子与重复、没有显著性检验；主观只有 5 名听者 × 50 条 × 至少两轮；画像标签本身的质量有限（情绪 70.8%、音量 72.5%）。评测语料是中文公开语料与一份内部影视录音，按字幕切段并只保留单人片段，单段 1.00–10.15 秒、16 kHz 单声道。项目页实测可开，但写着代码与模型「即将发布」。
• 对目标研究线的连接点：直接命中 TTS 生成与评估。可搬走的是「属性恢复式评测」这一套——十字段等权、类别精确匹配加嵌入余弦——以及互惠奖励的写法。它同时给了一条边界：整集节目级的生成与评估，本文的语料与评测粒度都不支撑。
• 结论与阅读建议：建议精读原文的奖励设计与消融；引用理解侧提升时必须注明主要来自微调。
• 入口：栏目正文 · arXiv

3. SEABED: SouthEast Asian Benchmark for Evaluating Audio Reasoning（arXiv:2609.22586，邻近跟踪·数据集、基准与评测）

• 研究问题：音频推理基准几乎都是英语通用领域；东南亚只有继承英文分类法的基准，测不了「从东南亚语音中推理」这件事。
• 改动位置（维度）：数据构造加评测协议层——两轴推理审计。
• 核心方法机制：四条原则：音频优先；推理而非识别（配字幕消融与推理落地审计）；只用真实音频（公开授权语料、16 kHz、不新录不合成）；抗猜测（选项不超过十个、正确答案位置去偏）。六个任务共 5,404 题：方言、模糊、内容与说话人、长音频、实体检索、说话人属性。
• 关键定量结果（含比较对象与口径）：最高分是 Gemini 3.5 Flash 的 50.3%，其次 32.0%、29.4%、17.5%。分任务看，长音频的多选 80.2%、内容与说话人 69.4%，而方言最难（最好的多选 41.5%、开放 34.1%）。音频相对字幕的优势因模型而异：一个模型 51.0 对 41.8，另一个 27.0 对 12.4。审计是这篇最有价值的部分：全体正确作答里只有 75.7% 是真推理、15.1% 是猜对；不同任务的真推理比例在 63.1%–86.0% 之间；方言题的正确答案里有 65.8% 是靠猜。选项从十个减到四个会把分数抬高 9.9 到 18.5 个百分点。
• 证据强弱与复现边界：1,629 条分层审计、95% Wilson 区间、跨家族判官、确定性重建都在；没有系统人工验证。长音频子集只有 364 题、15.66 小时、三种语言。公开数据集实测可开，但只放 541 行样本（270 条多选、273 条开放），许可证禁止再分发，源音频不分发。
• 对目标研究线的关系：接播客线的方法层。必须写清它的长音频子集到底是什么：364 题、15.66 小时，取自 122 段源对话（源池 32.16 小时），素材是 7–23 分钟的自发多人对话（泰语办公室会议、印尼语与马来语电话对话）——是多人长对话，但不是播客、电台或访谈节目。 可搬走的是两轴审计（真推理对猜对）、字幕替换消融、以及长音频题型的构造方式。
• 结论与阅读建议：建议精读原文的审计部分；引用 50.3% 时要带上「方言题多数靠猜」这一条。
• 入口：栏目正文 · arXiv

4. Discrete vs. Continuous: A Comprehensive Study of Unified Audio Understanding in LALMs（arXiv:2609.22851，邻近跟踪·语音翻译与语音语言模型）

• 研究问题：音频大模型的前端该用连续特征还是离散词元？需要把表示范式与模型容量、数据规模、计算效率的交互补上。
• 改动位置（维度）：前端音频表示的系统对比。
• 核心方法机制：音频嵌入拼在提示前。两条策略：小骨干加低秩微调（1.35 亿与 3.6 亿参数），以及大骨干冻结、只训一个两层投影器加十帧拼接。连续侧用四个自监督或监督编码器，离散侧用两个聚类中心为一千的词元化器加两个神经音频编解码器。共 24 个数据集、9 个编码器、4 个骨干、2 条策略，全部统一到 16 kHz。
• 关键定量结果（含比较对象与口径）：微调 1.35 亿参数骨干的总体：Whisper 0.735 > WavLM 0.620 > 语音词元 0.529 > HuBERT 0.491 > DAC 0.432 > WavTokenizer 0.409。反向缩放是主结论：约 53% 的编码器 × 任务配置在更大骨干上性能反而下降。冻结大骨干下的排序不同（WavLM 0.523 > HuBERT 0.507 > DAC 0.501 > 语音词元 0.392），两张表不能直接比。
• 证据强弱与复现边界：覆盖面广是优点；没有种子、区间、显著性，也没有组件消融；部分编码器原生采样率不同；量化损失与投影器容量混淆；总表不是三域算术平均。无发布入口。
• 对目标研究线的关系：接 TTS 与音频评估的表示层——「语义约束的词元化器可以超过连续教师」与「前端给下游设了性能上限」这两条结论，对任何要在语音前端做取舍的团队都有用。
• 结论与阅读建议：值得扫读原文的对照表；注意两张总表的可比性。
• 入口：栏目正文 · arXiv

5. Understanding Hyperspherical Geometry of ECAPA-TDNN Embedding and Its Impact on Zero-Shot Voice Conversion（arXiv:2609.24688，邻近跟踪·语音合成与声音生成）

• 研究问题：带角间隔的说话人编码器，其原型几何从未被研究过；原型的角向聚集是否会损害零样本语音转换？
• 改动位置（维度）：表征几何与训练正则化。
• 核心方法机制：在一个说话人编码器上测量一批几何量（参与率、平均余弦、原型间夹角、类内角、最近邻角、覆盖角度），再引入两个正则：一个只惩罚邻近原型对的铰链式对数能量项，一个最大化有效维度项。
• 关键定量结果（含比较对象与口径）：9M 参数模型加正则后，零样本转换的词错率 6.54→5.97、相似度 0.65→0.69、主观质量预测 2.47→2.70；主观评测里自然度 2.885→3.048（近距离档）、相似度 2.762 对基线；性别近邻比例从 96.42% 降到 81.83%；有效维度 45→65。
• 证据强弱与复现边界：95% bootstrap 区间、50 人主观、四个基线都在；无种子、重复与显著性；两个正则没有分离；表 I 与表 II 方向相反；项目页实测只返回「即将推出」。
• 对目标研究线的连接点：接 TTS 生成与评估。可搬走的是一套诊断量（有效维度、原型的平均夹角与覆盖角度）与「按角距把评测分成近、中、远三档」的分组方式——后者可以直接用在说话人相似度评测上。
• 结论与阅读建议：值得扫读；注意两个正则的效应没有分离。
• 入口：栏目正文 · arXiv

6. Which Constraints Are Missing? Ask the Verifier: Graded Rewards for Constraint-Following Music Generation（arXiv:2609.23665，邻近跟踪·音乐信息检索与音乐生成）

• 研究问题：符号音乐要在多个约束上同时满足很难，而「全部满足才算对」的二值奖励既稀疏、也分不出「差一项」与「完全不成形」。
• 改动位置（维度）：奖励与信用分配层，附带新基准。
• 核心方法机制：把约束拆成八个家族（调性、节拍、长度、音域、终止、节奏、跳进、结构），先过一道硬校验门拒绝不可解析的输出；奖励是分家族学分与全满足加分的加权和，结构族内部再按重复比例与对比度加权。
• 关键定量结果（含比较对象与口径）：自建基准 2,180 题上，分级奖励 1,265 对二值奖励 1,188（p=9.39e-5）；高约束档从 0.469 提到 0.575；零方差组的前 50 次更新里二值奖励 0.550、分级 0.307。重评噪声这一项很实用：同一批输出的复评会造成 17.3% 的翻转，部分条件之间的差就落在这个噪声里。
• 证据强弱与复现边界：三组匹配运行共享同一随机种子、有 McNemar 加 Holm 校正与重评噪声表；没有多种子与区间；单底座、单语料；「合规不等于质量」，也没有听感评测。声明代码与基准按 MIT 发布，但全文无 URL。
• 对目标研究线的关系：接长程任务的评估——可搬走的是「硬校验门加分家族学分加联合加分」的分层奖励设计、以及把重评翻转率当作噪声下界报出来这一纪律。
• 结论与阅读建议：值得扫读；噪音那一节比主结果更有用。
• 入口：栏目正文 · arXiv

7. ArtifactBench: Lineage-Aware Evaluation of AI-Generated Music Detectors under Distribution Shift（arXiv:2609.23550，邻近跟踪·其他/综合语音音频）

• 研究问题：生成音频检测器的横向比较不可比——清单不同、训练重叠、静默跳过掩盖了分布偏移下的崩塌。
• 改动位置（维度）：评测协议与治理层，不训练模型。
• 核心方法机制：以「内容身份加生成谱系」为划分单位而不是以文件为单位；校准集 166、验证集 83、密封测试集 579，划分在分析之前冻结；阈值只在校准集上选，测试只跑一次；模型适配器版本锁定；失败与缺失单独记账并保留尝试分母。
• 关键定量结果（含比较对象与口径）：562 条共同成功的交集上，一个检测器的 AUROC 0.982、平衡准确率 0.918，对另两个基线 0.761 与 0.299；按生成器拆开看差异很大（某个生成器 0.926、另一个 0.897、第三个只有 0.650）。把「失败即错」计入后，最佳方法的平衡准确率从 0.865 降到 0.710——这一条直接说明「静默跳过失败样本」会怎样抬高结论。真实音频侧假正率差异也大：同源库 0.020 对网络抓取 0.211。
• 证据强弱与复现边界：冻结划分、95% 谱系 bootstrap、失败日志都在；无显著性与多种子；表现最好的检测器出自同一作者、基线偏弱；真实侧只有 223 条；不新增音频。代码仓库与数据集页面实测可开（MIT）。
• 对目标研究线的关系：接 TTS 与音频评估——谱系划分加冻结阈值加「失败即错」这三件可以整体搬到任何生成音频检测或鉴定型评测上。
• 结论与阅读建议：值得扫读；「失败即错」那一行是本期评估纪律里最容易被忽略的一条。
• 入口：栏目正文 · arXiv

8. TTS-Guard: Black-Box Ownership Verification of Text-to-Speech Models via Adaptive Adversarial Speaker-Pair Fingerprints（arXiv:2609.23729，邻近跟踪·语音合成与声音生成）

• 研究问题：零样本语音合成多通过黑盒接口分发，权重不可得时，怎样判断一个可疑服务是不是源自自己的模型。
• 改动位置（维度）：所有权验证与取证层；训练与数据构造未改，评测升级为多查询的验证协议。
• 核心方法机制：在双嵌入空间里挑出「源说话人—目标说话人」配对作为密钥；用一个自适应的影子课程（低秩适配、剪枝、整数量化、蒸馏）优化一段扰动，使这段扰动在不同改编下仍能保留可分辨的痕迹；黑盒查询若干次并比较相似度，用单侧二项检验聚合出验证结论；另给一个贝叶斯上界，把「密钥对可分性」立为可靠性的原语。
• 关键定量结果（含比较对象与口径）：五个合成系统平均指纹成功率 0.964、单查询假正率 0.058（各系统在 0.95–0.97 与 0.05–0.07 之间）；与两个既有方法相比，干净条件下 0.96 对 0.78 与 0.86，抗去水印攻击下 0.83 对 0.38 与 0.44。在 K=20、α=0.05 的操作点上真阳率 99.8%、决策级假正率 4.7%（注意这个 4.7% 与单查询的 0.058 不是一个口径，不能混用）。鲁棒性矩阵给得很细：低秩适配后平均 0.93、剪枝一半 0.91、四比特量化只降 0.11，而知识蒸馏后只剩 0.62，风格迁移后只有 0.55，量化叠加全量微调后 0.46。
• 证据强弱与复现边界：主表是 100 组密钥对的平均，另有主观 P.808 与二项检验；没有区间、种子未报；只评英文，语料是单人短句。论文声明发布代码但没有任何 URL。
• 对目标研究线的连接点：直接命中 TTS 生成与评估——它给出了「取证指纹能不能活过某种改编」这类结论的操作点表与鲁棒性矩阵写法。与 9 月 21 日期里那篇追踪语音取证指纹在预训练与后训练阶段之间是否存活的基准（GenTraceBench）合起来看，两期给出的结论一致：后训练与改编对指纹的影响必须逐个变体分别报，不能只报一个平均。 这里蒸馏与风格迁移两行的崩塌就是最好的例子。
• 结论与阅读建议：只按连接点取用——本文的评测语料是单人英文短句、输出是单片段而不是整集，它的结论不要外推到节目级语音。
• 入口：栏目正文 · arXiv

9. ParA-LLM: A Unified Approach to Paralinguistic and Acoustic Speech Understanding（arXiv:2609.22771，邻近跟踪·语音识别与关键词检测）

• 研究问题：音频大模型在「说了什么」上很强，在「怎么说」上很弱；缺的是结构化的副语言数据与多属性联合推理的课程。
• 改动位置（维度）：数据构造加训练课程。
• 核心方法机制：标注体系含 22 个副语言特征，分十项声学、七项说话人固有、五项语句级。数据引擎把干净语音与实测的房间冲激响应（15 种混响类型）和环境噪声（21 种噪声类型）混合，再做削波、压缩、过载与移相等处理，产出超过 70 万条唯一音频；第一阶段 30.6 万条单属性问答，第二阶段 21.7 万条多属性问答；评测基准 6,000 道多选。
• 关键定量结果（含比较对象与口径）：6K 基准上 43.53% 对 GPT-4o-Audio 的 36.03%、对另一个基线 38.80%；但声学分项上 34.80 落后 GPT-4o-Audio 的 41.85（7.05 个百分点），说话人分项领先（55.85 对 51.95），混合分项也领先（39.95 对 34.25）。人类对照 78%。泛化上，某语音理解基准从 35.37 经两阶段升到 42.86。
• 证据强弱与复现边界：有 6K 基准、300 题人工核验、100 题人类对照与 100 条判官对齐；没有种子、区间、显著性，也没有组件消融；单骨干，且声学分项明确落后。项目页实测可开，但页面上没有任何代码、数据或权重下载链接。
• 对目标研究线的关系：接 TTS 生成与评估的评估侧——那 22 个特征的词表与两阶段课程，可以直接用来构造「合成语音有没有把副语言属性做对」的评测项；但要记住本文评的是理解能力，不是合成质量。
• 结论与阅读建议：只按连接点取用；它的问题是理解，不是生成。
• 入口：栏目正文 · arXiv

10. Listen Then Reason: Perception-Grounded Test-Time Reinforcement Learning for Large Audio-Language Models（arXiv:2609.23589，邻近跟踪·语音翻译与语音语言模型）

• 研究问题：音频语言模型的测试时强化学习只用多数投票造伪标签加结果奖励，对「答案是怎么来的」不敏感——它可能靠语言先验而不是靠听到的内容。
• 改动位置（维度）：测试时强化学习的奖励与信用分配层。
• 核心方法机制：先量化感知依赖——屏蔽文本对音频的注意力，比较问题与选项词元的表示余弦距离，取层峰值作为感知与推理的分界。然后把奖励按声学支撑度加权：对每条轨迹算一个逐词元接地分，比较支持多数答案的轨迹与不支持的平均接地分，得到一个声学接地边际；它经批内标准化映射到区间后，作为可靠性权重乘到优势上，负优势另作阻尼。
• 关键定量结果（含比较对象与口径）：7B 模型上，一个音频推理基准的 Avg@8 从 47.3 升到 51.9（比纯测试时强化学习高 3.9），另一个从 62.3 升到 67.2；3B 上分别是 52.2→53.8 与 67.9→69.3。但多数投票口径上是倒退的：74.6 对基线的 75.1 与纯测试时强化学习的 75.4。 相关性上，声学接地边际与正确率的相关在 7B 上 r=0.505（p<0.1）。
• 证据强弱与复现边界：无组件消融、无种子、区间与显著性；只用了一个模型家族；训练集与测试集同源；两个口径结论方向相反，引用时必须标明是哪个。无发布入口。
• 对目标研究线的关系：接自进化（测试时自我改进）与音频评估。可搬走的是「轨迹级证据接地分 + 可靠性加权」这一写法，以及去证据准确率下降这一诊断量。
• 结论与阅读建议：只按连接点取用；注意它的两个口径给出相反结论。
• 入口：栏目正文 · arXiv

11. OmniEcho: Spatial Audio Understanding for Embodied Agents（arXiv:2609.23407，邻近跟踪·多模态音频与视听学习）

• 研究问题：怎样评测与建模具身场景下的空间音频理解；现有基准多用渲染音频，且不覆盖「按语音指令导航」。
• 改动位置（维度）：数据构造与评测协议层，外加模型接入层。
• 核心方法机制：一阶环境立体声编码器分三阶段训练：语义对齐预训练、按查询定位的微调、然后冻结编码器并加一个可训练投影器接入一个音频语言骨干，空间词元按 7 Hz 插入。基准一侧，感知任务用视频加立体声与问答，导航任务在视觉语言导航轨迹上加入声源。
• 关键定量结果（含比较对象与口径）：问答集 197 个场景、2,972 道题、600 张鸟瞰图；总体 28.5 对两个同族基线的 18.5 与 12.6，纯音频一侧 21.8。消融：冻结空间编码器 28.5，继续训练反而降到 26.2，去掉空间特征降到 19.8；方位误差上某个特征组合 17.9 度对原始四通道 30.5 度。导航侧只有 16.2% 成功率、11.5% 的路径长度加权成功率。
• 证据强弱与复现边界：有确定性标注与答案桶平衡；无种子、区间、显著性、标注一致性；三维定位分数只有 14.2；导航仅 900 个样本；数据写「准备发布」但无地址。
• 对目标研究线的连接点：接长程任务的评估，边缘；可搬走的是「冻结新编码器、只训投影器」这一接法与按桶平衡答案的做法。
• 结论与阅读建议：只按连接点取用。
• 入口：栏目正文 · arXiv

12. Misrecognition or Abstraction? Rethinking Outputs of Sound Event Recognition（arXiv:2609.23411，邻近跟踪·其他/综合语音音频）

• 研究问题：置信度低的时候，声音事件识别系统应该输出什么，而不是只给一个确定性的类别。
• 改动位置（维度）：输出表示与交互口径层，骨干不改。
• 核心方法机制：冻结一个音频—文本对齐模型，训练一个三层投影器把音频对齐到拟声词文本嵌入，同时训一个分类器；推理时输出类别加置信度加拟声描述，按置信度高低切换模板。
• 关键定量结果（含比较对象与口径）：31 类子集上 micro-F 98.54±0.51 对纯分类的 97.81±0.66（五折 × 十种子）。310 人评价里，拟声模板的丰富度 3.70 对事件标签的 2.92，而自然度三者相当（3.69/3.62/3.63）。作者提醒：高准确率设置与那个用来暴露不确定性的降性能设置不可混用。
• 证据强弱与复现边界：五折 × 十种子加 310 人评价；无消融、无显著性，母语未报；模型判官会放大收益；只覆盖 31 类。数据页面可开但不含音频，代码与权重无入口。
• 对目标研究线的连接点：接音频评估的低置信处理。可搬走的是「三元输出（类别、置信度、描述）」这一表示，以及把模型判分与人评并列报告的做法。
• 结论与阅读建议：只按连接点取用。
• 入口：栏目正文 · arXiv

13. LiteCASS: A Lightweight End-to-End Network for Real-Time Stereo Cinematic Audio Source Separation（arXiv:2609.23453，邻近跟踪·其他/综合语音音频）

• 研究问题：影视音频的源分离缺少既轻量实时、又保留立体声空间线索的方案。
• 改动位置（维度）：模型架构层——轻量化加立体声加空间保真。
• 核心方法机制：以立体声短时傅里叶幅度谱为输入，用无参数的子带重排把频带折叠进通道；两个子带 U-Net 级联，先分语音与非语音、再把非语音分成音乐与音效；只在最外层块使用可分离卷积；损失里包含非语音残差正则。
• 关键定量结果（含比较对象与口径）：立体声电影音频集上平均信号失真比 9.50 dB、改善 16.16，对基线 9.43/16.08；参数 1.06M、0.72G 乘加每秒，比基线小约 28–35 倍，CPU 实时因子 0.014。空间保真三个指标（双耳声级差、双耳时间差、通道间相关）都优于部分基线、仅次于一个更大模型。但语音通道的失真比 13.54 低于基线的 14.50、语音质量 2.11 低于另一基线的 2.41——它不是全面领先。
• 证据强弱与复现边界：基线在同数据上从零训；无种子、区间、显著性，只比较两种子带配置、无模块消融。评测集是电影原声三轨（对白、音乐、音效），每段约 60 秒、原生单声道，立体声版本是作者线性空间化而来、不是真实立体声混音；上游片源、语言与说话人数都未报。无发布入口。
• 对目标研究线的关系：接 TTS 与播客音频处理的方法层。可搬走的是空间保真三指标与「先分对白、再分残差」的级联结构——它的评测粒度是 60 秒片段，不是整集节目，因此不要用它来支撑节目级音频处理的结论。
• 结论与阅读建议：只按连接点取用。
• 入口：栏目正文 · arXiv

14. Automated Assessment of L2 Speech Rhythm Using Low-Frequency Amplitude Modulations（arXiv:2609.24818，邻近跟踪·其他/综合语音音频）

• 研究问题：第二语言的节奏评估依赖强制对齐得到的段时长，而对齐本身在非母语语音上容易出错；能不能不做对齐，直接用幅度包络评估节奏。
• 改动位置（维度）：特征与输入表示层，加评测口径。
• 核心方法机制：提取 22 个 Bark 带的幅度包络，或者包络的一阶导数（1 kHz 包络、16 kHz 音频）；用一个三层一维卷积加双向长短期记忆加注意力池化再回归；对照组用强制对齐的音素边界与时长特征。
• 关键定量结果（含比较对象与口径）：5,000 条朗读样本上，流畅度 Spearman 相关是包络一阶导数 0.70、两类时长特征 0.67 与 0.64；韵律 0.63 对 0.61，但韵律的均方误差上包络一阶导数 1.06 反而差于包络 1.00。分组看，低流利度组的均方误差 2.85 对 4.32，配对 Wilcoxon p<0.05（n=37），其余组不显著。
• 证据强弱与复现边界：有 95% bootstrap 与配对 Wilcoxon；无种子、重复，测试条数未直接给出；只覆盖英语朗读、普通话母语者；分数左偏；低分组仅 37 条；韵律只建模节奏。代码仓库可开但无许可证文件。
• 对目标研究线的连接点：接音频评估的方法层——可搬走的是「用无需对齐的包络特征替代时长特征」这一思路，以及按分数段分组报区间与配对检验的做法。
• 结论与阅读建议：只按连接点取用。
• 入口：栏目正文 · arXiv

缺口与核验说明