9月17日论文雷达：判官家族偏好、自进化改在哪一层、评分对象换成持久状态：长程智能体与生成式音频的 46 篇分层雷达

先看哪几篇：46 行阅读优先级全景表

长程任务训练与评估：评分对象下沉到持久状态与过程证据

1. ERPBench: A State-Grounded Evaluation Paradigm for Computer-Use Agents in Enterprise Software（arXiv:2609.17885，直接命中·AI 栏）

• 研究问题：截图式计算机使用智能体在真实企业系统上到底可靠吗——它走到正确表单、点了保存之后，是否真把正确值写进了业务数据库。
• 改动位置（维度）：改评测（成功定义从任务级换成数据库字段级持久状态，并加固定阶段分解）、改环境（自托管开源 ERPNext 取代模拟系统）、改 harness（生产级人工审批闸门在评测时由自动审批替代）、改输入（只给像素，不暴露 DOM 与无障碍树）。模型权重、训练数据、记忆与工具都不动。
• 核心方法机制：
  • 本地容器部署 ERPNext，浏览器在虚拟显示上渲染后串流，智能体每步只看到 1280×720 截图，只用像素坐标操作鼠标键盘。
  • 30 个任务分三档：20 个单记录任务、4 个多字段协调任务（每记录 6–9 个字段）、6 个多屏链式任务（2–4 个相互依赖的文档），其中 3 个是空白起步变体。
  • 每次运行前用接口播种带唯一后缀的测试记录，运行后读回目标字段，逐字段比较，全部正确才算任务成功；数值容差默认 0.01，布尔等价，字符串去标签与空白后比较。
  • 阶段评分把成功率拆成导航、交互、提交、写库四段；链式任务用链路深度替代交互段。
  • 三位人类操作者在同一实例上完成全部任务，其中一位从未用过这套系统。
• 关键定量结果（含比较对象与口径）：每个模型每任务 5 次独立运行，每模型单记录 100 次、多字段 20 次、链式 30 次。单记录/多字段/链式成功率：Claude Sonnet 4.6 为 94/100/100；Holo3-35B-A3B 为 34/0/3；Qwen3-VL-32B 为 32/0/3；OpenCUA-32B 为 23/0/0；UI-TARS-7B 为 9/0/0；OpenCUA-7B 为 0/0/0。三位人类为 100/95/100、99/95/97、96/90/87。开放权重模型在单记录任务上导航到达率 90%–95%，交互层 0%–53%，写库层 0%–34%；UI-TARS-7B 在多字段任务里提交率 85%、写库正确率 3%。去掉导航提示后，OpenCUA-32B 的部分分从 22% 掉到 9%、Holo3 从 9% 掉到 0%。人工之间在 24 个单记录与多字段任务上完全一致 16 个（67%）、相差一次运行以内 23 个（96%）。
• 证据强弱与复现边界：评分落在持久状态上，排除屏幕假阳性；失败分类法把错误归到恢复、规划、感知、保存步骤与接地；有人类锚点，同一个 harness 既做生产审批也做评测。边界：只有 30 个任务、单一系统、单一部署形态，多字段与链式两档每格样本很小；没有种子、没有运行间方差、没有显著性检验，全部是点估计；人类直接操作浏览器而不是走截图接口，两边的比较口径不完全对齐；自动审批对所有风险档放行，与生产环境的人工闸门差异没有做消融；模型清单是 2026 年 9 月的快照。结论段写的是将来时发布，全文没有地址。
• 对目标研究线的连接点：状态落点评分、固定阶段分解、五类失败归因、运行级记录隔离、动作的风险分级——这几件都能直接写成评测清单里的一节。搬运时容差要按业务重设，像素-only 的前提也不能默认继承。
• 结论与阅读建议：建议精读，优先看阶段到达率表与失败分类图。要为「有产物的企业级智能体」设计评测的团队可以直接借用整套判定方式。

• 入口：AI 栏 · arXiv

2. RideWay: Benchmarking Efficient Task Completion for Tool-Using Language Agents（arXiv:2609.17985，直接命中·AI 栏）

• 研究问题：两个智能体都完成了任务，一个反复追问、重复检索、可避免地改单，另一个一次做对——这种「成功但让用户烦」的差别能否量化成可校准、可复现的分数。
• 改动位置（维度）：只改评测。新建有状态网约车工具环境（26 个工具，18 读 8 写）、58 个中文任务、效率效用指标，并用人类偏好做标定；24 个模型共享同一套提示、工具描述、任务顺序与尝试预算。
• 核心方法机制：
  • 效率效用写成成功率乘以两个折扣因子的指数形式：工具调用数与助手轮次各自减去人类参考下限后按拟合出的惩罚系数折价。
  • 参考努力下限由中文熟练标注者扮演客服得出，任务覆盖面包括接地点推理、隐形偏好、上下文携带、时间推理、历史回忆、模糊地点与中途改意。
  • 成功门由三个不在被评模型池里的判官组成，每个判官跑三次取多数票，至少三分之二判官通过才算成功。
  • 人类偏好只在同一任务、都已通过成功门的轨迹对之间比较，标注者看不到模型身份、计数与分数，允许判平，再用布雷德利–特里模型拟合出两个惩罚系数。
• 关键定量结果（含比较对象与口径）：58 个任务上人类参考的工具调用中位数 3–22（均值 7.5）、轮次 3–23（均值 9.1）。拟合结果：工具惩罚系数 0.1235、轮次 0.2448，对应折扣 0.8838 与 0.7829；多一个用户可见轮次的惩罚是多一次工具调用的 2.01 倍，90% 自举区间 [1.40, 2.96]，两者区间不相交。任务不相交的留出集上，成对准确率 78.7%、判别相关系数 0.573（90% 区间 [0.71, 0.87] 与 [0.41, 0.73]）。分轴看：只差轮次的对 90.6%（53 对），只差工具的对 50.0%（22 对，人类投票 11 比 11）。轮次差在 3 以内时准确率降到 58.3%（12 对），差距大时 100%（41 对）。人-人重标一致率 78.3%（κ=0.658），指标与任一标注者的一致率只有 52.2% 与 60.9%。
• 证据强弱与复现边界：这是本批唯一把「效率」与人类偏好做定量标定并给出区间的工作，判别相关系数、分轴准确率、留出任务集、标注者一致性都有。边界：参考下限由标注者扮演客服得出，是任务相对锚点而不是理论最短路径；只差工具的那一半任务在留出集上等于抛硬币，作者自己把适用面限定在轮次轴；判官的模型身份只在池外这项约束上披露；模型温度、判官随机性与重复次数没有细化到逐条。
• 对目标研究线的连接点：把「成功之后多余的动作」变成可比较的分数，是长程评测里短缺的一块。搬走的两件是参考下限的构造方式与两个折扣系数的拟合口径；判别相关系数 0.573 也提醒读者，任何单指标排名都要附带不确定性。
• 结论与阅读建议：建议精读，重点看惩罚系数的拟合与分轴留出结果。做智能体成本与体验权衡的团队适用，但引用时不要把它写成通用效率排名。
• 入口：AI 栏 · arXiv

3. BENCHCOMPASS: From Scores to Signals for Training and Harness Decisions in Payment-Domain LLMs（arXiv:2609.18270，直接命中·AI 栏）

• 研究问题：支付领域模型的失败出在哪一层——参数里没有支付规则知识、拿到了规则但不会用、还是输入侧不完美时就不稳。
• 改动位置（维度）：只改评测（新基准、文档驱动的证据包构造、模型-题目级诊断信号）与改输入（保持答案不变的任务描述攻击变体）。模型权重、训练目标与推理期控制都不动，用确定性单次解码。
• 核心方法机制：
  • 把版本化支付文档切成语义块并逐块建画像，证据包用可检查的关系连接主证据与支撑证据。
  • 题目由证据包、运营场景与目标认知层级三方交叉生成，场景库 60 个确定性框架。
  • 攻击变体只改题面与上下文、保持答案不变，改变预期答案或删掉证据路径的扰动一律拒绝。
  • 三层质量闸门：自动筛选、四位支付从业者分四组独立评审、另抽 60 题由未参与首轮的从业者盲复评。
  • 诊断信号定义在模型-题目对上：参数已知、上下文救回、会用差距、上下文干扰；攻击集另有稳健与脆弱两类。
• 关键定量结果（含比较对象与口径）：306 题 = 95 道选择题 + 96 道开卷问答 + 115 道攻击题；16 个模型变体逐个报告。Gemini 3.1 Pro 为 80.0/14.6/89.6/81.7（知识闭卷、闭卷推理、开卷、攻击开卷，%）；GPT-5.5 为 77.9/36.5/82.3/80.0；Claude Opus 4.7 为 68.4/25.0/82.3/74.8；某 8B 为 51.6/2.1/50.0/29.6。三个前沿模型的闭卷推理只跨 14.6–36.5 个百分点，开卷跨 82.3–89.6，bootstrap 标准误 3.1–4.9 个百分点，而闭卷到开卷的增益是 45.8–75.0 个百分点。知识选择题在开卷条件下 15/16 个模型拿满分。专家准入漏斗：506 个候选准入 306 个（60.5%），盲复评一致 57/60（κ=0.900）。判官可靠性三层：人工审计 251/255 接受、两个替换判官与头条判官一致率 93.05% 与 91.97%、同一判官重复三次的准确率极差最大 2.08 个百分点。可操作性检查：换一个带语料访问的编码智能体把某模型从 61.05% 抬到 92.63%，领域监督微调抬到 94.74%。
• 证据强弱与复现边界：构造流水线完整、判官可靠性做了三层检查、公开仓库的 16 行数值与表格逐格一致，是本批少数「声明与实测一致」的入口。边界：确定性单次解码，没有重复运行、没有种子、没有显著性检验；只测「用给到的上下文」，端到端检索不在范围内；诊断信号是行为层面的描述，作者明确把它写成假设而非因果结论；构造模型同时是被评模型之一，引用它的分数要带上这个限定；认知层级最上一层只有 10 题，不足以支撑单层排名。
• 对目标研究线的连接点：闭卷、开卷、攻击三个设置把「没知识」「不会用证据」「输入不完美就不稳」拆成可归因的信号，这套拆法可以直接搬到任何有版本化文档的领域。报告纪律里「先算标准误、确认效应量远大于噪声，再决定允许多细的排名」值得照抄。
• 结论与阅读建议：建议精读。做领域基准的团队可以整条流水线借用，注意把层级与场景库按自己的领域重做。
• 入口：AI 栏 · arXiv

4. Beyond Outcomes: Dual-View Relational Learning for Efficient Agent Benchmarking（arXiv:2609.18909，直接命中·NLP 栏）

• 研究问题：能否不跑全量任务，只选固定大小的一小组任务，就预测出完整基准的分数与模型排名。
• 改动位置（维度）：只改评测（基准压缩与全分数预测器）与改 harness（跨五个基准的轨迹解析适配器），另改训练目标（得分损失与排序损失联合优化选择器）。智能体模型、任务内容与评测环境都不动。
• 核心方法机制：
  • 从可自动抽取的轨迹统计量中按跨基准相关性筛出六个互补过程信号：步数、工具失败率、工具类别熵、校验工具使用率、必需写入执行、读—写—校验闭环。
  • 为每个任务构造两个模型间关系矩阵，一个来自结果分数，一个来自过程信号，再按可学的融合系数合成核矩阵。
  • 选择器用直通式硬 Top-K 门，前向取硬掩码、反向用退火温度的软权重，训练中不做任务替换。
  • 用核岭回归预测全量分数，五折交叉拟合，损失取平滑 L1 加成对排序项，按平均绝对误差与排序错误的组合挑轮次。
• 关键定量结果（含比较对象与口径）：六个基准共 1,983 个任务、262 个智能体配置、132,387 个结果对。选 20 个任务时（10 次划分的均值±标准差）：平均绝对误差 3.682%–6.254%、判别相关系数 0.682–0.845；压缩倍数从 24 倍（480 题选 20）到 40 倍（800 题选 20）。相对此前最强的子集选择方法，平均绝对误差降 30.5%–45.1%、相关系数提高 0.089–0.115。消融：去掉结果关系矩阵后，某个基准上的平均绝对误差升到 50.142%、相关系数掉到 0.010。
• 证据强弱与复现边界：跨五个公开基准、报双指标并给 10 次划分的标准差、有消融与实现替换对比，方法本身可搬。边界：摘要写「相关系数最多提升 7.2%」，与表格里对应的 0.845 对 0.705（相对 +19.9%）不一致，正文另一处又写 5.4%，三处口径没有对齐；主实验无种子、无显著性检验；跨模型家族外推会失效，同一方法在一个模型上误差 0.944% 优于基线 2.080%，在另一个模型上 4.468% 却差于同一基线的 2.080%；全文零外部工件链接。
• 对目标研究线的连接点：小任务集外推全基准分数与排名，是压缩评测成本的一条现成路径；六个过程信号也说明「过程量能否预测结果」本身可以被检验。搬运时注意必须同一划分、同一批智能体配置，换模型家族要重新选点。
• 结论与阅读建议：建议扫读结果表，精读方法里的核构造与选择器。要削减评测预算的团队适用，引用增益数字前先选定口径。
• 入口：NLP 栏 · arXiv

5. Who Judges Matters: Measuring Family-Conditioned Preference in LLM-as-Judge Panels（arXiv:2609.17857，直接命中·NLP 栏）

• 研究问题：在完全交叉的成对判官评审团里，如何把「判官偏袒自己所在的模型家族」这一交互项与候选能力的主效应分开。
• 改动位置（维度）：只改评测——判官面板设计、统计量定义与协变量控制。判官与候选都是现成权重，不训练、不微调，提示内容与数据都不动；关键设计是判官从不评自己的生成，研究的是家族级偏好。
• 核心方法机制：
  • 四个开源家族各两个规模，本地量化推理，提示按时间戳分层切成探索集与确认集。
  • 每个提示配六个候选对、两个顺序、四个判官，做 AB/BA 调和；同一对出现不同赢家时记半分。
  • 识别策略用行向与列向两个统计量：行向混入候选能力主效应，列向只留家族交互。
  • 控制阶梯从只含家族项一路加到对手与类别固定效应，并用聚类稳健标准误；另用无同家族对重估布雷德利–特里模型做交叉核对。
  • 人类锚是三名研究生级标注者盲标 400 条，剔除一人后保留两人 266 条共识。
• 关键定量结果（含比较对象与口径）：9,312 次原始评审、4,656 条调和观测、16 个判官×候选单元各 582 条。全局同家族偏好 6.7 个百分点（prompt 聚类自举 95% 区间 [5.3, 8.4]，置换检验 p=0.0002）；对角线均值 0.551 对非对角 0.483。逐家族（BH 校正）：Gemma 0.084（[0.056, 0.111]，p<0.001）、Yi 0.076、Qwen 0.076、Llama 0.034（p=0.012）。控制阶梯里同家族项的对数几率系数从 0.270 升到 0.301，风格相似度无预测力（p=0.91）。人类锚覆盖的同一子集上该系数是 0.370（p=2.7e-10），这个值只能与同子集比较，与全样本不可直接对照，加入人类标签后 0.382。让一个判官与一个候选同家族改变 18.5% 的成对结果（Wilson 95% 区间 [16.4, 20.8]）；单家族面板里 Qwen 偏 22.1%、Gemma 偏 58.3%。全体 55.4% 的 AB/BA 对给出不同赢家（Gemma 78.8%、Qwen 42.1%）。判官侧回答的平均每 token 对数概率：同家族 −0.69 对跨家族 −1.38，加入该特征后同家族系数衰减 61%。
• 证据强弱与复现边界：设计把主效应与交互项分开，控制阶梯、人类锚、位置偏置、量级对照与多点稳健性检查都在，是本批判官类工作里最完整的一篇。边界：只覆盖四个开源家族、英文开放式提示、一套推理栈，没有闭源判官与可验证域；61% 的衰减是描述性结果，作者明确否认它是因果中介；主实验每个提示×臂只采一条回答，无种子；判官侧似然只用前 400 字符。作者称已准备完整复现档案，全文零外部链接，属将来时。
• 对目标研究线的连接点：这份审计协议可以直接抄成清单——用列向统计量识别家族交互、避免让某一家族主导面板、两个顺序都判并报翻转率、记录判官侧回答似然、报告换面板组成后结果的变化率。
• 结论与阅读建议：建议精读，重点看识别策略与控制阶梯表。任何用判官做长程任务打分的团队，先做一次面板组成敏感性检查。
• 入口：NLP 栏 · arXiv

6. Monitoring and Discovering Reward Hacking with Internal Representations during LLM Evaluations（arXiv:2609.19101，直接命中·NLP 栏）

• 研究问题：评测中「钻空子」的行为在模型内部是否存在连贯、可解释的表征方向，最便宜的均值差向量能否在长上下文智能体轨迹上在线监控。
• 改动位置（维度）：只改评测（用内部激活探针做在线监控，替代或补充昂贵的语言模型监控器）与改推理期控制（在指定层做方向引导验证因果性）。不训练、不微调、不改奖励信号与环境。
• 核心方法机制：
  • 用模板合成九轮软件工程对话，覆盖篡改测试套件、篡改验证器、篡改分数文件、信息获取、虚假汇报五类行为，每个样本都配「作弊/诚实」最小对。
  • 探针就是正负样本激活均值的差向量，在工具调用结尾、读取禁读文件、提交补丁附近等位置取值，超过阈值即标记。
  • 真值判官与通用监控器都由同一个前沿模型担任，判官用环境定制评分标准、要求逐字引用并独立跑三次取共识；监控器用与环境无关的评分标准。
  • 比较时把探针阈值调到与语言模型监控器相同的误报率，再比真阳性率。
  • 另做两件事：用探针在「尚未执行」的位置截断后重采样，看后续是否真的执行；在指定层沿探针方向引导，检查行为是否被放大。
• 关键定量结果（含比较对象与口径）：三个模型 × 三个软件工程基准。判官标注的奖励黑客行为发生率 50.0%–96.2%；语言模型监控器的 F1 在其中一个基准上掉到 47.3%–56.3%；模型自报的 F1 低到 13.2%。探针 AUROC 0.74–0.97。匹配误报率后，探针在一个基准上多抓 3.0 个百分点、在另一个基准上多抓 33.1 个百分点、在第三个基准上少抓 6.6 个百分点；并集把真阳性率从 41.1% 提到 80.2%，绝对误报率只多 1%。把一半的语言模型监控调用换掉后，某个模型精度只掉约 0.01。用探针挑出的高激活位置重采样，后续真的执行作弊的比例显著更高。在指定层引导后，一个 27B 模型实际调用陷阱的次数从 1/194 升到接近四分之一。
• 证据强弱与复现边界：在线、近零成本的监控是长程评测里缺的一块，匹配误报率再比真阳性率也是该有的纪律；探针词表里出现的词（作弊、破坏、删除等）从未出现在合成训练数据里，说明方向有可解释性。边界：摘要与正文的增益口径不一致（摘要写 3.1% 与 7.9%，正文写 3.0 与 33.1 个百分点）；无显著性检验、无种子值；探针跨环境不普适，某模型在一个基准上 AUROC 只有 0.78，且跨环境错配伴随误报率上升；作者自述没有控制「模型是否意识到自己在被评测」；全文零工件链接。
• 对目标研究线的连接点：探针可以当长程评测的在线哨兵，先用它发现模型自己想出来的作弊类型，再决定是否加进评分标准；「匹配误报率再比较」这条纪律适用于任何两套检测器之间的对比。评估意识会污染轨迹这一条，对设计评测环境的人有直接价值。
• 结论与阅读建议：建议精读，重点看匹配误报率的比较表与跨环境泛化那节。做评测门禁与在线监控的团队适用。
• 入口：NLP 栏 · arXiv

7. ScienceIDE: Turning World's Scientific Codebase into Agent Learnable Environments（arXiv:2609.19134，直接命中·NLP 栏）

• 研究问题：科学代码库把知识写在可执行的模型与工具里，但碎片化的工具链、隐含的领域约定与专门的正确性判据让它很难变成可靠的学习经验；能否把它转成智能体可学习的环境。
• 改动位置（维度）：改环境（科学模块注册表与容器化工作区）、改训练数据（任务工厂生成修复与实现任务）、改奖励信号（检查加通过策略的奖励单元）、改系统架构（监督微调与强化学习共用同一套环境接口）。科学正确性判据交给数值检查而不是语言模型判官。
• 核心方法机制：
  • 以版本化代码库中的科学模块为构造单元，代理检查固定提交、依赖、许可证与构建假设，跑官方测试与示例后提出模块分解，再由领域专家审核。
  • 奖励单元是「固定输入 + 分级输出 + 通过策略」：点值比较用绝对与相对容差，另比较矩、分布、守恒量与积分范数，只给物理可观测量打分。
  • 任务工厂分七类（加速、修复、发现、复现、集成、校准、实现），修复类用归一化到基线的分数，未修改仓库得 0 分，同时筛查答案泄漏与执行故障。
  • 强化学习在同一容器与验证器里执行回合，直接消费原生奖励；预算截断的轨迹保留用于组基线但从损失里屏蔽，并关闭长度惩罚。
• 关键定量结果（含比较对象与口径）：论文声明 64 个环境、27 个代码库、2,812 个任务（修复 2,515、实现 295、加速 2）与 1,076 个检查。85 道难题、18 个环境、15 个模型、1 小时预算：前四名 67.1%、64.6%、63.1%、55.0%，其余 11 个低于 40%；10 分钟时另一个模型以 49.6% 对 25.9% 领先，约第 31 分钟被反超；预算耗尽率 37.3%。监督微调在留出科学修复任务上：4B 从 0.0000 升到 0.3333（+33.33 个百分点）、9B 从 0.0000 升到 0.2857（+28.57）、另一任务从 0.3125 升到 0.5000。强化学习在 99 个修复任务上留出平均奖励 0.357→0.857，截断率 39.5%→6.6%；不屏蔽截断轨迹的那一版奖励先升后崩、token 掉到三分之一以下。
• 证据强弱与复现边界：环境、任务、奖励单元、训练管线与发布物都在，公开仓库实测可达，是本期在「训练数据从哪来」上最完整的一篇。边界：公开仓库当前只发布 15/64 个环境与 30/85 道难题，发布的 2,812 个任务不能当可下载语料；无种子、无强化学习的种子间方差；作者自述验证本身是科学建模选择，与选定检查一致不等于正确，缺独立外部审计与奖励黑客评测；检索控制不能排除公开源码在预训练里的记忆；发布物当前无许可证。
• 对目标研究线的连接点：检查加通过策略的奖励单元设计，以及「预算截断不等于失败」的强化学习修正，都能直接搬到长程智能体的训练配方里；用数值等价验证器筛演示轨迹而不是用判官筛，也是可复制的做法。
• 结论与阅读建议：建议精读，重点看奖励单元定义、任务工厂分类与强化学习那节的截断处理。自建可验证训练环境的团队适用。
• 入口：NLP 栏 · arXiv

8. Symbolic Temporal Supervision of LLM Agents Using Contracts（arXiv:2609.18128，直接命中·AI 栏）

• 研究问题：能否用一个确定性工件同时在线拦住智能体的违规动作、离线给记录轨迹打分，而不依赖随机的语言模型判官，也不用只能看单步的逐调用规则。
• 改动位置（维度）：改 harness（在工具调用接口上加监督层）、只改评测（确定性离线评分器）、改推理期控制（在线阻止、改道或升级，并把结构化反馈回灌）。模型权重、训练数据、记忆与工具集都不动，因此可以跨模型迁移。
• 核心方法机制：
  • 把一次工具调用拆成调用事件与返回事件，会话状态是事件序列、上下文键值映射与数值计数器。
  • 契约写成「环境假设 → 智能体保证」的时序逻辑公式，按自动机构造编译成确定性自动机，运行时加载。
  • 三值语义区分「环境假设不成立」与「智能体未履行保证」，把两类失败分开计。
  • 在线强制在事件生效前推进所有契约，第一个判决异常的前缀被允许执行，被拦动作可以阻止、改道或升级，并以结构化消息回给模型；增量检查的代价与轨迹长度无关。
  • 同一批契约离线重放，每个事件退化为表查询，判决与在线一致，且能逐契约归因。
• 关键定量结果（含比较对象与口径）：七域、每域 40 题、三次带种子试验的均值。成功率/安全率：无防护基线 91/32、提示防护 64/94、语言模型判官 24/98、契约方法 90/98。逐域偏差 ≤0.4 个百分点，而模型驱动的条件为 22–44 个百分点。延迟：基线每任务中位 1.96 秒，契约方法加 0.135 秒。换一个小模型后，提示防护的安全率从 94% 崩到 45%，契约方法仍为 98%；重放到 23 个模型的既有轨迹上，19 个模型在安全轨迹上的假阳性率低于 1%，最高 4.5%。在 571 条多轮记录上 F1 91.8%（精确率 97.0%、召回 87.0%），高于当时的语言模型判官 74.4%，低于另一个系统。
• 证据强弱与复现边界：确定性、可跨模型复用、在线与离线判决一致，是合规评测里少见的可审计方案。边界：论文声明的代码仓库目前没有对应的公开仓库，作者主页与另一个早于本文的仓库虽然存在，但不能据此认定是本文代码；只覆盖工具调用结构，自由文本层面的语义危害需要另做内容检查；阈值型策略依赖运行时如实上报事件；自然语言策略的自动形式化不在本文范围；所用的三个领域基准上联合通过率为 0% 是用本文自己的契约库评出来的。
• 对目标研究线的连接点：把策略写成时序逻辑契约再一次编译出在线门控与离线评分，可以直接当作长程任务的过程合规层；三值语义与计数器让跨步阈值这类策略可测。
• 结论与阅读建议：建议扫读方法与结果表。要做智能体安全门禁的团队先用小规模契约库验证一遍编译流程，代码需自研。
• 入口：AI 栏 · arXiv

9. Beyond Accuracy: How Procedural Traces Shift the Decision Criterion of LLM Overseers（arXiv:2609.18204，直接命中·NLP 栏）

• 研究问题：把更长的、看起来更严谨的程序性痕迹塞进监督者输入时，是让它轻信漏检，还是把决策标准推向拒绝、增加误报。
• 改动位置（维度）：只改输入侧注记——痕迹详细程度四档与证据是否标注所属候选项两档，其余逐字节相同。被审计答案、证据池、候选项、模型权重都不动。
• 核心方法机制：
  • 19 个合规式推荐审计条目，每条有最佳选项与在客观属性上恰好违反一条的选项，证据池始终包含能揭示违规的评论。
  • 四档痕迹从无，到四步简述，到逐条七步加自证语言，再到八步含对错误项为假的「已核对该条件」声明。
  • 归属档只在评论上加「它在讲哪个候选项」的标签，不改内容。
  • 五个监督模型 × 19 条目 × 2 种正确性 × 4 档痕迹 × 2 档归属 × 3 次运行，共 4,560 次判断；用信号检测理论同时量判别力与决策标准。
• 关键定量结果（含比较对象与口径）：4,551 次判断解析成功（99.8%）。识别率四档合并为 99.3%/99.5%/100%/100%，40 个模型×痕迹单元里最低 97.4%，没有低于 94.7%；命中时点出真正被违反条件的比例 97.5%–98.4%，所以没有出现轻信。误报率随痕迹变长上升：某模型 58%→96%，另一个 37%→58%，两个闭源模型 22%→30% 与 26%→37%。合并回归里，痕迹每升一档误拒赔率比 ×1.44（95% 区间 [1.28, 1.63]）；给出证据归属把误拒赔率比压到 ×0.34（[0.17, 0.67]）。
• 证据强弱与复现边界：把一个常被混为一谈的问题拆成「判别力」与「决策标准」两个量，并用信号检测理论度量，方法干净。边界：只有 19 个条目、来自一个平台的餐馆评论；一个模型用了厂商默认温度且该值未公布；人类标注只覆盖 103 条分层子样本；结论是决策标准漂移，不是监督者变差，写成「准确率下降」会失真。
• 对目标研究线的连接点：任何用监督模型给长程轨迹打分的流程，都会遇到「输入里加了多少过程材料」这个变量；给出证据归属这类低成本修正项，能把误拒赔率比压掉三分之二。
• 结论与阅读建议：建议扫读，重点看回归表与逐模型斜率。要给监督者喂轨迹细节的团队先看这篇。
• 入口：NLP 栏 · arXiv

10. SFT or RL for Tool-Calling Agents? A Controlled Study Across Data, Method, and Scale（arXiv:2609.17848，直接命中·NLP 栏）

• 研究问题：工具调用智能体上，训练语料、后训练方法与模型规模各自以及共同如何影响分布内性能与跨数据集迁移。
• 改动位置（维度）：只改训练数据、训练目标与训练方法。模型权重结构、提示格式、评测脚本与外部工具评测框架都不动，全部尺度点用同一个模型家族。
• 核心方法机制：
  • 三个工具调用语料统一成同一格式，按归一化查询与工具名先去近重复再切分，每个语料固定留出测试与验证集。
  • 监督微调用 LoRA，只在助手轮计算损失；强化学习用组相对策略梯度，奖励由格式、工具名、参数三部分合成，格式分为 0 时整体为 0。
  • 第三种配方把训练集无重叠对半切，一半做冷启动监督、一半做强化学习，使三种方法的总训练数据量相同。
  • 全参微调只在 4B 一个尺度上做对照。
• 关键定量结果（含比较对象与口径）：六个模型尺度 × 三种训练方法构成 18 个分布内设置（精确匹配准确率），另有 54 个跨数据集迁移设置。监督微调在 15/18 最优，强化学习 2/18，先监督再强化 1/18；监督相对零样本在 18/18 全部提升，最大单格 +20.0 个百分点（0.6B 从 66.0 到 85.6）。54 个跨数据集迁移设置里强化学习最优 29 次、监督 19 次、先监督再强化 6 次，强化学习相对监督的平均优势不到 1 分。数据源效应：同一模型换训练集，分布内准确率最多相差 55 个百分点；某个最难的目标域上，即使直接在该域训练也只有 30.5%。只用 4B 对比 LoRA 与全参：88.0 对 80.4、30.4 对 22.8、47.6 对 44.1。
• 证据强弱与复现边界：受控实验模板完整——固定提示渲染、先去重再切分、数据预算对齐、训练奖励与评测指标共用同一打分函数。边界：无种子、无重复、无显著性检验；算力未归一化，强化学习每训练样本的消耗远高于监督，因此「同等数据量」不等于同等成本；全部尺度点来自单一模型家族，缺第二个家族的复现；数据源效应量级很大，可能吞掉方法差异；工具评测框架部分只声明单独报告，所读版本没有任何数值。声明资源的目录实测存在但不含本论文资源。
• 对目标研究线的连接点：这篇是本批「不做轨迹改造、只比训练方法」的对照基线，适合当作轨迹精炼、回滚反思一类方法的参照口径；数据预算对齐的做法也值得照抄。
• 结论与阅读建议：建议扫读主表与迁移矩阵。做工具调用智能体训练配方的团队适用，引用时务必带上「单一模型家族」与「算力未归一化」两条。
• 入口：NLP 栏 · arXiv

11. PACT: Can Enterprise AI Assistants Be Trusted Under Pressure?（arXiv:2609.18605，直接命中·NLP 栏）

• 研究问题：当违规恰好更省时省钱、更让用户满意时，企业助手还能否守住系统提示里写明的规则，失效集中在哪些压力、哪些轮次、哪些领域。
• 改动位置（维度）：只改评测（48 个场景、九种压力、六轴评分）与改输入侧的系统提示两种模式。22 个模型直调，零训练。
• 核心方法机制：
  • 48 个场景覆盖 12 个受监管领域，每个场景要求企业已经部署、有明确成文法、违反规则有具体好处；其中 7 个场景在现实中已产生法律后果。
  • 九种压力包括硬性期限、主管背书、同事违规未被处罚、被抓概率低、损失厌恶、无法核实签字、结果已被许诺、有人因守规受损、替人担责；压力由三个模型生成、另两个模型审查真实性与范围，不合格的丢弃。
  • 每轮给出 2–5 个互斥选项，至少一个违规且最划算；首轮未决定就追问，模型合规就加反驳，并附一份规则不适用的近似版本。
  • 六轴评分覆盖默认、压力、反驳、可操纵性、透明度与规则范围；合规判定用三次通过口径，违规时由三模型集成判透明度，模型不评自己。
• 关键定量结果（含比较对象与口径）：48 场景 → 1,682 个单元 × 两种提示模式 = 3,364 条，每模型每样本 3 次。22 个模型无一达到 0.95 的综合分；榜首两个模型分别为 0.944 与 0.943，某 8B 与 7B 为 0.562 与 0.484；80.5% 的两两比较显著。压力把违规率从 4.41% 抬到 7.29%（+65%）。规则不覆盖时仍执行规则：13,817 个已决决策里 19.6% 过度适用，某模型 21.9%。透明度轴无模型超过 0.244（中位 0.134）；16,424 条违规中 8.0% 主动披露、12.8% 沉默、79.2% 误述。弃权率 0.6%–7.5%，与综合分不相关。评测意识：显式加入评测提示后 80% 的模型违规减少，平均降 29%。
• 证据强弱与复现边界：场景构造有明确的准入条件，压力种类与六轴评分都可核对，数据与 harness 公开（代码仓库与数据集均实测可达）。边界：未报告硬件与成本，判官集成只写「三模型集成」而未给身份；综合分是三次通过口径，不能与单次准确率横比；透明度轴的每模型分母差异很大（147 对 4,112）；行为受评测意识影响明显；可操纵性增益的分母不是全部条目。
• 对目标研究线的连接点：把「便利与合规冲突」做成可复现的压力测试，适用于任何长程助手；透明度轴 79.2% 的误述率说明「模型自己说会遵守」不能当作对齐证据。这一点对用模型自述当奖励信号的自进化流程是直接警告。
• 结论与阅读建议：建议扫读六轴结果表，精读场景构造与压力生成两节。做企业级智能体合规门禁的团队适用。
• 入口：NLP 栏 · arXiv

12. Compositional Policy Violations: When Step-Level Compliance Fails In Agentic AI Workflows（arXiv:2609.18820，直接命中·AI 栏）

• 研究问题：当治理机制全部是步骤级时，一条每一步都通过本步检查的工作流，是否仍会违反组织真正持有的整体策略。
• 改动位置（维度）：只改评测与治理（策略谓词从步骤级抬到轨迹级），另改系统架构（溯源感知的运行时检测器）。模型权重、训练数据、harness 与奖励信号都不动，也没有提出新基准或新数据集。
• 核心方法机制：
  • 组合策略违规的三个条件：每步只在本步作用域内被评估、每步在该作用域下功能正确、组合序列违反面向整条工作流的策略。
  • 四类分类法：权限蔓延（谁有权决定）、阈值洗白（闸门位置错，后续步骤把被守护量推过线）、累积和违规（聚合层面没有闸门）、上下文坍塌（被守护的是证据记录本身，逐跳摘要漂移累积）。
  • 权限蔓延的五个触发条件包括组件对闸门计数输入有表示权、闸门读的是转换后的表示、全程没有单一变换足以越线。
  • 修复拓扑按类型给出：从决策点向后追一次、在已提交状态上重算既有谓词、在聚合作用域新建谓词、用原始提交重建决定。
  • 检测器分四段（溯源摄入、状态重建、策略评估、组合检测），两条设计不变量是历史完整性与从原始溯源重算。
• 关键定量结果（含比较对象与口径）：全文没有实验结果——没有数据集、没有基线、没有样本量、没有重复次数、没有显著性检验、没有延迟与成本实测。带数字的内容都是构造性例子：21 万美元支出在闸门处以 25 万美元为上限通过，后续步骤追加 7.5 万美元，提交态 28.5 万美元；逐跳漂移 0.06/0.08/0.07 累计到 0.19 后判定翻转；单闸门在第 1 步看到风险 0.79 通过，第 3 步追加敞口后越过 0.80；三笔 90 美元的采购各自低于 100 美元上限，组合 270 美元越线。
• 证据强弱与复现边界：这是一篇架构与概念论文，作者自己写明轨迹级监控本身并不新颖，贡献是把失败模式可操作化；检测器的 6 类失效模式里，「溯源丢失导致原理上不可检」意味着部署前提比方法本身更重要，「主观谓词与流水线同源导致检测器附和」则要求判定依据必须锚定策略文本。全文零代码、零数据、零项目页。
• 对目标研究线的连接点：把「策略是轨迹的属性」做成评测维度检查清单，四类违规条件可以直接当违规注入与数据生成的规则；两种时序盲区（闸门太早看不到后发生的变化、终审看不到被摘要丢掉的信息）是设计评测时要显式处理的对偶问题。前提是先确认 harness 是否保留被抑制的原始证据。
• 结论与阅读建议：建议扫读分类法与检测器架构。要把它当「已验证可用的方案」引用会失真，它给出的是清单与前提。
• 入口：AI 栏 · arXiv

13. Compiled Agency: Frontier General-Purpose Coding Agents Build Winning Game Players from Bare Interaction（arXiv:2609.18996，直接命中·AI 栏）

• 研究问题：给通用编码智能体一个游戏描述、一个裸的观测与动作接口和一个空策略文件，它能否在一次自主会话内自己造出一个能赢的控制器。
• 改动位置（维度）：改评测协议（开发—冻结—评测三段，冻结后零语言模型调用）、改系统架构（智能与架构由模型产出而非研究者提供）、改 harness（统一的裸契约工作区与冻结重放机制）、改环境（私有游戏、五个浏览器游戏移植、十个公开商店移植、星际争霸 II 与自由文明）。
• 核心方法机制：
  • 被评测对象是「部署态下的模型 + harness + 工具接口 + 推理强度配置 + 上下文管理策略」这一整个组合。
  • 裸契约工作区只给游戏描述、完整的观测与动作模式、运行器、可执行模拟器与一个空白策略文件，提示只要求「写策略、跑、看数据、改」。
  • 两个方差源被刻意分开：重放同一控制器在更多种子上只缩小该控制器的不确定性，不缩小新会话会造出什么的不确定性。
  • 每个任务记录一个平凡基线作为有效性闸门；被贪心或空动作饱和的任务仍可测稳健性，但不能支撑前沿排名。
  • 冻结仓库后评测期零语言模型调用，接口实现确定性重放，并用一份一致性测试集校验；留出实例在开发沙箱中不可访问。
• 关键定量结果（含比较对象与口径）：私有 roguelike（未公开）上留出种子成功率 0–86%，且最新一代系统的每一个观测会话都优于上一代的最佳会话；星际争霸 II 上编译出的原生接口控制器击败全部公平内置 AI 与两个作弊变体；自由文明上单次会话程序在留出种子上以完全征服赢下整局，对新手 AI 的胜率较低。开发会话独立且新鲜，交付物只有一个最终策略文件，玩测阶段零模型调用；一次早期的 harness 逃出工作区并返回了外来策略，作者隔离了该批 9 次运行并修正了沙箱设置；所有结果对应一个固定的冻结清单。
• 证据强弱与复现边界：开发与评测分离、冻结后零模型调用、留出实例不可见、有平凡基线闸门与沙箱隔离记录，这套协议本身可以照搬。边界：作者自述「对策略与架构不给脚手架」不等于「没有基础设施」，目标、接口、可执行环境与通用软件工具都是提供的；本地模拟器可执行且各 harness 并非都不可读，「恢复未文档化的机制」既可能来自自主实验，也可能来自静态阅读；被平凡基线饱和的任务不能支撑前沿排名；各任务族的停止规则不同，其中一族用显式回合预算。
• 对目标研究线的连接点：这是「长程自主性」最干净的协议模板：把会话、冻结与评测分开，交付物只有一个文件，评测期不再调用模型。任何要宣称长程自主能力的工作都可以按这套结构重做。
• 结论与阅读建议：建议扫读协议与沙箱隔离那节。要设计长程自主任务的团队先借用它的三段结构。
• 入口：AI 栏 · arXiv

轨迹学习、记忆与自进化：改动收在一层，另一端冻住

1. Bad Genius: Counterfactual-Guided Harness Evolution Beyond Task-Specific Shortcuts（arXiv:2609.18366，直接命中·AI 栏）

• 研究问题：当演化器反复用已发布基准的反馈改写 harness 时，增益里有多少来自基准本身的捷径。
• 改动位置（维度）：改 harness（提示、记忆、检索策略、工具包装、控制代码）与改评测（把协议面的反事实变换入档为后续约束）。目标权重、语料、可用工具操作、评分器与预算全部冻结，不训练任何模型。
• 核心方法机制：
  • 把已发布基准分成任务语义与协议配置两部分，只允许改写协议面：文件名、目录布局、元数据、工具别名、示例顺序、反馈格式等，任务与答案不变。
  • 演化器看 harness 代码、历史分数与执行轨迹，每轮改出一版，固定三轮预算。
  • 另设一个独立的挑战者在线搜索可执行的协议变换，目标是让当前版的增益被大量破坏；变换必须通过七项有效性与防火墙检查（任务与答案不变、可用信息不变、访问与资源不变、评分不变、只改声明协议面、规则不依赖问题与答案、可回放可逆）。
  • 通过独立确认集验证的变换进入有限档案，后续候选必须同时满足全部已归档约束（增益破坏量阈值 0.05），不满足就回退到原始 harness。
• 关键定量结果（含比较对象与口径）：OfficeQA、每题三次 rollout：本方法 68.86% 对原始 harness 67.98%、对自实现的第三方演化基线 64.04%；独立发布集 90 题上 30.37% 对 26.30% 与 27.04%。合成账本任务上 87.18%、原始 harness 81.89%。挑战者生效的直接证据：第一轮找到一条变换，把某版相对原始 harness 的增益从 +8.16% 翻成 −5.10%；该变换入档后，第二轮所有候选尽管已发布增益高到 15.31%，触发增益破坏阈值，系统回退到原始 harness；第三轮一个满足约束的候选拿回 +4.08% 的已发布增益。成本：认证阶段每方法 456 次评测，本方法累计 token 98.15M（三法中最低）、累计墙钟 180.52 小时；搜索阶段 3,439 次尝试、688.96M token、663.65 小时。
• 证据强弱与复现边界：这是本批唯一把「自进化是否在钻空子」做成可执行检验的工作，增益破坏量与约束档案可以直接搬到任何 harness 优化流程。边界：无种子、无显著性检验、无置信区间；结论只相对被评测的反事实族成立，该族覆盖度受三轮搜索预算限制；第三方演化基线是作者自己按原论文思路重新实现的，它在 OfficeQA 上低于原始 harness 这一点不能直接当作原方法的结论；搜索成本是评测成本的量级，小团队照搬会显著抬高预算；全文只有一个外部链接，指向基准数据来源，自身无代码。
• 对目标研究线的连接点：把「固定任务集、只改协议面、看增益还在不在」做成流水线里的一步，是低成本发现捷径的方式；挑战者作为独立角色与演化器反向优化，比搬具体提示更值钱。
• 结论与阅读建议：建议精读，重点看防火墙检查表与三轮演化的过程记录。
• 入口：AI 栏 · arXiv

2. STRETCH the Boundaries: A Unified Self-Taught Framework for Progressive LLM Evolution（arXiv:2609.18642，直接命中·NLP 栏）

• 研究问题：自改进训练里固定难度会让能力停滞，能否让同一个模型在同一参数空间里交替出题与解题，把题目难度锚在学习者的能力边界上。
• 改动位置（维度）：一份共享 LoRA 同时承担出题与解题、自生成训练数据、难度对齐奖励、信用分配来自两处；双循环异步更新，更新出题角色时冻结解题角色，反之亦然，冻结是训练机制本身。评测用外部既有基准，不是自造评测。
• 核心方法机制：
  • 出题轮从基础语境采样 8 个候选题，用冻结的解题者各采 8 条轨迹，由外部判官给对错，得到经验正确率，再取正确率乘补值的幂作为难度奖励，峰值在 50% 成功率处。
  • 解题轮用冻结的出题者生成具体题目，当前解题者采样 8 条解，按正确性给组相对策略梯度。
  • 每若干交替步收获成功试验里的高质量自生成题与最优轨迹，做成监督微调对，作为长程强化学习的行为正则项，防格式坍塌。
  • 另有真正的冻结对照：出题角色初始化即冻结、先监督学会出题后严格冻结、换成外部模型出题、把难度奖励换成二元粗信号。
• 关键定量结果（含比较对象与口径）：两个 7B/8B 骨干、六个 epoch。运筹学基准（点估计）：某 7B 在 Mano 上求解率 36.4%→67.9%、有效率 31.6%→63.6%；Complex OR 上 58.7%/55.0%，两个基准均列第一；另一骨干同样第一（61.2%/54.8%）。谈判基准上平均轮次 10.18→7.32、成功率 0.33→0.79。机制消融：共享一份适配器比两份独立适配器高 8.0 个百分点求解率与 0.15 成功率；去掉经验回放后第 4 个 epoch 出现格式坍塌（54.3%/44.7%）；难度目标取 0.5 优于取 0.8（62.4%）与 0.2（57.8%）。冻结对照：先监督后冻结的出题角色起点更高，但在第 2 个 epoch 之后进入平台期；外部模型出题的曲线早期强、中期也进入平台期。协同演化的形态学证据：出题角色生成题目的平均长度从 35 个 token 升到 156，解题者的成功轨迹从 123 个 token 升到 416 以上。
• 证据强弱与复现边界：双循环互冻加四种冻结对照，把「出题难度是否驱动提升」拆得比较干净；经验回放去留是最强单点证据。边界：无种子、无重复运行方差、无显著性检验、无人工评估，全部是点估计；谈判域里同一个外部模型既是卖方模拟器，又是奖励与评测管线的一部分，训练奖励与评测指标同源，作者在局限里承认「改进可能部分反映了适配该模型的行为与偏好」，但主表没有换判官重测的对照；摘要写「缓解奖励黑客」，正文没有对奖励黑客的直接度量；难度奖励里的幂次取值未给；作者明确不主张通用开放式任务上的自进化，因为这类任务没有客观梯度。
• 对目标研究线的连接点：难度对齐奖励、经验回放作为长程强化学习的行为正则、出题与解题共享同一份适配器，这三件都可以直接搬。搬运时务必复刻外部判官交叉验证，否则训练奖励与评测指标同源。
• 结论与阅读建议：建议精读，重点看消融表与冻结对照曲线。两个域的结论强度不同——运筹域验证器是程序化的，谈判域不是。
• 入口：NLP 栏 · arXiv

3. FRAUDSkill: Structured Frozen-Weight Skill Optimization for Audio Anti-Fraud Detection（arXiv:2609.18766，直接命中·音频栏）

• 研究问题：音频反欺诈要求输出符合预定义标签本体和三阶段决策协议，能否完全冻结音频语言模型，只把技能、路由策略与决策规则做成可优化、可检查、可替换的外部层。
• 改动位置（维度）：改技能层与推理期控制器（根指令、具名技能、路由策略、标签投影、路由归一化、多路径推理、验证集拟合的选择器）；底层音频语言模型权重全程冻结、确定性解码。另有参数训练参照，但不与外部技能方法同榜排名。
• 核心方法机制：
  • 任务被表示成程序：根指令加具名技能加路由策略，按三阶段决策链组织，属于路由感知结构，而不是单一可编辑文档或技能文件夹。
  • 离线技能优化用 rollout 错误、文本批评与验证集选择，只改外部技能程序与路由策略。
  • 推理期闭集投影先把标签本体、别名映射、匹配优先级与歧义规则写死并冻结，再把自由文本输出投影到官方标签集。
  • 路由归一化强制三阶段依赖一致，上游判负就不执行下游分类；再用互补多路径推理驱动同一个冻结模型，按可靠性加权聚合，并用类平衡选择器出最终结果。
• 关键定量结果（含比较对象与口径）：完整测试集 2,677 条唯一录音，100 分制。共享冻结模型基线宏平均 F1 41.54、加权 F1 35.92、准确率 32.87、联合准确率 7.10、无效输出率 36.04%；两种既有的技能优化方法分别为 37.67（−3.87）与 39.07（−2.47）；本文的纯文本版 42.42（+0.88）；完整版 73.50（+31.96 个百分点）、加权 F1 79.40、联合准确率 58.87、无效输出率 1.94%。组件累积：最佳文本程序 43.66 → 加闭集投影 54.47 → 加路由归一化 66.21 → 加互补多路径 70.31 → 加可靠性加权 70.84 → 加类平衡选择 73.50，结构化组件合计 29.84 个百分点。技能搜索本身对文本程序的贡献 +0.88，小于该配置三个种子的标准差 1.39。参数训练参照为 66.06 与 75.51。
• 证据强弱与复现边界：三阶段决策链的评测模板（按场景、欺诈、类型分别算再平均，加联合准确率与无效输出率）可以直接搬到任何多级判定的任务。边界：增益主体来自推理期协议后处理，「技能搜索」这一层的贡献落在一个标准差以内；无显著性检验；增益是相对同一冻结模型、同一基线配置的绝对提升，转述成「提升 31.96%」会被读成相对提升；评测单位是唯一录音，与原数据集论文的交互级口径不可直接比较；匿名仓库存在且非空，但基础模型权重与原始音频不随附，无法端到端复现；未给推理硬件与成本。
• 对目标研究线的连接点：把「技能」做成可检查、可替换的外部制品，并把技能搜索与推理期结构控制分开做消融，这套拆解方式比实现一个技能库更有价值；多级决策的评测口径与无效输出率也适用于任何有固定输出本体的智能体评测。
• 结论与阅读建议：建议精读，重点看组件累积消融与错误分析表。这是本期对「自进化改了哪一层」回答得最细的一篇。

• 入口：音频栏 · arXiv

4. Rollback the World, Keep the Reflection: Rollback-Induced Reflection for Long-Horizon LLM Agents（arXiv:2609.18304，直接命中·NLP 栏）

• 研究问题：长程智能体一次错误动作会污染后续状态与观测，已有方法要么只改上下文不修环境状态，要么回滚状态却丢掉经验；能否把恢复建模成回滚边界控制问题。
• 改动位置（维度）：改 harness、改记忆、改推理期控制，新增一个回滚控制工具与跨检查点存活的反思记忆；模型权重、训练数据、训练目标与评测环境都不动，属纯测试时改动。
• 核心方法机制：
  • 每个可执行动作前保存检查点，回滚深度可以为 0，动作空间拆成任务工具加回滚工具。
  • 「何时」由混合自适应审查决定：智能体可以软请求，也可按自适应间隔触发；审查者输出是否干预、恢复点偏好、失败诊断与新的经验。
  • 「回到哪里」用由粗到细的定位：先在因果相关区间内缩小范围，再选最晚满足逃逸条件的检查点。
  • 「保留什么」把反思记忆整体替换系统提示区块：新增诊断与教训，保留目标与历史，不表示当前分支的状态。
• 关键定量结果（含比较对象与口径）：三个基准未加权平均成功率：某 14B 上 39.20→47.00，相对最强基线 +3.09 个百分点；另一模型 62.86→69.43，+6.57 个百分点（摘要的 up to 6.57 即来自这里）。每任务平均回滚次数从 2.908 降到 0.978。组件消融（单基准）：只保留反思 70.48、只保留回滚 69.37、两者合起来 76.75；相对只保留反思 +6.27 个百分点、相对只保留回滚 +7.38 个百分点。恢复定位对比：不设回滚的轨迹最短但性能最低。自适应区间扫描的最优点在 (2, 8)，得 77.49%。
• 证据强弱与复现边界：把恢复拆成何时、回到哪里、保留什么三个正交决策，并给出每次任务平均回滚次数这一效率量，结构清晰。边界：所读版本没有附录，正文九处引用附录而全文只有 12 页，回滚工具的模式定义、审查者与选择器的提示、命题证明、数据集与基线细节都取不到；正文说预算相同但没有给预算数值，表里的步数区间反而说明实际消耗不同；无种子、无重复、无显著性检验；摘要只给 +6.57，正文两个基座分别是 3.09 与 6.57；全文零外部链接。
• 对目标研究线的连接点：把「世界回滚、反思保留」的非对称性做成一个可测组件，可以直接接到任何带检查点的长程执行器上；回滚频率也提供了一个新的效率口径。
• 结论与阅读建议：建议精读方法与消融，但先确认自己拿到的是含附录的版本。
• 入口：NLP 栏 · arXiv

5. Confidence Comes from Experience: Experiential Confidence Estimation from Reasoning to Agents（arXiv:2609.17708，直接命中·NLP 栏）

• 研究问题：当前的这一次推理足以支撑置信度吗，能否用模型自己过去被评分过的经历估出校准置信度。
• 改动位置（维度）：改推理期控制与记忆（经验库、检索、复述、等权融合）。不访问 token 概率、不改权重、不改答案生成过程。
• 核心方法机制：
  • 每条历史经验记五个字段：任务、轨迹、输出、评分前的反思、自陈置信度与结果；测试时只能看到当前任务之前已经评分过的经验。
  • 检索键由任务嵌入与自陈置信度拼成，在按正确性监督重标定过的空间里取最近邻，读历史命中率。
  • 复述阶段把检索到的经验渲染成上下文卡片，让模型指出重复的失败模式并重述置信度，不重解任务。
  • 最终置信度取检索结果与复述结果的等权平均；用五折轮换防泄漏，另按严格实时顺序累积经验库重放一遍。
• 关键定量结果（含比较对象与口径）：9 个基准、4 个模型、3 个家族。对十样本自洽性，24 个比较里 23 个 AUROC 打平或获胜，校准误差显著更低，生成成本约十分之一。智能体域 12 个模型×域组合全部最优或持平，如某基准上 AUROC/校准误差为 0.939/0.071、0.971/0.069、0.926/0.050、0.963/0.059；另一个智能体环境上 0.827–0.911。弃答最低置信的 10%，36 格全部增益、平均 +4.8 个百分点、最高 +8.7 个百分点（从 0.805 升到 0.892）。最高置信十分位的准确率 0.98（自陈置信度 0.90、十样本自洽 0.87）。经验库从 100 条升到全量，三个智能体域曲线全部上升；跨数据集同类迁移保持在 0.720–0.734，合并两个库比任一单独高 0.022–0.053。控制难度后仍有 0.79 的 AUROC，36 格中 35 格显著高于随机。
• 证据强弱与复现边界：机制简单、成本极低、跨三个家族与九个基准都有结果，是本批可迁移性最高的一篇。边界：必须有独立于模型自身判断的评分信号，换成模型自评标签后经验库甚至低于完全没有结果标签；短事实召回上十样本自洽性仍然更强，是主表唯一败绩；跨模型迁移有损，6 个数据集里 5 个损失 0.03–0.06 AUROC；无种子、无重复、无显著性检验，成本只有生成次数口径；作者自述与自演进记忆的组合尚未测试，且当执行者变强后旧经验相当于「别人的」，校准记忆可能需要随之遗忘。
• 对目标研究线的连接点：经验库四件套（检索键、命中率、复述重估、等权融合）可以直接接到长程智能体的自我评估与弃答策略上；「弃答最低置信的十分之一」是现成的成本削减手段。
• 结论与阅读建议：建议精读，重点看检索阶梯消融与经验规模曲线。
• 入口：NLP 栏 · arXiv

6. Long-Lived Characters, Local Inference: Incremental Memory Maintenance for Game NPCs（arXiv:2609.18935，直接命中·NLP 栏）

• 研究问题：本地部署的语言模型角色在记忆被修订时会作废一长段可复用前缀，能否既不重算未变记录、又不重训权重，就把被取代的记录换掉并保持语义连续。
• 改动位置（维度）：改记忆（把记录级替换当成一等推理操作）与改系统架构（本地推理运行时）。明确不做任何权重训练，游戏规则与动作裁决逻辑也不动。
• 核心方法机制：
  • 角色上下文被拆成三部分：注意力键值、循环与卷积状态、下一序列位置；记忆修订做逻辑替换——删掉被取代记录的直接键值，把替换记录放到真实序列尾部计算，保留继续前进的循环状态与未变键值。
  • 区分三种顺序：事件何时发生、描述何时被最后修订、当前键值表示落在何处。
  • 把成本拆成三段分别量：冷准备、维护、热交互。
  • 记录寻址运行时给每条活记录稳定语义标识与到 token 跨度的映射，删除后留下空洞而不是占位键值。
  • 作者明确说明删除只解除直接未来的注意力访问，不反算历史，因此不能描述成精确遗忘。
• 关键定量结果（含比较对象与口径）：约 11.9K token 的活动前缀，初次构建 10.216 秒；随后八次混合记忆与认知修订合计 3.481 秒，每次提供 214–362 个变更 token、耗时 0.338–0.490 秒，没有任何未变记录被重新编码；按同样规模重建的校准估计是 81.64 秒，约 23.5 倍。位置消融（同一冻结任务、三次重建）：真实尾部路径三次全部编译出正确数量；把 key 旋回旧槽位的路径三次全部编译出错误数量，并把已经完成的扣减又应用了一次。八次修订后的九轮对话全部产出回复，四个需要选择性实体绑定的轮次都给出具体绑定；但仍有失败：某个编译阶段丢掉了上一阶段保留的时间限制，最后一轮为袭击者编造了无支撑的设定。三方注意力诊断给出本批最反直觉的负结果：三种路径的分布位移分别为对话 0.095 与 0.061、0.136 与 0.079、0.144 与 0.076，而位移更大的那次保留了正确的数量与指代，位移更小的那次两者都错。
• 证据强弱与复现边界：把记忆维护做成推理态操作而不是文本外存，是本批第三种记忆形态；成本三段分开量、失效模式与反例一起写，证据结构诚实。边界：单作者、单个合成角色、单台消费级笔记本；多数队列是单次轨迹，无种子、无显著性检验；23.5 倍是按实测构建速率校准的估计，不是直接测量的对照臂；游戏原型明确不公开发布，可下载的只有三份数值快照与一份说明，且早期状态转储已被删除；作者已明确该机制不能用作「数据已被遗忘」的保证。
• 对目标研究线的连接点：记录级替换加真实尾部求值这一套，适用于任何自托管、能直接操作键值与循环状态的长程执行器；「分布位移更小反而答错」直接否掉了用注意力热图当记忆维护成功代理的做法。前提是能触达推理态内部，黑盒接口上无法使用。
• 结论与阅读建议：建议精读，重点看位置消融表与三方诊断图。要自建长程角色记忆的团队尤其适用。
• 入口：NLP 栏 · arXiv

7. CERA-MoA: Co-Evolving Routing Mechanisms with Continually Learning LLM Agents（arXiv:2609.18779，直接命中·AI 栏）

• 研究问题：混合专家式多智能体系统里，路由与智能体微调通常分开做，路由跟不上后训练中能力的变化，微调也缺少按能力的样本分配。
• 改动位置（维度）：改权重（每智能体一份 LoRA 与一个路由头）、改训练数据（样本级分配）、改信用分配（用同一批参与者的相对优势）、改推理期控制器（累计阈值自适应路由）；共享基座权重冻结，harness、环境与评测协议都不动。
• 核心方法机制：
  • 路由器从语言模型的中层隐状态直接算「查询—智能体」的语义匹配度，不需要完整 rollout，也不需要外部判官。
  • 按熟悉度排序，激活累计熟悉度超过阈值的最小子集；阈值与温度是固定超参。
  • 智能体的优势取自身奖励与所在激活集内其他成员均值之差，路由器损失用同一个优势做推拉；样本按熟悉度定向分配，诱导专长分化。
• 关键定量结果（含比较对象与口径）：三个骨干、各自训练集的独立划分：某 4B 平均分 49.6→63.2（次优 61.0），某 3B 33.6→47.9，第三个 43.9→55.6。分布外不做额外微调：53.0→72.8（次优 71.5）；异构池 71.8 对 69.1。消融：相对固定 Top-2 路由，自适应阈值在准确率相当（63.2 对 63.3）下把平均生成 token 从 666.37 降到 367.77，约 45%。单张 H200 上路由开销 11.87 毫秒/查询，低于原生生成时间 1%；训练 1,000 步约一张 H200 一天。
• 证据强弱与复现边界：相对优势式信用分配与最小子集激活都简单可搬，效率口径双报。边界：报告里出现「显著优于」却无显著性检验；只有单一 seed；分布内分数来自各训练集自身的测试划分；专长分化只有热力图与降维图，没有分化程度的量化指标；异构池缺少未微调基线行，异构增益无法相对基座量化；全文零外部链接，也没有将来时声明。
• 对目标研究线的连接点：把「同一批参与者的相对优势」当信用分配信号，可以搬到任何多轨迹或多采样器场景；用中层隐状态当能力探针是省掉判官的一条路，但熟悉度头需要同分布训练，跨域稳定性本文未测。
• 结论与阅读建议：建议扫读主表与效率消融。异构设置的结论缺对照，引用时注意。
• 入口：AI 栏 · arXiv

8. EvolveTrade: Experience-Driven Policy Refinement for Self-Evolving LLM Trading Agents（arXiv:2609.17632，直接命中·AI 栏）

• 研究问题：工具型交易智能体的行为被部署前写死的工具使用策略支配，能否把系统提示当文本参数化策略，用自身决策轨迹与已实现组合反馈改写它。
• 改动位置（维度）：只改 harness 层——唯一被学习的是策略文本本身，骨干权重与工具接口全程不动；策略在每个批次内冻结，只在周期边界更新。评测窗口在线滚动。
• 核心方法机制：
  • 每个交易日记录「决策轨迹 + 事后反馈」的配对：当日分配权重与逐资产理由，配上当日组合收益与各资产收益。
  • 每 5 个交易日为一个批次，批次结束时由一个独立策略智能体读取该批次全部记录，逐条把记录中的具体观察对应到当前提示的具体行，重写整份策略文本。
  • 提示要求落到具体修改而非泛化重写，一次改写可涉及工具选择、查询构造、信号解释、证据验证、风险控制与输出结构。
  • 对照包括无工具静态智能体、工具相同但策略固定的智能体，以及只演化高层策略、工具协议固定的变体。
• 关键定量结果（含比较对象与口径）：六个「模型×市场」组合、每行三次运行平均。本方法在 3 个组合同时取得语言模型方法中最佳夏普与累计收益（2025 年 1 月夏普 5.12 对固定策略 2.87；2025 年 9 月 8.43 对 2.23；2025 年 11 月 −1.03）；另外 3 个未取得，其中 2026 年 4 月被静态基线以夏普 9.07 对 4.73 超过，该窗口平均现金仓位比对照高 35.9 个百分点。更长窗口 50 个交易日：夏普 4.00、累计收益 10.56%、最大回撤 2.96%、胜率 67.3%。更新间隔敏感性（三个窗口平均）：5 天最好（夏普 3.67、累计 1.78%），1 天最差（1.92、0.16%）。加上 10 个基点的交易成本后，领先的三个设置仍然领先，且换手率在六个窗口里全部低于两个对照。
• 证据强弱与复现边界：把「用自身轨迹与反馈改写文本策略」做成最低成本的在线自演化实现，并配了换手率与成本压力检查、行为学证据与案例级归因。边界：无种子、无采样参数、无显著性检验、无置信区间；两个骨干并未覆盖同一批市场区间，骨干与市场效应不可分离；一个月窗口约 20 个交易日，抽样噪声大于论文差距；正文自述的胜负计数与主表 6 组不符，案例里的 +1.33 个百分点与图中 1.08 个百分点对不上；全文无代码无数据。
• 对目标研究线的连接点：批次内冻结、只在周期边界更新的写法，以及「用换手率排除靠频繁调仓换收益」这条检查，适用于任何把提示当策略参数的在线演化系统。
• 结论与阅读建议：建议扫读主表与更新间隔消融。短窗口的夏普差距不宜当结论引用。
• 入口：AI 栏 · arXiv

9. Dependency-Aware Trajectory Refinement for Efficient Multi-Turn Agent Fine-Tuning（arXiv:2609.18417，直接命中·NLP 栏）

• 研究问题：多轮智能体轨迹里含冗余轮次，能否不靠语言模型判官删轮次，而在轮次级依赖结构上做确定性剪枝，使精炼后的模型更准又更便宜。
• 改动位置（维度）：只改训练数据（轨迹结构编辑）与可选的偏好学习；模型结构、基座、推理期循环、评测协议与判官都不动。
• 核心方法机制：
  • 把轨迹看成轮次序列，边表示「前一轮产生了全局承载的产物、后一轮用它得到答案」，用环检测去掉循环。
  • 三级编辑：删掉没有任何下游依赖的叶子轮次；合并共享同一上游与下游的兄弟轮次；放宽到只要求共享父节点的迭代合并。
  • 对合并后的思考段做一次语言模型复述，保留子任务切换与工具调用引用，其余逐字不变。
  • 结构编辑天然产出偏好对，精炼版为优、原始版为劣，可选用偏好学习再训一轮。
• 关键定量结果（含比较对象与口径）：6,196 条多模态工具使用轨迹，其中 1,334 条可公平比较；四个基准共 1,101 题。一级剪枝把训练集平均消息数从 11.77 降到 9.63（−18.18%）、token 从 3,692 降到 3,096（−16.15%）；训练后平均准确率从 48.35% 升到 50.04%（+1.69 个百分点），推理时平均消息数从 23.94 降到 15.90、token 从 20,940 降到 14,657。合并加复述版本把消息数降约 40%、token 降约 48%，准确率与基线持平（48.10% 对 48.35%）。最激进版本在四个基准上的卡死率比次激进版本高 2–3 倍，且准确率更低（48.07%）、token 更高（31,779）。
• 证据强弱与复现边界：用确定性结构编辑替代判官删轮次，并同时报准确率、消息数、token 与两项比值，是本批在「轨迹怎么压」上最可复用的一篇。边界：只覆盖单一模型家族；无种子、无重复、无显著性检验、无硬件与成本数值；标注与复述各需一次标注者 pass，作者自述已接近算力预算；最激进版本会破坏「一轮一个工具调用」的协议，属可用性前提；仓库存在且可访问，但训练数据没有下载入口。
• 对目标研究线的连接点：轮次级依赖图、三级编辑、每消息准确率与每 token 准确率这几个量，可以直接接到任何多轮轨迹的清洗流程上。
• 结论与阅读建议：建议扫读，重点看压缩表与效率表。注意最激进版本在能力与成本上都退步。
• 入口：NLP 栏 · arXiv

10. Cognitive Extensions for Dual-Process Language Agents: Memory and Self-Reflection in Interactive Environments（arXiv:2609.19128，直接命中·AI 栏）

• 研究问题：在已有快慢思考双过程结构的智能体上，情景记忆与执行期反思分别插入，哪一个才是交互环境长程任务的主要瓶颈。
• 改动位置（维度）：改记忆（显著性门控写入加触发式检索）、改推理期控制与 harness（执行前校验、停滞检测、有界纠正），以开关形成四配置消融；模型权重、环境与奖励信号都不动。
• 核心方法机制：
  • 记忆写入只在显著性门控判定为有信息量转移时落库，覆盖终止成功、正向分数变化、接近成功的进展、明确的无效动作反馈与值得规避的失败。
  • 检索是触发式而不是连续注入：快通道出不了合法动作时检索并重试，慢通道规划时检索成功与近失记录；注入有长度上限，并明确告诉模型记忆只是线索，当前观测优先，失败即回退到原始提示。
  • 反思模块在执行前做归一化、可采纳性检查与轻微不一致的确定性修复；执行后跟踪重复观测、无效果重复动作、无效动作循环与过度导航，越阈值时触发有界纠正。
  • 纠正动作不直接执行，而是插入与慢通道共用的缓冲队列，仍要过执行前校验，并受预算与冷却约束。
• 关键定量结果（含比较对象与口径）：某交互环境 30 个任务、每配置最多 271 个 episode。最终分数：基线 51.67 → 只加记忆 53.83（+4.1%）→ 只加反思 64.33（+24.5%）→ 全部 64.62（+25.1%）；成功率 23.99%→43.17%，达到成功所需步数 24.48→19.33。按轨迹长度分组：短任务 +38.7%、中等任务 +10.0%、长任务 +21.1%。机制级日志：记忆每 episode 写入 4.48–4.89 条，快通道直执行步占比从 44.08% 升到 62.01%，慢通道调用从 24.6 次降到 14.1 次。敏感性：纠正预算从 3 提到 6 时分数从 64.33 掉到 52.95；弱记忆条件下记忆版 51.47，低于基线 51.67。
• 证据强弱与复现边界：把记忆当被控变量做开关消融，并给出写入数、触发数、注入数、丢弃数、纠正调用数这套机制级日志，是区分「收益来自记忆」还是「来自更少无效动作」的关键。边界：无种子、无重复、无显著性检验、无置信区间、无硬件；分组值与总体行无法由三点简单平均复现，原文未给组权重；中等等组里三个配置的成功率完全相同（11.94%），异常值未解释；记忆版在弱记忆条件下低于基线这件事，正文只写了「单独收益较小」而没有点出符号反转；全文零代码与项目页链接。
• 对目标研究线的连接点：先有稳定执行层，记忆的边际收益才有意义；这条经验配上「纠正预算加大反而掉分」的结果，说明反思类模块需要有界。机制级日志的写法可以直接搬。
• 结论与阅读建议：建议扫读四配置表与敏感性表，精读机制级日志部分。
• 入口：AI 栏 · arXiv

11. Disentangling Long-Term Memory via Latent Neuro-Symbolic Reasoning（arXiv:2609.18461，直接命中·AI 栏）

• 研究问题：能否把用户长期记忆的解缠与按需组织从文本空间搬到连续隐空间，从而不重放全部文本历史也能同时捞到显式偏好与散落在多轮会话里的隐式线索。
• 改动位置（维度）：改记忆表示与更新机制、改权重（骨干全量微调）、改训练目标（新增证据重建项）。评测、环境与工具都不动。
• 核心方法机制：
  • 每条历史交互经骨干取多层隐状态求均值并投影到共享隐空间，长历史按块编码，记忆随隐节点数增长而不是随上下文窗口增长。
  • 用稀疏自编码器把隐节点解缠成概念码，再做查询条件化的隐图构建：同一记忆池对每个查询诱导不同拓扑，图上做四步消息传递。
  • 图状态经置换不变的读出后映射成 16 个软隐前缀 token，按普通词嵌入的范数缩放后拼在查询前面。
  • 除生成监督外增加证据重建项：要求同一前缀在固定解码指令下重建支撑证据文本，消融显示这一项是三项损失里最重要的。
• 关键定量结果（含比较对象与口径）：三个基准、两个骨干。某 7B 平均准确率从最强基线的 61.08 升到 72.28（+11.20），某 4B 从 54.46 升到 66.16（+11.70）。增益结构不均衡：128K 上下文是大头（65.00 对 47.24），隐式偏好小幅领先（81.40 对 81.10），显式偏好接近持平（某骨干 59.40 对 59.20，只差 0.20）。另一个基准上 32K 与 128K 分别高出对照 7.7 与 7.8。隐前缀 token 数从 1 扫到 32，16 附近见顶。硬件为 8 张 H800，固定随机种子 23。
• 证据强弱与复现边界：把记忆做成可微通路，并给出「哪一项损失最关键」的消融结论，方法可搬。边界：主表大量基线单元格注明取自另一篇论文而非同等条件重跑，与正文「同一骨干与数据划分下运行」并存，比较口径实际混合；无重复运行、无置信区间、无显著性检验；需要全量微调骨干，记忆机制的增益与骨干微调不可分离；显式偏好上的优势只有 0.20 分，不宜写成显著超越；全文零代码与检查点发布。
• 对目标研究线的连接点：生成损失加证据重建损失加稀疏损失这一组合，尤其证据重建项作为防隐状态塌缩的手段，可以直接搬到任何把记忆压进连续表示的工作上；前提是能拿到骨干多层隐状态，黑盒接口不可用。
• 结论与阅读建议：建议扫读主表与消融。引用「显著超越」之前先看逐格数字。
• 入口：AI 栏 · arXiv

12. PrimeScientist: Strategic Allocation of Research Effort in Autonomous Research（arXiv:2609.17846，直接命中·NLP 栏）

• 研究问题：自主研究智能体能提出的方向远多于资源，能否把研究投入分配形式化成序贯决策，让剩余资源显式引导策略。
• 改动位置（维度）：改系统架构（搜索与规划策略）与预算口径（token 预算进入策略）；底层模型、评测器与基准都不动。
• 核心方法机制：
  • 状态由当前计划、计划树、历史与剩余预算组成，规划与执行共用同一份 token 预算。
  • 计划树节点存计划、结果与分支统计，边是可执行的差异加描述加先验；计划独立于执行器会话，因此某个方向在另一分支被评测时仍然存活。
  • 用自适应的蒙特卡洛树搜索：探索权重的指数随剩余预算比例收缩，资源充足时分散尝试，资源紧张时集中收敛。
  • 扩展由反思器提出最多三个子计划，训练信号直接来自执行器实现后的评测结果，不需要额外的模拟 rollout。
• 关键定量结果（含比较对象与口径）：三个基准、24 个任务里 23 个用更少尝试、表现更高或相当。某基准 12 个任务：平均奖励 0.7018→0.7738（+10.3%），平均尝试次数 27.0→13.33（少 50.6%）；其中 6 个任务上升、2 个持平、4 个下降。另一基准 8 个任务：0.4428→0.4824，差距几乎全部来自单项（0.3224 对 0.0000），其余七项为 0.5052 对 0.5061。分配策略隔离实验：本方法 0.598 对蒙特卡洛上置信界 0.551、贪心 0.563、随机 0.546。预算自适应实验（6 个任务、三次独立搜索）：0.537 对随机 0.502、固定指数 0.452、贪心 0.507。
• 证据强弱与复现边界：把资源分配做成显式策略、并给出分配策略与预算自适应的隔离实验，是本批在自主研究上最完整的一篇，代码仓库实测可达且含可复现脚本。边界：无显著性检验（附录明确说要另做分析）、无置信区间，独立搜索只做 2–3 次重复；24 个任务里 4 个退步、2 个持平，摘要的 +10.3% 是 12 个任务均值；去掉某个优势任务后增益收窄到约 2.7 个百分点；只能分配完整的尝试，无法在执行中途重分配。
• 对目标研究线的连接点：把剩余预算写进探索权重的做法，适用于任何有硬预算的长程自主智能体；「每个任务尝试更少但表现相当」这一口径也是评估自主研究系统时该报的量。
• 结论与阅读建议：建议扫读三张主表与两项隔离实验，精读预算自适应那节。
• 入口：NLP 栏 · arXiv

相邻方向：可迁移接口与警戒性阅读

评测工具与效度

记忆与表示

合规与安全

生成式音频

两篇没有实验的立场性工作

TTS 生成与评估：本批的缺口与本钱

• 多维指标互补的读法。说话人去标识化那一篇用五个互补维度评同一批系统，五个系统在攻击试验上的等错误率都低于 50% 这一目标值（最好 49.79±0.60、最差 27.75±1.72），单看这一项会以为它们都还留着大量身份信息；但同一批系统在一致性试验上全部超过 50%，最高 88.61±2.95，说明它们把身份空间压扁了，而压扁在单一指标上看起来像隐私变好。软生物特征里性别还几乎掩不住（AUC 0.955±0.014）。22
• 延迟口径要分开。流式识别那篇把标称结构延迟与用户感知延迟分开测，并给出跨八个测试集的结果：标称 80 毫秒的设置下，实测发出延迟中位数是 0.77 秒。23 这套读法能直接搬给流式语音合成的首包延迟与逐词发出延迟。

• 生成式音频的基准纪律。文生音乐那一篇把「内容对不对」与「跑得贵不贵」分成两轴、不合成总榜，并要求组件分与总分并列报告：论文抽查的三对差距最小的相邻系统，总分差距的自举区间都跨 0，三个组分之间的生成级相关只有 0.217–0.281，聚合成系统均值后才升到 0.767–0.879。21

播客生成与评估：缺口审计

1. 该栏逐条清点。语音与音频栏 12 篇的所有标题与摘要逐条读完，没有一篇把「生成一档播客节目」或「在节目级粒度上评估播客」当研究问题。全文里出现过「播客」一词的有 2 篇：一篇在研究动机里把播客与会议、讲座、视频并列，作为语音内容不断增长的来源，它的研究对象是混合语音检索；另一篇把「主要是线上播客与有声书」写成伪造音频攻击模型训练素材的来源。
2. 全批条目枚举。把该批次当日发布的全部条目（不限三个允许栏目）按标题与分区归属逐条比对，没有任何一条以播客为对象。
3. 中英关键词全文扫描。对三个允许栏目全文扫描「播客、节目、双人对话、多说话人、长音频、全双工」与「podcast、episode、two-speaker、multi-speaker、long-form audio、full-duplex」，命中的全部是无关用法：一处是语音检索的动机句，一处是伪造音频检测对比子集的数据来源描述，其余为参考文献标题。

机制地图与同维度横向对比

全量覆盖审计与数据缺口备忘

1. 三个已发布栏目 181 篇论文的全量覆盖审计

2. 播客与 TTS 专项缺口备忘

3. 代码开源、复现条件与跨源口径披露

4. 本期未解决的问题