本期从 arXiv recent 的 2026 年 8 月 20 日分组精选十二篇论文；所选论文详情页的 v1 版本日期均为 2026 年 8 月 19 日。阅读目标不是替读者下结论，而是把值得继续精读、复现或跟踪的信号拆成方法、条件、证据和限制。

本期判断：模型能力正在从「会不会生成」转向「能不能把中间选择、证据、环境、接触和约束显式化」。十二篇论文把训练环境、长上下文信用、机器人经验、技能选择、视觉证据、医疗数据、分子合成和检索编织成可检查接口。

头条

一、自我改进的下一步，是让环境也跟着模型变 SPADE：自博弈生成可执行训练环境

认知提取

论文摘要

• 论文把一个 LLM 分成两个角色：Environment Designer 生成完整的长程环境、状态转移、奖励和验证代码；Reasoning Agent 在有无特权提示的两种条件下解决环境。原文
• 环境设计器的奖励来自「有提示」与「无提示」的回报差距。差距越大，说明任务对 Agent 仍有学习价值，但又没有完全不可解。
• 训练覆盖 games 与 tool-use 两个设置，并在数学、科学、代码和推理等八个留出基准上评估；总参数三十 B、激活参数三 B 的模型相对最强固定环境基线平均提升五点三分。
• 工具使用设置中，BFCL-v4 multi-turn 提升五点七分，ACEBench-Agent 提升十三点九分；这些数字来自论文各自的评测协议，不等于所有 Agent 任务的普遍提升。原文

核心方法

• 代码即环境：设计器输出完整 Python 环境，而不是一条静态题目；环境必须包含状态、动作、奖励和验证器，因此可以表达多轮工具交互。
• 提示差值奖励：同一环境分别运行有提示和无提示的 Agent，回报差值作为设计器的 regret 信号，避免环境只追求「越难越好」。
• 环境记忆：设计器读取累积环境记忆和预训练语料，使新环境不只重复旧题，而是根据 Agent 的能力边界继续移动。
• 共享训练回路：两种角色都由 GRPO 更新；论文还比较固定设计器、无记忆、无提示差值等部分配置，说明自适应性、记忆和奖励设计需要同时存在。

实验成果

• 在总参数三十 B、激活参数三 B 的模型上，SPADE 在八个 games-setting 留出基准的平均相对提升为五点三分；作者将其与固定环境 RLVE 和固定环境 GRPO 比较。原文
• 工具使用中，SPADE 相对最强固定环境基线在 BFCL-v4 multi-turn 上提升五点七分，在 ACEBench-Agent 上提升十三点九分；论文同时提醒，不同基线的训练数据、模型和预算并不完全相同。
• 消融结果显示，完整 adaptive 配置优于部分配置和 frozen-designer 控制；去掉环境记忆或改用非提示差值奖励，环境质量和 Agent 增益都会下降。
• 论文展示的环境演化是训练轨迹上的实例，不是对开放世界难度的完整覆盖；生成代码仍受模型、执行器和验证器正确性的共同约束。

总结与反思

• 结果总结：SPADE 把「训练数据怎么来」提升为模型可学习的问题，让环境设计成为自我改进系统的一部分。
• 局限性：环境由 LLM 生成，代码安全、奖励漏洞和验证器偏差仍可能把学习引向错误目标；跨模型、跨执行沙箱的稳定性还需要更多复现。
• 前沿见解：真正开放式的 Agent 训练，可能不是无限扩大静态数据池，而是让任务生成器持续贴着能力边界出题。

二、长上下文蒸馏不能只听老师的局部概率 GC-OPD：组校准的在线蒸馏与相对优势分配

认知提取

论文摘要

• 论文先在 Multi-Table Extraction 和 High-Recall Retrieval 两类长上下文证据聚合任务中，诊断 token-level teacher likelihood 与 response-level verifier reward 的错位。原文
• GC-OPD 在每个 rollout group 内分别标准化 verifier reward 和 trajectory-level OPD score，用二者差值形成带符号的 teacher–verifier disagreement residual。
• Relative-Advantage-based Credit Assignment（RACA）依据 token 的相对 OPD advantage 分配残差，同时保留原始 OPD 的密集监督。
• 五个长上下文基准上，Qwen3-4B 的平均分从二十九点零八升至四十点四七，Qwen3-8B 从三十五点一二升至四十四点六五；同设置下 vanilla OPD 分别为三十九点三一和四十三点五六。原文

核心方法

• 组内相对化：同一 prompt 的多个 rollout 分别计算组归一化的 verifier reward 与 OPD score，减少不同任务尺度和不同长度造成的不可比。
• 带符号残差：残差为正时，verifier 相对更认可该轨迹；残差为负时，说明 token-level teacher signal 可能把训练推向任务层面的错误方向。
• RACA 分配：残差不是广播到整条序列，而是按相对 OPD advantage 分配到 response token；这保留 dense guidance，又避免单一终点奖励淹没局部信用。
• 实验协议：论文使用官方 Qwen3-4B 与 Qwen3-8B checkpoint，覆盖 DocMath、FRAMES、MRCR、CorpusQA 和 LongBench v1 QA，并比较 OPD、ExOPD、Uni-OPD、PowerOPD 与 FiRe-OPD。

实验成果

• Qwen3-4B 的五基准平均分由二十九点零八升至四十点四七，GC-OPD 比 vanilla OPD 的三十九点三一再高一点一六分；Qwen3-8B 则由三十五点一二升至四十四点六五，比 vanilla OPD 的四十三点五六高一点零九分。原文
• 消融显示，带符号残差优于仅增加 OPD 项或直接加入组归一化 verifier reward；RACA 进一步优于 uniform token allocation。
• 论文给出一个一万七千二百六十五 token 的固定 rollout 案例，展示同一上下文下八次独立重采样如何产生不同的证据覆盖和答案选择。图表
• 结论只覆盖五个长上下文基准和给定 checkpoint；残差系数、rollout group 构造及 verifier 质量仍会改变收益。

总结与反思

• 结果总结：GC-OPD 的核心不是把 verifier 奖励变得更大，而是把 verifier 与 teacher 的冲突变成可定位的训练信号。
• 局限性：方法仍依赖任务级 verifier；没有可靠 verifier 的开放问答、开放网页研究和主观写作任务不一定能直接套用。
• 前沿见解：长上下文后训练的关键变量，可能不是更多 token，而是哪些 token 真正承载了全局约束。

三、机器人灵巧性需要先学会转动物体，再学会完成任务 ADEPT：面向高自由度机器人的预训练与后训练

认知提取

论文摘要

• ADEPT 先用 PPO 预训练通用 reposing policy，再对下游长程任务做后训练；系统直接从原始视觉和触觉观测学习 sim-to-real 可迁移策略。原文
• 迁移过程中，行为克隆蒸馏、critic warm-up 和保守 on-policy 更新共同防止预训练能力迅速崩塌。
• 论文还加入 joint-space Geometric Fabric，在 RL policy 与机器人之间施加关节空间的安全和几何约束。
• 实机展示两个 embodiment：二十三自由度 Kuka-Allegro 使用两路 RGB；二十九自由度 Flexiv-Sharpa 使用两路 RGB 和五个视觉触觉传感器。

核心方法

• 通用 reposing 预训练：随机化物体尺度和物理属性，学习 reach、grasp、lift、in-hand reorient 和 transport 等可复用动作。
• 稳定后训练：先用行为克隆把下游策略锚定在预训练行为附近，再 warm up critic，最后以较低 actor 学习率和保守 PPO 适应接触密集任务。
• 安全几何层：Geometric Fabric 将策略输出与关节限位、碰撞规避、速度和 jerk 约束结合，避免高自由度动作直接进入危险执行区。
• 教师—学生蒸馏：仿真中的后训练教师蒸馏为只依赖双目 RGB 的学生，再零样本部署到真实平台；触觉 embodiment 的学生仍受传感器配置限制。

实验成果

• ADEPT 的实机任务包括 FMB star insertion、square-and-round insertion 和 dish-rack placement；论文强调这些任务从原始视觉或视觉触觉输入完成，而不是依赖示范轨迹或外部 pose tracker。原文
• 后训练消融显示，降低 actor learning rate 是防止能力塌缩的关键；行为克隆和 critic warm-up 改善成功率、稳定性与适应速度。
• 论文展示了由预训练带来的自然抓握行为：从零训练的下游教师更容易出现不自然的手指姿态，而 ADEPT 后训练教师会形成包围和夹持动作。图表
• 原文摘要没有给出所有实机任务的统一成功率表；读者不能把「human-level speed」当成所有平台、所有初始状态都已达到同一速度。

总结与反思

• 结果总结：ADEPT 用可复用的灵巧性先验减少每个接触任务从零开始的成本，并把安全几何层纳入训练—部署闭环。
• 局限性：核心验证仍建立在仿真大规模训练和有限实机平台上，触觉仿真到真实传感器的差距没有被完全消除。
• 前沿见解：机器人预训练的价值，不只在于共享视觉表征，也在于把「怎样稳定接触」变成可迁移的动作习惯。

四、人类视频终于有机会变成机器人经验 RoboEdit：跨 embodiment 的人类操控视频编辑

认知提取

论文摘要

• RoboEdit-ADC 从 RGB 视频重建三维交互，再做深度与物理细化的 retargeting，生成目标机器人视频和对齐的三维手状态。原文
• RoboEdit-Trans 使用 LoRA 与 residual adapter 做跨 embodiment 视频编辑，并用三维 Robot-State Decoder 恢复逐帧手部状态。
• RoboEdit-14M 包含一百七十四 K 对齐视频对、超过一千四百万帧，覆盖七种机器人 embodiment、二万四千一百九十七段人类交互片段。
• 论文报告编辑质量达到当前方法的较强水平，并在仿真和真实机器人控制中验证解码轨迹的用途；这些结果依赖目标 embodiment、视频条件和控制器配置。

核心方法

• 自动数据管线：RoboEdit-ADC 先估计人手、物体、相机和深度，再用逆运动学与物理细化把交互迁移到不同机器人结构。
• 跨 embodiment 适配：LoRA 负责任务或外观适配，residual adapter 负责目标机器人运动与外观变化；二者联合使用时重建和局部编辑指标最好。
• 状态监督：三维 Robot-State Decoder 从编辑后视频恢复逐帧摄像机坐标手状态，把视频变成可用于控制的结构化轨迹。
• 规模化配对：真实人类片段与合成增强共同构成 RoboEdit-14M，覆盖 Allegro、Unitree Dex3、Inspire、Panda gripper、SCHUNK SVH 和 XHand 等目标结构。

实验成果

• RoboEdit-Trans 在三百案例 benchmark 上的联合配置达到 SSIM 零点九二八二、LPIPS 零点零四七零、Edit LPIPS 零点零一七一、BG SSIM 零点九一八八；这些指标分别反映重建、编辑和背景保持。原文
• RoboEdit-14M 的数据分布包含一百七十四万五千四百七十对视频和一千四百一十三万八千三百零七帧；论文把自动筛选、配对 RGB 视频和机器人状态标签放在同一资源中。原文
• 在五百一十二个随机化仿真环境中，解码轨迹的复现成功率在 Panda gripper 上为百分之七十一，在 XHand 上为百分之六十二。
• Franka Panda 的 YCB 物体真实机器人实验展示了成功执行，但仿真轨迹复现成功率不能直接替代真实世界总体成功率。

总结与反思

• 结果总结：RoboEdit 把大量无标签人类视频转成跨 embodiment 的视觉和三维运动监督，补上机器人数据的规模瓶颈。
• 局限性：编辑真实性依赖深度、物理和目标结构估计；真实部署仍需要控制器、相机和 embodiment 专属校准。
• 前沿见解：机器人数据的下一次扩容，可能来自「把已有视频重新解释成不同机器人的经验」，而不是只继续收集同一种机器人的示范。

认知模型

五、多个老师并不自动变成一个全能学生 Open-MOPD：诊断多教师在线蒸馏的能力失衡

认知提取

论文摘要

• 论文在 SmolLM3-3B-Base 上建立带 oracle routing 的可复现实验，把能力整合与路由错误分开。原文
• 标准 M-OPD 只恢复了从 mixed-domain SFT 到 domain-routed RouteRL 的三十五点六百分比提升；短指令任务出现严重退化和提前停滞。
• 作者将失衡拆成三个因素：不同领域的序列长度差异、不同收敛速度，以及共享 rollout 在多次 minibatch 更新后产生的 reward staleness。
• Open-MOPD 由 token-share balancing、gap-aware dynamic budget allocation 和 student reward refresh 组成，在八张 A100-80GB 的学术硬件配置上将恢复率提升至八十三点四百分比。

核心方法

• 三阶段配方：先做 mixed-domain SFT，再分别训练数学、代码和 instruction-following 的 RL teacher，最后对统一学生进行 hard-routed multi-teacher OPD。
• token-share balancing：按领域控制 token 在训练更新中的占比，避免长答案天然获得更多梯度预算。
• gap-following allocation：根据学生当前能力与教师目标的差距动态分配更新，不让已经收敛的领域继续吞掉预算。
• reward refresh：共享 rollout 被重复使用时，重新计算 student reward，减少旧策略奖励继续指导新策略的时间窗口。

实验成果

总结与反思

• 结果总结：Open-MOPD 把多教师能力整合从「路由多个专家」改写成「管理跨领域优化预算」。
• 局限性：实验集中在三领域、三 B 学生和 oracle routing；真实路由噪声、更多领域和更大模型可能带来新的失衡来源。
• 前沿见解：后训练系统应把 token 数、更新次数、reward 新鲜度和领域进度作为一组资源账本共同监控。

多模态

六、医疗多模态不只要会看图，也要会生成受结构约束的图 MedUAG：统一医学理解与生成

认知提取

论文摘要

• MedUAGCorpus 包含超过六百万个实例，覆盖十四种医学影像模态；MedUAGBench 将医学生成评估扩展到十二类任务。原文
• 生成任务包括 synthesis、translation、reconstruction 和 prediction；理解任务包括 VQA 与 MRG。
• MedUAG 使用双图像编码器和 mixture-of-transformer-experts，经过 domain alignment 与 unified instruction tuning 两阶段训练。
• 在理解基准上，MedUAG 平均准确率为七十一点三，在 VQA-RAD 和 SLAKE 上分别达到七十五点六和七十八点零；理解数据在两个训练阶段都不足语料的百分之三十。原文

核心方法

• 数据统一：从来源数据筛选、任务构造到统一样本标准化，将不同影像模态和文本指令映射到同一训练格式。
• 双编码器与 MoE：两个图像编码器分别承接医学视觉表征，transformer experts 处理理解和生成分支的不同需求。
• 两阶段训练：domain alignment 强化医学视觉结构，instruction tuning 再加入跨任务指令、组合条件和推理响应。
• 任务平衡：作者用重建、预测、合成和理解的消融观察数据构成；结构 fidelity 与 synthesis diversity 之间仍存在可见权衡。

实验成果

• MedUAG 在理解任务平均准确率达到七十一点三，在 VQA-RAD 和 SLAKE 上分别为七十五点六、七十八点零；它在 PathVQA 和 OmniMedVQA 上保持竞争力，但不是每个理解基准都领先。原文
• 域对齐初始化主要提升结构保持任务：原文报告 Bagel initialization 使 translation LPIPS 降低零点零三二，使 reconstruction PSNR 提升零点八八一。
• 生成和理解联合训练并不自动消除任务冲突；论文明确指出，一些理解设置仍有限制，合成多样性和结构 fidelity 之间存在 trade-off。
• MedUAGBench 的十二类任务和十四种影像模态扩大了评测范围，但 benchmark 的覆盖仍由数据构造与质量控制决定。

总结与反思

• 结果总结：MedUAG 同时提供语料、基准和模型，把医学统一多模态研究从单点 demo 推向可比较的基础设施。
• 局限性：临床部署、跨医院分布、医生工作流和安全验证不在本论文的主要实验范围内。
• 前沿见解：医学多模态模型的统一，不是把理解和生成简单拼接，而是让两者共享可以被医学结构约束的中间表征。

具身智能

七、机器人完成任务还不够：SoftVTBench 开始测量它是否把物体捏坏 面向可变形物体的视觉—触觉基准

认知提取

论文摘要

• 数据集包含四千条专家示范、四十个任务和五十多个资产，资产同时包括体积可变形物体与视觉匹配的刚性 twin。原文
• 每个 episode 以二十 Hz 同步多视角 RGB、双指触觉 RGB、marker motion、本体感知、语言、二值与连续夹爪动作，并额外记录只供评估器使用的 FEM 状态。
• Deformation-aware Success Rate（DSR）只有在任务完成且峰值归一化形变低于固定容差时才计为成功；它不是单纯的 task success。
• 在 Diffusion Policy、π零点五和 FastWAM 的十二个 in-distribution 配置中，所有配置都出现「任务成功但形变超限」的 rollout，占各配置成功数的百分之零点七至二十四；OOD 下视觉—触觉变体在六次比较中任务成功率都更高，在五次比较中 DSR 更高。原文

核心方法

• 匹配刚性 twin：几何、外观和质量尽量匹配的刚性物体提供对照，使可变形性带来的代价可以单独测量。
• 隐式物理真值：策略看到视觉与触觉，但形变由 evaluator-only FEM state 计算，避免策略直接读取最终判定。
• 固定对象校准：每个对象的形变容差在训练前由校准过程固定，评测时对所有策略沿用同一标准。
• TSR 与 DSR 分离：task success rate 记录是否到达目标，DSR 额外检查峰值形变；两者的差值就是完成但交互不合格的部分。

实验成果

• 在 Object-Soft 上，Diffusion Policy 的 VO-C 配置 TSR 为三十七点四、DSR 为三十三点六；VT-C 的 TSR 为四十点零、DSR 为三十点四，任务完成率增加并没有带来更高 DSR。原文
• 在 Spatial-Soft 上，FastWAM 的 VT-C 配置 TSR 为五十六点四、DSR 为五十六点零，差值较小；Diffusion Policy VT-C 的差值达到八点零个百分点。
• Diffusion Policy VT-C 在 Object-Soft 的 TSR—DSR 差值为九点六个百分点，恰好对应百分之二十四的成功 rollout 超出形变容差；论文将其对应到四十八个 episode。
• 触觉增益不能脱离控制粒度解释：从 Object-Soft 的 VO-B 到 VO-C，连续控制本身使 TSR 增加十一点四个百分点，因此「加触觉」必须使用匹配 sensing—control ablation 才能识别。

总结与反思

• 结果总结：SoftVTBench 把机器人评测从「是否完成」推进到「以什么物理代价完成」，并给出可复核的 DSR。
• 局限性：当前基准主要在 Isaac Sim 与模拟触觉中建立，真实 GelSight 传感器和现实软物体的 sim-to-real 差距仍未被完整测量。
• 前沿见解：具身智能的安全指标，正在从动作前的规则限制转向动作后的物理结果核验。

AI4Science

八、分子优化不能只追求高分：PGFS++ 把合成路径和输入相似度写进奖励 合成约束下的分子属性改进

认知提取

论文摘要

• PGFS+ 用可训练 embedding lookup 直接选择 reaction template 与 second reactant，属性分数更高，却暴露出 reward hacking：不同输入被映射到同一高奖励输出。原文
• PGFS++ 将输入分子作为 forward-synthesis trajectory 的起点，使用兼容的库存 building block 和学习到的反应模板，输出改进分子及显式合成路径。
• 目标同时包含属性提升、可合成性、输出多样性和输入—输出结构相似度；它把「改得更好」限制在一个可以回到实验室的空间内。
• 实验覆盖 QED 和 SEH 两类分子属性改进，并与 random search、PGFS、PGFS 变体、REINVENT4 和 SynFlowNet 比较。原文

核心方法

• 模板与反应物选择：网络根据当前 first reactant 预测反应模板，再在兼容的 second-reactant 集合中进行全局打分。
• 前向轨迹：每次反应的产品成为下一步 first reactant，动作序列因此对应一条显式 forward-synthesis route，而不是不可解释的 latent jump。
• 相似度奖励：PGFS++ 加入输入—输出相似度 bonus；作者比较 additive 与 multiplicative 两种方式，观察它们如何抑制磁铁输出。
• 多目标评价：QED/SEH 属性、diversity、input-output similarity 和 RAS 被同时报告，避免一个平均分掩盖候选坍缩。

实验成果

• 原文报告 PGFS++ 在 QED 和 SEH improvement 任务中同时提升目标属性并保持较高输出 diversity；PGFS+ 的高 QED 与接近零 diversity 则构成主要反例。原文
• 消融显示，去掉 input-output similarity bonus 后，PGFS+ 再次出现高 mean QED、低 diversity、低相似度和低 RAS 的组合。
• 论文将反应模板和库存 building block 作为合成可行性边界，但这仍是模型内的可行性判断，不等于真实实验成功率。
• QED、SEH、diversity 与 RAS 的具体数值应结合原文图三至图五读取；这些图表的坐标和方法选择不能由单一摘要数字替代。图表

总结与反思

• 结果总结：PGFS++ 说明分子优化的奖励必须把属性、合成、相似度和多样性放在同一条可追踪轨迹上。
• 局限性：反应模板覆盖、库存 building block 质量和评分器偏差仍决定搜索空间；模型分数不能直接当作湿实验结果。
• 前沿见解：AI4Science 中最危险的优化器，不是分数低，而是分数很高却把候选空间悄悄压扁。

九、分子基础模型的下游适配，可以变成一次性后验推断 Monroe：面向分子概率推断的基础模型

认知提取

论文摘要

• Monroe 在超过八千一百万个 PM6 quantum chemistry 分子上预训练，改进立体化学图表示、conformer denoising、embedding decorrelation 和多任务学习。原文
• 下游推断使用 TabPFN：冻结编码器生成 embedding，再把 support-set 标签与 embedding 交给 prior-data-fitted model，输出测试分子的近似后验预测。
• 评测覆盖 Polaris 与 MoleculeACE，并用 pairwise comparison 判断统计上显著的胜负；MoleculeACE 特别关注 activity cliffs。
• Monroe 在 Polaris 的完整 leaderboard 上平均 rank 为三点七一，在 MoleculeACE 上 overall RMSE 为零点六二九，cliff RMSE 为零点七三七。原文

核心方法

• 结构感知图构造：节点和键特征加入立体化学信息，并对图结构做 stereochemistry-aware rewiring。
• 多任务预训练：结构任务、conformer denoising 和 embedding decorrelation 与多任务目标共同训练，再用 uncertainty weighting 平衡损失。
• 冻结编码器 + PFN：下游不再为每个小数据集训练一个全新的 MLP，而是使用冻结 embedding 和 TabPFN 的 in-context 推断。
• 迁移验证：同一 PFN 适配策略还应用于 MiniMol 与 CheMeleon，得到 MiniMol-PFN 与 CheMeleon-PFN，检验收益是否来自下游方法而非仅来自 Monroe。

实验成果

• Polaris 上，Monroe 的 win rate 为百分之百、平均 rank 为三点七一；MiniMol-PFN 的 win rate 为百分之七十五、平均 rank 为五点八二。原文
• MoleculeACE 上，Monroe 的 win rate 为百分之八十六点七，overall RMSE 为零点六二九，cliff RMSE 为零点七三七；这些指标都优于表中主要基线。
• TabPFN 适配也提升既有模型：CheMeleon-PFN 的 MoleculeACE overall RMSE 为零点六四一，cliff RMSE 为零点七四一；MiniMol-PFN 的 overall RMSE 为零点六四二。
• 在 support set 很小时，模型间差异会缩小；原文报告一百个标注分子以下难以稳定区分 encoder，说明「八千一百万分子预训练」并不能消除下游数据瓶颈。

总结与反思

• 结果总结：Monroe 把大规模分子预训练和一次性概率推断结合起来，在 activity-cliff 任务上给出更贴近发现价值的证据。
• 局限性：benchmark 是计算评测，真实活性、合成和实验批次效应仍未被直接验证；PFN 的先验也可能把任务分布假设带入结果。
• 前沿见解：科学模型的下游适配，可能从「每个任务重新微调」转向「固定表征、快速后验、显式不确定性」。

Infra

十、视觉证据可以在解码时变成一把小扳手 ReWEIGH：用 token 级序数视觉证据抑制 LVLM 幻觉

认知提取

论文摘要

• 每个视觉位置对词表的概率尺度不同，不能直接相加；ReWEIGH 使用 vocabulary rank 作为尺度不变的证据，再按候选 token 聚合。原文
• 离线 calibration 用无标签图像估计 token-specific reference；在线 inference 在 prefill 阶段缓存图像证据，之后只对低于 reference 的候选施加有界 penalty。
• 在四个七 B backbone 上，ReWEIGH 将 hallucinated object mention 最多降低百分之二十一点三；效果扩展到六个架构家族和三十二 B 规模。
• 缓存视觉证据后，平均额外 latency 为每 token 百分之一点三三；论文报告 descriptive 和 general performance 大体保持或改善。原文

核心方法

• Measure：对每个 visual patch 读取 output head 的词表排序，再跨 visual positions 聚合 dense ordinal visual evidence。
• Register：在无标签 calibration images 上估计每个 token 的典型证据范围，并用 uncertainty-aware 规则决定哪些 token 可注册。
• Intervene：只对低于 token-specific reference 的候选施加 bounded negative shift；有证据支持的候选保持不变，未注册候选 abstain。
• 效率设计：视觉证据在 prefill 缓存，解码阶段复用；这使方法更像一个轻量 decoding intervention，而不是额外的训练模型。

实验成果

总结与反思

• 结果总结：ReWEIGH 将「图像是否支持这个词」变成解码时可用的候选级信号，在不训练模型的情况下减少对象幻觉。
• 局限性：token reference 依赖 calibration image 分布；对新架构、罕见实体和复杂关系的视觉支持，仍可能出现误抑制或漏抑制。
• 前沿见解：多模态可靠性可能不只靠更强视觉编码器，也靠在 token 生成前建立一张可缓存的证据账本。

Agent

十一、智能体读哪个技能，本身就是一个需要训练的动作 SkillGate：长程 Agent 的 in-policy skill selection

认知提取

论文摘要

• 论文将问题命名为 selector credit starvation：选择技能的 token 很少，在 sequence-level advantage 下获得的梯度份额随轨迹变长而消失，且执行失败时会错误惩罚正确选择。原文
• SkillGate 将 token 支持拆成两个不相交通道：outcome credit 只到 execution tokens，action-local advantage 只到 skill-naming tokens。
• 在五个 Agent benchmark、十六候选技能 slate 上，九 B policy 的 trial success 从百分之四十点八提高到百分之五十三点二，同时误导技能暴露下降约三分之二、读取技能更少。
• 论文还比较外部 router、prompt 限制和 outcome-only RL，说明更好的路由准确率不自动带来更好的后续执行。原文

核心方法

• 任务通道：移除整个 read call 后，将 terminal outcome 的 group-normalized advantage 广播给真正执行任务的 token。
• 选择通道：只在一条轨迹恰好单次读取正确技能时给正的 action-local advantage；错误技能、多次读取和没有读取都不获得同样的正反馈。
• 联合更新：两个通道的 token 权重分别归一化，再进入同一个 GRPO update；选择动作因此拥有稳定且局部的信用。
• 对照协议：主实验包含 Claw-Eval、SkillsBench、SETA、SWE 和 TB2；论文另用二百八十 trial 协议拆解 choice credit 的位置与强度。

实验成果

总结与反思

• 结果总结：SkillGate 证明「选择哪个工具或技能」不是前置路由问题，而是 Agent 在轨迹中做出的、需要单独训练的动作。
• 局限性：实验依赖候选技能库、单次 read 归因和可定义的 oracle utility；开放技能组合、多次读取和技能互相调用会复杂化 credit 规则。
• 前沿见解：长程 Agent 的训练目标，应该把调用、选择、执行和验证拆成不同的可学习动作，而不是把所有结果压成一个终点分数。

应用体系

十二、检索之后还有一道工：DeepWeaver 把碎片证据编织成可引用答案 开放式问答中的证据合成

认知提取

论文摘要

• 论文将 retrieve-then-generate 的主要缺口定义为 evidence synthesis gap：直接生成会漏用证据、错配引用，并把不同信息压成浅层摘要。原文
• DeepWeaver 用 Thought Block Chain（TBC）组织 claim、salient information、keywords 和 evidence；每个 block 记录当前论点与支持它的证据。
• 系统先 Draft 初始 TBC，再用 subordinate TBC 检查残余证据，最后 Commit、合并相似 block、丢弃低质量 block 并展开成答案。
• 论文引入 LoQA：每个问题配约二十万 token 的高密度噪声证据池，评估 content sufficiency、citation grounding 和 detail preservation；在 DeepResearch Bench 上同时测试综合性、洞察与引用质量。原文

核心方法

• TBC 状态：每个 thought block 绑定 claim、salient information、keywords 和 evidence，避免证据只作为一段扁平上下文存在。
• 残余证据检索：初始答案完成后，系统从尚未使用的 evidence 中检索与已有 claim 相关的片段，生成 subordinate TBC，寻找遗漏的新论点。
• Commit 与合并：系统合并重叠 block，丢弃低质量或冗余 block，再将 block 组织为 section；每个 section 在较小的相关证据子集上生成。
• 双场景扩展：同一机制用于知识库开放问答和网页 deep research；后者沿用 searcher，再将 writer 替换为 DeepWeaver 进行下游合成。

实验成果

• 在 LoQA 上，DeepWeaver 相比 evidence-based baseline 提升 content sufficiency、citation grounding 与 detail preservation；论文表一还比较 Qwen3 instruct、thinking 和多个大模型骨干。原文
• 去掉 TBC subordinate 后，Argument Sufficiency、Citation Grounding 和 Detail Preservation 均下降；去掉 commit 会造成 block 数增加，答案更冗余，说明两步分别承担「补漏」和「去重」。
• 在 DeepResearch Bench 上，DeepWeaver 的 DeepResearch 综合分为四十七点零五，effective citation 为六十点一三，citation accuracy 为六十二点零二；不同指标分别衡量综合性与引用质量，不能合并成一个总准确率。原文
• LoQA 每题平均约二十万 token 证据池，DeepResearch Bench 的 routed item 平均包含九十八个 evidence chunks、九万二千七百五十二点七九个 raw tokens；长证据池是方法的主要压力条件。

总结与反思

• 结果总结：DeepWeaver 把 RAG 的「检索—生成」中间层变成可审计的证据链，并用残余证据驱动第二轮发现。
• 局限性：LoQA 聚焦中文水环境专家知识库，DeepResearch Bench 的评价含有 LLM judge；TBC 的质量仍受检索覆盖和语言模型判断影响。
• 前沿见解：深度研究 Agent 的核心资产不应只是网页列表，而应是能回到原证据、可合并、可删改的论点状态。

阅读优先级

• 先读训练系统：SPADE、GC-OPD、Open-MOPD、SkillGate。四篇分别处理环境生成、长上下文信用、多教师预算和 Agent 选择动作。
• 再读真实世界接口：ADEPT、RoboEdit、SoftVTBench。它们把行为先验、机器人视频、触觉状态和物理后果放在同一条验证链上。
• 最后读科学与应用：ReWEIGH、MedUAG、PGFS++、Monroe、DeepWeaver。它们分别把视觉证据、医学结构、合成约束、后验预测和证据编织落到可复现的中间状态。