8月13日论文雷达：11篇直接命中、13篇邻近，先看技能为何反噬

如果只读 9 篇

先把方法差异看清

技能从哪里来，也可能在哪里出错

自校正至少有三种不同问题

长期记忆的收益要同时看污染、迁移和成本

四条 TTS 路线没有同一把尺子

一、11 篇直接命中

1. Self-Evolving Embodied Agents via Skill-Harness Evolution

• 入口：公众号 NLP 第 6 条 · arXiv 2608.11350
• 研究问题与方法：SHAPER 面向无法做 SFT/RL、没有模型权重访问、低层 API 又受限的具身智能体。它冻结 VLM 规划器与执行器，只演化文本技能和负责组织历史轨迹的 context-code harness；rollout 之后由回合级评判器和总结器形成「文本梯度」，再做两阶段演化、沙盒校验和 top-K 选择。
• 结果与证据：VLABench 四个划分总体成功率 34.50%，Seed Agent 为 28.25%，同数据 SFT 为 24.00%；最难的 C4 仍只有 19.5%。ESI-Bench 231 题子集上 Micro/Macro 为 49.8/42.9，Seed Agent 为 32.5/31.2。两个基准、多种对照和成本披露使证据较强，但 GPT-5 的外部数字不是配对比较。
• 局限、复现与关系：演化成本随目标环境 rollout 增长；arXiv 未列公开代码、数据或权重。它最适合无权重访问场景，与 SpeedRunner 的持久技能库互补。结论：精读。

2. Better, Faster, Stronger: Programmatic Skill Learning Best Reduces Agent Cost

• 入口：公众号 NLP 第 5 条 · arXiv 2608.11338
• 研究问题与方法：SpeedRunner 让执行器在 wake 阶段使用当前技能库产生轨迹，再让编码型归纳器在 sleep 阶段查询完整历史、聚合错误和调用栈，增删改带文档的程序函数。技能区分 public/private 可见性，并限制技能库增长。
• 结果与证据：ScienceWorld、BabyAI、Crafter 各做 200 次纯在线 rollout，每 10 次运行一次归纳器；论文报告它在三个基准上取得最好的性能-成本权衡，也是对照中唯一随训练降低成本的方法。证据覆盖三基准和 OPO、ASI、Voyager 等基线，但主结果只使用一个模型配置，且论文没有给出一个可跨基准解释的汇总提升数。
• 局限、复现与关系：依赖强编码模型分析轨迹，技能库还需容量治理；arXiv 未列公开代码。它回答「如何从持续轨迹维护程序技能库」，SHAPER 回答「如何在冻结模型上做测试时演化」。结论：精读。

3. Diagnosis Before Recovery: Turning Agent Failures into Selective Self-Correction

• 入口：公众号 NLP 第 39 条 · arXiv 2608.11772
• 研究问题与方法：DARC 把恢复拆成失败模式、该模式允许的干预集合，以及按成本排序的短路部署策略。诊断在任务族层面冻结，部署时按序尝试干预，成功即停止，而不是无条件追加更多上下文。
• 结果与证据：DeepSeek-V4-Flash 在 ALFWorld valid-unseen 上达到 90.30%，Base 为 39.55%、ACE 为 54.48%；ALFWorld 每回合环境步从 Base 的 34.56 降至 15.83，无效动作从 1.288 降至 0.091。消融中，正确诊断的 macro 成功率 91.94%，通用或错配干预都为 52.24%，说明收益不只是「多试几次」。
• 局限、复现与关系：任务族级诊断不是在线逐例路由；在部分 AppWorld 配置上 ACE 可匹敌或超过 DARC。arXiv 未列公开代码。它比通用反思更接近可部署的恢复控制层。结论：精读。

4. ExRole: From Team Trajectories to Executable Roles in Multi-Agent Language Models

• 入口：公众号 AI 第 16 条 · arXiv 2608.11949
• 研究问题与方法：ExRole 把团队轨迹编码成 30 维行为特征，预测下一动作、未来证据效用和最终回报，再用 K-means 形成角色原型，解析为 Researcher、Coordinator、Verifier 等可执行指令，并可绑定共享或角色路由 LoRA。
• 结果与证据：MuSiQue 上 ExRole-Shared 的 EM/F1 为 31.5/43.2，相对单智能体搜索提升 15.0/14.4 点；2WikiMultiHopQA 上 ExRole-Routed 为 50.0/59.7，相对单智能体搜索提升 13.5/16.1 点。对照包含无角色、手工角色、随机角色和打乱角色，证据中强。
• 局限、复现与关系：只验证多跳问答，任务域外角色迁移未知；K-means 和支持阈值会影响角色库。arXiv 未列公开代码。它把轨迹学习从「学技能」扩展到「学分工」。结论：精读。

5. Towards the Harness of Embodied Agents

• 入口：公众号 AI 第 46 条 · arXiv 2608.11246 · 官方代码
• 研究问题与方法：Thea 不是单一评估器，而是一套具身智能体管控系统：场景图提供结构化环境上下文，评估结果作为退出码，再接工具协议、技能、记忆与安全组件，使长程任务能检查、重试和恢复。
• 结果与证据：90 个真实机器人轨迹检查点上，三态评估平均准确率 93.3%；错误集中在把失败或进行中判成成功，没有把真成功判成失败。用论文实测评估准确率 0.93、单步成功率 0.8 和最多 5 次重试代入后，五步任务完成概率从开环 0.33 升至管控下 0.91。真实机器人实验覆盖三种机器人、三档任务长度，并与 ACT、π0.5、CaP-X 和 SayCan 对照。
• 局限、复现与关系：最危险的错误恰是「假成功」；定量范围仍只有三种机器人和三档任务。官方仓库已发布。它给长程具身系统补上了明确的结束判定与恢复接口。结论：精读。

6. Harnessing agent memory to build lifelong AI partners for materials scientists

• 入口：公众号 AI 第 57 条 · arXiv 2608.11224
• 研究问题与方法：论文把科研智能体在一次任务中形成的 facts 和 skills 分开存储，用 mem0、Qdrant 与 Neo4j 构成跨会话记忆；模型参数保持冻结，研究经验还能迁移给其他模型。
• 结果与证据：MatTools 的 49 问、138 子任务上，GPT-5.2 成功率从 44.2%升至 75.4%，GPT-5.4 从 66.7%升至 88.4%。13 个 VASP/LAMMPS 工作流从第一轮到第三轮，token 由 17.90M 降至 8.96M，工具调用由 1038 降至 481；但成功任务数是 10/13、11/13、9/13，并非随记忆单调增长。强模型记忆迁移给小模型可大幅增益，反向迁移可能中性甚至有害。
• 局限、复现与关系：证据集中在计算材料域，错误证据可能被长期传播；原文未提供公开代码仓库。它是本批终身记忆实证最完整的一篇，也明确暴露了负迁移。结论：精读。

7. EvoGraph-Mem: Failure-Aware Editable Graph Memory for Long-Term Language Agents

• 入口：公众号 AI 第 65 条 · arXiv 2608.11248
• 研究问题与方法：EvoGraph-Mem 针对错误和过时记忆持续污染后续决策的问题。图节点携带正负证据和激活状态，检索先扩展相似子图，再按效用减成本排序；控制器执行 Keep、Archive、Revise、Add，而不是只追加。
• 结果与证据：PDDL、HotpotQA、FEVER 三项平均分上，GPT-4o-mini 为 47.47，G-Memory 为 43.23，相对提升 9.81%；Qwen2.5-7B 为 42.66，对 G-Memory 的 40.90 提升 4.30%。消融显示 archive 有独立贡献，完整图控制器最好。
• 局限、复现与关系：依赖事后反馈，噪声会导致错误编辑；GPT-4o-mini 和 Qwen2.5-7B 的 token 消耗相对无记忆分别高 73.0%和 72.7%。原文未报告代码。可迁移的工程结论不是「图一定更好」，而是长期记忆需要归档和修订语义。结论：精读。

8. CookVoice: Unified Framework for Style Controllable Multi-Modal Human Voice Generation

• 入口：公众号语音第 1 条 · arXiv 2608.11590 · 演示页
• 研究问题与方法：CookVoice 把内容、韵律和风格解耦，用 Flow-Matching DiT 统一 TTS、文本到歌声、风格控制、声音模仿、声音转换和编辑。模型 43.51M 参数，训练数据约 168 小时、6361 名说话人。
• 结果与证据：MOS 为 3.98±0.97，真人为 4.05±0.92，基线为 4.03 至 4.42，因此它的感知质量是接近而非领先；风格与连续韵律条件下 S-SIM 为 91.65，最强 TTS 基线 Vevo2 为 75.11。RTF 0.04，4 至 8 个 ODE 步即可推理。
• 局限、复现与关系：数据和模型规模较小，只覆盖人声；目前只有演示页，未见代码或权重。它的优势在轻量统一控制，不应被写成音质 SOTA。结论：值得扫读；多角色配音需求可精读。

9. Luna-TTS Family Technical Report

• 入口：公众号语音第 2 条 · arXiv 2608.11593
• 研究问题与方法：共享 0.6B 主干的两个变体覆盖非自回归整句扩散和块自回归/块扩散流式合成。训练约 100 万小时中英日韩语音，再做高质量退火、表达性持续预训练、块适配，并用 GRPO 按内容正确性和说话人相似度对去噪轨迹分组排序。
• 结果与证据：Seed-TTS-Eval 上，非流式模型中文 CER 0.73、英文 WER 1.49；CV3-Eval 中日韩韩平均错误率 4.32。实时变体首个 1.28 秒块延迟 41.6ms、RTF 0.0240，但 hard-zh/hard-en 错误率 12.56/13.98，明显高于非流式的 6.90/6.18。
• 局限、复现与关系：技术报告没有披露训练语料、权重或代码发布，100 万小时数据门槛很高；实时性与难例准确率存在明确交换。它是本批 TTS 技术路线最完整的一篇。结论：精读。

10. Confucius4-TTS: Transcript-Free Cross-Lingual Zero-Shot TTS with a Learnable Speaker Encoder

• 入口：公众号语音第 3 条 · arXiv 2608.11650 · 官方代码与检查点
• 研究问题与方法：两阶段 T2S+S2A 架构使用可学习说话人编码器和 w2v-BERT 2.0 自监督表示，不需要参考音频转录。约 50 万小时真实与合成多语语音覆盖 14 种语言。
• 结果与证据：CV3-Eval 六个跨语言方向平均 WER 3.73%，其中四个方向最低；明细包括 en→zh 6.16、ko→zh 1.28、zh→en 3.19。内部人评的跨语言总排名也最好，但内部集的外部可比性较弱。
• 局限、复现与关系：延续克隆提高说话人相似度，却会稍微抬高错误率；流式低延迟仍是未来工作。代码、检查点和演示均已发布，是本批最适合先复现的 TTS 工作。结论：精读。

11. Phoenix TTS: High-Fidelity Synthesis and Voice Conversion via Flow-Matching-Driven Speech Tokenization

• 入口：公众号语音第 4 条 · arXiv 2608.11737
• 研究问题与方法：Phoenix 用流匹配信号直接监督单码本语音 tokenizer，再由自回归模型和流匹配解码器统一零样本 TTS 与声音转换。训练数据约 11 万小时中英语音，包含公开集和专有有声书。
• 结果与证据：在三个公开测试集上，合成语音经 ASR 测得的词错误率低于真人录音；这里指客观 WER，不是主观音质更优：LibriSpeech-PC 为 1.94，对真人录音 2.06；SeedTTS-EN 为 1.56，对 2.06；SeedTTS-ZH 为 1.16，对 1.26。主观 SMOS 约 4.09 至 4.10，零样本 VC 不需任务专用微调。
• 局限、复现与关系：系统依赖 25Hz 帧率对齐和预训练 Waveform VAE，mel prompt 帧率不匹配会明显变差；原文未报告公开代码。它与 Luna 的扩散 LM、Confucius 的跨语言克隆形成清楚的方法对照。结论：值得扫读。

二、13 篇邻近跟踪

1. InfraBench: Evaluating Infrastructure Agents Across Layers, Lifecycle, and Risk

• 入口：公众号 AI 第 2 条 · arXiv 2608.11234 · 任务与评测工具
• 连接点与证据：15 种智能体-模型配置的平均有效分约 40%至 88%，但最强配置也无法全满分；逐检查点计分暴露出非持久变更、破坏分布式不变量、不安全副作用和残留状态。它把「短期达标不等于长期健康」变成可测变量。任务、榜单和评测 harness 公开；预印本证据覆盖真实基础设施任务，但配置内标准误仍有 6 至 12 分。结论：邻近跟踪。

2. Retry, Switch, or Abstain? Learning Strategy-Aware Tool-Use Policies via Controlled Error Injection

• 入口：公众号 AI 第 10 条 · arXiv 2608.11977
• 连接点与证据：BENCH2ROBUST 把原本无故障的工具基准改造成可控制可解性的随机环境，分别要求重试、切换或路径耗尽后停止。Bayesian Tool Memory 在 held-out Retail 上最多提高 16.8 个百分点；与课程 RL 组合后，故障注入场景达到 40.8%至 45.5%，同时保持无故障性能。覆盖 7 个模型、4 个家族和两类多轮基准，但 arXiv 未列代码。结论：邻近跟踪。

3. Benchmarking LLM Judges for Mobile Agent Evaluation

• 入口：公众号 AI 第 29 条 · arXiv 2608.11434
• 连接点与证据：MobileJudgeBench 包含 931 条人工标注轨迹、6 个移动智能体基准、4 种智能体和 68 个应用。一个使用采样截图的简单评判器常能追平或超过复杂管线；评判器基准质量还能预测智能体排序保真度及其作为在线 RL 奖励时的下游效果。不同 LLM 骨干呈现相反的保守/宽松失败型态。代码未在 arXiv 页列出。它说明轨迹评判器必须按用途验证。结论：邻近跟踪。

4. CoAdapt-GUI: Joint Workflow Context and Policy Adaptation for Unseen GUI Applications

• 入口：公众号 AI 第 33 条 · arXiv 2608.11588
• 连接点与证据：有限目标交互预算、没有目标示范时，CoAdapt-GUI 从自身 rollout 和奖励同时适配工作流上下文与 LoRA 策略。工作流只保留可迁移程序、失败模式和验证规则，剔除源应用界面状态。AndroidWorld-Generalization 从 Policy-Only TTA 的 37.5%升至 45.0%，AndroidWorld Plus 从 38.6%升至 52.9%。两套未见应用评测有说服力，但代码未披露。结论：邻近跟踪。

5. Learning from Online User Feedback for Shopping Agents

• 入口：公众号 AI 第 34 条 · arXiv 2608.11604
• 连接点与证据：LOFA 把可验证购买结果上的 RL 与反馈感知 on-policy distillation 结合，识别对话中的用户指令并转成稠密 token 级监督。可迁移价值在于「稀疏结果+嘈杂自然反馈」的双信号学习，不在购物领域本身。摘要只报告相对强基线持续改善推荐、帮助性和满意度对齐，没有给出具体数字；代码也未披露，因此证据暂为中弱。结论：邻近跟踪。

6. Agent Skills Can Be Harmful: An Empirical Study of Skill-Induced Failures in LLM Agents

• 入口：公众号 AI 第 40 条 · arXiv 2608.11888
• 连接点与证据：论文用目标技能 run 与无技能或语义匹配技能 run 做差分归因，在 SkillsBench 和 SWE-Skills-Bench 得到 307 个技能诱发问题：125 个功能失败、182 个效率回退。功能失败往往不是明显无关技能造成，而是看似相关的技能误实现或漏掉任务要求；效率回退中，过度验证 67 例、重型实现流程 30 例。代码未在 arXiv 页列出。它是 SHAPER 和 SpeedRunner 必须配套阅读的反面证据。结论：邻近跟踪，优先级接近精读。

7. The Sleeping Agent: What Gist-Based Context Compression Loses and Why

• 入口：公众号 AI 第 74 条 · arXiv 2608.11775 · 官方代码与结果
• 连接点与证据：LoCoMo 十段对话的 1935 题显示，主旨压缩优于截断的多跳和单跳事实题，却明显损伤时间题。把压缩提示只改一句，时间表达保留率从 3.05%升至 62.39%，实体和事件保留几乎不变；匹配集时间题评判准确率提高 0.314。公开代码有利于复现，但研究只有一种压缩框架和单一作者。它给长期上下文压缩提供了可定位、可修的失败机制。结论：邻近跟踪。

8. Beyond Single-Turn Confidence: Trajectory-Adapted Uncertainty Quantification for LLM Agents

• 入口：公众号 NLP 第 11 条 · arXiv 2608.11552
• 连接点与证据：论文在 5 个 LLM、BFCL-v4 与τ²-bench 的 4 个多轮工具数据集上比较动作 token 概率、重采样轨迹一致性和模型自评。token 概率对跨轮聚合器高度敏感；反思式自评通常是最强低成本基线；黑盒轨迹等价性和动作集一致性通常最强。摘要未给统一数值，代码未披露。它提醒单轮置信度不能直接套到长轨迹。结论：邻近跟踪。

9. Reinforcing Step-level Reasoning for Effective Self-Correction in LLMs

• 入口：公众号 NLP 第 12 条 · arXiv 2608.11573
• 连接点与证据：SFS-DPO 先做步级偏好优化，再显式训练自验证与自校正；SFS-DPO-R 进一步加入教师对错误验证的解释。论文报告跨模型、域内和域外都优于既有步级训练基线，并提高纠错频率和有效性，但摘要没有提供关键绝对数或代码链接。它与 DARC 的区别是训练阶段塑造纠错能力，而非部署阶段选择恢复干预。结论：邻近跟踪。

10. Total Recall at What Cost? Benchmarking the Serving Cost of Agentic Memory Systems

• 入口：公众号 NLP 第 40 条 · arXiv 2608.11879
• 连接点与证据：论文比较 Mem0、Hindsight、Mastra Observational Memory、固定窗口和全量重发，覆盖两个骨干、最长 400 轮对话及 665 个 LoCoMo 问题。只用对话长度和消息大小预测记忆成本，会有 18%至 69%的误差；有的系统几十轮就比全量重发便宜，有的到 400 轮仍不划算，准确率则横跨 21%至 54%。代码未披露。它要求记忆选型同时画成本和准确率两条轴。结论：邻近跟踪。

11. Dialogue-Aware Video-to-Music Generation Using Public Domain Film Collections

• 入口：公众号语音第 6 条 · arXiv 2608.11576 · OSSL-v2 数据
• 连接点与证据：OSSL-v2 包含 34343 个公共领域电影片段、246.4 小时，避免仅存 YouTube 链接导致的数据腐烂。方法给视频交叉注意力加时间轴，并用对话轨逐帧调制，在公共领域与商业电影测试上都优于 SOTA 基线；摘要未给绝对指标。它只连接到视频播客配乐和对话条件音频，不是播客生成。数据已公开，模型代码未说明。结论：邻近跟踪。

12. MuseCritic: Learning Multi-Aspect Song Rewards through Natural-Language Aesthetic Critiques

• 入口：公众号语音第 8 条 · arXiv 2608.11755 · 官方代码
• 连接点与证据：MUSECRITIC 先由教师生成五维自然语言审美评论做 SFT，再用模型自己的评论训练连续奖励，减轻训练与推理分布偏移。SongEval 200 首歌上 macro-MSE 从 0.2875 降至 0.2316，LCC/SRCC/Kendall τ为 0.9068/0.8838/0.7178；Music Arena 733 对偏好上准确率 71.35%。作为 GRPO 奖励还能提升 Muse-0.6B 的九项指标。代码已发布。对 TTS 或播客的价值是「评论作为奖励中间表示」，不能直接搬用歌曲美学分数。结论：邻近跟踪。

13. Do Text-to-Music Models Really Follow Instructions? A Counterfactual Evaluation of Key and Beat Grouping

• 入口：公众号语音第 9 条 · arXiv 2608.11899
• 连接点与证据：同一个随机种子下，每组输入包含不提目标属性的 neutral 版本和互换目标的两个版本，用来区分「属性自然出现」与「指令造成改变」。ACE-Step 1.5 和 Stable Audio 3 Medium 有实质调式控制，LeVo2 没有；Stable Audio 3 在 neutral 输出中四拍比例 0.97，显式要求四拍后反而只有 0.56，说明高命中率主要来自先验。外部识别器、盲评和多 seed 哨兵支持归因；代码未披露。这个反事实设计可直接迁移到 TTS 风格、韵律和播客结构遵循评测。结论：邻近跟踪。

三、研发判断落点

• 技能上线前至少做三种对照：有技能对无技能、目标技能对语义近邻技能、成功率对执行成本。否则「技能相关」和「技能有用」仍被混为一谈。
• 恢复策略应把诊断、干预与退出分开：DARC、BENCH2ROBUST 和 Thea 分别覆盖失败归因、工具路径选择与完成判定；无差别重试或追加上下文无法替代这三层。
• 记忆不是免费压缩器：材料科学终身记忆展示了真实收益，也出现第三轮成功率回落；EvoGraph-Mem 提高任务分数却增加约 73% token；Total Recall 进一步证明服务成本取决于内部行为。评估必须同时记录准确率、写入/检索开销、跨模型迁移和错误传播。
• TTS 选型先按约束筛，不按单一榜单排：追求流式延迟看 Luna-TTS，优先可复现看 Confucius4-TTS，关注统一 TTS/VC 表示看 Phoenix，关注小模型细粒度控制看 CookVoice。训练数据规模和公开程度决定了四条路线的复现代价完全不同。
• 生成式音频评测要增加反事实和解释层：MUSECRITIC 展示「自然语言批评→奖励」，文本到音乐反事实评测展示「neutral+目标互换」。对播客生成可迁移的不是音乐指标本身，而是可归因的评测结构。