AI 论文早报｜8 月 11 日：5 篇新论文把推理预算、统计可靠性与视觉证据拆成可测变量 (2026)

截至 2026 年 8 月 11 日 07:00（北京时间），本期覆盖 arXiv 详情页记录为 2026 年 8 月 7 日 UTC 的 v1 提交，时间跨度从北京时间 8 月 7 日 19:11 到 8 月 8 日 01:40。5 篇论文分属统计推断、测试时推理、视觉语言评测、测试时训练和代理技能更新；共同点不是都追求更高分，而是把「算力花在哪里」「答案是否真的可靠」「模型是否看到了图像证据」这些容易被总分掩盖的问题拆成了可检查的变量。

今日看点

Fisher-R1 把「结论答对」和「p-value 可信」分开评测：P-Bench 含 425 个开放式假设检验任务；在困难集上，Fisher-R1-7B 的 Strict pass@1 从 Qwen2.5-Coder-7B 的 13.2% 提高到 30.6%。1 2
CoBa 用路由替代平均撒算力：在 3,129 次样本-生成器评估中，CoBa-Routed-Strong 达到 85.13% 宏平均准确率，比自评估加权投票少用 49.1% 参数加权 token；与 Best-of-16 的准确率只差 0.01 个百分点，但成本低 58.9%。3
SABRE 测的是 VLM 是否服从画面，而不是常识：600 张图和 1,000 个问题组成 SABRE-Prior，6 个 VLM 的宏平均准确率只有 17.8% 至 31.3%，平均 22.6%。4
Modular TTT 把测试时训练拆成可组合部件：在 160M 规模的端到端基准中，相比官方 TTT 实现达到约 2.2 至 3.3 倍吞吐；规模化实验训练了 410M 和 1.45B 参数模型、共 100B token。5
SkillProx 给代理技能加上回滚和压缩门：在 Qwen3.6-27B 的 SpreadsheetBench 验证集上，完整方法准确率为 54.5%，去掉闭环诊断降至 53.0%，去掉近端精炼降至 52.0%。6 7

1. Fisher-R1：统计代码跑通，不代表推断可靠

基本信息：Jiacheng Miao、Jin Mu、Guanhua Chen、James Zou；机构包括 Stanford University 和 University of Wisconsin–Madison。论文为 arXiv cs.AI v1，提交时间为 2026 年 8 月 7 日 17:22:00 UTC，即北京时间 8 月 8 日 01:22:00。原文是 Fisher-R1: Training LLM Agents for Reliable Hypothesis Testing，当前页面未提供可直接访问的代码或项目链接。2

问题背景：自动化数据分析代理往往能读数据、写代码、跑出一个 p-value，却可能选错检验方法，最后得到一个看起来合理的错误结论。只检查 reject 或 fail-to-reject 方向，会把这类错误漏掉。

方法要点：论文构建 P-Bench，包含 425 个开放式假设检验任务，覆盖经济学、生物学和医学，任务要求代理自行选统计方法、执行分析、报告 p-value 并给出结论。基准分为 Easy 203 题和 Hard 222 题，覆盖 17 类方法，并加入异常值、异方差、聚类观测和缺失值等数据质量扰动。答案键来自可执行的规范参考分析，而不是生成数据时预设的真实参数。2

Fisher-R1 以 Qwen2.5-Coder-7B/14B 为骨干，先用 3,851 条过滤后的教师轨迹做监督微调，再用 DAPO 强化学习。奖励主要由 p-value 近似度和结论一致性组成，权重分别为 0.9 和 0.1；p-value 被映射到双侧 z-score 空间，避免极小 p-value 区间的分辨率过低。2

Fisher-R1 将统计方法选择、数据异常识别与最终结论放在同一任务中比较 — 图中左侧展示错误的线性回归如何制造 false discovery，右侧展示 Fisher-R1 改用秩检验并正确保留原假设；右侧柱状图同时给出 P-Bench Easy 与 Hard 的对比。2

结果亮点：在困难集的 Strict pass@1 上，7B 骨干从 13.2% 提升到 30.6%；这个指标同时要求结论方向正确，且 p-value 在 z-score 空间接近规范答案。论文摘要还报告，Fisher-R1-14B 相对 DeepSeek-V4-Pro 的单次成功率平均相对提高 21%，最难任务最高提高 26%。1 2

证据边界与阅读价值：P-Bench 的答案键依赖规范统计程序，Strict 也因此更接近「是否复现参考分析」，不等于现实研究中所有科学判断都已被自动验证。论文还使用合成训练任务和有限的领域场景，方法选择本身没有被直接奖励。若你在评估数据分析代理，最值得借鉴的是把 p-value 的数值可靠性和结论方向拆成两个指标；只看最终结论，会系统性高估代理能力。

2. CoBa：下一单位算力该生成、验证，还是停止

基本信息：Yan Zhou、Yue Ouyang、Kaiyang Zheng、Suncheng Xiang；作者行保留了机构上标，但原文 HTML 未展开机构全称。论文为 arXiv cs.AI v1，提交时间为 2026 年 8 月 7 日 17:12:13 UTC，即北京时间 8 月 8 日 01:12:13。原文是 CoBa: Cost-Effective Test-Time Scaling via Compute-Balanced Routing。3

问题背景：测试时扩展通常沿一条轴线加预算：多采样、延长思维链，或让更强的评估器检查更多答案。在固定预算下，这些动作互相竞争；对已经稳定的样本继续采样，和对缺少正确候选的难题反复验证，都是浪费。

方法要点：CoBa 把推理看成逐步算力分配。系统先生成少量候选，再用答案频率和轻量模型广泛检查；不确定或潜在价值更高的候选才进入强验证器。路由控制器在生成、轻量验证、强验证和停止之间选择，CoBa-Routed-Strong 最多生成 8 个候选，并把排名靠前的 4 个送入强验证。8

CoBa 在准确率和参数加权成本之间形成一条逐级路由曲线 — 上图显示，从 Greedy 到 CoBa-strong，准确率随成本增加；CoBa-strong 进入与 Self-eval、BoN-16 接近的准确率区间，但相对参数 token 成本更低。8

结果亮点：实验覆盖 MATH-500、AIME 2024、AIME 2025、AMC 2023 和 Reasoning Gym，共 1,043 个独特样本，由 Qwen3-14B、Phi-4-reasoning 和 Qwen3-8B 作为生成器，形成 3,129 次样本-生成器评估。CoBa-Routed-Strong 的宏平均准确率为 85.13%，自评估加权投票为 85.20%，但参数加权 token 少 49.1%；相对 Best-of-16，准确率为 85.13% 对 85.12%，成本少 58.9%。8

配对检验提供了另一层边界：Best-of-16 仍保留 0.70 个百分点的微弱优势，95% 置信区间为 [-1.25, -0.16]，但其参数加权成本是 CoBa-Routed-Strong 的 2.43 倍。AIME 2025 上，CoBa-Routed-Strong 为 71.1%，Greedy 为 53.3%，但池中正确候选的 oracle 上限为 83.3%，说明路由不能弥补生成阶段没有产生正确答案的问题。8

证据边界与阅读价值：当前实验集中在竞赛数学和程序性符号推理，控制器也依赖轻量验证器提供的置信度信号。它支持的是「在候选池质量尚可时，按不确定性分配验证预算」，不是所有 agent 任务都能用同样规则降本。读这篇论文时，重点看 AIME 2025 的 oracle gap：它清楚地告诉你，何时应把下一次计算花在生成新候选，而不是把旧候选评得更深。

3. SABRE：让 VLM 回到图像，而不是回到常识

基本信息：Zixuan Lan、Luzhe Sun、Matthew R. Walter、Jiawei Zhou；机构包括 University of Chicago、Toyota Technological Institute at Chicago 和 Stony Brook University。论文为 arXiv cs.CV、cs.AI、cs.CL v1，提交时间为 2026 年 8 月 7 日 17:21:04 UTC，即北京时间 8 月 8 日 01:21:04。原文是 SABRE: Scalable and Automated Benchmarking of VLMs under Stress，项目页为 SABRE。9

问题背景：现有视觉基准很容易被模型做熟，分数上升却不一定说明模型真的读取了画面。SABRE 关注更窄的问题：当图像与模型从常识中学到的默认预期冲突时，模型会不会相信眼前的证据。

方法要点：用户先用 Markdown Test Primer 写出任务设计、数据 schema 和问题格式；流水线把它转成结构化样本规格，生成或编辑图像，再用 Filtering VLM 丢弃过于容易的样本。通过筛选的样本还要经过人工检查，确认视觉证据存在、编辑正确、问题无歧义，必要时只修复局部图像。

SABRE 从任务规格生成图像和问答，再用模型压力筛选与人工复核构建基准 — 图中把 Test Primer、样本规格、图像生成/编辑、Filtering VLM 和人工复核串成一条可刷新流水线；它对应的是基准如何被构造，而不是某个模型的答案。9

SABRE-Prior 包含 Context、Texture、Attribute 和 Language Elicitation 四个子集，共 600 张图、1,000 个问题和 400 个 case。前两个子集要求 Base 与 Edited 图像上的四个 yes/no probe 全部答对，Attribute 是计数题，Language Elicitation 是四选一，正确答案可能是图像无法支持的 unknown。9

结果亮点：6 个 VLM 的宏平均准确率为 17.8% 至 31.3%，平均 22.6%。Context 最难，没有模型超过 10%，平均约 4.2%；这说明「把意外对象放进熟悉场景」比单纯识别物体更能暴露视觉证据使用问题。对 Qwen 3.5 27B，VCD 和 SoM 没有稳定修复效果：原始模型宏平均为 23.0%，加入 VCD 后为 19.5%，加入 SoM 后为 16.8%。9

作者还用 20 个真实图像 Attribute control 检查生成图像伪影：生成图像版本的准确率为 26%，真实图像 control 为 30%。两者都低，支持困难主要来自视觉证据与先验冲突，而不是生成图像本身。9

证据边界与阅读价值：SABRE 的固定基准仍只覆盖有限任务规格，且论文测试的是指定日期可用的 6 个 VLM，不等于对所有视觉模型的排名。它最适合拿来做回归测试：当模型在常规 VQA 分数上升时，用一组可持续刷新、专门制造先验冲突的样本检查它是否真的看图。

4. Modular TTT：把测试时训练变成可拆的计算图

基本信息：Bohao Tang、Zhen Qin、Yuqi Pan、Zheng Li、Pengfei Liu、Ya Zhang；作者来自 Shanghai Jiao Tong University、Shanghai Innovation Institute 和 ByteDance Seed。论文为 arXiv cs.LG、cs.CL v1，提交时间为 2026 年 8 月 7 日 11:11:43 UTC，即北京时间 8 月 7 日 19:11:43。原文是 Modular TTT: Rethinking Test-Time Training as Composable Modules，代码为 ByteDance-Seed/Modular-TTT。10

问题背景：TTT 把序列建模视为在线学习，用 fast weights 在处理上下文时更新内部状态。问题在于，每个 TTT 变体往往单独实现，研究者很难判断收益来自损失函数、学习率、衰减、归一化，还是 fast-weight 网络本身。

方法要点：Modular TTT 把内部学习器表示成有向无环图，显式暴露 fast-weight 网络、loss、learning rate、weight decay 和 normalization 等设计轴。Linear、Gate、Norm、Act、Add、Mul 等 primitive 各自提供 train-view forward、train-view backward 和 query-view forward 规则，再自动组合成完整的状态更新。

Modular TTT 用一个 token-mixing block 和三次 pass 组合出测试时训练计算 — 左侧是模型中的 Modular TTT token mixer，右侧依次展示 train-view forward、train-view backward 和 query-view forward；绿色虚线表示 fast-weight cache 的读写。10

结果亮点：系统消融显示，small-lr 初始化、weight decay 和单层非线性有帮助；MSE 与 inner-product loss 表现接近；更深的 fast-weight 网络和 normalization 往往带来更大激活并损害表现，residual connection 与 gating 没有可测的稳定收益。解析 backward operator 相比完全依赖自动微分，在 Linear 和 Norm primitive 上分别达到 1.65 倍和 2.62 倍加速；端到端吞吐相比官方 TTT 实现约提升 2.2 至 3.3 倍。10

作者据此训练了 410M 和 1.45B 参数模型，使用 100B token；训练损失和下游 benchmark 与 Gated DeltaNet 相当，但没有全面超过所有强基线。RULER 长上下文评估也显示，较长上下文下 LLaMA 的精确回忆更强。10

证据边界与阅读价值：这篇论文的主要贡献是把 TTT 变体变成可比较的实验空间，而不是证明更深的内部学习器必然更好。性能仍依赖初始化、衰减、loss 和非线性选择，长上下文精确回忆也有明显边界。若你要实现 TTT，先用它的消融结果缩小设计空间，再决定是否承担更复杂 fast-weight 结构的工程成本。

5. SkillProx：代理技能需要回滚，也需要删减

基本信息：Mingxuan Zheng、Yujin Zhou、Chuxue Cao、Boqin Yin、Yuyao Zhang、Jiapeng Sun、Shuaishuai Gong、Sirui Han、Yike Guo；原文作者行给出机构上标，但 HTML 页面未展开机构全称。论文为 arXiv cs.AI、cs.CL v1，提交时间为 2026 年 8 月 7 日 17:40:33 UTC，即北京时间 8 月 8 日 01:40:33。原文是 SkillProx: Self-Evolving Agent Skills via Proximal Textual Gradient Descent。7

问题背景：代理可以把反复任务中的做法写成文本 skill，不必修改模型权重。但如果每次失败都直接追加或改写规则，skill 会越来越长，重复、冲突和只适用于单个任务的指令也会一起累积。

方法要点：SkillProx 分成两步。前向阶段在同一批任务上重新执行候选修改，只有硬准确率和平均 cell 准确率都不下降才提交，否则回滚，并把失败原因送回下一轮诊断。后向阶段把 skill 拆成可审计知识单元，用冻结验证集做 leave-one-out utility audit，再对低效单元做合并、降级或删除；每次收缩还必须让文本变短且通过验证门。

SkillProx 将训练批次上的闭环更新与验证集上的近端收缩放进同一流程 — 前半段的 Forward gate 负责拦截当前批次上的退化修改，后半段的 Backward Prox 负责压缩技能并通过 validation gate 提交；两条路径解决的是不同时间尺度的累积问题。7

结果亮点：论文在多个 Qwen3.5/3.6 backbone 和 SpreadsheetBench 上比较手写 skill、LLM 生成 skill 以及其他自进化方法。摘要报告，SkillProx 比最强的梯度式基线平均提高 3.0 个百分点；在 Qwen3.6-27B 的验证集上，完整方法为 54.5%，只保留 Prox 为 53.0%，只保留闭环前向更新为 52.0%。7

跨域结果提供了更有用的检查：WikiTQ 上，4B 和 3.5-27B 的最佳结果分别为 78.5% 和 86.8%；HiTab 上，4B 和 3.6-27B 分别为 69.2% 和 80.0%。但论文的详细案例也提醒，单个 seed 的改进不能直接当作平均处理效应，冻结 utility audit 只用了 20 个验证任务。7

证据边界与阅读价值：前向门只保证当前训练批次不退化，不能保证全局验证集或测试集单调变好；近端精炼的门控也不是连续空间里的严格 PGD 收敛证明。实现时还要承担冻结审计和候选试行的额外评估，复杂度随知识单元数和验证集规模增加。若你在做可持久化 agent memory，SkillProx 的可迁移部分不是「让 skill 自己变长」，而是把写入、回滚、审计和删除都纳入可观察的验证环。

一句话收束

5 篇论文分别把一个容易被总分掩盖的问题固定下来：Fisher-R1 检查 p-value 是否跟得上结论，CoBa 检查下一单位算力该投向哪里，SABRE 检查模型是否服从画面，Modular TTT 检查测试时更新由哪些部件组成，SkillProx 检查文本技能能否在不受控增长前被回滚和压缩。决定是否深读时，可以先问三个问题：论文测的中间变量是否贴近你的任务，比较是否包含成本或强基线，限制是否已经触到你的部署条件。

AI 论文早报｜8 月 11 日：5 篇新论文把推理预算、统计可靠性与视觉证据拆成可测变量