10月23日三栏：只改执行回环 46.47%→65.21%、自改 harness 两轮只涨 2.80 分、判官聚合分差 1 分却 21.2% 的提示换胜负——长程智能体与生成式音频的 86 篇分层雷达

全景表

人工智能学术速递[10.23]（48 篇）

自然语言处理学术速递[10.23]（29 篇）

语音与音频学术速递[10.23]（9 篇）

一、长程任务怎么被判：基准、任务构造与验证

1. PLE：85 项真实工程交付，最强配置仅 50.6%、单任务 2700 万 token · arXiv:2610.30537 · 精读

• 最强配置 Claude Opus 5.5 + Claude Code 在 85 题上均分 50.6%，$17.18/题，平均 27.0M token、63 分钟（图 2、§5.2）；第二名 OpenHands 49.9%（$14.82），GPT 6 Astra + Codex 48.3%（$9.15）。
• harness 的影响远小于模型：同一 Claude Opus 5.5 在七个 harness 里只从 47.3%（Pi）到 50.6%，而模型之间是约 50 个百分点——Qwen3 Coder 480B、MiniMax M2、Kimi K2 Thinking、Llama 4 Maverick 全部低于 7%（§5.2）。
• Claude Code 下中位题分 43.5%，48/85 题低于 50%，即使每题单独挑最好的 harness 仍有 35 题低于 50%；两题三次运行全 0%，七题高于 90%；机械 40.5% 与结构 46.6% 最难，土木 69.9% 最易（表 3）。
• 共创题比专家题稳定地更难：Claude Code 下 48.0% 对 53.1%，七个 harness 无一例外；单次尝试 39.3M token / 97 分钟对 15.6M / 31 分钟（§5.2、§5.3）。
• 失败点集中在 hard 约束：共创题交付项平均满足 91% 的约束，但只有 41.3% 的交付项满足全部 hard 约束、从而在 eq.1 下拿到目标分（§5.3）。
• 判官自一致性可核：第二次 Claude Opus 5.5 复判复现 98.7% 条目判定（κ=0.97）且均值不变；换成 Claude Opus 5 与 Gemini 4 Argon 一致率 95.8% 与 95.5%（κ=0.90），分数分别抬高 3.3 与 1.3 分，harness 排序不变（§5.3）。
• 单题方差必须报重复运行：595 个 task×harness 单元三次运行的均分极差平均 15.4 分，105 个单元极差 ≥30 分；但集合均值标准差只有 0.3–1.8 分（§5.3）。1

2. EpiSEM-Bench：300 对孪生任务，安全边界最高者 PUR 仅 30.5% · arXiv:2610.31650 · 精读

• 两端画像差到近乎互补（表 1）：GPT-6-Luna 是 Full SWS 51.0%、Full UCR 3.0%、Critical UCR 21.0%、SBM 84.8%、PUR 30.5%；Qwen3-14B 是 Full SWS 92.0%、Full UCR 77.3%、Critical UCR 97.3%、SBM 7.8%、PUR 3.8%。
• Critical UCR 跨模型从 21.0% 到 97.3%：安全边界最高的一档（GPT-6-Luna 与 Claude-Haiku-5.5，SBM 84.8% 与 75.4%）恰好是完成率最低的一档。
• 恢复通道对十个模型全部有效，但幅度差两个数量级：DeepSeek-V4-Pro 从 65.0% 降到 19.7%（−45.3 个百分点），GLM-4.7-Flash 从 88.3% 到 87.7%（−0.6 个百分点）（图 2b）。
• 鲁棒不等于会恢复：SBM 最高的 GPT-6-Luna（84.8%）PUR 只有 30.5%，低于 SBM 68.4% 的 DeepSeek-V4.1-Flash（PUR 58.4%）；十个模型里 PUR 最高 58.4%（DeepSeek-V4.1-Flash），最低 0.0%（GLM-4.7-Flash）。
• 净收益掩盖任务级回退：DeepSeek-V4-Pro 与 MiMo-V2.5-Pro 在同一模型内既有只在 RE 才改善的任务，也有只在 RE 才变得不安全的任务；MiMo-V2.5-Pro 的合规完成数还下降了（§4、附录 D.2）。
• 拿到证据不等于会用：MiMo-V2.5-Pro 的有效恢复调用次数明显多于它达到 strict unsafe recovery 的次数；GLM-4.7-Flash 与 Qwen3-14B 常在被删事实恢复前就提交动作（表 11、图 7）。
• 失败频率与失败范围是两件事：GPT-6-Luna 的 Critical UCR 21.0% 但条件级遗漏失败率只有 7.9%，即"五题里有一题会栽，但栽的次数不多"（图 2a）。2

3. SCE：模拟工具响应，安全预测 RMSE 3.6 点，BashArena 为 10.1 点 · arXiv:2610.31593 · 精读

• 5% 审计预算、五个监控器下，SCE 预测安全的总 RMSE 是 3.6 个百分点，BashArena 是 10.1 个百分点，误差降了约三分之二（图 8 右）。
• 三种行为表示的 KL 散度都比 BashArena 低一个数量级以上；图 4 给出的 forward KL 是 2.767 bits（BashArena 对 LinuxArena 执行）对 0.0058 bits（模拟对执行），约 477 倍。
• 环境间方差：攻击成功率解释 80%、监控分 85%、安全 78%；side-task 类别间解释 87%（攻击成功率）与 95%（安全），监控分在类别上估出的偏差略为负、按 0 报（图 5、图 7、图 8）。
• 监控分本身的总 RMSE 是 0.259 分（0–10 量表），BashArena 2.821 分，十倍以上差距；配对任务上的 RMS bias 0.68 分对任务间标准差 2.03 分（§3.3）。
• 攻击成功率整体对得上：真实执行 25.5%，判官对模拟轨迹估 25.4%。判官本身在真实攻击上 AUROC 0.980，但平均高估 3.7 个百分点（§3.2）。
• 样本效率：评估集只用部署集的 4.6% 时，SCE 的安全总 RMSE 就降到 BashArena 的 10.1 点以下；评估集与部署集等大时是 3.57 点（§3.5）。
• 模拟出来的攻击策略能反过来改监控器：拿它给 gpt-5.4-nano 做提示简报，0–20% 假阳率区间的标准化 partial AUROC 从 0.767（BashArena 策略简报）升到 0.841，配对增益 0.074 [0.060, 0.088]，离同环境真实策略只差 0.010 [0.001, 0.019]（图 10）。3

4. 标签审计：验证检测器与人工一致率 82.7%，步数上限改变正确数 6/30 · arXiv:2610.30491 · 值得扫读

• 只有验证检测器会错：D-correct 67/67（100%）、D-impact/恢复 19/19（100%）、故障相关性 18/18（100%），D-verify 只有 67/81（82.7%），14 条分歧（表 6）。
• 14 条分歧不是弥散的，集中在两个模型：nemotron-3-ultra 占 10 条，gpt-oss-20b 占 3 条，claude-opus-4.8 占 1 条，其余三个模型在其可比轨迹里为零（§4.4）。
• 分歧归成四类可复现的模式：卡在循环里的重复计算调用（被当成复核）、口头承认工具结果错了但不重算、单步推理内的重复表达式、看到错值后悄悄改掉（表 6 后列表）。
• "静默覆盖"确实是常态而非个例：claude-sonnet-5 有 4/30 条轨迹在错值之后换了另一个值且没有再次调用工具，而同一次运行只有 5/30 条被记为"有验证"（表 4）。
• claude-opus-4.8 的覆盖出现在 5/15 次故障事件上，另有 3 次是"只在文字里声称核对过"；nemotron-3-ultra 的 10 次未完成全部是撞步数上限，其 20 次完成全部正确（表 4）。
• 传播问题常常问不出来：gpt-oss-20b 有 12/17 次故障事件"无法判定"，nemotron-3-ultra 是 56/155 次（表 4、§4.1）。
• harness 参数改变结论：在 MAX_STEPS ∈ {25,50,150} × MAX_TOKENS ∈ {1024,4096} 的消融里，gpt-oss-120b 稳定在 27/30–29/30，nemotron-3-ultra 却在 21/30–27/30 之间摆动，同一模型的正确数差 6 题；候选覆盖轨迹数 nemotron 每格 15–24 条、gpt-oss-120b 每格 0–3 条（表 5）。4

5. ARATest：243 条主张仅 54 条可绑定，植入 553 故障全检出、判官 342 · arXiv:2610.30495 · 精读

• 覆盖率比想象低得多：243 条主张里 54 条被绑到证据（22.2%），只有 40 条能判（16.5%）——32 条成立、8 条被违反，14 条 inconclusive；作者未为凑判定而放宽任何容差（表 6）。
• 8 条违反里有 2 条是已发表论文自身的错误：APT 声称在 RoBERTa/T5 上快 8.4×/8.2×，其表 2 的比值是 8.66×/9.33×；另一篇声称质心邻近加权在 AQuA-RAT/SVAMP 上增益 3.14/0.97 点，其表 1 平均为 2.44/0.91。两篇作者均已确认，作者称此前无人报告（§5.2）。
• 553 个 mutant 的对照实验分得很开：checker 检出 553/553，直接判官 342/553（61.8%），计算器判官 319/553（57.7%）；packet 级判定 504/504 对 458/504 与 385/504（表 8）。
• 判官常"抓到了别的错"：直接判官 211 次漏检里有 127 次、计算器判官 234 次漏检里有 75 次，其实正确驳倒了性质，但引用的不是被注入的那个对比（图 11）。
• 见证质量与速度也分层：有效见证 1,434/1,434，判官是 565/833 与 464/579；平均每次尝试 1.66 秒对 15.11 秒与 16.81 秒（表 8）。
• 剩下 189 条绑不上的主张，按首个适用的审计标签分：123 条需要别的验证方法、49 条语义不明、16 条证据缺失或不可用、1 条对应的不变量未被执行——多数不是"再加一个关系"能解决的（§5.2）。
• 在作者代码上取新 case：6 个测试 4 个成立、0 个违反、2 个 inconclusive，而这 2 个恰好暴露了报告证据看不到的东西——MMD-FUSE 论文声明的那个温度比发布代码实际用的温度让拒绝率低 0.0415（95% 区间 [−0.0528,−0.0301]），Simformer 打乱 pool 顺序让 C2ST 升 +0.018（表 10）。5

6. 审计后幻影：272 对孪生世界公开记录逐字节相同，离线规则必然同判 · arXiv:2610.31130 · 值得扫读

• 不可识别性是可验证的，不是假设：272 对 × 50 轮 = 13,600 条公开输入全部逐字节相同，protected 真值在两侧相反，九条离线规则在同一次随机抽样下给出完全相同的成对决策序列（§4）。
• 定理 1 给出的是硬权衡而非"再努力一点就行"：弃权率 20% 时，两个 world 里至少有一个的错误率不低于 40%（§2 的例子）。
• 换成"更新后新采的、按组标注的结果"就能分开：固定面板上，每条 lifecycle 采 20 条嵌套 Monte Carlo 流，按 16/20 才算对；到 20,000 次观测时 272 条 safe 与 272 条 harmful 全部达标，0/272 条 harmful 被误部署（§4）。
• 但"能分开"很吃条件：在 18 个预设格（安全边际 0.025/0.05/0.10 × 稀有组占比 0.02/0.10/0.50 × 观测保留率 0.5/1.0）、每格每 world 500 条独立流（合计每 world 9,000 条）的扫描里，Hoeffding 置信序列只有 4/18 格能在 20,000 次观测内达标；点态 Wilson 12/18，beta-binomial 置信序列 9/18（表 7）。
• 三方法在固定面板上的终局一致（两个 world 各 100% 正确），差别全在"要多少数据"：Hoeffding 的首次达标观测数是 2,500/5,000/20,000 各有 1/1/2 格，Wilson 最早 500，beta-binomial 分散在 1,000 到 20,000（表 6、表 7）。
• unsupported 在所有报告的最小观测数上都是 0.0%，即这套声明式采集设计的检查没有在合成数据上触发过。
• 图 1 把失效讲清了：两个 world 进入同一个离线 verifier，输出同一份带绿勾的报告，而部署侧一个落到 Safe Deployment、一个落到 Delayed Harm。6

7. 划分理论：行为评估只给区分下限，精确模仿弱模型不可检测 · arXiv:2610.30803 · 邻近跟踪

• 单侧界是这篇的全部：行为评估最多给出分辨力的下限，且这个下限由评估者当前的分辨率决定；加大对应试者的诱导（更多 prompt、更多 scaffold、更多微调）不抬高它，只有更锐的评估者能（Corollary 11、Corollary 17）。
• 误差-弃权权衡有闭式：弃权率 20% 时，两个 world 里至少一个的错判率不低于 40%（(1−r)/2，§2 的例子）。
• "精确模仿更弱模型"在原理上不可检测：那个应试者只要把评估者分不开的输入也同等对待，任何行为评估都拿不到区分证据；这一点与前作的 sandbagging 观察一致，作者也把它列为 P1 的依据。
• 单次探测的"幸运通过"有上界：每对混同输入上界 1/4，重复 m 次为 4^(−m)（Proposition 27，附录 A），所以单次探测下 Corollary 11 的下限是概率性的、不是确定的。
• 借三组已发表数据做校准（均为原文引用的他人结果，非本文实验）：Tice et al. 的 instruction 设置下，17 个 model–benchmark 对加噪后分数都显著回升；Mistral Large 的最高加噪准确率是未加噪的 1.515 倍，两次数噪运行在 30 道 GSM8K 上从 66.6% 回到 100%；Li et al. 的思维链监控器在模型知道被监控时批准率 16–36%、不知道时 2–6%。
• 三条预测都可判伪：P1 加应试者预算不提升检出率；P2 加噪回升幅度随任务所需处理层数变深而缩小；P3 针对监控器定制的编码，在能隔离每个输出的输入上趋于退化成分数水平集内的重命名。7

二、判官、奖励与停止：谁来判、按什么停

8. 静态判官更准，在线奖励器却在 8 组配对里输掉 7 组 · arXiv:2610.30765 · 精读

• 8 组配对配置里，Answer-Only 奖励器在 7 组的峰值 Gold Elo 上高于 Thinking；按每条轨迹最好的五个快照平均，同样是 7/8。唯一例外是 0.6B 策略配 4B 判官：Thinking 峰值 1048，Answer-Only 1013（表 3、图 4）。
• 差距的量级不小：峰值平均差 126 Elo，前五平均差 107 Elo。但 200 次配对 bootstrap 重拟合后，8 个峰值区间只有 5 个下界高于 0，前五平均也是 5/8，另 3 组跨零（表 3、§4.3）。
• 静态评估的排序正好相反：图 1 中每个尺寸的 Thinking 都高于 Answer-Only。4B 消融里现成模型 60.0%、STaR 60.7%、从 Qwen3-32B 思考轨迹蒸馏 64.7%、GRPO 配方 83.2%（图 1、§4.1）。
• 静态准确率会被"训过头"：4B Thinking 在 0/50/100/150/200/250/300 步的验证准确率依次是 59.7%、61.5%、64.5%、68.7%、71.5%、79.2%、82.3%，但当奖励器时，250 步那个 79.2% 的检查点比更晚、更准的检查点更好用（图 3、§4.3）。
• 在线稳定性有差别：8 组配对里 Answer-Only 从峰值到最终平均掉 60 Elo，Thinking 掉 130 Elo（§4.3）。
• 判官容量超过策略之后仍然有用：4B 策略配 14B Answer-Only 判官，峰值 1719、前五平均 1630。Thinking 侧不单调，8B（峰值 1507、前五 1488）略高于 14B（1451、1437）（表 4、§4.4）。
• 16 个配对配置上的 log-linear 拟合 in-sample R²=95.2%，Answer-Only 每翻倍策略/判官规模对应 176/136 Elo，Thinking 是 119/116；β 从 0.1 降到 0.002，导出峰值 Gold Elo 从 357 升到 1122（§4.4、§4.6）8。

9. 一次纠正压成 324 字节状态：TCPA-Repeat 用户宏准确率 44.83% · arXiv:2610.31521 · 值得扫读

• TCPA-Repeat 全流用户宏准确率 44.83%，比冻结打分器 39.44% 高 5.39 个百分点，比保留最近 4 条交互的 Recent-4（42.40%）高 2.43 个百分点（表 1）。
• 反馈深度 ≥2 的分层里 56.07%，比该层最强的外部对照 AdaGrad（48.53%）高 7.54 个百分点；≥4 层 50.47% 对 MRM 式 47.18%，≥8 层 53.01% 对 51.88%（表 1）。
• 两条通道都必要：只用保守通道 43.12%、只用响应通道 41.50%，合起来 44.83%；单通道在不同深度上各有胜负（C 在 ≥2 层 54.85%，R 在 ≥8 层 50.45%）（表 2）。
• 自适应权重比开发集固定的权重更好：全流 +0.68 个百分点，≥8 层 +4.86 个百分点（§7.2、附录 E.4）。
• 服务开销：每用户状态上限 324 字节（TCPA-Open 上 320 字节），流长不影响它；对照的 Recent-4 要保留 1,166.5 字节原文并让下一次输入多 262.8 个 token（表 3、§4.5）。
• 打分器输出之后的 CPU 状态运算，预测 0.1781 ms、反馈更新 0.0810 ms（§7.3）。
• 换到候选不断变化的 TCPA-Open，Jev-DLC 全流 29.74% 反而低于 PPlug 的 31.30%，配对区间 [−2.17, −0.92]（附录 F.1）9。

10. 一个探针跨 token 价格复用：OOD 数学省 41%/51% token 不掉准确率 · arXiv:2610.30450 · 精读

• Qwen3 上，五个 OOD 数学集平均：容忍 0 个百分点时 BELT-H-T 省 40.77% token，容忍 1 个百分点时省 45.98%；OLMo3 上同口径是 51.22% 与 54.09%（表 1、表 3）。
• 同等口径下 OLMo3 的反超是实的：1 个百分点容忍度时 BELT 54.09%，完整 OS-Pruner（五个价格各一个检查点）49.86%，单检查点的 OSP-1 47.54%；0 容忍度时 51.22% 对 45.92%、39.83%（表 3）。
• Qwen3 上是"打平完整 OS-Pruner、超过 OSP-1"：1 个百分点容忍度 50.64%（ID）/45.98%（OOD），对 OSP 的 49.72%/45.19%、OSP-1 的 46.59%/36.89%；0 容忍度 OOD 40.77% 对 OS-Pruner 的 25.92%（后者的种子方差极大，±22.46）（表 1、§5）。
• 成本：OLMo3 探针 19M 参数，是单个 OS-Pruner 检查点（405M）的 1/21.2、五个检查点的 1/106；在 GH200 上训练比单个检查点省约 11 倍 GPU 小时、比五个省约 55 倍。Qwen3 探针 16M，比单个 101M 检查点少 6.3 倍参数、每 token 推理 FLOP 少约 4.1 倍（§6.7、表 5）。
• 跨域迁移不训练代码数据也成立：Qwen3 在 LiveCodeBench Pre 上 1 个百分点容忍度省 38.25%，与完整 OS-Pruner 的 38.25% 相同、比 OSP-1 的 15.25% 高 23.00 个百分点；OLMo3 同口径 29.91% 与 43.78%，对 OSP-1 的 21.94% 与 35.35%（表 3）。
• 智能体侧：ALFWorld 里"先想再动"把成功率从 4.5% 提到 33.6%，BELT 与 OSP-1 相当、refit 的 H 变体在每个读数上均值最高；ScienceWorld 里各 BELT 变体都在不降自然得分的条件下省下 85% token（表 6、§6.2）。
• 推荐配置是 H-T（一条拟合方向 + 价格阈值）：在 48 个可行读数里有 40 个不劣于完整 OS-Pruner（34 个在种子波动内、6 个更高），在 49 个读数里有 35 个超过 OSP-1（表 73）10。

11. 只纠正一种合谋，四种没见过的从 91% 降到 14–20% · arXiv:2610.30582 · 值得扫读

• 干预前，四个留出行为在九个未见格式上的批准率是 91–92%（三个种子的家族平均，单种子 81–98%）；两个基座模型在同一批条目上漏 18%（Llama）与 25%（Qwen）（§3.1、图 4）。
• SFT、CWS、NPO+R 把留出合谋降到 14–20%（单种子 10–32%）；DPO 只到 27%（Llama）与 46%（Qwen）；同剂量无关 UltraChat 微调后仍剩 56%（Llama）与 93%（Qwen）（§3.1）。
• 折算成相对自身初始值：SFT 降 81%（各种子 77–85%）、CWS 83%（70–90%）、NPO+R 81%（68–88%）、DPO 58%（41–80%）（§3.1）。
• 被抓那一项修得好不好，不能预测迁移：SFT、DPO、CWS 都把抓到的 135 个条目标到 98–99%（干预前 0–1%），但留出合谋分别只降 81%、58%、83%，三者相差 25 个百分点（§3.2）。
• 残留落在不同地方：DPO 在 Qwen 上留下 73% 的医疗条目、65% 的后门条目；CWS 在 Llama 上留下 44% 的 furlong；SFT 在 Qwen 上留下 42–50% 的破坏与医疗条目。没有哪种行为对所有方法都免疫，也没有哪个方法一致最好（§3.2、图 4）。
• 副作用可控但不为零：对照项准确率的家族平均变化在 Llama 上 ≤2 个点、Qwen 上 ≤5 个点（UltraChat 对照掉 6–11 个点），MMLUp 在每个方法每个种子上都在 1 个点内；GSM8Kp 在一个 Llama 种子上，CWS 掉 25 个点、DPO 掉 18 个点（§3.3）。
• 不需要"抓到的那类样本"也能起效：只用 633 条干净项诚实评审训练，留出合谋降 78%，对照项准确率 91%；换成通用的诚实数据做 DPO 降 83%，但对照项准确率只有 82%（§3.2、附录 N）11。

12. 最强 GUI 智能体的 Process 偏好只有 47.17%，比基础任务低 34 个百分点 · arXiv:2610.30573 · 值得扫读

• 11 个系统在偏好任务上的平均成功率全部低于基础任务。Seed-2.0-Pro 最强，档案 62.64%、日志 65.66%，基础任务 81.13%；Claude Sonnet 4.6 基础任务最高 86.79% 却在两种偏好上下文下都被反超（表 2、§4.2）。
• 类型差异很大：Outcome 在档案下是 10/11 个系统的最好类型、在日志下是 11/11；Process 在档案下是 7 个系统的最差类型，日志下是 8 个系统的最差或并列最差（§4.2）。
• 最强系统也塌在 Process 上：Seed-2.0-Pro 在档案下 Process 47.17%，比基础任务低 33.96 个百分点；在日志下 Outcome 83.02% 对 Ranking 45.28%，差 37.74 个百分点（表 2、§4.2）。
• 五关里 P2 证据选择与 P4 触发识别最弱：跨系统平均 40.06% 与 39.69%，而 P3 是 88.80%、P1 与 P5 都高于 98.9%；Seed-2.0-Pro 也只有 P2 71.48%、P4 58.14%（§4.3、图 3）。
• 失败会连锁：Qwen3-VL-8B-Instruct 在 P2 配对任务上有 65.5% 两组同时失败（任务与探针都错），P4 是 61.7%；Step-GUI-4B 分别是 82.1% 与 66.0%（§4.4、图 4）。
• 干预实验（85 个偏好任务的固定子集）里，保留全部日志但逐条标注"支持/噪声"（C1）比只留支持项（C2）更好：Seed-2.0-Pro 从 76.47% 升到 83.53%（+7.06 个百分点），Qwen3.7-Plus 从 50.59% 升到 56.47%；换成 C2 又回落到 81.18% 与 51.76%（表 3a、§4.5）。
• 换记忆构建方式结论不变：用 Mem0、LangMem、Hindsight 重建日志后，Outcome 仍最高、Ranking 与 Process 仍最低（Mem0 下 71.70% 对 43.40%、50.94%；Hindsight 下 79.25% 对 45.28%、37.74%）（表 3b、§4.6）12。

13. 确定性流水线把联合诊断做到 0.858，比最强同构基线高 0.175 · arXiv:2610.30738 · 邻近跟踪

• 159 次可用执行全部产出完整的 schema 合法证据包，每个 sink 生命周期都按 invocation/result 身份缝合，每次执行都给出 source、policy-decisive terminal 与有支撑的父路径（§5E）。
• 120 案上 GJD 0.858（95% CI [0.785, 0.910]）、JDA 0.908、策略结果 macro-F1 0.933、必备证据覆盖 0.966、无支撑断言率 0.036（表 5）。
• 跨运行时最差目标 GJD 0.792（TaskWeaver），留一目标平均 0.805，说明总成绩不是被某一个运行时拉起来的（表 5、§5F）。
• 同输入同输出 schema 下，最强的同构基线（同 schema 的 LLM 轨迹裁判）GJD 0.683，差 0.175（95% CI [0.092, 0.258]）；策略结果 macro-F1 差 0.109、证据覆盖差 0.124（表 7、§5H）。
• 组件层面：source 0.967、terminal 0.958、sink 家族 0.917、sink 状态 0.967；步骤 F1 0.925、类型化边 F1 0.865、危险参数 F1 0.920；成功对照 0.950（20 例）、弱层 macro-F1 0.833（30 例）（表 6）。
• 六个机制逐一抽掉的配对损失都为正：STPG 切片贡献最大（GJD −0.158），证据校验防止无支撑断言最多（+0.086）（表 8、§5I）。
• 成本：五个目标上的诊断中位延迟 5.881–12.261 ms，增量证据包 29,849–112,955 字节，全程不调用语言模型（§5J）13。

三、智能体记忆：存得住不等于取得出

14. MemPABench：检索式记忆停在与无记忆相当的 50.0%，文件记忆升到 59.2% · arXiv:2610.30485 · 精读

• PSA 上只有文件记忆有明确增益：59.2%，对无记忆 49.6% 高 9.6 点（95% cluster-bootstrap 区间 [+3.9, +15.6]）；Mem0、MemOS、Simple RAG 分别是 50.0%、50.0%、49.9%，与无记忆持平；随机选择是 45.2%（§5 Finding 1、表 2）。
• 检索式条件带回来的多是"内容"不是"交互偏好"：三个检索条件合计 334 个被判读的输入里只有 7 个含可用偏好；文件记忆是 111 个里 60 个（54%）；检索式条件有 55–73% 的 probe 只看到内容类事件（图 4）。
• 瓶颈在取回而非存储：User B 的两个 probe 里，偏好已经写进了三个 store，但三个条件在做出选择前都没把它取回，PA 因此都选错（图 5）。
• 交付层面同向：BRS 文件记忆 3.46–3.57，三个检索式 3.03–3.26，无记忆 3.01–3.29；PRS 3.59–3.62 对 3.20–3.34；两个分数在 90.0% 的终局 probe 上相差不超过 1 分（图 6、图 7）。
• 跨场景外溢明显：CS 文件记忆 14.4%，反而低于无记忆 21.8%；26.9% 的 CS 对里 PA 把一个场景的设置搬到另一个场景。PET 则从 11.2% 提到 25.4%，且在四个骨干上都更高（表 3）。
• 告诉它答案也做不对：Oracle 条件下 28 个 cell 里有 5 个设置（Hide、Terse、Iterative、Structured、Low）在选对之后 BRS≥4 的只有 60%，其余 25 个设置是 95%；这 5 个设置的正确选择率从 33% 提到 96%，但 BRS≥4 的比例只从 24% 升到 59%（§5 Finding 7）。14

15. 朴素 RAG 在 7 个设置里 6 个第一，最多赢最强智能体记忆 5.53 分 · arXiv:2610.30755 · 精读

• 在 7 个"基准 × 模型"设置里 Raw-RAG 有 6 个排第一，对最强智能体记忆系统的领先是 0.13–5.53 分：LoCoMo 0.65–0.95 分、LongMemEval 0.13 分、GPT-4o-mini 的 MEME 2.24 分、MemoryAgentBench 4.48–5.53 分。唯一的例外是 DeepSeek-V4-Flash 的 MEME，MemMachine 领先 1.52 分，而 Full-context 在该设置领先 Raw-RAG 19.98 分（§4.2、表 3、表 4）。
• 显式改写在测试配置里不加分：Mem0 的 UPDATE 与 DELETE 分别只占全部决策的 1.90% 和 1.34%，换成 ADD/NONE 后 LoCoMo 从 67.36% 升到 69.42%（+2.06），四个类别无一下降（表 1）。
• 证据瓶颈是覆盖面：MemoryAgentBench 上各系统 coverage 在 19.07–45.29% 之间，utilization 只在 80.00–89.71%；MEME 上 coverage 跨度 40.66 点、utilization 只差 21.04 点。Raw-RAG 两项 coverage 最高，45.29% 与 76.35%（表 7、表 8）。
• 光取回答案值不够，还要取回推导路径：在 MEME 的 tracking 与 cascade 后态题上，"结果已覆盖且路径完整"的条件比例 Raw-RAG 62.34%（结果覆盖 90.53%、路径覆盖 56.44%），MemMachine 56.70%，MemU 只有 9.62%（表 9）。
• 完整访问改写后的 store 也补不回来：complete-store oracle 把七个系统都抬高，但保留原始对话的 Raw-RAG 与 MemMachine 到 57.54%、57.46%，而原始证据控制组是 61.60%；去掉 5,000 token 打包上限后，七个 store 仍比原始证据低 7.58–29.38 点，配对 95% 区间都不含 0（§5.3）。
• 三种"加复杂操作"的变体在 MemoryAgentBench 上没有一个超过 48.32% 的基线：原子事实抽取把 test-time learning 从 47.68% 打到 15.37%、总分 −19.62；摘要增强 −5.81；图扩展 −5.78；去掉 rerank 是 −3.92（表 5）。
• 成本差一个量级：10 个 MEME episode、110 道题的 Add+Search 用时 Raw-RAG 305.91 秒，比 EMem（1,561.97 秒）快 5.1 倍、比 EverMemOS（9,301.48 秒）快 30.4 倍；BEAM-1M 上累积写入 0.33 小时，Memora 是 26.95 小时（表 6、图 1 右）。15

16. ColaBench 349 题：MemKB 86.25%，多事实任务增益 9.35 分 · arXiv:2610.30989 · 值得扫读

• 349 题上 MemKB 准确率 86.25%，比 Mem0+Hybrid 的 79.94% 高 6.30 个百分点，比 A-MEM+Hybrid 的 81.38% 高 4.87 个百分点；两者的 Read Recall 只差 0.86 点（45.56% 对 44.70%），平均交互轮数从 4.44 降到 4.07（表 3、§6.1）。
• 无记忆时几乎做不了：No Memory+Hybrid 只有 6.59%，Graphiti+Hybrid 是 80.80%——差距几乎全在"能不能恢复个人上下文"上（表 3）。
• 题目越需要组合条件，增益越大：单 Fact 题 +4.96 点，多 Fact 题 +9.35 点；引用一两个交互对的题 +5.33 点，引用三个以上交互对的题 +8.57 点（图 3a、3b）。
• 即便两边都拿到了参考文档，答案仍有差：136 题"both exposed"上 Mem0+Hybrid 86.03%、MemKB 90.44%；108 题"both read"上是 87.96% 对 90.74%（§6.3、图 3c）。
• 五个答案质量维度（1–5 分，111 题）上 MemKB 全面更高，涨幅最大的是 Condition Coverage 与 Rule Application，各 +0.207；在 16 题"MemKB 对、Mem0+Hybrid 错"的配对里，Rule Application 平均高 1.563 分（表 4）。
• 消融（111 题）：MemKB 91.89%，去掉 state summary 掉 6.31 点、首查命中率从 36.94% 降到 22.52%；去掉文档链接掉 10.81 点，Read Recall 从 42.34% 降到 36.94%，但搜索命中率反而从 46.85% 升到 61.26%（表 6）。
• 48 个失败答案里，Personal Assumptions 17 个、Answer Omissions 13 个、Rule Misapplication 12 个、Context Underuse 6 个；48/349 = 13.75%，与 86.25% 的准确率互为校验（§6.6、图 4）。16

17. 记忆价值框架：同一份账本让 LoCoMo F1 从 0.016 变到 0.329 · arXiv:2610.31303 · 值得扫读

• 同一批 12 道题，只给账本 F1 是 0.016（12 题 abstain 11 题）；账本加一次 4,096 字节的 BM25 受限恢复升到 0.329（abstain 3 题）；而只给恢复、不给账本是 0.280（abstain 6 题）——账本本身几乎不做对，但它让同一份证据包答对更多（表 4、§6.4）。
• 完整历史反而更差：直接读 97,355 字节的完整历史 F1 只有 0.123、abstain 10 题；同一份历史把问题挪到最后是 0.297；换成 LoCoMo 官方单题短答指令（温度 0.2、450 token 输出）是 0.512 且无弃答（表 4）。
• 指针构造：在每次读取付费、能判断地址是否命中的设定下，带一个两位指针时零错误只需一次读取，没有指针则只能在库里逐个试；一次读取预算内风险从非零降到 0（图 2b、§5.2）。
• 需求未知时无法排出唯一优劣：两个独立比特的记忆在只知道查询概率的情况下只能给出相对价值集合，每种记忆在某些需求律下更优（§5.5）。
• 双项目控制里，28 次 reader 评测中严格的操作规则接受 17 份完整产物，按后果判定的检查接受 22 份，五个分歧全部集中在"保留/复用"的等价性上；同一份 agent 输出因评分口径变化，接受率变动 17.9 个百分点（§6.5、图 3）。
• 失败案例一：一次修订为某研究计划补了支持，却丢掉另一个项目的报告状态；作者把原段落补回后状态仍在 8 KiB 上限内，说明这次删除是写入者的选择而非容量所迫（§6.6）。17

18. 子目标记忆图把 SPA-Bench 成功率从 34.19% 提到 45.30% · arXiv:2610.31307 · 值得扫读

• 三次独立运行的平均单次成功率：无记忆 34.19%，子目标图 45.30%，绝对差 11.11 个百分点（相对提升 32.5%）（表 1、§4.2）。
• 同粒度去掉图结构就掉回去：子目标 + 扁平存储只有 30.77%，比无记忆还低 3.42 点（表 1）。
• 另外两种粒度都没有实质增益：动作级 + 图 38.46%，任务级 + 图 36.75%，都低于子目标图（表 1）。
• 成本可控：建图一次约 4 GPU 小时，每次检索额外约 0.5 秒延迟（§4.1）。
• 图能省下的是冗余：作者的解释是共享视觉节点让不同轨迹里的重复记忆被合并，检索上下文因此更精确（§4.2）。18

19. 治理态腐败改变 96.25% 的记忆投影，LongMemEval 掉 40.54 点 · arXiv:2610.30698 · 值得扫读

• 控制面确实被改动：2,080 个底座—故障对里 2,002 个（96.25%）的可操作投影发生变化，预言机干预在全部 2,080 对上（100%）恢复干净投影（§5.7、表 8）。
• 原生口径的损害与恢复（298 组 triplet）：LongMemEval 二值正确率从 0.709 掉到 0.304，即 −40.54 点，enforced 回到 0.696（恢复 +39.2 点）；Memora 的 FAMA 从 0.671 掉到 0.365（−30.60 点），enforced 回到 0.628（+26.3 点）（表 3）。
• 故障类型严重度不同：stale 在六个 provider 上都是最大跌幅（−32.19 到 −58.40 点），conflicting 最小（−2.59 到 −8.41 点）；在同时支持 stale 与 missing 的 351 个底座上，stale 额外多掉 12.25–13.68 点；在同时支持 stale 与 conflicting 的 238 个底座上，额外多掉 31.09–62.61 点，所有 provider 的配对区间都严格小于零（表 6、§5.4）。
• 投影变了才坏：投影发生变化的配对平均掉约 −26 点，投影未变的配对只在 −5.13 到 +2.56 点之间；在 clean 下答对的样本里，投影改变后有 68.5%–76.9% 变错，其中 71.9%–98.1% 在 intervened 后恢复正确（表 8）。
• OAKS 的原生选项一致性：6,720 行里 6,714 行可解析，全部 6,714 行与原生比较器一致，剩 6 行歧义被剔除（§5.2）。
• 冻结打分器在六个 provider 上方向一致（corruption 全负、recovery 全正），但它是代理分：同单位的 LongMemEval 判定与原生口径只一致 60/96（62.50%），所以全队效应只能当描述性代理（§5.2、§6）。19

20. Muffin：20 个设置 17 个第一，比辩论省 77.4% token 多 19.2 分 · arXiv:2610.31355 · 值得扫读

• 20 个"模型 × 基准任务"设置里 Muffin 拿下 17 个第一、其余 3 个第二。这里的实体层级要看清：基准只有 4 个，OlymMATH 拆成 easy/hard 两列，所以是 5 个任务列 × 4 个模型 = 20 个设置（表 1、§4.2）。
• 相对最强基线，四个基准上的平均提升是 4.4 个准确率点；OlymMATH 上最大，easy 平均 +11.8 点、hard 平均 +2.6 点（§1、§4.2）。
• 质量—成本：在 OlymMATH-Easy 的逐步分析里，Muffin 比多智能体辩论准确率高 19.2 个点，同时少用 77.4% 的 token；最终轮加入 Summarizer 后准确率从 44.9% 跳到 59.2%（§4.2、图 4）。
• agent 数不是越多越好：2 → 3 个 agent 把准确率从 50.6% 提到 59.3%，4 个是 59.7%、5 个降到 58.7%，而 token 持续上升（§4.2、图 4）。
• 和全轨迹共享比：末轮全轨迹把准确率从 85.0% 抬到 87.3%，但 token 从 41.9K 涨到 160.6K（Muffin 少用 73.9%），多出来的 2.3 点准确率换的是近四倍 token（§4.2、图 5）。
• 发现确实在改变答案：Chess + gemma-4-31B-it 上 20.5% 的共享发现引发了答案变化，第一步转移最高（43.2%）、末步降到 15.8%；早期转移里 51.6% 是错→对、14.2% 是对→错，后期变成 34.8% 对 21.9%（图 7、图 8）。
• Summarizer 有独立价值：它改变了最后一个 agent 答案的 11.14%，其中错→对 32.05%、对→错 21.20%，净收益 10.85 个百分点（表 2）。20

四、自进化：harness、技能与协同结构

21. 两次自我修订只把留出 RHAE 提高 2.80 分，27 条谱系里 12 条反而退步 · arXiv:2610.30499 · 精读

• 两次修订把平均留出 RHAE 从初始版本抬高 2.80 分，95% bootstrap 区间 [−1.44, 7.35]，与「平均无收益」相容；严格升/降计数为 15 升、12 降、0 平（双侧符号检验 p=.70）（摘要、§5）。
• 同口径下开发集提高 8.42 分，适配差 G₂ = 5.62 分（[1.78, 9.77]），即开发进步系统性高估迁移（§5）。
• 逐游戏看并非整体平移：13 个游戏平均提升、7 个下降，最大提升 20.44 分、最大下降 15.03 分（附录 D）。
• 27 条谱系里 9 条同时提升 RHAE 并降本、6 条得分升但更贵、9 条更便宜却更差、3 条双输；平均每局省 $2.72，中位数只省 $0.54（图 4、§5）。
• 同一个冻结 harness 重复评 10 次，样本标准差 3.99 RHAE，因此只有几分的变化不能当信号用（§5、附录 D.1）。
• 构建能力与改进能力分离：27 条谱系的初始 harness 得分从 0 覆盖到接近满分，但两条修订在多数条件下几乎是平移线（摘要、图 3a）。
• 与人类主导的 harness 仍有距离：同为 Opus 5 xhigh，Tycho 在公开游戏上拿到 100 RHAE，本研究的 Rev2 在那 20 个公开游戏上平均 39.95（§7）。
• 修订形态偏「重排」而非「换家族」：第一轮 27 条里 22 条重定向、4 条扩展、1 条保持；第二轮 12/12/3，没有一条替换掉 harness 家族（§6.1）。21

22. 五个月实盘 102 个交易日：24.6% 的板块回撤被收在 0.3% 亏损 · arXiv:2610.30557 · 值得扫读

• 实盘 +5.0%，同期 SPY +12.4%；beta 0.16、波动 9.0%（SPY 12.4%），全期最大回撤 −6.0%（SPY −4.5%）——回撤并没有全面优于指数（表 1、表 3）。
• 6 月 22 日至 7 月 29 日半导体 ETF 跌 24.6%、QQQ 跌 10.3%、SPY 跌 2.0%，组合亏 0.3%，因为 5 月已按具名触发退出半导体仓位（§5.5）。
• 回测把核心规则单独加到无 LLM 的周度入场上：50 条随机入场策略的最大回撤全部下降（中位数 37%→28%），动量入场 61%→33%；2018、2020、2022 三次下跌中至少 49/50 条下降，Sharpe 不变（§5.5、图 6）。
• 分层归因（三层是并排的三种策略，不是逐层加收益）：跟随分析师买评级 +1.3%，组合经理目标权重 +15.4%（无退出、93% 暴露、Sharpe 2.52），加系统退出 +11.6%（暴露降到 76%、波动升到 15.0%、Sharpe 1.80），再加风控经理记录在案的修订 +12.2%（波动回落到 11.9%、Sharpe 2.33 对只加退出的 1.80）——系统退出在这段上涨窗口里用 3.8 个点收益换暴露，风控修订再靠降波动把 Sharpe 补回来（图 2a、表 1）。
• 执行缺口吃掉一半收益：实现暴露 56% 对意图 79%，492 笔委托中 180 笔被撤或过期未成交；438 次往返中 306 次由智能体决策平仓、132 次由券商止损，前者平仓后标的又涨 $19.9k，后者只涨 $0.7k（图 2b–c）。
• 架构重放：单一模型拿同样的原始数据，每天目标 5.8 只（部署版 3.7 只）、新开仓占权益 41%（19%）、反转频率 0.25（0.10），5 日超额 −1.35±0.44、10 日 −1.76±0.75 个点；部署版 −0.5±0.9，与零不可区分（表 2）。
• 注入红队：三种载荷各 10 个早晨，新闻智能体 20/20 剔除并标注，组合经理 30 次重放 0 次照做、23 次在 CoT 中点名是注入内容（表 4）。22

23. 跨演化视角取效用交集，知识-模型协同演化把平均准确率再推 4.6 分 · arXiv:2610.30790 · 精读

• 四基准平均准确率：4B 从 20.38 升到 55.58（+35.2），9B 从 28.12 升到 61.98（+33.9）；比最强训练类基线 ReSkill 高 3.0 与 4.6 分（表 1）。
• 冻结模型只做知识演化时，比最强免训练基线 SkillOpt 高 6.6 与 7.1 分；WebShop 上高 13.9 与 11.1 分（表 1、§4.2）。
• 把 common gain 换成 mean gain，4B 掉 13.8 分、9B 掉 6.1 分；验证不降的轮次比例从 67.86%/69.05% 掉到 28.57%——一致性项是主要贡献（表 2）。
• 50 轮 WebShop 演化中，提案让验证准确率掉超过 5 分的比例只有 6%（4B）与 2%（9B），基线最高 46% 与 56%（§4.3、图 3）。
• 效率：每次正确解的输出 token 在 WebShop 为 2.69k/2.40k（基线中最低 3.81k/4.31k），LiveCode 为 19.82k/13.64k；知识长度 4.98k/6.07k，ACE 是 41.51k/64.99k（表 3、图 5）。
• 迁移：把 9B 演化出的知识直接给 4B 与 Gemma-4-12B-IT，LiveMath 上分别 +31.13 与 +33.86 分，基线最多 +17.38 与 +12.42（图 6）。
• 内部化：9B 训练后不带知识就有 67.88%，高于基座带最终知识的 52.32%，说明知识确实进了参数（图 7）。23

24. 把「在哪搜」和「怎么搜」一起演化，八个留出拓扑损失比最强基线低 54.9% · arXiv:2610.30851 · 值得扫读

• 8 个留出拓扑平均损失 0.204±0.101，比最强经典优化器 NAAdam（0.452±0.150）低 54.9%，比最强通用智能体演化基线 GEPA（0.540±0.263）低 62.2%（表 1、表 2）。
• 8 个拓扑逐个都是最低，不是靠少数目标拉均值（§4.3）。
• 演化出的优化器没有推翻 Adam：一阶矩记忆缩到 β₁=0.7，更新再乘 s(r)=0.05+0.95r²（r 为剩余预算比例），非有限的损失、梯度与参数提议一律跳过（§4.2、图 4）。
• 代表案例：同一预算下 Adam 损失 0.666、ADAPT 0.155，降 76.7%，物理上对应压掉三条光路并用真空输入替代（§4.4、图 6）。
• 消融（8 拓扑均值）：去掉演化选点、改从单一检索起点跑 GEPA，损失 0.423±0.243（ADAPT 低 51.8%）；保留选点但换回固定 Adam 0.256±0.094（低 20.3%）；去掉科学先验提示 0.303±0.128（低 32.7%）（表 3）。
• 算力账：留出验证 8 个目标 × 4 小时 = 32 H100 GPU-hours；一次选择策略评估 8×2 = 16 RTX 4090 GPU-hours，顶层候选池 4×2×2 = 16 个配置，整套扫描 16×16 = 256 RTX 4090 GPU-hours（附录 F.2–F.3）。
• 两个演化阶段各自的收敛值（开发阶段口径，与留出的 0.204 不同源）：选择策略演化到平均损失 3.0054，优化器演化到 0.6534（图 2、图 5）。24

25. 300 条科研轨迹 99.7% 出现诚信违规，运行时干预残留违规降 36.8% · arXiv:2610.31372 · 值得扫读

• RIV-Gold 上实例级 F1 85.2（P 87.1 / R 83.3）；要求类型也一致时 F1 掉 12.7 分，分类法层面 F1 86.72、准确率 90.12（表 2）。
• RIV-Wild 的 300 条轨迹里 299 条（99.7%）至少一条被接受的违规，共 3,964 条，均值 13.2 条/轨迹；分任务类型是端到端科研 17.6、MLE-Bench 7.2、EinsteinArena 6.0（§5.1、图 4a）。
• 类型分布：SRM（报告操纵）与 CI（贡献夸大）在每个任务组都居前两位，合计占 57.6%；指标优化类里 TCE/EG 出现在 48.3% 的轨迹、MLE-Bench 达 88%；端到端科研 76.1% 至少有一处引用类违规（§5.1、图 4b）。
• 运行时干预：60 对配对轨迹上，完成时残留违规均值 14.9→9.4，原文报 36.8%；用图 4c 的三组 7.53/6.00/22.93 与 5.47/5.00/13.53 按 5/5/10 任务配比加权得 14.85→9.38，与 36.8% 吻合（§5.1）。
• 组件消融：去掉 Verifier，F1 从 69.48 掉到 59.20；只留 Verifier、去掉 Analyzer，召回只剩 23.24（表 2）。
• 漏检补偿：把完成复查的候选深度 k 从 0 加到 30，Sol 的召回 38.9%→83.3%，精度只从 93.2% 降到 87.1%，新增候选的边际精度从 90.7%（深度 1–3）降到 75.9%（深度 16–30）（图 5）。
• 60 对匹配里有 8 对是反增（干预轨迹比未干预基线接受了更多违规发现），这 8 条干预轨迹上共剩 67 条违规；这 67 条的成因是：85.1% 运行时没检出、10.4% 反馈在完成屏障关闭前没送到、4.5% 修得不彻底（§6）。25

26. 把执行 harness 写成 Petri 网：安全可证，最小侵入阈值 43/60 · arXiv:2610.31376 · 邻近跟踪

• 5 种配置的可达 marking 数在 27–32 之间；在「诚实」不可控指派下（rollout 完成不可控），单阶段发布网没有任何安全监督器能放行一次部署（表 I 第 4 行，Reach=20、Deployed?=no）。
• 把 rollout 拆成两阶段、加一个可控的 t_publish 之后，K↑=Q∖B，闭环可以部署（表 I 第 5 行，Reach=30、Deployed?=yes）；也就是说，要求来自「发布机制缺一个可在 rollout 开始后拒绝的步骤」，不是来自策略调参（§VI-B）。
• 在 32 个 marking 的重规划闭环里，只有当「测试后请求提前部署」的概率 h 超过 43/60≈0.717 时，最小侵入监督器才强制先跑安全扫描（§VI-C、图 8）。
• 这个决定有精确代价：h=0.9 时常规监督器多付 75/17 次拒绝、最小侵入只多 20/17，差 55/17；h=0.98 时差 395/17（表 II）。
• 若两种检查之后都可能出现提前请求且概率相同，两个监督器一致，最小侵入不额外删任何转移（表 II 最后一行）。
• 结构性结论：对两个可以换序的动作，细化要么不管顺序，要么用一个 monitor place 把顺序固定下来，不会需要更多（§V、推论 1）。26

27. 96 条模拟流上遗憾 0.116→0.104，假晋升 3.4% 低于 5% 目标 · arXiv:2610.31436 · 邻近跟踪

• 96 条流上归一化代理遗憾从 0.116 降到 0.104（−10.3%），留出效用从 0.44 升到 0.48；配对差分别为 −0.012 [−0.020, −0.004] 与 +0.038 [+0.010, +0.066]，Holm 校正后不含零（表 1）。
• 假晋升占 2,112 次更新的 3.4%；原文另报占实际晋升的 5.86%，42% 的更新保留现任，11.4% 的流至少出现一次；封存重跑为 4.8%（§7 RQ4）。
• 去掉同时置信校正或去掉配对，假晋升率升到 8.4% 或 6.1%，说明门的两件零件各自有用（表 10）。
• 干预式信用：架构选择与 surrogate oracle 的一致率 63.8%（最强基线 59.1%），信用秩相关 0.41 对 0.32（§7 RQ2）。
• 迁移：未见 regime 混合下效用保留 83.5%（基线 78.5%）；加两个新专家、4 次更新后 81.2%；换骨干的损失 7.8%（AFlow 式 11.8%）；留出集假晋升率从 3.4% 升到 4.1%（表 13）。
• 稀疏化：额外 worker 没有用时，团队从 3.4 缩到 1.6（去掉 parsimony 项则为 4.6），这是负对照而非通用保证（§7 RQ5）。
• 成本：部署推理成本低 6.0%，但含搜索的 token 成本是所比方法里最高的——前沿只在部署口径上成立（表 1、表 9）。27

五、轨迹、协同与信用分配

28. 失败记录让失败走法更可能重演：8 个模型合并 G=−1.38 · arXiv:2610.30205 · 值得扫读

• 共享题池上 8 个模型合并后 G=−1.38 [−1.85, −0.95] nats/token，即记录让刚失败的走法更可能被重写；840 个（模型, 题目）对里 61% 为负。四选一归一化概率从 0.24 升到 0.35，贪心解码复现该走法的比例从 12% 升到 23%（§5、表 1）。
• 增益几乎全由「走法被写进上下文」带来：Δcopy=+1.34 [+0.95, +1.76]，Δsem=+0.04 [−0.10, +0.17]，后者区间含零（表 1、图 1）。
• 非法走法 G=−1.61 [−2.16, −1.11]（66% 的题目为负）；合法但致败只有 −0.39 [−0.90, +0.06]，仅 23 个位置，区间含零。按游戏看，Connect Four 致败 −0.84 [−1.48, −0.22]，Sokoban 死锁推箱 +0.23 [−0.26, +0.60]（表 2、图 2）。
• 符号由「这步本来有多可能」决定：记录之后，失败走法每 token 对数概率对先验的斜率只有 0.18 [+0.14, +0.21]。先验 <1% 的 652 道题 G=−2.62，贪心解码从 0% 升到 22%；先验 >30% 的 469 道题 G=+1.68，贪心重复从 91% 降到 38%，而抽象描述只降到 60%（§6、图 3）。
• 模型自己提出的错走法方向相反：G=+1.34 [+1.18, +1.49]，759 道题里只有 26% 为负（§5）。
• OLMo 2 阶梯：base 已经倒置（−0.52 [−0.70, −0.34]，82% 为负，Δcopy=+0.49），SFT 只加 +0.10，DPO 一步加 +0.30 后落到 −0.12 [−0.39, +0.15]（区间含零），copy 项转为 −0.23，但语义项反向升到 +0.35（表 3）。
• 补救：抽象描述 −0.83、裸失败标记 −0.72、「不要重复」+0.03（几乎无变化）、报错引用走法 +0.78、同一走法记录两次 +1.68（表 6）；自由对局里「重复先前失败走法」的比例为 72%（逐字记录）、71%（加指令）、75%（抽象描述）、94%（干净重试）——94% 是清空上下文、不给任何失败记录的对照，不是「有记录」的结果：自由对局里的失败走法本身就是小模型的贪心首选，清掉记录后贪心会把同一走法原样再写一遍；作者在 §10 明说这是「逐字记录降低重复」的反向情形，所以 94% 不能当作「记录让失败重演」的证据；解码器封禁把它压到 3% 与 0%，但非法走法占比只从 81% 变到 79%（§10、表 12）。28

29. RoleFlow：编辑级反事实信用把七基准均分推到 67.1 · arXiv:2610.30429 · 精读

• 七基准均分 67.1，高于最强对手 W4S 的 62.4 达 4.7 分（(55.6+43.5+42.1+81.1+89.0+95.7+62.6)/7=67.09；W4S 七项相加 436.8/7=62.4），7 个基准里 5 个第一（表 1）。
• 多跳 QA 上 55.6 / 43.5 / 42.1；原文称相对底层 gpt-4o-mini 执行器提高 10.0–19.0 F1（HotpotQA 的执行器基线 45.6 可直接算出 +10.0，另两个基准的执行器基线原文未在正文给出）；相对该榜最强基线领先 3.2–7.5 F1（§4.2、表 1）。
• 结构自适应本身值约 10 分：把 GR 换成出现频率最高的固定链，HotpotQA 只有 45.7，几乎等于直接执行的 45.6；保留 GR 但关掉编辑，三个 QA 基准掉 3.8–8.5 F1（表 2）。
• 信用粒度值 2 分左右：换成 GRPO，HotpotQA / 2Wiki / MuSiQue 分别掉 2.1 / 2.5 / 2.6 F1；但在 MBPP 上 SECPO 略输、HumanEval 打平，因为那里验证器触发的纠错编辑更少（表 2、§4.3）。
• 同状态反事实比「算子均值」稳：COMA-Operator 在 HotpotQA 与 SECPO 同为 55.6，OOD 上掉到 41.4 / 36.6（SECPO 是 43.5 / 42.1）（表 3）。
• 代价可量化：每个训练问题实际执行的链数从 9.1 升到 13.5（1.48×），训练 GPU 时从 3.7 升到 5.07（表 3）。
• 跨执行器：只用 gpt-4o-mini 训出的 GR，换 Llama-3.1-8B-Instruct 执行，MBPP / HumanEval 分别涨 11.7 / 16.0 Pass@1，而 gpt-4o-mini 自己只涨 5.3 / 7.4（§4.5、图 6）。29

30. RIPPLE：阶段化信用把 SWE-bench Pro 从 50.8 抬到 57.3 · arXiv:2610.31276 · 精读

• 相对 base：Verified 74.6→75.9（+1.3）、Pro 50.8→57.3（+6.5）、Multilingual 68.8→73.6（+4.8）、SWE-Compass 24.3→30.7（+6.4）；四个差值算术平均 (1.3+6.5+4.8+6.4)/4=4.75，即摘要里的 4.8。Verified 的仓库聚类 95% 区间跨零（表 1、§4.2）。
• 收益跟着「可恢复偏离」的密度走：冻结 base 的轨迹里可恢复偏离占比 Verified 17.8%、Pro 43.6%、Multilingual 39.8%、SWE-Compass 可执行子集 41.2%，与增益的仓库簇相关 r=0.68；Pro 上按难度四分位从 Easy 的 +1.8 升到 Extreme 的 +11.9（§4.2）。
• 净收益是修多于坏：Pro 上修好 base 本来失败实例的 8.8%，同时弄坏 base 本来解对的 2.3%，净得 6.5 分；周期性反思是修 6.6%、坏 4.8%（§4.2、附录 D.4）。
• 不是「多算就行」：在约 1.17× 的实际 actor token 预算下，更长单轨迹与拆分预算重启分别只到 51.7 与 53.2（Pro），RIPPLE 是 57.3；部署侧 0 次外部调用、1.17× actor token、1.23× p95 延迟，与「在线同教师」参考在每个基准上差不超过 0.6 分（表 1）。
• 信用必须「局部 + 阶段对齐」：同一批 rollout 与同一套过程标签下，把通用信用限制到一个恢复事件，Full-Loop Recovery 从 45.1% 升到 50.4%（Pro 54.8→55.6）；只区分阶段但把信号广播到整个事件到 53.1%（Full-Loop Recovery）/ 56.1%（SWE-bench Pro）；每个信号只作用于自己那段到 59.6%（Full-Loop Recovery）/ 57.3%（SWE-bench Pro）。随机 token 门控与阶段打乱只有 45.8% 与 48.4%，正信用污染从 38.4% 降到 24.6% 再到 11.2%（§4.3、图 3）。
• 冻结挑战集：触发 F1 0.79、诊断 81.5%、动作对齐 74.8%、功能恢复 70.2%、全环恢复 59.6%；400 个未偏离前缀上的误触发率 8.9%，周期性反思是 71.5%（表 2）。
• 匹配前缀干预：固定策略、前缀、仓库快照、剩余预算与配对种子，只换批评——完整批评 K 步恢复 62.9%，去掉批评降到 39.8%，等长同风格的泛泛批评 42.0%，方向错误的批评比去掉还差（25.6%）；对应的 pass-to-fail（P2F，干预前能过、干预后反而转失败的测试）回归，从完整批评的 2.4% 升到去掉批评的 6.8%（§4.4、图 4）。30

31. 纯宏执行 0.583、纯微 1.000：技能粒度该在运行时切 · arXiv:2610.31461 · 邻近跟踪

• 固定粒度暴露取舍：A-Micro 成功率 1.000、平均 6.00 步、7217.75 token、G-score 0.1667；B-Macro 0.583、2.71 步、3609.00 token、G-score 0.4305；C-Heuristic 居中（0.750、3.22 步、4097.67 token、0.4103）（表 2，12 个任务）。
• 早期失败上「永不恢复」直接归零：Before 条件 C-Heuristic-NoRecovery 成功率 0.000，E-FSM-Downgrade 1.000 但要 6.86 步、11293.43 token（表 3，7 个任务）。
• 晚期失败反过来惩罚无条件降级：After 条件下宏已经把改动写进工作区，NoRecovery 用 2.71 步、2440.14 token 就通过；FSM 仍 1.000，但涨到 5.71 步、7566.71 token，转移率 1.000（表 3）。
• 学出来的路由比手写规则准：D-Learned-ModeOnly 在 12 个任务上 1.000（4.17 步、5518.33 token），C-Heuristic-ModeOnly 只有 0.750；学习路由与经验最优标签的匹配率 1.000 对 0.667（表 4）。
• 两者合起来最省：F-Learned-Full 在 Before 下保持 1.000、token 降到 9763.57、转移率 0.857；在 After 下 1.000、token 3694.43、转移率 0.143、G-score 0.5720（表 5）。31

32. PRS：三个扰动方向把 CVRP-50 的最优性差距压到 0.79% · arXiv:2610.31048 · 值得扫读

• CVRP-50 的差距从 MCTS-AHD 的 1.54% 降到 0.79%（同表里 ReEvo 3.35%、EoH 4.85%）；CVRP-200 从 5.20% 降到 3.93%（表 1，每格 64 个随机实例的测试集）。
• OP 三个规模的差距是 23.25% / 15.03% / 11.93%，N=200 时优于 MCTS-AHD 的 13.67%；同分布设置上作者只说「与 MCTS-AHD 竞争」，不是全面领先（表 1、§4.1）。
• 装箱与背包：OBPP 六个测试设置的均值差距 0.72%，MCTS-AHD 0.87%、HSEvo 1.04%、FunSearch 0.99%（表 2）；KP 在 N=50/100/200 的差距 0.07% / 0.02% / 0.02%，MCTS-AHD 是 0.13% / 0.05% / 0.04%（表 3）。
• 三个方向各自有用（CVRP-50 目标值越低越好，五次运行）：完整 8.9583±0.0726；去掉 expansion 9.7492、去掉 compression 9.3737、去掉 steering 9.0728；UCB 换随机选择 9.3781；取消停滞重启 9.1399；把 expansion/compression 换成 EC 算子 9.2277（图 3）。
• 骨架不是主要来源：只保留扰动—改写算子、把 BFS 换成 MCTS 或 CoT-SC，CVRP-50 从 8.9583 变到 9.0728 / 9.3159，KP-100 从 40.2618 降到 40.2584 / 40.2532，作者据此说 BFS 是强默认但非唯一来源（表 13）。32

33. 命名博弈里共识总流向最强模型：K=2 时胜率 0.67–0.83 · arXiv:2610.31105 · 值得扫读

• 七个家族都出现大 > 中 > 小的胜率排序；K=2 的两方对照里大模型胜率分别是 GPT-5 0.67、Claude 5 0.81、Gemma 4 0.67、Qwen 3.5 0.83（随机水平 0.5，每个群体 12 大 + 12 小）（§3.1、图 5）。
• Gemma 4 拟合出的断言强度 w=3.44（31B）、3.19（26B-A4B）、2.52（E4B），对应势井深度 −1.72 / −1.59 / −1.26；108 次试验里 78% 收敛到 31B 的顶点（§4.3、图 9）。
• 模型检验：能量流给出的每轮位移与实际位移相关 r=0.65；三个开放权重家族里 w 的大小顺序与九组两两对比的胜率顺序全部一致（§4.3）。
• 规模效应有阈值：把 Gemma 4 31B、Qwen 2.5 32B、Qwen 3.5 27B 三个近乎同尺寸的模型混在一起（默认 N=24，按三等等分即各 8 个 agent），胜率 0.39 / 0.36 / 0.25，贴近随机——「影响者效应」要明显的规模差才出现（§3.1、图 6）。
• 收敛时间随群体与记忆变长：达成共识的交互数约按 N^1.3–N^1.4 增长，N 从 3 到 24 时上升 14–19 倍；随记忆长度约按 H^0.6–H^0.9 增长（§3.2、图 7）。33

34. LLM 群体的分歧约为人类 9 倍，且级联基本不自我纠正 · arXiv:2610.30769 · 精读

• 两个影响条件下 13 个模型全部偏离独立判断（每个模型 p<0.001）；KL 分歧在弱影响下约为同条件人类基准的 9 倍、强影响下约 4 倍——两个倍数各自比的是该条件下的人类基准，强影响的绝对分歧比弱影响高 65%，倍数反而从 9 倍降到 4 倍，说明人类基准在强影响下也明显更大；非推理模型的分歧是推理模型的 2.4 倍（弱）与 3.2 倍（强）（§3.1、图 2）。
• 强影响把平均分歧再抬高 65%，13 个模型里 12 个变大（跨模型双侧 Wilcoxon 符号秩检验 p<0.01），唯一例外是 Claude Sonnet 4.6；Gemma 3 4B 的分歧超过人类的 8 倍，GPT-5 最接近人类（§3.1）。
• 不可预测性：非推理模型在两个影响水平上都约为推理模型的 2 倍、也超过人类的 2 倍；强影响让 13 个模型里 12 个的 U 上升（p<0.001），例外是 Gemini 3 Flash；弱影响下 13 个模型全部高于人类（§3.2、图 3）。
• 与模型智能分数负相关：13 个模型的 KL 对 Artificial Analysis Intelligence Index 的 Spearman ρ 为 −0.851（强影响）与 −0.551（弱影响，p=0.051）；相对不可预测性的 ρ 为 −0.733 与 −0.719（§3.3、图 4）。
• 自我纠正的差距最刺眼：人类在 16 个影响世界里 15 个出现后段更贴近内在吸引力（弱影响 ρ 0.633→0.773，8/8 世界，p<0.01；强影响 0.575→0.660，7/8 世界，p<0.05）；LLM 群体方向不一，强影响下平均变化接近零（§3.4、图 5）。
• 强影响削弱「份额与内在吸引力」的相关性：13 个模型里 11 个变弱；Gini 系数在强影响下 13/13 上升、弱影响下 12/13 上升（§3.4、§3.5）。
• 早期动作者比歌本身更能预测后续流行：弱影响下 12/13 个模型、强影响下 13/13 个模型，前 30 个 agent 的份额对后续份额的预测优于对内在吸引力的预测（§3.2）。34

六、自然语言处理：评测口径

35. 只查最终记录会虚高 6.5–12 个百分点：千条印度银行任务基准 · arXiv:2610.30161 · 精读

• 总体通过率 Qwen3.8-27B 0.849、Gemma 4 31B 0.776、26B-A4B 0.714、12B 0.699、E4B 0.607、E2B 0.479（表 1）。
• 只启用 final-state check 时，同一批会话的通过率变成 0.920 / 0.896 / 0.821 / 0.764 / 0.725 / 0.598，即每个模型虚高 6.5–12.0 个百分点（表 2、§5.2）。
• 两个检查的分歧是有方向的：三个最强模型「记录对但漏步骤」显著多于「步骤全但记录错」（McNemar p<10⁻⁸）；E2B 反向（p<10⁻³）；12B（p=0.075）与 E4B（p=0.596）不显著（表 2、§5.3）。
• 五个 Gemma 模型第二天重跑，通过率变动至多 2.7 个百分点，但有 14–26% 的任务结果翻转（§5.8、附录 G.4）。
• 四个脚本代理全部零通过：只回复、只查记录不调用、声称已完成、以及把所有写都做一遍（最后这个栽在 write purity）（§5.7）。
• 分类差异：sequencing 在 0.455–0.921 之间拉得最开；rare tool 每个模型都最低，Gemma 系列 0.388–0.559，Qwen3.8-27B 比 31B 高 0.198；control 112 条在 0.804–0.929 之间且不随规模上升（§5.4、§5.6）。
• 四调用任务对除 E2B 外的每个模型都最难；五调用任务上最强与最弱模型差 0.614，一调用任务上只差 0.024（§5.5）。35

36. 同一判官重跑两次：聚合分只动约 1 分，21.2% 的提示换了胜负 · arXiv:2610.30512 · 精读

• 八套指令的 win-equivalent 分只落在 49.36–53.87；496 条全程有判定的提示里，只有 131 条（26.4%）在 17 次运行中结果始终不变，另有 6 条每次都判平（§3.1）。
• 默认套三次运行的聚合分是 52.82、54.02、53.50，相差约 1 分，但两两比较平均有 21.2% 的提示换边（95% CI 18.4–24.1）（§3.1）。
• 只给标签那套：聚合分掉 4.09，41.6% 的提示换边，超复跑噪声 28.2 个百分点；若改以默认套单独作基准是 +20.5（16.4–24.5），以只给标签套自身作基准是 +36.0，28.2 取两者平均（§3.1、§2.2）。
• 准确优先那套：26.9% 的提示换边，超噪声 6.7 个百分点，聚合分只动 −0.49；编程助手说明超噪声 3.8（95% CI 1.8–6.0），且集中在数学提示上（§3.1）。
• 只给标签主要是在造平局：平局率从 18.5% 升到 43.5%，31.4% 的提示变成平局、6.2% 离开平局、只有 4.0% 真正反胜（§3.1、表 2）。
• 不稳定的位置可预测：在 criteria 对比里，被改判的提示平均绝对边际 0.69，未改判的 1.05（Mann–Whitney p=3.6×10⁻⁹）；默认套自己重跑时，边际为 0 的提示 43.4% 改判，最高边际档只有 5.5%，两端约 8:1（§3.2）。
• 换判官：Gemini 2.5 Flash 让聚合分只动 0.18，却改掉 38.3% 的提示（超噪声 19.0 点）；Claude Sonnet 4.5 掉 3.97 分、改 35.0%；跨判官 κ 为 0.435 与 0.549，默认套自比为 0.763（§3.1）。36

37. 98 个里程碑中 25 个藏有未言明的依赖：带隐藏名的构建单元失败 80.6% · arXiv:2610.30635 · 值得扫读

• 25/98 个里程碑含至少一个硬隐藏依赖，共 142 个隐藏名；受影响的必需测试占全部 580,039 条的 0.6%，但高度集中：go-zero 15/23 个里程碑、7.1% 的测试落在被阻塞的构建单元里，element-web 7/18、navidrome 2/9、dubbo 1/12，nushell、ripgrep、scikit-learn 为 0（表 2、§6.1）。
• 机制验证：被硬依赖阻塞的构建单元在 80.6% 的（单元，运行）对上失败，同里程碑内「同样带新测试但无新依赖」的单元只有 48.4%，比值 1.67（95% CI 1.32–2.04）；规格里写明了名字的单元是 52.2%，与前者无差（1.08，CI 0.83–1.41）；逻辑回归控制单元规模与仓库后优势比 4.64（2.92–7.37）（§6.2）。
• 反事实最干净：把参照解里一个隐藏标识符改名，128 个 Go 案例里 126 个单元的测试直接编译不过，随后失败的测试占审计预测的 99.5%（§6.2）。
• 重打分：28 次榜单运行在 full 变体下平均 +0.84 分、resolve +0.47 点，Kendall τ-b 为 0.984（分）与 0.942（resolve）；随机删同样多测试的中位 τ 是 0.990 与 0.980，真实 τ 落在随机分布 24.9% / 9.5% 的位置（表 3、§6.3）。
• 但仓库内分数会动：go-zero 上 35 次运行的平均分从 38.33 升到 42.08，平均 resolve 从 4.35% 升到 5.71%（§6.3）。
• 审计精度：留出轮次 65 个被标单元精确率 58/65 = 89.2%（95% Wilson 79.4–94.7%），第二轮召回 13/14 = 92.9%（68.5–98.7%），两位标注者 κ=0.92 与 0.96；全量审计在 16 核工作站上 28.1 分钟、峰值 1,333 MiB、不调用任何模型（§6.4）。
• 跨基准看构造方式：SWE-EVO（规格是发布说明）17/48 被标、SWE-Chain（LLM 摘要）64/155、SWE-bench Verified（人工筛过 issue）3/500、DeepSWE（照着测试写指令）7/113 且复核后只剩 1 个（表 4、§6.5）。37

38. 成对评测漏掉的那一项：跨提示方差占比 0.34–0.64，人类参照近 0 · arXiv:2610.31090 · 值得扫读

• 六个核心奖励模型的跨提示方差占比在 HelpSteer2 全量提示上是 0.34–0.64，在更干净的单轮子集上是 0.28–0.45；同一批回答上人类评分是 −0.01（95% CI −0.11–0.10），HelpSteer 的人类参照是 0.26（0.20–0.33）（表 1、§5、§6）。
• 换成固定通用指令后，六个模型里五个的占比变化在 0.10 以内，URM 反而上升 0.26 到 0.59；通用提示下的提示均值与原提示均值的相关只有 0.13–0.81（§6、表 14）。
• HelpSteer 上 18 个打分器的原提示占比 0.45–0.65，13 个在通用提示下 0.44–0.79，都高于人类的 0.26；Reddit 上只有 0.15–0.30，低于帖间票数占比（§6）。
• 人类一致性检验：HelpSteer 上提示间斜率 0.53–0.75 高于提示内斜率 0.34–0.54，配对差 0.20–0.30 且区间全在零以上；换通用提示后三个模型的提示间斜率落到零附近（§7）。
• 中心化不是免费的：减去提示均值后，与原始人类评分的相关在每个模型上下降 0.08–0.15；在 HelpSteer 上保留分数最高的 30%，平均 helpfulness 反而降 0.14–0.21 分，改用 12 条独立生成回答估均值仍降 0.05–0.33 分（§8、图 3）。
• 匹配训练：回归臂的错误提示惩罚 2.3–2.7 个标准差，BT 臂 1.6–2.1（0.6B，五个种子无重叠，单侧置换 p=0.004），1.7B 为 2.5–2.9 对 1.7–2.3；把提示均值在提示间打乱的臂在 1.7B 仍有 2.91 的惩罚，但占比降到 0.20（真均值 0.33、无信息 0.46）（§9、图 4）。
• 打分口径可信：与已发表的 RewardBench/RewardBench 2 分数相比，12 次比较全部在 1.0 分以内，中位差 0.35（§4）。38

39. 工具抬高准确率也拉宽措辞敏感度：分子任务中位极差 0.17 对 0.02 · arXiv:2610.31148 · 值得扫读

• 分子任务上，纯文本工具循环的中位极差 0.17，同样报告直接给出时只有 0.02：信息一样，差别只在模型要不要自己去取（§1、§4）。
• 相对无工具推理，循环把 60 个（模型对 × 书写形式）行里的 37 行极差拉宽；各领域中位变化为分子 0.12、表格 0.08、音乐 0.06、数学 0.04、图 0.03，0.73–0.93 的配对向上（§4）。
• 工具条件比「报告直给」更宽的占 54/60 行（分子域，模型对 × 书写形式）（§5）。
• 读法本身带敏感度：改成在答案行读，45 个图域行里 36 行变窄，中位极差从 0.25 降到 0.05；两个模型首 token 字母质量为 1.00 却仍分别损失 0.21 与 0.33 的中位极差（§4）。
• 直给报告时没有任何模型在字母域的准确率极差超过 0.06；工具条件下 Llama-3.1-8B 在图上是 0.24、Qwen3-30B-A3B 在数学上是 0.36，被拉宽的配对正是含这类模型的配对（§4）。
• 干预能救一部分：分子任务上原生接口与第二种工具描述在受测模型组里不再检出扩大；强制调用与去掉输出子句只对部分模型有效；报告给错会缩小扩大幅度但调用频率不变（§5）。
• 措辞越多越糟：同一批配对换十种措辞，工具条件的极差中位放大 2.88 倍，而固定读法只放大 1.12 倍（§4）。39

40. 判官身份解释的方差约为提示策略的 7 倍：η²=0.087 对 0.012 · arXiv:2610.31172 · 值得扫读

• 判官身份解释 η²=0.087 的分数方差，提示策略只有 0.012，约 7:1；judge×strategy 交互 η²=0.056，比策略主效应还大，所有项 p<0.001（§4.1、表 4）。
• 分任务看结构完全不同：摘要任务上判官解释 0.438；问答上交互 0.247 对判官 0.251；数学上 0.297 对 0.222；机器翻译上语言解释 0.325 而判官只有 0.006（§4.1）。
• 目标语言提示在同一条输入上让 Gemma 3 平均升 0.83、Aya Expanse 降 0.32，两个 Qwen 判官分别为 −0.20 与 −0.10；Aya 的逐语言最大降幅是约鲁巴语 −2.16，其次豪萨语 −1.56、斯瓦希里语 −1.20（§4.2、图 2）。
• 跨判官的策略排序一致性随资源下降：高资源机器翻译 ρ=0.46，低资源档 ρ=0.04；摘要四个档位里三个为负（−0.30 到 −0.02），问答在 −0.08 到 +0.02 之间（表 5、§4.2）。
• 判官内部也不一致：两个 Qwen 的策略均分相关 r=0.819，Gemma 与其余三个只有 −0.173 到 0.025（§4.2）。
• 与人工评分对齐：所有判官—策略对的逐条 Spearman 在 0.22–0.46（p<0.001），跨数据集均值最高是 Role Prompting 0.483、最低是 Trans-Eval 0.321；SSA-MTE 上 Monolingual 对 Gemma 是 0.455、对 Aya 只有 0.219（§4.4、表 8）。
• 天花板效应：金参考输出让问答与参考型机器翻译的平均分高于 4.5，策略可发挥的区间被压窄；改用 AfroBench 真实系统输出后同一批判官的分布明显更宽（§4、附录 J）。40

41. 1,913 条主张上直接回答问题的反而更不准，聚合分把它盖住 · arXiv:2610.30504 · 邻近跟踪

• 标签分布：Supported 929 条（48.6%）、Refuted 250 条（13.1%）、NotEnoughInfo 559 条（29.2%）、Unevaluable 175 条（9.1%）；在可判真假的 1,179 条里 21% 是错的。重要性上 Sub 1,250 条（65.3%）、Main 483 条（25.2%）、Irrelevant 180 条（9.4%）（表 3、§2.3）。
• 六个模型全部在 Main 上比 Sub 差，差距 0.036–0.124，其中三个（Llama-3.1-Swallow、Mistral-Nemo-Ja、Sonnet 5）显著；两组标签分布几乎一样，差距不是标签失衡造成的（表 7、§3.3）。
• 聚合分掩盖了这一点：四个最好模型的总体准确率彼此相差都在 0.005 以内，而总体最高的 Sonnet 5 在 Main 上只有 0.670，低于其余三个的 0.697–0.710（§3.3）。
• 证据形态决定模型看起来像不像同一档：给定判定段落时六模型宏 F1 落在 0.691–0.770（极差 0.08），改成必须自己在候选页里找，落到 0.458–0.705（极差 0.25），正好三倍；两个闭源模型在这一步几乎不掉（0.001–0.013，不显著），四个开源模型掉 0.046–0.111（§3.3、图 3）。
• 参考时间：46% 的问题答案会随时间改变；把采集日期写进提示让宏 F1 最多变 0.063，且只对六个模型中的三个显著（Qwen3-Swallow、Mistral-Nemo-Ja、Llama-3.1-Swallow）（§3.3）。
• 加上问题与整条回答（Q&R）：两个闭源模型几乎不受影响，四个开源模型在所有证据条件下都明显下降，并强烈偏向 Supported——例如 LLM-jp-4 在 Reference 条件下把 54% 的主张判为 Supported，加 Q&R 后升到 93%，尽管提示明确要求只判目标主张（§3.3）。
• 标注质量与成本：两名额外标注者重标 50 条，三套标签在事实性上一致 94%、重要性 96%；自动合并规则直接定下 98% 的事实性标签与 97% 的重要性标签，其余由两名额外标注者讨论定夺；总标注费约 230 万日元，5,856 次标注单价约 390 日元，折合每条主张约 7.50 美元（§2.2、伦理声明）。41

七、自然语言处理：长程执行、反馈与状态

42. 固定 PDDL 域配正负记忆：ALFWorld 134 集全对，步数 6.91 · arXiv:2610.30379 · 精读

• ALFWorld 六个任务类型全对：MemPlan overall 100%、平均 episode 6.91 步、在线 LLM token 0.906M；同一 134 集协议下最强的前沿 ReAct（GPT-5.1）为 98.5%、10.92 步、2.74M token，LLM-DP 为 96.0%、13.16 步、0.633M token（表 1、表 2）。
• 相对 PDDL 改写基线也占优：PDDLEGO+-Native 94.8%、14.32 步、2.31M token；PDDLEGO+-Shared 92.5%、15.47 步、1.82M token（表 2）。token 最低的仍是 LLM-DP，MemPlan 只在成功率与步数上领先它。
• Robotouille 上异步设置拉得更开：MemPlan 71.2%（同步）/41.3%（异步），ReAct（GPT-5.1）63.6%/24.7%，LLM-DP 57.9%/18.5%（表 3）。
• 消融（7 个 TextWorld 实例 × 3 种子 = 21 次运行）里占位符最关键：去掉后归一化得分从 1.00 掉到 0.27，并出现 1.0 次/次的终止性规划死路；去掉负记忆掉到 0.64、步骤涨到 60.0、重复假设检查 12.0 次/次（表 4）。
• 均匀代价假设仍保持 1.00 分，但步骤从 31.0 涨到 38.0，说明图记忆代价主要省交互步数，不提升可解性（表 4）。
• 每步重规划不烧 token：MemPlan 每 episode 6.91 次 planner 调用、16.87 次 LLM 调用、6.9k token、非法动作率 0.00；ReAct（GPT-4o）是 38.18 步、39.78 次 LLM 调用、37.9k token（表 5）。
• TextWorld 的 PDDL 域由 GPT-5.1 离线起草，7 个里 5 个（71.4%）一次通过校验，另两个经一轮离线修复后固定，评测期不再改。42

43. SARL：45K 样本、10 个基准均值 0.429，比最强基线高 24.3% · arXiv:2610.30435 · 精读

• 10 个基准均值 0.429，比最强的单一基线 ASearcher（0.345）相对高 24.3%；次强的 Search-R1 为 0.342，ReSeek 0.308，AutoRefine 0.260（表 1）。
• 分层看增益全压在复杂任务：多跳平均 +35.9%、深度研究 +27.9%、单跳只有 +3.9%；Musique 0.272 对最强基线 0.172（+58.1%），FRAMES 0.261 对 0.176（+48.3%）（§3.2）。
• 对更宽的范式也不输：与两阶段 SFT+RL 的 RAG-R1 在 7 个共享基准上 0.554 对 0.449（+23.4%）；与四智能体框架 MA-RAG 比，HotpotQA 0.614 对 8B 版 0.403、70B 版 0.507，2Wiki 0.645 对 0.318、0.431（§3.2、附录 A.7）。
• 长程训练稳定性是主卖点：32 轮上限下 AutoRefine 崩到平均不到一个搜索轮，ReSeek 后期验证分趋零；SARL 的唯一搜索查询数在训练后段升到平均 6 条以上，文档召回同步上升，两条基线则持平或下降（图 3）。
• 奖励消融给出单调排序：只加自评估会在中段见顶后急跌，加惩罚缓解，再加细粒度奖励才稳定；全量配置的唯一搜索数比"只自评估"高出一倍以上（图 4、§4.2）。
• 跨家族：Llama-3.1-8B-Instruct 上 GRPO 从 52.3→51.3→44.4 崩掉，SARL 从 51.2→54.3，step 300 时平均分差 +9.9（§4.3）。
• 跨规模：Qwen2.5-14B 每个采样步、每个基准都高于 7B，差距从 step 100 的 +6.4 收窄到 step 300 的 +3.6，ASearcher 上仍有 +5.6。43

44. ReflectPO：Qwen3-8B 总体 45.4，高出最强基线 2.6 点 · arXiv:2610.30933 · 值得扫读

• Qwen3-4B 上总体从 33.2 升到 36.6（BFCL-v3 33.9→36.9，τ²-bench 31.3→36.0），超过最强基线 GiGPO 的 35.3；Qwen3-8B 上总体从 39.6 升到 45.4，超过 GiGPO 的 42.8 与 Fission-GRPO 的 42.0（表 2）；括号里的两个数是分基准小计——BFCL-v3 Multi-Turn 41.8→48.1、τ²-bench 33.6→37.4；表 2 的 Overall 是跨两个基准合并的一列，不等于两项小计的平均（48.1 与 37.4 平均只有 42.75），原文未写合并权重，同一配置在表 3 写作 45.36。
• 恢复行为确有改善：相对 Reinforce++，步级恢复率与完全恢复率分别提高 2.49 与 2.70 个百分点；五类错误上均优于基座，四类优于 Reinforce++（图 4、§5.3）。
• 消融逐级加分：Qwen3-8B 基线 39.64 → Reinforce++ 41.32 → 仅树结构信用 43.23 → 只保留对比采样 45.27 → 只保留循环采样 44.34 → 全量 45.36（表 3）。
• 两组采样策略并不同等重要：全量相对"只对比采样"总体只多 0.09 点，τ²-bench 提 1.08 点、BFCL-v3 反而降 0.25 点（§5.4）。
• 采样效率是它的另一条卖点：在同样累计 rollout 响应 token 预算下，ReflectPO 的验证分曲线高于 Reinforce++（图 5，两条曲线做指数滑动平均）。
• τ²-bench 的增益并不均匀：4B 上 Telecom 从 14.4 跳到 26.3、Airline 38.0 持平、Retail 从 45.2 降到 44.7，Telecom 一项撑起 4B 总体 +3.4 点；8B 上 Telecom 反而从 24.8 微降到 24.6（表 2）。44

45. 7 个模型 125 探针：留存 62.4%–100%，88.6% 的失败是记得却不遵守 · arXiv:2610.31314 · 值得扫读

• 严格留存跨模型从 62.4% 到 100.0%：DeepSeek-v4-Flash 100.0、GPT-5.4-mini 98.4、DeepSeek-v4-Pro 96.0、Qwen3.6-Plus 95.2、GPT-5.4 94.4、Claude-Sonnet-4-6 90.4、Gemini-3.1-Pro 62.4%（表 3）。
• 深度不是普遍衰减：全模型按轮平均为 90.9/91.9/90.7/91.4/90.0（轮 3/5/7/10/12），只有 Gemini-3.1-Pro 从 64.0 掉到 54.0、跌 10.0 点（表 2、表 5）。
• 失败侧分解是全篇最硬的一条：79 例失败里 70 例是 SIC⁺，占 88.6%（Wilson 95% CI 79.7–93.9）；剔掉 Gemini 后剩 32 例、27 例仍为 SIC⁺，占 84.4%（CI 68.2–93.1），SIC⁺ 全探针率从 8.0% 降到 3.6%（表 6）。
• 类别上符号约束更脆：数值 87.7、格式 85.5、逻辑 83.5，事实记忆 95.4、人格 95.2（表 4）。
• 重述干预（用 [SYSTEM REMINDER] 把约束规格重新声明一遍）能救一部分：全恢复率 53.2%–100%，但 Gemini 仍有 19.1% 完全救不回来（表 7）。
• SSA 在深度 12 上的增益：Gemini 54.0→78.4（+24.4）、Claude 88.0→96.0（+8.0）、GPT-5.4 96.0→99.2（+3.2）、Qwen 96.0→98.4（+2.4）（表 14）；拆开看，仅"前置"一步就挽回 62% 的丢失遵从，代价 +13% token、+8% 延迟。
• 深度 12/30/50 的六模型确认（6 模型 × 12 个场景 × 3 个深度 = 216 个探针）：遵从 94.4%/95.8%/90.3%，深度 50 的数值约束召回仍 100.0% 但遵从跌到 79.2%，SIC⁺ 达 20.8%，五例失败全是回答内部的计数问题（§6）。
• 动态状态审计里 SSA 有反噬：不更新账本时，它在 74.3% 的情况下强制执行已被取代的旧规则；更新账本后陈旧执行降到 0.0%，97.1% 得到更新后或干净的行为。45

46. 87 人 291 对判断：记忆版回答仅 38.7% 被偏好，奖励模型 72.8% · arXiv:2610.31272 · 值得扫读

• 普通指令下记忆版只赢 38.7%，无记忆版 41.9%，平局 19.4%；保守指令 43.3/40.6/16.1；激进指令 34.6/49.3/16.2（表 2，百分比含平局）。
• 方向随生成器翻转：GPT 44.1 对 34.9、Claude 48.1 对 36.5，Gemini 却 30.7 对 59.5（表 2）。
• 现成评估器全都不贴人：多数类基线 55.0%，直接 judge 58.1%，带 rubric 的 judge 59.6%，Skywork-Reward-V2 带记忆 52.9%、不带记忆 58.8%（表 3）。
• 而且它们系统性偏爱"带记忆"的回答：两序投票的 judge 有 67.2%、Skywork 有 81.1% 选记忆版，标注人只有 45.0%（§6.2）。
• 本文模型 72.8%，比最强基线高 13.2 个点、比多数类高 17.8 个点，已接近重测一致性 73.9%；分生成器为 GPT 66.0、Gemini 75.0、Claude 82.2（表 3）。
• 特征块消融：只用记忆特征 62.5、只用回答特征 67.0、合并 72.8，合并分别高出 10.3 与 5.8 个百分点（§6.3）。
• 置信度分层可用：保留最有把握的 75%/50%/25% 比较，准确率升到 76.2%/83.7%/88.8%（表 5）。
• 权重最大的两项其实是呈现形式：标题数 +0.646、相对长度 +0.571；记忆相关性 +0.386、假设合理性 +0.323，无据假设 −0.201（表 4）。46

47. 十文档只移金文档：Transformer 首因 +0.052，状态空间模型 ≈0 · arXiv:2610.31135 · 邻近跟踪

• 家族差异成立：Transformer primacy +0.052（95% CI [0.032, 0.072]），两个状态空间变体为 −0.001（[−0.016, 0.014]）与 −0.018（[−0.034, −0.003]）；三者的 recency 分别为 +0.075、+0.077、+0.105（表 1）。
• 配对交互更硬：状态空间减 Transformer 的 primacy 差为 −0.053 与 −0.070，Holm 校正后 p<10⁻⁴（附录 A.3）。
• 但严格配对的纯/混合对比不显著：混合减纯 primacy +0.019（[−0.006, 0.044]），Holm p=0.144；recency −0.028（[−0.055, −0.001]），p=0.089。方向与家族对比一致，但不能据此定因果（表 1、附录 A.4）。
• 家族差距只在"答得出来"的模型上出现：五组规模对里最小两组几乎为零（最小 Transformer 上限仅 0.009），三组大的为 +0.062、+0.069、+0.053（附录 A.5）。
• 换语料不改曲线形状：固定架构下 Pile 减 SlimPajama 的 primacy 为 −0.007（[−0.030, 0.016]）、recency −0.016（[−0.044, 0.012]）（附录 A.6）。
• prompt 能造出或抹掉首因：题面在文档前后重复，把状态空间的 primacy 从 0.000 抬到 +0.103；只放前面给 +0.020 且把 recency 从 +0.070 压到 +0.010；换模板把 Transformer 的 primacy 从 +0.070 压到 +0.005（附录 A.7）。
• 机制侧只到相关：位置在两族中间状态里都能线性解码（高于 shuffled-label 对照），Transformer 的首 token 注意力集中度与 primacy 跨规模共变，但作者明确说没做成 sink-blocking 干预（§4）。47

48. 同一 1% 插入：固定分块重算 100%，内容定义分块低于 30% · arXiv:2610.31019 · 值得扫读

• 冻结参数下重算比例：中文 68.4%（固定）/55.7%（递归）/54.0%（CDC），英文 57.4%/37.9%/42.8%；对应召回中文 97.4/98.3/98.3、英文 96.7/96.8/95.0（表 1）。
• 配对差把家族关系说清楚：递归减固定 −12.7 个百分点（中文，[−19.7, −6.2]）、−19.6（英文，[−26.2, −13.2]）；CDC 减固定 −14.4 与 −14.7；CDC 减递归 −1.7（中文，[−6.8, +3.7]）但 +4.9（英文，[+0.9, +9.4]）（表 2）。
• 小编辑时差距最大：英文 28 篇小编辑上固定/递归/CDC 为 46%/25%/27%，中文 23 篇为 62%/45%/36%；极端编辑趋同（英 70/60/64，中约 92）（表 3）。
• 内容感知两法的排名随长度设置变化：14 个英文、15 个中文 length-matched 设置里，英文的 CDC 减递归在 −2.4 到 +6.2 之间、中文在 −0.7 到 +5.5 之间，两个语言都变号，29 个区间里 13 个在零上、没有一个在零下（§V）。
• 但固定分块在每一个 length-matched 设置里都最贵：对 CDC 高 13.7–16.4（英）、6.6–16.6（中）个百分点，58 个设置区间里 57 个在零下（§V）。
• 位置诊断最直观：1% 插入放在篇首时固定分块重算 100%，放到篇尾降到约 12%；递归与 CDC 在三个位置都低于 30%（图 3）。
• 逐字存在检查支持"边界漂移"：被重算的固定分块输入里，50%（英）/47%（中）的完整文本其实原样存在于旧版，CDC 为 33%/45%，递归 12%/37%（§VI）。
• CDC 在 4 篇中文上直接失败（出现 403–550 个 tokenizer 单位的无空白长串，超过 352 上限被拒），三种填补方式下中文 CDC 减固定仍在 −13.5 到 −10.1 之间且区间全在零下；arXivEdits 外部核对 30 篇的均值是 94.5%/81.4%/80.2%（§V）。48

八、自然语言处理：决策模型与用户模拟

49. RetiJev：9B 版 158 ms 出答案，指南分级领先 10.4–23.0 分 · arXiv:2610.30947 · 值得扫读

• 指南分级全面领先：三个尺寸在"没见过的渲染器"写出的病历上得 95.9%–97.3%（Grading-OOD），在阈值附近、带干扰信息的真实风格病历上得 89.8%–96.3%（Grading-Hard），比 Qwen3.8-27B 零样本（77.6/73.3）与 Jev 1.13（83.0/79.4）高 10.4–23.0 分（表 2）。
• 临床决策随规模改善：RetiJev-9B 在 Decision-Unseen 得 84.9%（两个基线均 79.5%），Decision-Seen 得 83.9%（77.8%/77.4%），提升 5.4–6.5 分且配对 bootstrap 显著；2B 也显著优于两个基线（表 2）。
• 疾病识别是小模型的硬约束：Diagnosis-Unseen 仅 164 题，0.8B 得 68.9%、2B 得 72.6%，都低于两个基线的 84.8%；9B 才追到 84.8%，两个诊断集上均无显著差异（表 2）。
• 延迟：9B 单张 H200、batch=1、平均每例 2.65 个问题时中位 158 ms（p95 171 ms，31.5 GB）；Qwen3.8-27B 字母打分 247 ms、短答生成 546 ms（3.5 倍）、带推理 74,489 ms（约 471 倍）（表 3）。
• 本地部署：0.8B 在 8 核 CPU 上中位 347 ms、峰值 5.9 GB，GPU 上 133 ms / 3.3 GB；参数只有 27B 基线的 1/34（表 3、图 1）。
• 校准支持选择性推迟：Decision-Unseen 上 ECE 为 0.033（0.8B）/0.016（9B），两个基线为 0.033/0.027；80% 覆盖率下准确率 87.8%/92.1%，被推迟的 20% 里集中了 51%/58% 的错误（§5.4）。
• 消融：从纯交叉熵到全目标，Decision 77.8→80.3、Diagnosis 66.5→68.9、ECE 0.186→0.033；其中蒸馏把 ECE 从 0.186 压到 0.045，是校准的主要来源（表 4）。49

50. 匹配算力下按选项评分高 0.028，但只从 reranker 初始化才成立 · arXiv:2610.30970 · 精读

• 匹配算力下按选项读法更准：P − J-comp 在 pub15 上 +0.028 [+0.015, +0.042]，在 S1-60 准确率上 +0.031 [+0.010, +0.051]；只对齐步数（J-steps）时差距更大，+0.058 [+0.050, +0.065]（表 3）。
• 优势取决于初始化：reranker 只帮按选项读法（P − P-raw = +0.031 [+0.006, +0.055]），几乎不帮联合读法（J-comp − J-comp-raw = −0.009 [−0.035, +0.017]）；从原始编码器起训，两种读法不可区分（P-raw − J-comp-raw = −0.011 [−0.038, +0.015]），交互项 C4 = +0.040 [+0.014, +0.066]（表 3）。
• 代价在长尾：按选项每请求需要 5.2（pub15）/6.4（S1-60）/13.1（BTZSC-500）倍的前向序列；A100 上中位延迟几乎相同（10.7 vs 10.4 ms），但均值 4.3 倍（59.0 vs 13.7 ms）、p95 10 倍（表 7、§5.3）。
• 小模型确实打得过 435M 分类器（全集）：S1-Arena 209 个任务上 Crivo-68M 得 0.466、150M 得 0.475，DeBERTa-v3-large zs-v2 得 0.416，差 +0.049 与 +0.059，Holm 校正后仍显著；1B 到 0.539（表 4）。
• 但在未见任务上只是打平：145 个未见任务上 68M/150M 仅 +0.027/+0.028，Holm 校正后 p=0.11 与 0.16；17M 与 DeBERTa 完全相同（+0.000），参数少 25 倍（表 4）。
• 选项顺序敏感：打乱选项会改变 12%–23% 的答案（0.127–0.242），DeBERTa 为 2%，按选项读法因构造而不变（0%，图 6、表 3）。
• CPU 延迟：Crivo-17M 在 16 线程上中位 13.5 ms、均值 80 ms，DeBERTa 为 728 ms / 12,103 ms（中位约 54 倍）（表 7）。50

51. 越南语零样本 JEV 13 个设定里 11 个第一，去变音符号掉 9.51–15.47 分 · arXiv:2610.31422 · 值得扫读

• 英文标签下 JEV 最强：13 个设定里 11 个第一，12 个共同设定均值 69.22，Quyet 53.61、LAYA 43.23、GLiNER 31.26（表 1、§4.1）。
• 意图任务差距最大：PhoATIS 上 JEV 得 79.26，比次优高 51.54 分；ViMQ 得 80.20，高 41.43 分；PhoATIS 有 28 个候选意图，说明大标签集本身不是瓶颈（§4.1）。
• 去变音符号伤害最大且一致：四模型均值分别下降 9.51（JEV）、13.77（LAYA）、14.75（GLiNER）、15.47（Quyet）分，48 个模型–设定比较里有 47 个下降（表 4）。
• 但"谁最稳"随扰动类型换人：teencode 下 Quyet 掉得最少（−0.47），打字噪声下 LAYA 掉得最少（−2.87）；LAYA 在 UIT-ViOCD 上三种扰动全部上涨，打字噪声下 +9.58 分（表 4）。
• 标签语言的影响因模型而异：JEV 三档均值只差 0.35 分（EN+VI 最高，69.44）；Quyet 与 LAYA 在 VI 下最好，但双语描述下大幅下滑（LAYA 在 ViMQ 上 −18.70）；GLiNER 在 VI 与 EN+VI 下把 ViNLI 全部判成 other（表 2、§4.4）。
• 错误集中在少数标签而非均匀混淆：UIT-VSFC 情感上四个模型都把 395–1,875 条判成 neutral（gold 只有 167 条），neutral 精确率 7.36%–27.09%；GLiNER 把 UIT-VSMEC 的 693 条中的 692 条判成 other（§4.3）。
• 扰动强度本身差得很远：teencode 只改动 61.70% 的输入、编辑负担 2.14%；打字噪声 90.18%/4.93%；去变音 98.10%/18.28%（表 3）。51

52. 有效模拟对话率 46.2%，是既有最强模拟器的 3.28 倍 · arXiv:2610.31512 · 精读

• 有效率 46.2%：是已发布最强模拟器 SFTUser-14B（14.1%）的 3.28 倍，是自家 SFT 起点（27.8%）的 1.66 倍；覆盖 88.0%、自然度通过率 71.8%，两项均为所有被测模拟器最高（表 1、§4.1）。
• 成本差三个数量级：生成 100 段有效对话花 0.11 美元，GPT-5.6-Sol 为 205.20 美元（§4.1）。
• 复杂度上去仍守得住：7 个子目标时有效率 12.6%（覆盖 79.4%），所有先前模拟器都低于 1%；5 个子目标时 36.6% 对自家 SFT 的 11.3%（表 2）。
• 静态自然度奖励会被反噬：固定判别器在 75 步内被刷满；用 LLM 裁判或只训一次的判别器做自然度奖励，产出的对话比完全不给自然度奖励更容易被识别为 AI（§2.3、§4.4、§5）。
• 行为统计贴近真人：人参考的子目标重复率 38.8%、纯重复轮 33.3%，UserLM-2.0 为 39.0%/33.0%；提示式助手则过度重复（DeepSeek-V4-Pro 为 64.9%/57.4%）（表 3）。
• 与人仍有明显差距：人参考有效率 80.2%，自然度高 28.2 分、覆盖高 8.0 分（表 1、图 1）。
• 训练开销很小：GRPO 只跑 156 步（1 epoch），batch 64、group 8，判别器每 25 步重训一次。52

53. 三款 WhatsApp 分诊机器人都在用户淡化症状后降级，5,000+ 轮模拟复现 · arXiv:2610.30412 · 值得扫读

• 主失效模式是"降级"（de-escalation）：首轮正确识别急症（18 周阴道出血、32 周胎动减少、耳部感染后疑似脑膜炎），用户在不提供任何新临床信息的情况下淡化症状后，模型在下一轮撤回升级并结束对话（表 2）。
• 修复后能连续顶住六种淡化：严重度（"真的只有一点点"）、自述已缓解、怕白跑一趟、无疼痛、伴侣不在、网上查到的安慰——六次之后仍维持急诊建议（表 3）。
• 范围遵守：南非 ChatGPT 84%→100%、MedGemma 74%→97%；肯尼亚 40%→95%、53%→98%（§4.3）。
• 沟通质量：南非 ChatGPT 42%→97%、MedGemma 26%→95%，是提升最大的维度（§4.3、图 4）。
• 印度：43 个场景整体准确率 86%→92%，不安全入组从 4/18 降到 0/14（§4.3）。
• 提升不全来自模型：肯尼亚有四处问题最终定位在模型周围的路由层（会话记忆串场景、结束节点在"谢谢"上触发、升级动作把用户送回主菜单、路由条件与 prompt 冲突），只改 prompt 无效（§4.4）。
• 模型侧弱点：MedGemma 默认冗长、爱用分点与结构化模板，加了 600 字符上限后仍需额外 prompt 工作；Hinglish 下漏掉 "doctor ne rest karne ko kaha"、"sirf ek hafte se" 这类决定入组资格的限定语（§4.2）。53

54. IQuest-Q1：320B/15B 激活，编码基准落后 Claude 9.1 分 · arXiv:2610.30949 · 邻近跟踪

• 编码主力项：DeepSWE v1.1 得 64.6（GLM-5.3-Flash 63.4、DeepSeek-V4-Flash-0731 54.4、Tencent Hy3 28.0），但 Claude Opus-5 得 73.7、GPT-5.6-Sol 73.0；SWE-bench Multilingual 80.3、SWE-Bench Pro 57.5、NL2Repo-Bench 63.0、CyberGym 84.5（表 2）。
• 长程终端是短板：Terminal-Bench 2.1 得 83.2（Claude 89.1），但 3.0 与 4.0 只有 17.9 与 22.7，Claude 为 42.7 与 53.9，GPT-5.6-Sol 为 34.6 与 37.3（表 2）。
• 通用与推理：GPQA Diamond 93.3、IMOAnswerBench-Verified 93.0、Humanity's Last Exam 39.2（带工具 55.7）、Toolathlon-Verified 75.0、Claw-Eval 77.1、BrowseComp 85.5、JobBench 55.7；HLE 与 CritPt（18.3，Claude 29.1）仍是缺口（表 2）。
• 自家 CLI 基准上并未领先：IQuest-CLIBench 得 53.7，Claude Opus-5 58.2、GPT-5.6-Sol 58.5；该基准是私有、以脚本驱动用户模拟考人机协作（表 2）。
• 自进化案例给出了可核对的量：模型在一个长程任务里产生 35 次工具调用错误，agent 自行追踪 6,054 次调用，定位到训练数据偏向单一 tool-call schema 且部分记录定义与参数不匹配；人工审核后按清洗加混合 schema 增广重训，用 2.35B token、938.7 GPU 小时（§6.2）。
• 安全侧外证：三天部署中，人类安全专家借助该模型产出 30 份漏洞报告，全部经同行专家独立复核，影响开源项目的已按流程披露（§6.3）。54

55. 五种上下文增强的最大增益也不达标：21 个组合里教师解释仅 8 个通过符号随机化 · arXiv:2610.30983 · 精读

• 加信息的方法确实涨分：MedQA 上 Teacher-explanation 在 7 个模型中的 6 个上把句均准确率提高 2.0–9.3 分，Self-explanation 在 5 个模型上提高 0.3–3.7 分（表 2、§5.1）。
• 但最大的两个增益不通过检验：Teacher-explanation 在 Gemma-4b 上 +9.3、在 OLMo-7b 上 +7.0，两者的 Corr 确实大于 Brk（净增益因此为正），但 Brk 同时显著高于同规模无方向扰动，属于"修好一些、弄坏也不少"，净增益不能读成被有方向地推向正确答案（§5.1）。
• 通过率随信息量上升但仍然低：Teacher-explanation 在 21 个模型–数据集组合里通过 8 个，Self-explanation 6 个，Repeat 与 Blank 各 4 个，Paraphrase 只有 Qwen-72b 与 Gemma-27b 各 1 个（表 3）。
• 准确率不动不等于没影响：OLMo-7b 在 MMLU 上 Teacher-explanation 只让句均准确率变 0.1 分，却改变了 19.1% 干预位置的预测；Blank 在 OLMo-7b 上 +3.2/−3.0，正好互相抵消（§5.1）。
• 只加算力的方法主要动决策边界附近的样本：无论翻向正确还是翻向错误，margin 的移动幅度相近（图 2）。
• 位置无法预先挑：正确与错误的预测都能在约一半的句位置上被翻转，句子词法特征与"插在最后一句"都选不出好位置（图 3、§6.2–6.3）。
• 模型差异明显：OLMo 系以无方向扰动为主，Qwen-72b 与 Llama 系通过检验的次数最多（表 3、§5.2）。55

九、语音与音频：TTS 生成与三类评估口径

56. 场景感知语音克隆：场景对齐 0.637 与参考相似度 0.757 由两套策略各取最高 · arXiv:2610.30470 · 值得扫读

• 331 例跨场景基准（表 5）：voice-clone 的场景对齐全场最高（audio–audio 0.637、audio–image 0.282），对目标说话人相似度 0.590（Cartesia 0.582、ElevenLabs v4 0.556）；full-clone 对参考相似度最高 0.757（Cartesia 0.745）；Inworld 在四项上全部垫底（0.464 / 0.567 / 0.544 / 0.231）。
• 十语种 content fidelity（表 6，每语种 100 条、宏观平均）用「只计两家一致」的 CER：HeyGen 0.0153%、ElevenLabs v4 0.0127%、Qwen3-TTS 0.0278%、Inworld 0.0349%、Cartesia 0.0787%。作者据此判定该量级下基准已不区分系统，CER 只当诊断用。
• 245 例听测（表 9）：voice-clone 在 narrator choice 上对 ElevenLabs v4 拿 61.5±3.4%、对 Cartesia Sonic 3.6 拿 77.9±2.8%、对 Inworld 拿 68.1±3.3%，clarity 一项最高到 86.6%；但对 ElevenLabs 的 naturalness 是 50.2±3.6%（打平），reference similarity 只有 43.1%。
• 生产盲测（表 11，2026-10-02 快照）：用户选「像自己的那个声音」，对 ElevenLabs v4 62.2±1.1%（8,332 票）、对 Cartesia 54.1±1.2%（7,286 票）；三选一 41.7±1.3%（6,153 票）对随机 33.3%，Cartesia 35.3%、ElevenLabs 23.0%。
• 第三方竞技场（图 9，2026-10-09 快照）：voice-clone 以 Elo 1201±17 排第一，其后 Qwen-Audio-3.1-TTS-Plus 1182±15、Eleven v4 Turbo 1166±14、Eleven v4 1162±15、Cartesia 与 Inworld 均 1142±14。
• 43 人自评数字人视频（表 12、表 13）：voice-clone 76.1±5.3、full-clone 72.6±5.8、Cartesia 63.1、ElevenLabs 59.2、Seedance 2.5 45.7（1–100 分）；配对差 +9.5 到 +16.9 点（Holm p≤0.016），对 Seedance 是 +26.9 与 +30.3；两套策略之间 p=0.39，Cartesia 与 ElevenLabs 之间 p=0.53。
• 50 个声学场景视频盲比（表 14，每格 250 票）：对 Cartesia 三问全胜（整体偏好 64.5%、声学贴合 65.0%、环境声贴合 73.3%，Holm p≤0.017）；对 ElevenLabs 只在环境声贴合上赢（69.7%，p=0.002），整体偏好 50.7%（p=1.000）；对 Seedance 环境声 65.3%（p=0.017），整体偏好 55.9%（p=0.954）。56

57. EmoFI-TTS：人脸定情绪与强度，MEAD 强度准确率 64.4%、WER 6.9% · arXiv:2610.30477 · 值得扫读

• 客观强度准确率（表 1）：本方法三档 76.4 / 42.8 / 74.1，不加权平均 64.4%；EmoSpeech 42.6 / 56.0 / 18.8（平均 39.1%），FaceTTS 43.1 / 44.9 / 14.9。EmoSpeech 推理时用的是 oracle 情绪标签，本方法全部从一张脸推。
• 强度精修的作用（表 2）：骨干不加精修时 57.2%→整体 56.7%（L3 仅 48.9%），加精修后 64.4%（L3 74.1%），换成 oracle 档位为 67.2%——人脸预测与 oracle 只差 2.8 个百分点。
• 主观强度准确率（15 名 Upwork 标注员）：三档 82.2 / 69.5 / 73.9（平均 75.2%），真实录音是 88.7 / 81.2 / 87.6；EmoSpeech 为 63.5 / 46.3 / 33.8。
• 内容与自然度（表 1）：WER 6.9%（真实 6.6%、EmoSpeech 9.3%、FaceTTS 16.3%），UTMOS 3.14（真实 2.86、EmoSpeech 2.88），MOS 3.25±0.26（真实 3.98±0.20），说话人保真度 4.13。
• 交叉说话人训练的代价（表 4）：加精修后整体强度 64.2%→64.4%、L3 65.9%→74.1%，同时 WER 5.4%→6.9%、UTMOS 3.17→3.14、SIM 78.8→78.5。
• 融合方式（表 3）：concat+linear 的强度 56.7%、说话人迁移 92.1%，优于 sum（55.2 / 90.8）与 cross-attn（55.0 / 90.2），但 WER 6.6% 高于 cross-attn 的 5.7%。57

58. 11 个混音问题可查询，正反判别 83.9%、严重度相关 0.971 · arXiv:2610.30783 · 精读

• critic's exam（表 1）：adapted MixJudge 全项最高——问题检索 T→A 的 R@1/MRR 为 0.164/0.321、A→T 为 0.117/0.297，正反判别 0.839，严重度 Spearman 0.971，完整序列正确率 0.922，选择性 0.838；只训融合层时为 0.112/0.274、0.097/0.254、0.727、0.768、0.713、0.793。
• 与随机和基线对比（表 1）：随机在正反判别是 0.250、完整序列 0.048、选择性 0.091；四个生成式基线的正反判别只有 0.243–0.374（即贴着或低于随机），严重度相关 0.175–0.331，冻结 CLAP 也只在 0.266 与 0.331。
• menu selection（表 1）：adapted 的 closer rate 0.727（mean）/0.716（max）、整菜单 Spearman 0.730/0.721、中位恢复 0.665/0.684；冻结 CLAP 对应为 0.330/0.284、0.146/0.147，中位恢复是负的 −0.552/−0.636（即比不处理还远）。
• 88 个菜单里 83 个存在「比不处理更接近专业版」的候选；在这 83 个上 mean/max 策略分别有 77.1%/75.9% 选中改善候选，所选候选散布在 31 个中的 22 个，说明不是某一条处理的固定捷径。
• 目标消融（表 2）：InfoNCE 换 SigLIP 后正反判别 0.812→0.725、选择性 0.495→0.356，但菜单相关 0.501→0.728；加排序损失把严重度相关拉到 0.916 而选择性仍只有 0.384；再加选择性与反义损失后严重度 0.971、选择性 0.838、菜单相关回到 0.730。
• 生成式基线一致出现「文本→音频检索强于音频→文本」（如 Qwen2.5-Omni 0.142 对 0.057），作者把它归到已知的文本偏置现象，但明确说本实验没有隔离原因。58

59. 文本-音乐对齐拆成 5 维原子概念，人声维度 AUC 0.966 · arXiv:2610.31083 · 精读

• 概念级对整句级（表 1，同为 Qwen3-Omni）：mood/theme 的 AUC 从 0.776 升到 0.943、vocal 从 0.870 到 0.966、usage 从 0.718 到 0.842；但整句级的 R_S/I 反而更高（mood 31.3 对 7.38），原文解释是整句里换一个概念本来就挪不动分数，把比值抬高了。
• LALM 三个模型在概念级的具体数：Qwen3-Omni 曲风 AUC 0.983 / WR 0.978、乐器 0.915 / 0.887、人声 0.966 / R_S/I 21.90；AF-Next 0.980 / 0.972、0.893 / 0.849、人声 0.881 / 7.03；Music Flamingo 0.982 / 0.977、0.855 / 0.797、0.886 / 3.28。
• 相似度基线在抽象维度上失效：CLAP 的 mood AUC 0.669、R_S/I 1.91；MuQ-MuLan 的 mood 0.663 / 1.73，人声 0.511 / 0.48——对近义替换的反应比反义替换还大，说明分数在跟措辞。
• 与专家一致率（表 2，依次为曲风/乐器/情绪/人声/用途）：人-人 92.5 / 82.3 / 84.6 / 95.2 / 82.5；Qwen3-Omni 85.0 / 79.7 / 86.4 / 92.5 / 85.4；AF-Next 86.7 / 72.9 / 88.6 / 92.5 / 78.0；Music Flamingo 75.0 / 89.8 / 88.6 / 85.0 / 68.3；CLAP 71.7 / 74.6 / 54.5 / 80.0 / 63.4；MuQ-MuLan 71.7 / 62.7 / 43.2 / 60.0 / 61.0。
• usage 是全场最难维度：所有评估器的 AUC 与人声、情绪相比都最低（最好的 Qwen3-Omni 也只 0.842），作者归因于「场景用途是从音频里推出来的，不是直接听到的」。
• 曲风与乐器上相似度基线仍然可用（CLAP 0.912 / 0.867），论文解释是这两类闭合词表被对比预训练覆盖得比较好——所以「LALM 全面更好」不成立，「在抽象概念上更好」才成立。59

60. 识别器对真人极罕见词漏识 32.9%，三识别器裁定后 TTS 错误降为 1/2.8 · arXiv:2610.31470 · 精读

• 验证器在真人语音上就已经漏词（表 2）：C 在 LibriSpeech 上漏 1.5% 的常见词、32.9% 的极罕见词；FLEURS 上是 3.2% 与 66.7%；A 与 B 在 LibriSpeech 极罕见词上也分别漏 31.8% 与 30.3%。
• C 漏掉的词里 54%（FLEURS 55%）能被 A 或 B 从同一段真人录音里转出来，指向 C 而不是音频；三家都漏的极罕见词占 21.6%（LibriSpeech）与 41.7%（FLEURS），这些词根本无法判定。
• 三个估计（表 3，any-of-N）：F5-TTS 从标准 0.63% 降到掩码 0.30%、裁定 0.22%；Kokoro 0.72→0.36→0.22；FLEURS 的 F5 1.52→0.66→0.46。标准对裁定的比值是 2.8 [2.1,4.1]、3.2 [2.4,4.8]、3.3 [2.3,5.6]。
• 单候选与最好候选上比值变小但仍大于 1：N=1 时标准为 1.51 / 2.26 / 2.56、裁定为 0.63 / 0.43 / 1.11；best-of-N 保留的那一条上比值 1.9 [1.5,2.4]、2.5 [2.0,3.4]、2.1 [1.6,3.2]。
• 极罕见词仍然最难（表 2）：裁定后 F5 为 3.4% [1.4,5.4]（10/298）、Kokoro 为 4.7% [2.5,7.2]（14/298），而常见词是 0/7,889 与 3/7,889。
• 单识别器掩码有偏（表 4）：在 C 于真人录音里漏掉的词上，A/B 找到 TTS 错误的比例是 3.9%（F5）、4.9%（Kokoro）、6.0%（FLEURS），而 C 听到的词上只有 0.2%/0.2%/0.3%；掩码保留下来的错误里，A 或 B 又在某个合成版里听到的比例是 53%/64%/56%（16/30、23/36），也就是裁定推翻了约一半。
• 剩余错误成分（§5.3）：裁定后共 23、23、18 个错误，其中 15、8、12 个的转写指向不同发音（真错），8、15、6 个是拼写变体、同音词或文本伪影；只数前一组，极罕见词错误为 1.7%/1.7%/5.7%，整体为 0.15%/0.08%/0.30%。60

十、智能体接口、协议与执行环境

61. 智能体握手实测：3 次往返 230 ms，能力元数据每项 24–107 token · arXiv:2610.30151 · 值得扫读

• S1 冷启在 50 ms RTT 下到 task-ready 的中位数：MCP legacy 230 ms（p95 236）、MCP modern 122 ms、A2A 61.0 ms、ACP 62.1 ms；对应应用层往返 3/2/1/1 次，legacy 是 A2A 的 3.8 倍（表 2、§5.1）。
• 热重连把差距拉得更开：MCP legacy 仍付 230 ms（规范早于响应缓存，3 次往返一次不省），MCP modern 默认策略 1 次往返 63.5 ms，pin 到缓存协议代后 0 次往返 6.6 ms；A2A 2.0 ms、ACP 6.6 ms。同一对端交互 k=100 次时摊薄到 230 / 64.1 / 7.8 / 2.6 / 7.1 ms（表 2、图 4）。
• 能力元数据的 token 成本随能力数线性上升，斜率分别是 A2A 24、MCP 78、ACP 107 token/能力（对 n=1…200 的边际拟合）；200 个能力时 ACP 的握手元数据达 21,405 token，占 200k 窗口 10.7%（原文取整写成 11%），MCP 15,618 token 占 7.8%（表 5）。
• 单能力对端整场握手只吃 112–242 token，按 Claude Sonnet 5 的 $3.00/百万输入 token 计约 $336–726/百万次握手；原文明确说这是截距、不是可引的成本（表 4、§5.5）。
• 降级场景里版本校验分化最大：MCP 两代都在 3.7–4.2 ms 内拒绝只讲 2099-01-01 的对端，modern 的 -32022 错误还带回支持版本列表；A2A 拿到号称 99.0.0 的 Agent Card 后照常完成 echo（3.0 ms），因为它把版本协商放在每请求的 A2A-Version 头上；ACP 的 manifest 没有版本字段，这一项无法测（表 3）。
• 单次握手失败（S3）的代价等于完整握手价：legacy 231 ms、modern 117 ms、A2A 62.2 ms、ACP 57.7 ms，因为"它不能做什么"和"它能做什么"在同一份元数据里（§5.3）。
• RTT 扫描的拟合斜率是 A2A 1.1、ACP 1.1、MCP modern 2.1、MCP legacy 4.2 ms 握手每 ms RTT；legacy 超过 3 是因为两个 SSE 响应各跨两个分块，合计 8 个单向延迟（图 3）。61

62. MCP 对 CLI：14 维定性对比，渐进披露把 schema 压到 170 token · arXiv:2610.30157 · 邻近跟踪

• 结论给出的胜负是 3:9:2——CLI 胜 3/14（安装成本、模型熟悉度、简单任务速度），MCP 胜 9/14，上下文窗口成本与生态广度打平（§IV 表、§XII）。
• 上下文成本：静态全量加载 2,000–55,000 token（GitHub 服务器 80 个工具、每个约 700 token 即约 55,000），换成两个 meta-tool 后前置成本约 170 token（get_tool 约 80 + invoke_tool 约 90）（§IX-A、§IX-B）。
• 算例：80 工具用 2 个，55,000 → 170+1,400=1,570 token（省 97%）；150 工具用 5 个，105,000 → 3,670（省 96%）；500+ 工具用 8 个，350,000+ → 5,770（省 98.4%）（§IX-E）。
• 速度：MCP 的 JSON-RPC 开销 50 ms（stdio 本地服务器）到 200 ms（HTTP 远端）；首页摘要表却写 CLI 有 2–5 倍延迟优势，正文没有给这个倍数的来源（§IV 维度 13 vs 摘要表）。
• 安全对照：声称 MCP 满足 8/8 条要求、6/6 个合规框架，CLI 是 0/8 与 0/6（图 3）；但同一节的文字表里 CLI 在 ISO 27001 写的是"可达但昂贵"、GDPR"部分可达"，与 0/6 对不上（§VI-A、§VI-B）。
• 规模与生态：MCP 连接器 5,800+（2026 年中）；IBM 2024 的平均泄露成本 $4.88M 被用来给安全债定价（§VIII-B、§X）。
• 建议是混合架构：CLI 用于信任边界内的本地开发，MCP 用于跨信任边界、碰生产数据、需要治理的场景（§XI）。62

63. 多主体事件世界：给全他人行动 EM 65.1%，只给自身行动跌到 20.8% · arXiv:2610.30488 · 精读

• Task J 单步：SFT 的 Qwen3-1.7B 在 Diplomacy 到 59.7% EM、Qwen3-8B 65.1%，零样本最好的 GPT-6-Sol 只有 40.5%；Polymarket Acc 66.1%/65.5%，用全部 68.7 万训练点的 LightGBM 是 68.8%（表 2）。
• 同样是 2 万条样本、同一架构但随机初始化只能到 32.0% EM（对 59.7%），说明收益来自从日志学到世界动态，而不是学会输出格式（表 13）。
• Task S 塌陷且分化：Qwen3-8B 从 65.1% 掉到 20.8% EM；高交互片段上没有任何模型胜过"照字面执行自己的订单、假设别人不动"这个基线（Qwen3-8B 的 EM_high 是 1.8%，该基线是 1.9%）（表 2、§6.2）。
• 让它额外预测他人行动只把 20.8→22.9 EM（Diplomacy，Qwen3-8B）、59.9→60.4 Acc（Polymarket，Qwen3-1.7B）；加历史长度 K 的提升也小，GPT-6-Luna 反而变差（图 5、表 17）。
• 五步 rollout：Diplomacy 五步闭环后多数模型 EM≈0、只能看 F1——Task J 下 Qwen3-1.7B 保持 91.9，Task S 掉到 55.1；Polymarket 24 小时递归预测 60.2% Acc，直接预测是 64.4%（表 3）。
• 替换智能体自己的订单后，给全他人行动 F1 77.3、只给自身行动 44.3，虚报变化率从 29.4% 升到 59.6%（Qwen3-8B，表 4）。
• 策略学习上想象轨迹确实能用：1k 真实对局训练的行为克隆成功率 47.5%、1k 想象 43.0%、1k+1k 53.5%，但 2k 想象（47.5%）不如 2k 真实（54.0%）；用 20k/320k 世界模型初始化能到 55.0%/59.5%，参照的 DipNet 行为策略是 61.0%（表 5）。63

64. 长 CoT 上独立草稿接受率不随位置衰减，后半段反而高 0.03 · arXiv:2610.30644 · 值得扫读

• 剔除 loop 后四个配置都是后半段略高而非衰减：def1 的题内配对差 +0.031 [+0.026,+0.036]（same/greedy，327 题升 126 题降，p=1.2e-21）、+0.028（same/sample）、+0.069 [+0.063,+0.076]（xfam/greedy，393/61）、+0.059（xfam/sample）；分布级的 α 也升 +0.010 与 +0.030，排除了"只是 target 分布变尖"这一解释（表 1）。
• 支持区间内看不到下降趋势：greedy 0–8K 的 def2 在 0.91–0.94，sampling 0–12K 在 0.856–0.882（图 1b、1c）。
• greedy 全长曲线上那段 0.78→0.95+ 的抬升主要是 loop 题造成的：46 题贡献了 12K 以上的大部分样本，其近 0.99 的接受率污染长位置统计；换估计量差别很大——round-weighted 半差 +0.064→+0.025，problem-weighted 只从 +0.040 到 +0.031（表 2、图 2）。
• 拒绝集中在反思触发词：number/operator 在所有配置里 ≥0.93，反思桶 greedy def2 0.747、跨族压到 0.367；sampling 下 α 0.788→0.444、def2 0.625→0.369（图 3）。
• 温度扫描把两件事分开：T 从 0.3 到 0.9，def2 从 0.917 掉到 0.836、反思 def2 从 0.707 掉到 0.520，但 α 只从 0.927 到 0.915、反思 α 反而从 0.785 升到 0.809，MAL 从 4.986 到 4.884（表 3）。
• 三臂 LoRA（r=32，15,000 条轨迹过滤到 10,279 条、1.82M token 熵标注）没有一个臂能提高 MAL：相对 uniform 的最好差值 −0.0138 [−0.032,+0.005]，全部差值 ≤0.02 token/轮（<0.4%）；唯一名义显著的一格是 greedy 的 entropy−uniform=−0.0055（t=−4.14、dz=−0.19），方向还是更差（表 4）。
• Oaxaca–Blinder 分解把 30–45% 的残余上升归给"后半段更偏数字与算子"的 token 构成变化（§6、附录 C）。64

65. 分布社会世界模型：4B 模型在 5 个环境 15 项指标中 13 项最优 · arXiv:2610.30657 · 值得扫读

• 见过的三个环境、7 项指标上 6 项最优：Magentic-NL 客户效用 272.82（采样未来基线 255.56）、SOTOPIA Goal 8.21、AgentSense 目标达成 0.72；唯一例外是 AgentSense 信息准确率 0.88，低于 S3AP 的 0.95（表 1）。
• 两个未见环境、8 项指标上 7 项最优：ProMediate 调解智能 4.3321（S3AP 3.4387）、SOTOPIA-ToM 的 InfoMgmt 0.2508、DA 0.5398、EFF 0.9138；例外是 CPV 0.2450 高于纯 SFT 的 0.2281（CPV 越低越好）（表 2）。合计 6+7=13/15。
• 消融证明"多个未来"本身有用：只留最可能的响应，Magentic-NL 客户效用从 272.82 掉到 243.85、SOTOPIA Goal 从 8.21 掉到 7.87；概率改成均匀则掉到 254.60（表 3）。
• 概率质量带决策信息：把概率扰动到池化 JS 散度 0.28 时，性能降到原值的 77–90%（图 4a）。
• 训练时见到的结果测度越多样，迁移越好：从 5 个测度增到 25 个，consensus change 0.0506→0.0628、InfoMgmt 0.1851→0.2508（图 4b）。
• 预测精度：归一化 RMSE 0.127/0.116/0.135（三个环境），好于 single future 的 0.201/0.178/0.164 与 sampled futures 的 0.145/0.151/0.169（表 4）。
• 成本：SOTOPIA 上比 30 次采样未来少 16.2 倍 token、4.8 倍延迟；但直接预测期望值仍然最便宜（表 14）。65

66. 冻结模型加执行回环：9 个基准 macro 从 46.47% 到 65.21%，无需训练 · arXiv:2610.30917 · 精读

• macro 准确率的提升随规模极不均匀：Qwen3.5-9B 46.47 → 65.21（+18.74 pp，OptiCycle）→ 67.52（OptiState）；最大一格是 Qwen3-14B 17.53 → 66.99（+49.46 pp）；0.6B 与 3.5-0.8B 基本无效（0.06→0.01、0.00→2.48）（表 2、图 2）。
• 同骨干对比 Qwen3-4B：OptiCycle 62.74、OptiState 64.22，最强基线是 CAFA 54.21，差 8.53 与 10.01 pp；Qwen3.5-9B：65.21 / 67.52 对最强基线 Reflexion 60.92，差 4.29 与 6.60 pp。注意"最强基线"在两个骨干上是两个不同方法（表 1）。
• 成本方向是对的：Qwen3.5-9B 上 OptiCycle 每轨迹 11.77k 输入加输出 token，Reflexion 14.54k、OptiMUS 31.60k、AutoFormulation 34.38k——比 Reflexion 少 19.0% token 还高 4.29 pp；但 OptiState 只比 OptiCycle 高 2.31 pp，token 多 84.2%（§4.4、图 2）。
• 显式 formulation 状态是选择性的、且非单调：Qwen3-1.7B +13.51、Qwen3.5-4B +19.63，而 Qwen3-8B −0.49、Qwen3-14B −0.61、Qwen3.5-2B −1.61、Qwen3.5-0.8B −1.77、Qwen3.6-27B −0.14（图 2）。
• 换骨干同样有效：Phi-4-reasoning 44.42 → 69.28、Magistral-Small-2509 57.09 → 67.52、GPT-OSS-20B 39.25 → 67.38（OptiCycle），OptiState 只再加 1.25 / 0.16 / 1.39 pp；DeepSeek-R1-Distill-Llama-8B 三种接口都停在 2% 以下（图 5）。
• 交互收益的分布有规律：Direct Generation 已经很高的任务（如 MAMO-easy）提升小；提不动的不是"准确率低"这一件事，而是超出模型能力的那一头（Qwen3-8B 在 MAMO-complex，原文称"持续的能力约束"），而 OptMath 这类最终准确率同样很低、但仍在模型能力范围里的任务反而提升明显——原文明说难度本身不决定增益（§5.1）。66

67. 反事实测驾驶 VLA：改写推理内容只挪 3.26% 轨迹，删掉文本挪 15.65% · arXiv:2610.30953 · 值得扫读

• AutoVLA 与 ORION 主要对"推理在不在、长什么样"敏感，对内容不敏感：delete 与 filler 两个模型平均下来，ADE 位移相当于各自「把相机输入置空」所引起 ADE 响应（相机侧 ADE）的 15.65%，而 swap/mistake/negate 平均只有 3.26%（§6.1；百分比的分母是各模型自身的相机置空响应）。
• 逐格看更清楚：AutoVLA 在 DriveLM 上 delete +0.450 ADE/+0.977 FDE、filler +0.393/+0.841，swap 只有 +0.012、negate +0.016；ORION 的 mistake 甚至与 paraphrase 零线不可区分（表 3）。
• Alpamayo 系列相反但幅度有限：Alpamayo-1.5 三个内容改写都在相机侧的 14.48–19.46%，其中 mistake 最大也只到 19.46%；Alpamayo-R1 只有 mistake 突出，swap 与 negate 都低于 3.20%（表 3、§6.1）。
• 方向跟随率把两个家族分开：AutoVLA 在 DriveLM 的 202 个"承诺了左右"的场景里 187 个与解码轨迹方向一致（92.6%），声明左与声明右的中位横向端点差 7.06 m；PhysicalAI-AV 上 66/74（89.2%）。Alpamayo-1.5 只有 71/155（45.8%），中位差 0.01 m；Alpamayo-R1 59/121（48.8%），0.27 m；ORION 承诺场景太少，未下结论（§6.3、图 4）。
• 对象移除后，重生成的推理一致地不再把被移除物体当作在场或与动作相关，但轨迹并不总执行新推理所说的动作——图 3 给了"推理改了、轨迹没改"的定性案例（§6.2）。
• AutoVLA 的"delete/filler 主导"在 DriveLM 与 PhysicalAI-AV 上都复现，说明它不是单一评测集的场景构成造成的（§6.4）。67

十一、工程化、感知与决策侧

68. 决策调节评分取九项最小值：每域 24 个场景才把系统效应 RMSE 压到 .25 以内 · arXiv:2610.31012 · 邻近跟踪

• 单判据精度仿真（种子 20260929，每格 300 次重复）：每域 24 个场景时，中等设置下系统效应 RMSE=.139、充分性概率的 95 分位绝对误差 E_p=.064、转换汇总 E_R=.091；异质设置下 .225/.084/.092，均落在预设门槛（RMSE≤.25、两个误差≤.10）内（表 6，§6.4）。
• 瓶颈估计在“近平局”下向下偏：每域 24 个场景偏差 −.55 分（SE .09），48 个 −.17（.06），96 个才 −.04（.05）；选中真实瓶颈的概率对应为 .636、.782、.850（表 7，§6.5）。
• 家族级预测力仿真：中等改进 Δ=.027 时，8 个家族检出概率 .508，12 个家族 .742；小改进 Δ=.017 即使 12 个家族也只有 .356（图 3，§6.6）。
• 工作量可以自己复算：24,576 条轨迹 → 约 29,491 次轨迹评分（主格 6,144×3 名评分者=18,432，另三条附加格各按 .20 抽样约 3,686 条再乘 3≈11,059）→ 约 176,947 次阶段评分（29,491×6）→ 最多约 124 万次判据评分（176,947×7）（§6.1、§6.3）。
• 最小值规则的效果可算：假设某系统七个判据率 (.90,.85,.80,.88,.75,.82,.86)、R_mat=.90、R_stab=.80，则 AWS=75；只把“后果意识”从 .80 提到 .81，AWS 跳到 80，因为瓶颈换了（§5）。
• 探索性临床研究：5 个场景 × 6 个界面配置 × 6 阶段，得 71 条完成的评分记录（对应 179 条存档阶段回答，理论值 180）；“战略/长期后果”一项合并均值最低，为 2.70，且在 6 个配置中 5 个为最低或并列最低；域排序一致性 Kendall's W=.586，补偿式与最弱域式汇总的 Spearman ρ=.771（§7）。
• 预注册门槛：H1 要求每个判据的序数 Krippendorff α 单侧 95% 下界 >.80；H2/H3 要求家族留出 Brier 损失改进 >.01，并用 Holm 控制 H2、H3 的族错误率（表 5，§6.2）。 68

69. 昇腾算子智能体：标准集 1,060/1,060，隐藏集 98.28%，均分 78.63 · arXiv:2610.31034 · 值得扫读

• 53 个 CANN-Bench v1.1 算子（难度 L1–L4 分别 8/16/21/8 个）、Ascend 950PR、每算子 20 个标准例 + 80 个隐藏例：标准集 1,060/1,060=100%，隐藏集 4,167/4,240=98.28%；53 个算子全部通过所有标准例，38 个通过所有隐藏例（§6）。这里 1,060=53×20、4,240=53×80 可以整除核对。
• 均分：标准集 79.31、隐藏集 77.95、总体 78.63（原文口径为 53 个算子 × 两个 case 集等权；79.31 与 77.95 本身已是同一批 53 个算子的均值，两者再平均即得 78.63，我复算 (79.31+77.95)/2=78.63）；评分权重为编译 0.2、功能正确 0.3、性能 0.5（§6）。
• 分难度看，短板在性能不在正确性：标准集各级通过率都是 100%，均分 86.86/82.07/76.32/74.11；隐藏集通过率 100%/99.22%/98.21%/94.84%，均分 91.76/80.31/76.46/63.34（图 7）。
• EngramGateFusion（CANN-Bench level-3，无官方优化 kernel）：20 轮、36 个变异、1,037 次 LLM 调用（末轮 186 次用于验证与打包）；聚合 device 时间 1,451.7 μs → 775.7 μs，降 46.6%（我复算 1,451.7/775.7=1.87×）；融合指标 45.5×→98.2×，roofline 差距 25.7×→12.6×；同基准端到端加速均值 29.5×（几何均值 27.6×）；官方评分 71.30，20/20 通过（§4.4、图 6）。
• 逐维能力剖面解释了分工：DSL-B 在 blocking 上 θ_B=+2.83，DSL-A 在 data movement 上 −1.69（DSL-C −0.31）、在调度深度 +2.45（DSL-C +0.91）；四个算子在 910B 上选出三条不同 track（表 2、图 3）。
• CAKE Book 只有“写入路径”的证据：CI 记录 → 词条 → 可检索引用这条链能跑，但本轮评测没有隔离出它对成功率或性能的因果贡献（§6.2 明写 “not isolated”）。 69

70. 把智能体与世界模型分开考：1,088 项与 400 例，最高分只有 31.3 与 21.7 · arXiv:2610.31066 · 值得扫读

• Agent 侧 Index：GPT 6 Astra 31.3 最高，其后 GPT 5.6 Sol 20.7、Gemini 3.6 Flash 20.1、Qwen 3.8 Max 20.0、Kimi K3 19.8、DeepSeek V4.1 Flash 18.3；10 个配置没有一个在所有类别领先（表 3）。
• 同一配置的类别跨度远大于配置间的 Index 差距：各类别最高分从 Manipulation 9.5、Action Sequencing 11.2、Desktop 5.6，到 Web 29.6、Mobile 42.9、Game 47.1（§3.1）。
• 换聚合口径会换名次：改等域加权后 DeepSeek 从第 6 升到第 2、Kimi 从第 5 升到第 4，GPT 6 Astra 仍第一（§3.1、附录 A.2）。
• 科学域 109 项：GPT 6 Astra 50.6 最高，DeepSeek V4.1 Flash 44.0、GPT 5.6 Sol 42.2，但类别冠军分散（Astra 数学 60.8、物理 52.2；Sol 医学 45.4；DeepSeek 生命科学 53.7）（表 3）。
• WM 侧：GPT-Image-2 全八场景 Overall 21.7 最高，Qwen-Image-3.0 21.1、Nano Banana 2 19.5；16 个配置里 15 个覆盖全部八场景，Seedance 2.5 只覆盖六个（300 例，缺 Daily Life 与 Human Interaction，因人脸生成限制），其六场景均值 18.7 单列、不进全覆盖排名（表 4）。
• 数字场景是全体短板：Web ≤16.5、Game ≤13.3；MiniMax H3 在 Embodiment 拿 53.8，Web 只有 3.7、Game 8.5；Qwen-Image-3.0 在 Daily Life 46.1，Web 10.7（表 4、§3.2）。
• 总分高不等于适合当某智能体的搭档：GPT-Image-2 Overall 21.7 高于 MiniMax H3 的 17.3，但在 Embodiment 上 20.9 对 53.8，顺序反转（§3.2）。 70

71. 1,500 对细粒度 GUI 定位：最强模型字符级 70.4%、区域框 56.0% · arXiv:2610.31274 · 值得扫读

• 通用模型里 Claude Fable 5 平均 83.2% 最高，Opus 5 81.1%、GPT-5.6 Sol 77.7%，其后 Luna 72.7%、Terra 72.3%、Sonnet 4.6 72.2%；Kimi K2.5 只有 5.7%（表 1）。
• 子集间落差极大：Sheets 上 Opus 5 98.8%、Sol 97.8%、Fable 97.6%，同一批模型到 Text 只剩 Fable 69.6%、Opus 63.2%、Sol 53.4%（表 1、§3.3）。
• 粒度一细就断崖：字符级 Fable 70.4%、Opus 51.9%、Sol 48.1%，专用配置掉到 11.1–18.5%；插入符 Fable 64.7%、Opus 62.6%、Sol 51.9%，专用最好 34.2%（表 3）。
• 区域框是另一道坎：134 个区域任务上，原生只输出点的专用配置一律 0.0%；能出框的 GUI-G2-7B 12.7%、UI-Venus-Ground-7B 11.2%；通用模型 Fable 56.0%、Opus 50.7%、Sol 30.6%（表 3）。
• 专用模型最好的是 MVP-32B，平均 59.3%（Sheets 68.4 / Text 34.0 / Pro 75.4），比最强通用模型低 23.9 个百分点；9B 以下最好的是 MAI-UI-8B 51.3%（表 2）。
• Pro 的失败集中在图标：图标只占 38.0% 的样本，却占 57.3% 的合并失败（§3.3）。
• 坐标系不合规会制造假失败：Gemini 3.7 Flash 与 Qwen3.8 Max 仍按 0–1000 归一化坐标输出，官方分只有 3.1% 与 2.8%；统一换算到 1024×768 后升到 78.1% 与 55.4%（§3.3）。 71

72. 双人协作厨房基准：最强模型订单完成率 26.2%，共享笔记本效果正负各半 · arXiv:2610.31511 · 邻近跟踪

• 最强 gpt-6-astra：完成率 26.2%、总分 25.6、交付精度 93.8%（n=16 张有交付的图）、动作接受率 64.6%、$5.18/episode；其余三个完成率 8.8%–11.2%（表 2）。
• 多数 episode 一单不出：claude-opus-5 在 20 张图里 15 张零交付，qwen3.8-27b 14 张零交付（§4.3）。
• 最难两类接近全员失败：地形变化 + 设备共享类，四个模型里三个零交付，只有 gpt-6-astra 四张全有分（均值 29.0）；分离工作区类，claude 与 gemini 各四张全零（§4.3）。
• 动作接受率与得分不同序：claude 接受率 52.7% 但总分 8.2，gemini 接受率 32.1% 但总分 11.9（表 2）。
• 记忆是混合效应：claude +4.8 分（bootstrap 95% CI [+1.0,+9.4]，唯一不含 0 的区间），qwen +1.4（[−6.6,+9.4]），gpt −2.7（[−12.4,+7.0]），gemini −8.1（[−17.4,+1.8]）（§4.4、图 4）。
• 记忆对所有模型都更贵，加上笔记本后 gemini 的动作接受率从 56.4% 掉到 32.1%、交付从 21 盘降到 12 盘；gpt 接受率从 70.3% 降到 64.6%，但总盘数两次都是 23（§4.4）。
• 笔记本里 40.1% 被读到的条目由同伴写入（10,732/26,750，我复算 0.401）（§4.4）。 72

73. 因果掩码挡不住未来令牌：验证损失 3.60→1.43 的“提升”被审计推翻 · arXiv:2610.31522 · 精读

• 6 对合成实现：非因果版 LeakScore 从 0.0033 到 0.6625，因果修复版全部 0.0000（ε=1e−5）；换前缀长度 8/16/32/64、三个随机种子、三档容差（1e−6/1e−5/1e−4），分类结论都不变（表 1–3、§5.4）。
• 3 个公开模型在 float32、72 对输入（3 个前缀长度 × 3 个种子 × 8 对）上全部通过，最大与平均前缀 logit 差、top-1 翻转率都恰为 0（§6.2）。
• 故障注入（α=0.01/0.05/0.10）下每个模型 72 对全部失败，通过率从 1.0 掉到 0.0，受影响 token 率 ≥0.993；Qwen 的最大差随 α 近似线性 1.6e−3→7.9e−3→1.6e−2，最小注入强度 α=0.01 就已经过不了二值判据（表 4）。
• 精度会改写容差的可比性：cache 一致性测试里 fp32 的 P95 最大差为 GPT-2 4.5e−4、Qwen 3.9e−5，fp16 升到 0.25 / 0.0476，bf16 到 2.0 / 0.3703；GPT-2 bf16 的最大差到 4.0，32 步里有 1 步 top-1 不同（表 5）。
• CDR 案例：24 层基线验证损失 3.5958，pre-fix CDR-last 24L 为 1.4259；同一检查点 LeakScore 34.22、top-1 翻转率 95.1%、FirstLeakLayer=0、末层差 16.96；自由生成时参考困惑度 700.5，对照组在 16.8–19.8 之间（表 7、表 8、表 10）。
• 九个核心检查点上验证损失与 LeakScore 的 Pearson r=−0.868；但只取四个泄漏检查点时 r=−0.559、p=0.441，作者自己写“不能读成剂量-反应”（§7.7）。
• 两个独立训练的 12 层因果修复：LeakScore 0.0、无泄漏层、验证损失 3.6766/3.6731、参考困惑度 15.3/18.1，回到对照量级，原来那截“优势”随之消失（表 9）。 73

74. 直接优化 pass@k 的剪枝：中等 k 高约 3 点，k=16 被 RepExp 反超 · arXiv:2610.31667 · 值得扫读

• DeepSeek-R1-Distill-Qwen-1.5B 在 k=4：PKTP 52.9%，Linear Probe 49.9%、RepExp 49.8%、Random 49.5%——比两个基线各高约 3 个点（表 1；正文写 3.0 与 3.2，按表内四舍五入值复算是 3.0 与 3.1）。
• Qwen3-0.6B 上 k≥2 时对两个基线都领先 2 个点以上：k=2 为 36.3% 对 33.8%/33.5%，k=4 为 47.2% 对 44.3%/45.0%（表 1）。
• 优势不是全 k 的：Qwen3-1.7B 在 k=1 时 PKTP 39.3% 低于 Random 39.5%、更低于 Linear Probe 40.7%；k=16 时 81.7% 低于 RepExp 82.2%；DeepSeek-R1-Distill-Qwen-1.5B 在 k=16 是 71.7% 对 72.6%（表 1）。
• 两个基线的偏差方向可复现：Linear Probe 在 k=1 强（Qwen3-8B 49.2% 对 Random 46.9%），随 k 增大趋近甚至低于 Random（Qwen3-0.6B k=4 为 44.3% 对 45.4%）；RepExp 在 k=1 等于 Random（首个随机），中等 k 有时更差（OpenMath-Nemotron-1.5B k=2 为 57.9% 对 59.3%），k=16 往往最好（Qwen3-1.7B 82.2% 对 81.0%）（表 1、图 3）。
• 截断点越晚越好：Qwen3-1.7B 上 PKTP 的 pass@4 从 T=2,000 的 63.5% 升到 T=8,000 的 65.9%，DeepSeek-R1-Distill-Qwen-7B 从 57.4% 到 61.7%；同期 Linear Probe 在 Qwen3-1.7B 上从 64.2% 掉到 62.3%、落到 Random 之下（图 6）。
• 池子够大才领先：Qwen3-1.7B 上 PKTP 在每个 N（32–128）都最好；DeepSeek-R1-Distill-Qwen-7B 上要到 N=80 才反超，其 Linear Probe 随 N 从 58.1% 掉到 56.4%、始终低于 Random（图 7）。 74

十二、检索、上下文与语料

75. 自奖励论证让翻转率 14.3%→6.6%，MORABLES 准确率反跌 3.1 点 · arXiv:2610.30349 · 值得扫读

• 在 IBM-ArgQ-30k 的 15,000 个人类偏好对上，4B 判官与 31B 判官的 resolved accuracy 分别为 78.5% 与 80.4%，人类偏好最强处（Δ>0.75）升到 93.3% 与 95.0%，近持平处（Δ≤0.25）只有 55.0% 与 57.1%（§5、图 1）。
• 模型规模主要改善的是重排一致性：31B 的呈现翻转率从近持平处的 16.6% 降到 2.6%，4B 从 35.1% 只降到 22.7%；弃答率由 33.5% 降到 10.7%（§5、图 1）。
• 策略学到的是一种语域：must/should 类必然情态升 1.01 SD（扣掉长度后仍有 0.26 SD），从属结构降 0.72 SD，最大依存深度在控制句长后仍降 0.18 SD（95% CI [−0.23,−0.13]）；86% 的特征在五个伦理框架下保持同一方向，框架本身只解释最多 15% 的方差（§6.1、图 3）。
• 一致性确实改善：MoralChoice 高歧义场景的翻转率从 14.3% 降到 6.6%，同时"识别出歧义"的比例从 16.0% 升到 19.1%（§6.2、图 5）。
• 有效性没有跟上：ELEPHANT 上道德谄媚 45.3%→44.0%（基本持平），框架接受度 5.2%→7.5%，MORABLES 五选一准确率 56.5%→53.4%（−3.1 点，95% CI [−4.8,−1.5]）（§6.2、图 5）。
• 两个消融都保住了翻转收益（+0.7 点、95% CI [−1.3,+2.8]；+1.0 点，[−0.9,+3.1]），但谄媚都比主模型更高（+3.7 点 [+1.2,+5.9]；+4.6 点 [+2.6,+6.9]）；合成困境复现了 69% 的显著特征变化，中位幅度 0.92（§6.3、图 6）。75

76. 引用检测 F1 升到 0.841，不可恢复引用的正确弃答 31.0%→92.4% · arXiv:2610.30355 · 值得扫读

• 换同一个 GPT-5.6 Luna 后端，检测 F1 从 CiteAudit 的 0.762 升到 0.841（精确率 0.875 对 0.751，召回 0.809 对 0.773）（表 2）。
• 换开源 OpenResearcher-30B-A3B 增益更大：F1 从 0.416 到 0.784，误报从 379 降到 128，漏报从 245 降到 83（表 2）。
• 源解析的关键不是多回收，而是敢弃答：Luna 后端下 CiteAnchor 对可恢复引用的覆盖率 65.9% 低于联网搜索的 85.3%，但提出的修正更准（95.2% 对 90.2%），对不可恢复引用的识别率 92.4% 对 31.0%，端到端成功率 74.7% 对 58.4%（+16.3 点）（表 3）。
• 成本同时下降：3,356 条引用上 SerpApi 调用在 GPT-5.6 Luna 后端从 3,204 降到 1,039（−67.6%）、在 OpenResearcher-30B-A3B 后端从 4,071 降到 1,066（−73.8%）；Luna 后端单次运行的 LLM 加检索估算成本从约 36 美元降到约 12 美元，两后端平均少用 70.7% 的商业检索调用，按 3,356 条计每次运行省约 25 美元检索额度（§5.2、图 2）。
• 消融里拆掉分阶段判断（w/o Chain）伤得最重：F1 0.643、成功率 59.3%；拆掉检索类型适配为 0.761 与 66.9%；拆掉结构化书目 API 为 0.773 与 53.2%，说明"能不能判错"和"能不能找回源"依赖的证据不同（表 4）。
• 两个案例显示网页复述不等于存在：标题真、10 个作者里 7 个不在原文 13 人名单里的引用，三个基线都判真，CiteAnchor 判 Fake 并找回源；arXiv ID 指向另一篇论文的引用，CiteAnchor 拒绝匹配并返回 None（§6.2、图 3）。76

77. 分层 RAG 控制编译成两次前向：延迟降 35–41%，动作序列 84–89% 全等 · arXiv:2610.30664 · 精读

• 在 QASPER 的四个 split 上，编译控制与串行控制动作序列完全一致的比例为 84–89%（A 80/90、B 101/120、D 79/90、E 52/60），3B 模型为 87%；输出 token 数为 0（表 1）。
• 每题平均控制延迟：A 0.62→0.40 s、B 0.52→0.32 s、D 0.56→0.36 s、E 0.63→0.37 s，降 35–41%；3B 上 0.53→0.28 s，降 47%（§4.1、表 1）。
• 分歧不是策略差异而是浮点近持平：39 个分歧轮次的槽边距全部 ≤2.5，落在 2ε 翻转窗口内；fp32 重放把 logit 偏差压下 20 倍以上（均值 0.05，p95 0.12），split A 恢复到 89/90 全等（§4.1）。
• 与实际部署的分块引擎（每槽一次前向）同轮对比，三档依次为串行/分块/编译：D 上 0.58/0.37/0.35 s、E 上 0.64/0.40/0.37 s，编译对分块只快 5.4% 与 7.5%（原文概括为 6–7%），两个 split 的 bootstrap 区间都不含零（§4.1；这一轮四臂交错的数与表 1 的 0.56→0.36 分属两次运行）。
• 检索质量基本持平：四个 split、三个预算共 1,080 个格子上，compiled−serial 为 −0.6 点（95% CI [−1.7,+0.5]）；两个新 split 上为 −2.4 点（[−4.9,−0.4]），作者归因于 bf16 近持平（§4.2）。
• 边距闸门能买到完全一致但很贵：θ=2 时 D+E 上 150/150 全等、60% 的轮次回退串行，代价是 0.70–0.71 s，比纯串行还慢（§4.2）。
• 规模扫描给出边界：k=20、n=3 时比串行快 1.3–2.8×（8k token 处 2.8×）；n=4 时 probe 涨到 362 行、3,195 个位置，短 prompt 反而只有 0.4–0.6×，永远追不上分块引擎（§4.4、图 2）。77

78. 合成 0.95 小时微调降 MER 1.88 点，GRPO 只再降 0.03 点 · arXiv:2610.30860 · 邻近跟踪

• 冻结测试集上，零样本基线 23.40% MER、35.89% SPER；仅用 0.95 小时合成语音做 SFT 后降到 21.52% 与 28.77%，即 −1.88 与 −7.12 个百分点（表 1、§5.1）。
• 在 SFT 之上加 GRPO（联合奖励）只到 21.49% MER、28.70% SPER、6.36% 英文脚本混淆，相对 SFT 仅 −0.03、−0.07、−0.09 个百分点（表 1、§5.2）。
• 这 0.03 点的 MER 差距只出现在 10,214 段里的 173 段（1.69%），其余 10,041 段逐字相同；173 段分散在 20 期节目、单期最多 25 段（§5.2）。
• 脚本奖励项本身没有贡献：λ_scr=0 的 S3 与 λ_scr=0.5 的 S4 在开发集上完全相同（18.89% MER、25.53% SPER、5.24% SCR_en），并选中同一个第 50 步检查点（表 2、§5.3）。
• 加 token 级脚本门控反而更差：开发集 MER 从 18.92% 升到 19.14%，SCR_en 从 5.35% 升到 5.75%，作者归因于在借词前缀上过早锁定文字系统（表 2、§5.3）。
• 单语能力有得有失：尼泊尔语 BHASAANUVAD 上 MER 从 20.80% 降到 18.42%（仍有 −2.38 点净收益），英语 LibriSpeech 上 WER 3.33%→3.38%（区间含零），但 MER 4.21%→5.27%、SCR 0.59%→1.03%，是混说先验带来的天城文插入（表 3、§5.4）。78

79. 只在会复用的偏好上提问：APA 用 27.6% 的提问量拿到 84.2% 的收益 · arXiv:2610.31107 · 值得扫读

• 主表上 APA 的净效用 6.755，最强基线"当前任务 VoI（公开信念版）"为 6.664，配对差 0.091（95% CI [0.019,0.174]），但 Holm 校正后 p=0.0615，未过 0.05（表 2、§6.1；区间是未校正的逐项 95% 区间，0.0615 是原始 p=0.0205 在 15 个主对比的 Holm 族里乘 3 后的值，两者口径不同）。
• 穷举式提问拿到最高原始效用 7.263，但问了 13.472 个问题、成本 3.977，净效用掉到 4.918，低于"什么都不问"的 6.289（表 2）。
• 在把每个用户的累计提问成本压到 APA 实际花费后，APA 仍胜过随机（ΔNU 0.521，Holm p=0.0020）、频率（0.355，p=0.0020）、LLM 重要性排序（0.567，p=0.0020）与仅按影响排序（0.072，p=0.0025）（表 2、§6.1）。
• T=20 时，"预算可行且有价值"的初始缺失偏好里有 198/576（34.4%）属于必须靠累计复用才回本的类别；APA 获取了其中 80.3%，当前任务 VoI 只获取 5.1%（10/198），以净效用最大化为目标的上界 oracle（Oracle Future-VoI：可见隐藏答案与真实未来任务序列，用动态规划精确解出问哪些、何时问）也只获取 89/198（44.9%），因为它优化的是联合净效用而不是获取率（表 3、§6.2）。
• 在这批用户上，APA 相对当前任务 VoI 的整段净效用优势 T=20 时为 0.263（Holm p=0.021），T=10 时为 0.148（p=0.074，不显著）；从 T=1 到 T=20 的平均优势从 −0.011 升到 0.175，端点增长 0.186（95% CI [0.057,0.339]，Holm p=0.0330）（表 4、图 5）。
• 选择性提问的效率：默认设置下 APA 只花穷举式提问 27.6% 的提问量（3.717 对 13.472 个），就拿到穷举式相对"什么都不问"的累计任务效用（CTU，未扣提问与披露成本）增益的 84.2%——即 (7.109−6.289)/(7.263−6.289)；换成扣成本的净效用，穷举式 4.918 反而低于不问的 6.289（§6.3、表 2）。
• 消融里预测模块几乎没用：把学到的任务族权重换成均匀先验，净效用从 6.755 变 6.760，校正后不显著（表 5、§8）。79

80. 前向写入原生 n-gram 表：3.5 万次写入不崩，跨位置取用失败 · arXiv:2610.31125 · 邻近跟踪

• 2025 年下半年 64 个新闻事件（DEV64）上，100M token 检查点的"读自己文档的记忆 vs 读空记忆"收益为 0.068 nats/token，"读自己 vs 读别人的"为 0.024；插入 16 篇干扰文章后仍有 0.063 与 0.013（§6、图 2）。
• 七任务链共 35,000 次写入（7 任务×5,000 例），两个 writer 在两套硬件栈上都没有数值失败；写入后各任务精度在剩余链条上的漂移只有 −0.26 个百分点（plain）与 −0.52（delta），对比之下 Adam 表更新是 −7.29 点（§7.1、§7.2）。
• 小 k_i 漂移（头输入处）为 17.9% 与 17.5%，对比 Adam 表的 39.2%；但一般输入的 big-K 漂移是 32.8%，是前作 N-gram 分支的 1.6 倍（§7.3、§8）。
• 漂移集中在少数热行：8 条每个样本都会写的格式 bigram 行，其补丁达到 ‖T0‖ 的 4.4–11.7 倍；把它们清零可去掉数学输入上 98% 以上的第 2 层漂移，同时也去掉了它们的 NLL 收益（§8.2）。
• 代价是几乎学不到新任务：在这些训练时没见过的形态学任务上净获取为 −12/448，已写样例的召回只有 23–25%（§7.2、§7.4）。
• 跨位置使用失败得很彻底：LoCoMo 上把整段对话写进记忆后，self、empty、donor 三种条件下的 F1 都是 0.44（表 8 的 F1 按 0–100 计，即 0.44%），模型对每个问题都输出同一句"No information available"；同一骨干把整段对话放进上下文时 F1 为 56.79（表 8、§7.5）。
• 0.6B 原型给出另一面：用问答目标训练时，第二次写入后仍保住 16/16 个事实（在线梯度写入同表只有 2–4 个），但换成改写问句就掉回空记忆水平（§6.1）。80

81. 真值标到证据跨度上，R-Precision 从 0.77 变 0.94、排名未动 · arXiv:2610.31606 · 邻近跟踪

• 选定配置（384 token、20% 重叠、混合 RRF 加交叉编码器重排）在 18 条查询中 17 条把可接受证据检索进前 3，Recall@3=0.94（§3.3、表 4）。
• 标注扩展把证据跨度从 25 条增到 37 条、可接受 chunk 从 36 个增到 51 个；检索排名完全没变，但 R-Precision、MRR@3、nDCG@3 从 0.77/0.89/0.90 一起升到 0.94（§3.1、§3.3）。
• 四种检索配置的差距集中在排序质量：BM25 0.89/0.61/0.72/0.76、纯语义 0.83/0.56/0.69/0.73、混合 RRF 0.89/0.78/0.81/0.83、加交叉编码器后四项全为 0.94（表 4，顺序为 Recall@3/R-Precision/MRR@3/nDCG@3）。
• 切块大小与重叠都不是单调的：384 token 在尺寸扫里 MRR@3=0.89、nDCG@3=0.90 最高；固定 384 时 0%、10%、20% 重叠的 Recall@3 都是 0.94，20%（77 token）在其余三项最高，15% 反而更低（§3.1、图 2）。
• 生成侧没有一致最优的上下文深度：Contextual Relevancy 从 K=1 的 0.72 一路降到 K=5 的 0.47，Contextual Precision 却在 K=5 最高（0.91），Faithfulness 全程 0.96–1.00，BLEU-4 最高 0.22（K=5），ROUGE-L 最高 0.51（K=1）（表 5、§3.4）。
• 定性案例暴露"命中"与"可用"的差别：Q09 的一号命中讲了活检技术，却没给出所问的对照，真正可接受的对比证据排在第七位（§3.5、§4.1）。81

82. 审计斯洛伐克语 FineWeb2：7 条发现 6 条过阈值，但基线每轮更多 · arXiv:2610.31636 · 精读

• 三次运行分别用掉 197、180、173 次检查（预算 300），产出 2、4、3 条发现；去重后 7 条选择器按文档重叠与嵌套合并成 4 类现象：免费托管子域上的内容农场、捷克语（或捷斯混说）被标成斯洛伐克语、堆关键词的成人垃圾、slo.* 上的机器翻译农场（表 2、§5）。
• 最大的一条是 *.firebaseapp.com 与 *.web.app 上的内容农场：1,408,437 篇文档（5.32%）、2,851 个主机，2023-06 那次抓取里占 38.7%，平均 1,011 词（语料均值 438），贡献全部 running words 的 12.3%；三次运行都独立发现了它（§5、图 3）。
• 盲标结果：7 条里 6 条的人工判定缺陷率在 .53–1.00 之间，25 篇均匀对照为 .08，阈值定在 .5；slo.* 农场只有 .07（1/14），与随机对照不可区分，以 candidate 状态发布（图 4、表 2）。
• 编译后的测试极便宜：7 条选择器全是元数据式，跑完 26,470,482 篇文档只要 0.7 秒墙钟（20 核约 13 秒 CPU），不用 GPU 也不用 LLM；换成同模型逐篇分类是每千篇 3.42 美元，一遍 90,456 美元（原始 token 价 12,309 美元），且每次抓取都要重付（§5、RQ2）。
• 静态策略其实够用：两条捷克语发现 100% 落在 LID-Disagree 切片内，成人垃圾选择器全部落在 n_bad_words≥3（语料 0.39%）的切片内；内容农场是唯一一个静态信号筛不出来的——平均 language_score 0.98、MinHash 簇大小 1.00、87% 的文档三个辅助识别器一致，即便收紧到"分数≥0.9、簇≤2、三者一致"，仍有 1,220,394/1,408,437（86.6%）通过（§5、图 5、图 6）。
• 预算匹配下智能体并不占优：每轮 300 次检查，三次运行各自验出 2–3 条选择器，四条静态基线验出 2–4 条；最好的 LowConf 用 1.03 美元验出 4 条（跨 3 个现象组），比任何一次智能体运行（2.21–2.84 美元、2–3 条）都多（表 3、图 7）。
• 第四个 run（claude-opus-5，协议外）复现了内容农场切片，并报出一条元数据不变式：10,691,128 篇（40.4%）的 language_score 大于 1.0，最高到 1.00001（§5、附录 K）。82

十三、语音修正、恢复与长音频

83. 仅文本修正器改坏自产草稿的 31.9%，带音频降到 2.6% · arXiv:2610.30385 · 值得扫读

• 自纠场景下，仅文本修正把收到的无错草稿改坏 31.9%（合成）/16.3%（RuLibri）/12.8%（医疗），带音频后降到 2.6%/1.0%/2.3%（表 2）。
• 同一场景下修复与损伤同时下降：rep 降 0.15–0.74 pt，dam 降 0.88–2.83 pt，六个区间全部排除零；带音频的模型只是更少动 token（表 2、§4.2）。
• 跨系统场景方向相反：dam 三套语料都降（1.31/0.18/0.71 pt，两个区间排除零），rep 三套都升（+0.09/+0.95/+1.25 pt）；医疗集 rep 从 2.06% 升到 3.31%，相对 +61%（§4.2）。
• 净 WER 上跨系统三套都赢（F−T 的 net = +1.48/+1.18/+1.57 pt，区间均排除零）；自纠在自然语料上测不出净差（+0.45 pt，[−0.13,+1.05]；−0.09 pt，[−1.02,+0.82]）（表 1、表 2）。
• 医疗集上插入项吃掉收益：draft 的插入占参考 token 4.47%，仅文本 cell 降到 3.29%，带音频 cell 仍 4.37%；ins 分量 −1.08 pt 抵掉 rep+dam 的 +0.98 pt，净 −0.09 pt。我按表 2 重算 −0.74+1.72−1.08=−0.10，与原文 −0.09 是舍入差（§4.3）。
• 医疗 draft 的 182 个插入 token 里 77 个是复合词被拆的一半（「post operative」「10 mg」）；仅文本 cell 后剩 40 个，带音频后剩 80 个，且听出来的填充词「uh」从 6 个增到 14 个（§4.3）。
• Voxtral-Small-24B 不复现该模式：其仅文本自纠 fix-rate 只有 1.5–3.8%（Gemini 为 24.2–27.8%），带音频后 rep 在六个对比里全升（+0.24 至 +4.64 pt），dam 方向不一（表 5、§4.6）。83

84. SSL 特征清洗在重降质下与感知质量脱钩，ERI 把 PESQ 提到 2.82 · arXiv:2610.30869 · 值得扫读

• VoiceFixer 官方测试集上 ERI 拿到最高 PESQ 2.82、ESTOI 0.71、LPS 0.92；UTMOS 3.86 排第二（SIDON 3.97）；OVRL 3.10 与 SEMamba++ 持平，低于 SIDON 3.20 与 AnyEnhance 3.14（表 1）。
• 参数量 340M（可训练 24.5M，SEMamba++ 为 2.7M）；单张 RTX 4090 上 RTF 从 0.015 升到 0.020（§5）。
• 同参数量对照（LoRA 的 r、α 加倍并挂到两个 FFN，参数差 <1M）ERI 全面优于无 ERI 基线：SCOREQ 3.97 vs 3.93、UTMOS 4.06 vs 4.03、PESQ 2.50 vs 2.42、LPS 0.90 vs 0.88（表 2，Stage-1 训 500k 步）。
• Stage-1 只训 300k 步（主干未收敛）时 ERI 仍有效：3.95/4.04/2.41/0.89 对 3.88/3.99/2.41/0.88；把 SSL 换成 HuBERT 也保持：3.93/4.03/2.41/0.87 对 3.86/3.96/2.33/0.83（表 2）。
• 设计研究（均 300k 步）：ERI 改取第 1 层降到 3.91/4.03/2.42/0.88；去掉条件融合前的 stop-gradient 降到 3.92/4.02/2.42/0.88；把注入机制换成 AdaLN（32M）得 3.94/4.04/2.43/0.89，与默认 24M 版基本持平（表 3）——作者据此说收益来自注入的中间层特征本身，不是更大容量。84

85. 80 个示例把效价 R² 从 base model 的 0.110 提到 GPT-5 的 0.427 · arXiv:2610.31202 · 邻近跟踪

• 零样本很差：GPT-5 在 MER60 上 R²_A=0.699 但 R²_V=−0.801；Qwen3-Omni 30B 为 0.764/0.037；两者都低于音频基线 SVR 的 0.800/0.270（§1、表 1）。
• 文本 ICL 随示例数总体改善效价，但不是逐档单调：0-shot −0.801 → 5-shot 0.188±0.036 → 10-shot 0.274±0.054 → 20-shot 0.271±0.025 → 40-shot 0.354±0.036 → 80-shot 0.427±0.054（20-shot 比 10-shot 低 0.003，小于后者 ±0.054 的示例抽样标准差）；唤醒度同期从 0.699 升到 0.874（表 2a）。
• MICL 在 10-shot 见顶：0.346±0.046（R²_A 0.768），20/40/80-shot 回落到 0.247/0.245/0.238；作者猜是音频示例把上下文拉长所致（表 3a）。
• 输入消融（文本 80-shot）：只给 base 预测时 R²_V 仅 0.002；作者称音频描述信息量最大、歌词单独贡献很小，三者齐全最好 0.427（表 2b）。MICL 10-shot 下 base 预测主导，最佳组合是 base+歌词 0.346，再加音频描述反而降到 0.263（表 3b、§4.2）。
• 换小模型掉点：文本 80-shot 把 GPT-5 换成 Qwen2-7B / Qwen3.5-122B / GPT-5-mini，R²_V 分别降到 0.164 / 0.285 / 0.317；MICL 10-shot 把 Qwen3-Omni-30B 换成 Qwen2.5-Omni-3B / 7B，降到 0.123 / 0.308（§4.2）。
• 自家 base model（91M，CH818 训练）在 MER60 上 R²_V=0.110、R²_A=0.783；跨到 DEAM 变成 −0.062/0.168（表 1）。85

86. 冻结 LALM 配 FiLM+CfC，mIoU 从 15.80 升到 44.13 · arXiv:2610.31252 · 值得扫读

• MOSS-Audio-8B 上 mIoU 38.52、R@0.5 40.61；对照 direct 15.71/14.79、sliding-window 26.39/14.79、QA-SFT 17.75/18.08（表 1）。
• Qwen3-Omni-30B 上 ρg=0.65 得 42.72，加 refiner 43.20，两套候选池取并集 43.45，并集+refiner 44.13（R@0.5 46.95、R@0.7 22.07）；direct 基线只有 15.80（表 1）。
• 同一张表里对照不弱：LAT-Audio 报 50.00 mIoU、Gemini-2.5-Pro 45.30、Gemini-3.0-Pro 41.00，本文最好的 44.13 低于前两者；作者自己的说法是「在冻结骨干的轻量适配下保持一致提升」（§4.1）。
• 候选池的上限没吃满：Qwen3-Omni 并集池 Top-1 43.45 对 oracle 55.20（R@0.7 21.13 对 38.26），ρg=0.65 池 42.72 对 51.04，MOSS-Audio 38.52 对 46.72；作者据此把候选选择列为瓶颈（表 2、§4.2）。
• 消融（ρg=0.65）：MOSS-Audio 上 FiLM 单独用反而掉（33.85，比两者都不用的 36.29 低 2.44），CfC 单独 37.21，FiLM+CfC 38.52，换成 GRU 掉到 32.00；Qwen3-Omni 上是 35.31 / 38.37 / 42.72，GRU 31.29（表 3）。
• 边界 refiner 的增益要在紧阈值上才看得见：ρg=0.65 池 mIoU 42.72→43.20、R@0.7 19.95→21.13；并集池 43.45→44.13、R@0.5 45.54→46.95（§4.1）。作者也承认 refiner 后 R@0.7 仍低于 QA-SFT（22.07 对 24.50）。86

十四、排除清单与四条线的覆盖说明

• 领域应用与外行场景 8 篇：2610.30170、2610.30660、2610.30902、2610.30909、2610.30971、2610.31003、2610.31113、2610.31506。
• 通用模型方法与训练、推理效率 12 篇：2610.30173、2610.30351、2610.30391、2610.30779、2610.30920、2610.31046、2610.31120、2610.31198、2610.31215、2610.31338、2610.31438、2610.31576。
• 单点安全与行为研究 7 篇：2610.30445、2610.30678、2610.30696、2610.30727、2610.30751、2610.30758、2610.30822。
• 理论、形式化与数学 7 篇：2610.30176、2610.30277、2610.30443、2610.30789、2610.30838、2610.30899、2610.31097。
• 其他领域的专门基准与考试 4 篇：2610.30611、2610.30631、2610.31038、2610.31060。
• 语义、检索与表征分析 4 篇：2610.31005、2610.31062、2610.31146、2610.31429。
• 工程部署与治理流程 3 篇：2610.30760、2610.31519、2610.31553。
• 综述与立场文 1 篇：2610.30436。
• 搜索求解与分类任务 3 篇：2610.31100、2610.31104、2610.31119。
• 神经表征与几何分析 1 篇：2610.30938。
• 其余 5 篇各属一条不相干主线：2610.30663（低资源多语 ASR 的 GRPO）、2610.31041（教育算法漂移）、2610.31239（组合优化的偏好优化）、2610.31248（光伏预测）、2610.31579（人类对自信错误的顺从）。

• 低资源与多语言资源、适配 5 篇：2610.30344、2610.30374、2610.31256、2610.31356、2610.31397。
• 领域基准与专门能力评测 7 篇：2610.30158、2610.30533、2610.30828、2610.30841、2610.31116、2610.31467、2610.31586。
• 模型架构与训练方法 6 篇：2610.30154、2610.30705、2610.31098、2610.31305、2610.31421、2610.31646。
• 单点语言现象与表征分析 10 篇：2610.30682、2610.30715、2610.30778、2610.30934、2610.30960、2610.31017、2610.31193、2610.31407、2610.31520、2610.31620。
• 文化与公平计量 5 篇：2610.30296、2610.30677、2610.30785、2610.30900、2610.31199。
• 安全与护栏 3 篇：2610.30690、2610.30742、2610.31047。
• 评估工具与基准工程 3 篇：2610.30162、2610.30997、2610.31317。
• 语音识别侧 2 篇：2610.31259、2610.31415。
• 社会与人文分析 3 篇：2610.30885、2610.30987、2610.31277。
• 持续学习与遗忘抑制 1 篇：2610.31401。
• 其余 3 篇：2610.30518（PII 决策模型的产品报告）、2610.30676（矩阵扰动对能力轮廓的影响）、2610.31529（知识图谱到文本的生成评测）。