长轨迹先变成状态，评测再把成本停在中途：9 月 3 日 19 篇论文雷达
本期从 9 月 3 日两个指定公众号栏目收录 19 篇论文，重点比较长程轨迹状态化、步级证据监督、反馈驱动自进化与方向跟随 TTS 的方法、证据和复现边界。
9 月 3 日早间批次的两个指定栏目，一共带来 61 篇 NLP 论文和 6 篇语音与音频论文。逐条核验后，本期收录 19 篇：NLP 15 篇，音频 4 篇。NLP 栏目的候选池只来自《自然语言处理学术速递[9.3]》，音频候选池只来自《语音与音频学术速递[9.3]》。arXiv 原文和论文明确链接的官方代码、项目、数据页只用于核验，不用于扩展候选池。
本批最值得先读的线索有三条：Trace as State 把已生成的轨迹放到长上下文之前；PRO-Step 把检索轨迹的每一步同时交给逻辑有效性和证据接地两个评分器；User Feedback Provides a Unique Signal that LLMs Can not Detect 则提醒，自动评分模型（下文简称 LLM judge）可能系统性漏掉真正由反馈带来的修复。音频侧出现 1 篇 TTS（text-to-speech，文本转语音）直接命中，核心问题是怎样用伪三元组获得可扩展的方向跟随数据；其余 3 篇分别落在听觉评测、音频文本资源和自动混音，适合迁移评测方法。本批没有播客生成或播客评估论文。
先看哪几篇
表中的“真正改动的位置”决定了论文之间能不能直接比较。这里的 harness 指连接模型、工具、环境状态和结果反馈的执行框架；它与模型权重本身分开记录。模型权重、harness、环境、轨迹表示、评测协议和音频数据各自回答不同问题；同一个成功率或 F1 不能把这些层合并成一个结论。
四个容易混淆的比较
轨迹变成状态，和轨迹变成训练信号，是两件事
Trace as State 采用固定模型推理流程，没有训练新的策略。论文先用同一个问题得到 5 条推理轨迹，把轨迹序列化后放进长上下文之前，再让模型重读；它比较的是
Trace as State=[T,x,q] 和 Trace Append=[x,T,q]。在 3 个模型、3 类长上下文任务的 27 组“模型×任务×指标”组合里，前者赢了 26 组。GraphWalks 的 Parents exact match 里，DeepSeek V4 Pro Preview 从首遍的 29.2% 到 Append 的 43.0%，再到 as State 的 81.8%；GLM-5.2 从 66.4% 到 83.2%，再到 100.0%。这条结果支持的是轨迹作为条件状态的摆放方式，轨迹本身没有进入策略参数更新。PRO-Step 则改变了训练信号：它训练生成式过程奖励模型，用价值树搜索构造优劣步偏好对，再做步级 DPO。两篇论文都使用“轨迹”，但一个改输入状态，一个改每一步的奖励与偏好信号。研发复现时需要分别记录序列化位置、额外推理次数、PRM 的标注来源、树搜索预算和策略更新。
闭环在在线学习什么，也要把词说准
CORAL 每 3 天运行一个 cycle，保存最近 3 个 cycle 的 observation、assessment 和 decision，让 LLM 通过工具提出推荐资源分配方案，再由数值优化器和安全护栏投影到可行域。两个生产案例取得了在线 A/B 结果，但模型参数没有更新。它是上下文内的持续调优 harness，属于执行框架层的闭环。
User Feedback Provides a Unique Signal that LLMs Can not Detect 研究了反馈能否让修订器发现自己看不见的问题，也没有提出一个在线权重更新算法。论文真正改变的是修订输入和评测方式：反馈帮助模型修复事实、因果和逻辑问题，而默认 judge 经常偏好修复前的版本。把这两篇都叫“自进化”会掩盖最有用的差异：一个在生产环境里让决策闭环运行，一个证明反馈信号本身值得进入闭环。
评测降本不能只报少了多少 token
EarlyEval 训练轻量成功/失败分类器，在每个任务中途达到阈值就停止执行。它在 SWE-bench Verified、TerminalBench 和 Toolathlon 上报告了 13%–26% 的步数节省，输入 token 最高减少 44.1%，输出 token 最高减少 29.4%，预测准确率为 89%–97%。同时，per-agent resolve rate 的平均偏差只有约 0.9–2.1 个百分点。论文没有直接报告美元节省；文中引用的全量评测价格只是 OpenHands Index 的成本例子。
这类结果要和任务完成率、错误漏停、恢复成本和 wall-clock time 一起看。提前停跑改变的是评测协议，不能直接写成 agent 本身变强。论文提供了EarlyEval 官方仓库，适合先复现阈值校准，再检查跨 scaffold 泛化。
音频链路至少分四层
本批音频论文正好落在四个不同层面：方向跟随 TTS 改生成器与训练数据；AIB 改音频理解评测；SonicCaps 改音频文本资源与检索训练；Understanding Automatic Mixing 改音频后期生产与听测协议。它们都能帮助播客系统研发，却分别回答“能不能生成”“听见了什么”“能不能找到素材”“成品是否好听”。WER/CER、UTMOS、MOS、说话人相似度、检索 R@k 和最终行动各自的验收对象不同。本文把伪三元组定义为由修改前语音、修改后语音和自然语言方向组成的训练样本。
长程智能体：先检查状态，再检查证据
CORAL：线上 A/B 证明了闭环有用，尚未证明它能脱离监督
CORAL: An LLM-Native Harness for Production Recommender Systems 的作者是 Muhammad Rafay Azhar、Yuhang Zhou、Gilbert Jiang 等（Meta AI）。论文把线上推荐系统写成带预算约束的部分可观测优化问题：LLM 通过 analysis、retrieval、attribution、constrained optimizer 和 apply 工具提出调整，数值优化器把超预算建议投影回可行集，护栏负责可行性与安全约束。
第一个案例是视频服务检索预算分配。zero-shot 轮次的 watch time 提升 0.13%，第二轮过度校正后效果中性，第三轮部署后 watch time 提升 0.15%，全量用户 sessions 提升 0.16%，最大市场 sessions 提升 0.77%，且 serving cost 没有增加。低信号新用户的视频观看 sessions 提升 0.23%。第二个案例是用户分段的服务容量分配：第一轮节省数百万美元级年化容量支出，扩展分段后节省再增加 44%，参与度没有显著变化。
每个 cycle 约调用 8–10 次 LLM，每次几千 token；论文把一次决策周期的推理成本估为数十美元量级，成本按周期计算，按用户计的成本没有报告。论文的强证据来自线上 A/B，而不是离线 benchmark；局限也同样具体：系统仍在人类监督下运行，案例集中在受约束的推荐资源分配，部署前缺少标准化评测方法。论文没有报告代码仓库。
来源：公众号 NLP 条目 · arXiv 原文
Grounded, Compute-Efficient LLM Policy Agents：安全门卫比让 LLM 直接控电网更重要
Grounded, Compute-Efficient LLM Policy Agents for Energy-Poverty Equity in Physically-Constrained Peer-to-Peer Energy Markets 的作者是 Kunal Jadhav、Siddhesh More（Arizona State University）。EqGrid 让低频 LLM 政策 agent 设置电价、碳价边界和定向补贴，高频多智能体强化学习交易者清算连续双向拍卖；IEEE-33-bus 电网和 Dynamic Operating Envelopes 负责物理约束。关键设计是“LLM 设定价格和补贴边界，validate-and-project grid gate 校验并投影到电网可行域”；电网门卫负责执行物理约束。
无政策、规则基线和 LLM 政策的能源负担 Gini 分别是 0.351、0.330 和 0.305；从无政策到 LLM 政策时，平均能源负担从 0.247 降到 0.177。日均社区成本从无政策的 €148.0 降到 LLM 政策的 €120.3，相对无政策节省 €27.7，95% CI 为 [24.9, 30.4]，p<0.001；相对规则基线节省 €15.4，95% CI 为 [9.3, 21.4]，p=0.001。5 个 seed 的统计还报告了 Gini 降幅 0.046，95% CI [0.013, 0.079]。
模型压缩实验显示，激活参数约 3B 的 Qwen3-30B-A3B 保留约 95% 的 LLM 政策收益，能耗约为 235B 参数 teacher 模型的九分之一；0.8B 模型保留约 92%，每次决策估算能耗为 0.011 Wh。这个结果来自单一 IEEE-33-bus 馈线上的一个代表性冬日单日仿真；补贴采用无资金上限设定，能耗是根据激活参数和 token 数估算，论文没有给出硬件实测。论文称发表后发布代码与配置，当前没有具体仓库链接。
来源：公众号 NLP 条目 · arXiv 原文
NS-Copilot：专业角色、重试次数和容器化决定了闭环能不能复现
NS-Copilot: An LLM-Driven Agent System for Autonomous Neuroscience Analysis 的作者是 Wuche Liu、Yiran Qiao、Linlin Hou 等（凯斯西储大学等）。系统把任务拆给 Planner、Coder、Controller 和 Interpreter：Planner 选择主指标与预训练模型队列，Coder 在沙箱中执行 Python，Controller 在诊断后选择 Modify 或 Replan，默认最多重试两轮，Interpreter 生成报告与局限。
三个任务分别是 AD（阿尔茨海默病）分类、PD（帕金森病）分类和工作记忆神经元 spike 解码；数据来自 OpenNeuro 的两个数据集与 DANDI。每个任务运行 8 次。AD 的 Macro F1 为 57.16±5.71，高于 Claude-Sonnet-4.5 的 48.70 和 Codex 的 51.01；PD 的 balanced accuracy 为 71.32±2.97，高于两个代码 agent 基线的约 65.5；工作记忆 spike 解码的 balanced accuracy 为 74.43±3.18，高于 Claude 的 73.97 和 Codex 的 72.58。按这三个任务各自的主指标比较，系统均超过所列代码 agent 基线；工作记忆任务的 AUROC 是另一项指标，Claude 的 83.89 高于系统。
实验使用 GPT-5.2 驱动的角色编排，数据与环境通过 Docker、
run_test.sh 和 setup.sh 固定；单次闭环成本约为单步 Codex 基线的 1.5–2 倍。证据仍受垂直领域限制：每个场景只有一个数据集，系统没有独立 validator agent。论文没有报告外部代码仓库，补充材料和容器脚本是其复现入口。来源：公众号 NLP 条目 · arXiv 原文
Trace as State：26/27 组合胜出，代价是再跑一次推理
Trace as State: Reasoning Traces as Conditional States for Long-Context Transformers 的作者是 Xu Zou、Jie Tang。论文先为同一问题生成 5 条首遍轨迹，再把轨迹
T 截断到前 50,000 个字符，比较轨迹放在长上下文 x 前面还是后面。测试覆盖 Qwen3.7 Max、DeepSeek V4 Pro Preview、GLM-5.2，以及 GraphWalks 256K、MRCRv2 8-needle 和 NUB-1M Season 2。27 组组合中，Trace as State 有 26 组优于 Trace Append。GraphWalks Parents exact match 的三模型变化分别是 DeepSeek 29.2%→43.0%→81.8%、GLM 66.4%→83.2%→100.0%、Qwen 60.8%→71.0%→96.4%，顺序都是首遍、Append、as State。论文给出了上下文预算和序列化方法，却没有报告代码链接。
这个方法要求系统能取到原始推理轨迹，且会增加一次推理的延迟和 token 成本。把状态放到原上下文之前也会降低多轮场景的 KV cache 复用；论文只测了 3 个模型和 3 类长上下文任务，尚未覆盖多轮 agent 任务。结论适合迁移到长轨迹重读，不宜直接写成轨迹学习或策略更新。
来源：公众号 NLP 条目 · arXiv 原文
轨迹学习与证据边界
PRO-Step：把“检索错但答对”从成功率里剥出来
PRO-Step: Step-level Process Reward Optimization for Retrieval-Augmented Generation 的作者是 MinKeon Kim、Namjun Lee、Jaekwang Kim（成均馆大学）。论文针对结果级奖励的一个具体漏洞：模型可能检索了错误文档，却碰巧生成正确答案。作者训练生成式 PRM，让模型先写 rationale，再同时判断每一步的逻辑有效性和检索文档证据接地；PRM 再引导价值树搜索构造兄弟节点偏好对，最后用步级 DPO 更新策略。
训练 PRM 使用 2,000 道 HotpotQA 和 MuSiQue 种子题、31,728 条轨迹和 109,664 个步级决策；策略优化使用 5,000 道多跳题，构造 15,877 个偏好对。QwQ-32B 负责标注，500 个样本与 Claude Opus 4.7 的审计 κ 为 0.6104。价值树搜索的关键预算包括 branching=3、最大深度 7、64 次迭代，DPO 使用 β=0.1。
五个基准的平均 EM/F1 是 34.5/44.1，单跳 PopQA 为 40.5/47.4，HotpotQA 为 38.7/51.6，2WikiMultiHopQA 为 44.1/51.4，Bamboogle 为 36.8/47.6，MuSiQue 为 12.5/22.4。各数据集的最高分归属并不一致：MuSiQue 比 StepSearch 低 1.3 EM；Bamboogle 只有 125 个测试例，与 ReasonRAG 的差异不显著（p=0.66）。作者尝试用 PRM 反馈引导重生成，相对于不采用这一步的对应策略，跨报告数据集平均下降 10.7 EM、9.8 F1，因而弃用。
论文提供了PRO-Step 官方仓库。复现时最值得保留的是“逻辑有效性”和“证据接地”两个独立评分维度，以及失败的 PRM 反馈重生成对照；只复现最终 EM/F1，会丢掉这篇论文真正解决的问题。
来源：公众号 NLP 条目 · arXiv 原文
Learning Evidence Sufficiency Boundaries：证据够了才回答，够多了还要保持答案
Learning Evidence Sufficiency Boundaries for Selective Answering in Grounded Multi-Hop QA 的作者是 Haruto Sato、Yuki Tanaka、Ren Nakamura 等。Evidence Sufficiency Boundary Training 把同一个问题的上下文排成四级：无支持、部分支持、最小充分和冗余充分。模型在边界前学习弃权，在证据首次充分时切换到回答，在冗余证据增加后保持答案稳定。
作者用三个多跳 QA 构造 2,400 个问题族；每个问题族包含按证据量递进的上下文样本，共 9,600 条证据链样本和 4,800 条带标准答案的正答样本，在 Qwen2.5-3B-Instruct 上做 LoRA 训练。flip accuracy 衡量模型能否在证据从不足变为充分时从弃权切换到回答，数值为 0.807，高于 token 级弃权基线的 0.781；边界前弃权率 0.934，边界后稳定性 0.719，gated F1（把弃权与回答一起计入的任务 F1）为 0.726。外部不可答集的无据回答率是 0.095，低于 SEAL 式的 0.101、R-Tuning 式的 0.163 和 answer-only 的 0.778。
模型只有一个正式训练 seed，论文没有给出 seed 数值；训练和无据判定也主要依靠自动流程。方法在 post-boundary stability 与 raw QA F1 上落后某些 token 级基线，适用边界最清楚的场景仍是带显式支持事实的短答 QA。论文没有报告代码链接。
来源：公众号 NLP 条目 · arXiv 原文
Cite or Decline：部署日志里，课程隔离比打分微调更关键
Cite or Decline: A Strict Course-Grounded Chatbot for STEM Lecture Videos 的作者是 S M Masrur Ahmed、Jaspal Subhlok（休斯敦大学）。VideoPoints 平台在 2026 年 2 月 23 日至 5 月 26 日部署 93 天，覆盖 8 门课程、96 个视频和 570 个章节。系统先做课程过滤，再混合 dense、BM25 和章节摘要先验，回答附可点击时间戳引用；没有匹配证据时，系统倾向于拒答。
833 条消息中，587 条带引用，覆盖率 70.5%，4,109 次引用事件没有跨课程指向。无引用的 246 条消息中，82.1% 显式拒答。离线 EduVidQA real-world split 上，完整设计的正确课程检索率为 0.747，纯 dense 为 0.684；时间戳命中率为 0.457 对 0.402。去掉课程隔离后，视频级检索命中率（video hit）从 0.747 降到 0.569，下降 17.8 个百分点。
这组证据把生产部署和受控检索测试接在一起，但带有引用不代表引用事实已经被人工确认，也不代表用户真的播放了视频。真实部署没有埋点响应延迟，引用支撑和拒答恰当性主要由 LLM 辅助审计；单一机构、单门大课占 78.8% 消息，外部效度有限。论文把整套回答与摘要调用的总边际 API 成本估为约 100 美元（回答约 55 美元、摘要约 45 美元，含开发阶段，按整套部署估算），未报告代码链接。
来源：公众号 NLP 条目 · arXiv 原文
HyGRAIL：先让图模型分诊，再把模糊假设交给 LLM
HyGRAIL: Cost-Aware and Evidence-Grounded Scientific Hypothesis Discovery over Knowledge Graphs 的作者是 Yihang Sun、Zhihan Zhu、Zhiyuan Jiang 等（伊利诺伊大学香槟分校）。异构 GNN 先给知识图谱中的候选假设打分，只把经过校准的模糊区间路由给 LLM；LLM 看到的是候选两端的节点证据和多跳关系路径。
MatKG 子图约含 3,000 个节点，正负比按 1:20 模拟稀疏发现。最佳 R-GCN+Qwen3-4B 的 F1 为 0.429，比最强先前基线高 0.242；分诊让 LLM 调用率平均下降 54.36%。证据消融显示，默认预算下 Qwen3-4B 的 F1 从 0.415 提升到 0.460；继续增加证据量并不稳定。与单侧证据配置相比，双端证据让 Qwen3-14B 的 F1 提升 0.222，让 Qwen3-4B 提升 0.152。
论文没有报告代码链接。闭世界链接预测把未观测边当负样本，预定义假设类型和证据边集合也限制了跨知识图谱迁移；“证据越多越好”在这组实验里没有成立，读者应优先检查证据选择规则，而不是只看调用率。
来源：公众号 NLP 条目 · arXiv 原文
PaperCompiler：把论文证据保留到仓库级规范里
PaperCompiler: Faithful Paper-to-Code Generation via Repository-Level Specification Compilation 的作者是 Yunhao Liu、Hong Phuc Pham、Jaehong Yoon（南洋理工大学）。系统分三步：先把论文变成带来源登记的实现蓝图，再编译成文件级契约和架构，最后按依赖拓扑生成仓库。证据登记把内容分为论文支撑、推断、外部委托和未解决四类。
Paper2CodeBench 包含 ICLR、ICML、NeurIPS 2024 各 30 篇论文。在基线生成与 PaperCompiler 的对照中，reference-based fidelity 从 3.647 提升到 4.152，相对提升 13.8%；评测器标出的高严重度问题比例（evaluator critiques）从 13.2% 降到 6.1%。论文没有建立完整实验结果复现或可执行性保证；图表信息可能在文本解析中丢失，专有 API、模拟器和未公开 benchmark 仍是缺口，也没有报告代码链接。
这篇论文对长程 agent 的连接是把中间计划变成可审计状态，而非训练出更强的策略。它适合和 Trace as State 放在同一张机制图里比较：前者固定轨迹在模型输入中的位置，后者固定实现意图在仓库中的位置。
来源：公众号 NLP 条目 · arXiv 原文
评测成本与自进化信号
EarlyEval：让失败尽早退出，但要把漏停写进账本
EarlyEval: Cheaper Agent Evaluation via Early Outcome Prediction 的作者是 Yuling Shi、Zhensu Sun、Junsen Dong 等（上海交通大学等）。系统用行为特征、文本 TF-IDF/SVD 和参考答案特征训练一对 LightGBM 成功/失败分类器，使用 Platt 校准和双阈值；当任一分类器达到阈值，当前任务就停止执行。分类器训练不改变被测 agent。
实验覆盖 SWE-bench Verified 的 500 个 GitHub issue、TerminalBench 的 89 个 shell 任务和 Toolathlon 的 108 个工具任务，共 7,805、6,757 和 7,116 条轨迹，合计 21,678 条，固定随机种子 42。SWE-bench 在 0.95 阈值下准确率为 95.0%，步数减少 26.0%，输入 token 减少 32.7%，输出 token 减少 28.7%；Toolathlon 在 0.90 阈值下输入 token 减少 44.1%，输出 token 减少 29.4%。
论文还报告了 per-agent resolve rate 的偏差：SWE-bench 平均下降 1.1 个百分点，TerminalBench 跨同模型与 scaffold 的偏差约 2.0–2.1 个百分点，Toolathlon 为 0.9 个百分点。阈值需要按 benchmark 校准；success precision（被预测为成功的轨迹中真正成功的比例）在 TerminalBench 跨 scaffold 测试的 0.85 阈值下为 69.0%。论文没有直接报告美元节省，代码与数据入口见EarlyEval 官方仓库。
来源：公众号 NLP 条目 · arXiv 原文
User Feedback Provides a Unique Signal：judge 可能漏掉反馈带来的修复
User Feedback Provides a Unique Signal that LLMs Can not Detect 的作者是 Shachar Don-Yehiya、Leshem Choshen、Omri Abend。论文用 Arena-Hard-v2.0 的 500 个硬提示构造四类损坏：因果反转、关键遗漏、实体或主语替换、逻辑算子反转；反馈分为直接给修法、只指出问题、只说错误三类。自然语料来自 ShareLM 对话，并用 Qwen3-30B-A3B-Instruct 抽取可执行反馈。
有反馈时，Gemini-3-flash-preview 大修订器在合成数据上的成功率是 95.6%，无反馈时是 86.3%；Qwen3-8B 小修订器是 77.9% 对 42.7%。自然语料上，Gemini-3-flash-preview 是 89% 对 70%，Qwen3-8B 是 53% 对 26%。作者还发现，默认 Gemini-3.1-Pro judge 在“只有反馈才能修好”的子集上，偏好有反馈版本的比例为：合成数据中 Gemini-3-flash-preview 修订器 54.6%、Qwen3-8B 修订器 80.9%；自然语料中两者分别为 34% 和 54%。
这组数字把一个常被忽略的控制组放回了自进化评测：修订器确实修复了什么，judge 是否能认出来。主文主要覆盖数学与代码域，全面人工成对标注没有完成，修订可能引入回归；论文没有报告代码链接。后续评测应增加无反馈控制、用户反馈控制、独立人工验收和回归检查，不能只用一个 LLM judge 的成对偏好。
来源：公众号 NLP 条目 · arXiv 原文
Untangling the Mechanisms：最容易误导模型的线索，往往最少出现在答案里
Untangling the Mechanisms of Misleading Context in Medical Question Answering 的作者是 Robin Linzmayer、Noémie Elhadad（哥伦比亚大学）。MedMisBench 医学推理子集有 8,627 道题，论文比较“伪造证据”和“没有支撑、直接指向错误选项的裸断言”两类误导上下文，并测试两个开放推理模型与一个只提供最终答案、隐藏内部推理轨迹的 frontier（前沿）模型。
三个模型对裸断言都更容易上当：R1-14B 的错误采纳率高 10.5 个百分点，OSS-120B 高 19.7 个百分点，GPT-5.4 medium 高 27.2 个百分点。误导线索在开放轨迹中披露 81%–98%，在可见回答中只有 7%–90%；在 5% 假阳性率下，带轨迹的 LLM monitor 捕获 78% 的腐化决策，最佳回答-only 配置最多捕获 32%。
机制分析显示，伪造证据较早进入并累积，裸断言更接近结论才重定向答案。监测研究只用了 40 条静默轨迹和一个按内容来源标记区分的测试单元；任务是单轮多项选择，误导线索是合成并固定位置注入。论文没有报告代码链接。对长程 agent 来说，最可迁移的结论是把证据回返和轨迹监控当作独立验收信号，最终答案只能覆盖过程验收的一部分。
来源：公众号 NLP 条目 · arXiv 原文
其余 NLP 论文：保留连接点，不把近邻写成命中
NE-R1：让 NER 模型学习“什么时候值得检索”
NE-R1: Enhancing Named Entity Recognition Model via Reinforcement Learning 的作者是 Meixuan Chen、Hehan Li、Ruizhi Zhao 等。Qwen2.5-7B 先通过多任务指令初始化，再用 GRPO 学习：参数知识足够时直接输出，不足时生成实体中心查询并取外部检索结果。奖励同时包含实体级 micro-F1、检索收益和格式。
在 OntoNotes 5.0、MIT-Movie、MIT-Restaurant、GENIA 上平均 F1 提升 2.52；CrossNER 五域零样本平均提升 1.18，但 Music 域下降 1.92。模型在 OntoNotes 的检索率为 14.25%，GENIA 为 52.18%；MIT-Movie 上比 always-retrieve RAG 的推理延迟约低 55%。这是“检索决策学习”的领域近邻，不是通用长程轨迹学习。实时多源搜索使精确复现不稳定，论文没有报告代码链接。
来源：公众号 NLP 条目 · arXiv 原文
A Tri-Agent Framework：澄清能力的 judge 只验证了一个指标的 50 例
A Tri-Agent Framework for Evaluating and Aligning Question Clarification Capabilities of Large Language Models 的作者是 Yikai Zhao、Saurabh Pandey、Pradeep Kumar Misra（Amazon）。QCA 处理歧义问题，RA 模拟合作、含糊或对抗用户，EA 作为 LLM judge 对整段对话评分；供应链域合成数据把原问题到目标问题做成歧义梯度。
200 段对话的总体任务成功 OTS 为 0.87，平均 4.83 轮，AH-DA 为 0.92，提问相关性为 4.48/5。EA 只在 50 段对话、单一指标 AH-CC 上做人工验证，Pearson r=0.87；多标注者一致性和全指标验证仍是未来工作。它适合当作交互评测 harness 近邻，不能给长程 agent 提供已验证的通用 judge。论文没有报告代码链接。
来源：公众号 NLP 条目 · arXiv 原文
Efficient GUI Agents：四轴综述把成功率之外的成本摊开
Efficient GUI Agents: A Systems Survey of Observation, Memory, Action, and Runtime Optimization 的作者是 Bizhe Bai、Jiakang Yuan、Hongming Wu 等（复旦大学等）。综述从观察效率、上下文与记忆效率、动作效率、规划端和系统运行时四个方向整理 GUI agent 方法，重点指出选择性读取、可恢复记忆、verification-aware 控制和混合运行时的共同趋势。
这篇综述没有新的统一量化实验，论文也没有报告代码或数据链接。它与 EarlyEval 的连接是把评测成本扩展到观察、记忆、动作和运行时，而不是把所有成本折成 token 数；证据只到摘要级，建议作为背景索引和术语入口。
来源：公众号 NLP 条目 · arXiv 摘要
音频：TTS 是直接命中，其余三篇补齐验收链
Scalable Direction-Following TTS：先用声线印象制造伪三元组
Scalable Direction-Following TTS via Voice Impression-Guided Pseudo Triplet Construction 的作者是 Kenichi Fujita、Yusuke Ijima（NTT）。任务是：给定参考语音和自然语言表演指示，生成保持文本与说话人身份、只改变风格的新语音。作者用零样本 TTS 对同一句话生成两个风格变体，再用 13 维声线印象向量估计变化，把变化交给 Qwen3-Next-80B-A3B-Instruct 生成自然语言方向，最后用 rectified flow matching 训练方向条件风格精调器。
伪数据来自 1,600 个说话人、每人 10 句和 10 个变体，共 16 万对；经过 ECAPA-TDNN 余弦 0.80–0.95、语速比 0.85–1.15 过滤后，保留 74,619 对、350,617 条伪三元组和 127.6 小时数据，另有 2 名职业声优的 8.9 小时真实录音。测试使用 4 个说话人、每人 15,000 句和 50 条 GPT-5.2 生成方向；客观指标包括 ECAPA 说话人相似度、UTMOSv2 和 LLM 方向分，主观指标包括 SMOS 和 AlignMOS。
主观表按“见过的说话人 / 未见过的说话人”分别报告 SMOS（说话人相似度主观评分）和 AlignMOS（方向遵循主观评分）。Recorded 条件的 SMOS 是 2.67/2.63，AlignMOS 是 3.50/3.48；Pseudo-all 条件的 SMOS 是 3.54/3.24，AlignMOS 是 3.08/3.18；Full 条件（伪数据与真实录音合用）的 SMOS 是 3.35/3.22，AlignMOS 是 3.22/3.32。结果支持“两源互补”，也暴露了一个重要边界：印象估计器同时参与数据构造和评测，LLM 方向对齐分是诊断代理，应作为代理指标理解；伪数据的 F0 变化也比职业录音保守。论文只覆盖日语内部数据，代码未报告；论文明确链接了TTS demo。
与播客的连接是按导演指示重读台词、统一多人声风格和做局部语音编辑，迁移时仍需增加长段落连贯性、上下文人物关系和最终听者验收。论文没有播客数据。
Auditory Illusion Benchmark：音频模型像不像人，先看它会不会被错觉影响
Auditory Illusion Benchmark for Large Audio Language Models 的作者是 Hayoon Kim、Eunice Hong、Kyogu Lee（首尔国立大学）。AIB 覆盖音乐、声音和语音的 10 种听觉错觉，包含 10,385 个错觉刺激和 4,444 个匹配控制刺激；20 名具有绝对音高的听者提供人类参考。
论文区分 HLA（与人类主流回答一致率）、RA（与物理真值一致率）和 ISI=HLA−RA。ISI 需要和控制刺激准确率一起读，否则恒答错觉答案的模型也可能获得高分。10 个模型里，Audio Flamingo 3 的平均 ISI 最高为 0.455，仍不足人类参考的一半；Gemini 3.1 Pro 在知识先验型错觉上的 HLA 为 0.707。提示措辞变化最多可让 ISI 偏移约 0.6。
这是音频理解和感知评测近邻。HLA（与人类主流回答的一致率）、RA（与物理真值的一致率）和 ISI=HLA−RA（听觉错觉敏感度描述量）共同组成评测口径；ISI 需要和匹配控制刺激的准确率一起读。它给播客质检的迁移点是：加入匹配控制、人工听者基线和“模型是否复现人类偏差”的独立维度。数据与代码见AIB 官方仓库；样本主要来自 20 名绝对音高听者，ISI 仍是描述性指标。
SonicCaps：字幕多样性可以改善检索，字幕质量仍要单独验收
SonicCaps: Large-Scale Diverse and Fine-Grained Captioning for Improved Audio-Retrieval 的作者是 Zineb Lahrichi、Marc Ferras、Gaël Richard、Geoffroy Peeters。数据集把约 700k 个音频片段与约 15M 条字幕配对；音频来自 FreeSound、AudioCaps、BBC Sound Effects 和 AudioSet Strongly Labeled。每个音频有 main、rephrased、rephrased-short 和 tags 四类文本，Qwen3-Omni 同时读取音频与文本生成字幕。
最佳 SonicCLAP_AR 在 AudioCaps-Val 的 T2A（text-to-audio，文本检索音频）R@10（前 10 个结果中的召回率）为 91.3，基线 LAION-CLAP 为 75.8；A2T-any（audio-to-text，音频检索文本，允许任一正确文本）R@10 为 86.3。零样本 ESC-50 的最高 R@1 为 89.4，FoleyBench 的最高 R@5 为 25.6，而 LAION-CLAP 为 9.14。25 名参评者的成对 MOS 评测显示，SonicCaps main 在完整性、正确性、合理性和质量四个维度上优于 AudioCaps 人工字幕、FreeSound 原始字幕和 WavCaps；论文还报告 SonicCaps 字幕与 CLAP 分数的 MOS 对齐相关性可以从 LAION-CLAP 的 ρ=-0.07 提升到 Ours(2) 的 ρ=+0.32。
这篇论文属于音频文本资源与检索评测近邻：它可迁移到播客片段或音效素材检索，但没有 TTS 或播客生成实验。字幕仍可能幻觉，极相似音色仍有冗余；自动 CLAP 分数也不能替代听感。论文明确提供的资源入口是SonicCaps 数据集，公开版音频受许可限制。
Understanding Automatic Mixing：把“成品好不好听”拆成可检验的阶段
Understanding Automatic Mixing: A Subtask-Oriented Analysis of Two-Stage Mixing System 的作者是 Jinjie Shi、Wei Hua、Kunzhu Xie、Make Li、Yuchen Liu、Joshua Reiss。论文用“分组→组内处理→组间混音”的两阶段框架做分析，把全混音质量拆成可比较的子任务。实验使用 Cambridge Multitrack Library 的 3 段流行/摇滚片段，研究者招募 26 名听者，19 人完成全部实验，按隐藏重复试次信度 Pearson r>0.75 后保留 18 人、1,170 个评分，并用配对检验与 FDR-BH 报告 q 值、效应量和样本量。
在第一项实验中，ELL（规则式组内平衡）的 61.08 与 MEGAMI（生成式效果嵌入）的 55.47 差异没有显著性，MEGAMI 的 55.47 高于 Diff-MST（可微混音台参数预测）的 21.36，差异达到显著。第二项实验里，MEGAMI 的 7-group 评分 65.39 高于 4-group 的 50.59；第三项实验里，2S-MEGAMI 和 2S-Diff-MST 中的 2S 指显式两阶段版本，前者的 61.57 高于单阶段 MEGAMI 的 54.65（q=0.0426），后者的 28.69 高于 Diff-MST 的 19.44（q=7.25e-4）。
论文的迁移价值在评测设计：NoMix 对照、隐藏重复试次、听者信度阈值和 FDR-BH 都可用于播客成品评测。研究对象是自动混音，实验只覆盖 3 段密集流行/摇滚片段，听者多有制作经验，分组仍由人工规则执行。代码和音频示例见TwoStageMixingAnalysis 项目页。
研发检查表
把本批论文放到同一张研发检查表里，问题会比“哪个分数最高”更具体：
- 状态在哪里？ 长轨迹是放在上下文前、上下文后，还是压缩成可恢复的状态？系统需要记录额外推理次数、缓存复用、token 和恢复成本。
- 信用给到哪一步？ 轨迹训练是否同时检查动作逻辑和证据接地？PRM 的标注者、树搜索预算、偏好对构造和失败重生成都要单列。
- 闭环究竟改了什么？ CORAL 改 harness，NE-R1 改权重和检索决策，EarlyEval 改评测协议；三者不能写成同一种自进化。
- 成功能否在重复运行中保留？ 生产 A/B、合成环境、单一 seed、单一 judge 和人工听测的证据强度不同；至少保留冻结控制、重复运行、失败复现和回归任务。
- 证据不足时怎样停？ 选择性回答要测边界前弃权、首次充分时回答和边界后稳定性；部署系统还要测课程/域隔离、引用支撑、拒答恰当性和响应延迟。
- 音频验收看哪一层？ TTS 至少拆说话人保持、自然度、方向遵循与听者 MOS；长音频或播客还要加入段落连贯、事实定位、最终理解和用户行动。一个 WER、一个 MOS 或一个 LLM judge 都覆盖不了整条生成链。
本批直接命中的 TTS 只有方向跟随 TTS；本批没有播客生成或播客评估论文。对播客系统最现实的迁移路径，是把 TTS 的可控生成、SonicCaps 的素材检索、AIB 的控制刺激和自动混音的听测协议分别接入生产链，再用最终听者或用户任务验收整段成品。
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.