8月6-7日论文雷达：20篇直接命中、5篇邻近，先看信用分配与技能污染 (2026)

「8.6」「8.7」六个允许栏目共有 289 篇：人工智能与自然语言处理四栏 275 篇，语音与音频两栏 14 篇。1 2 3 4 5 6

按是否直接研究长程训练、轨迹学习或自进化，最终留下 20 篇直接命中；另有 5 篇邻近跟踪。音频侧没有直接研究 TTS 或播客生成/评估的论文，不能把文本到音频基准、语音编解码器或口语理解论文改名成 TTS 工作。本期把它们留在邻近层，只讨论可迁移的评测或系统机制。

阅读优先级

如果只读 6 篇，顺序是 ABSeeker → AgentOPSD → When Self-Evolution Backfires → TRAJDEBUG → AudioScape-TTA → LILAC。这个顺序不是跨任务排行榜，而是从训练信号、失败定位、自进化门控一路读到音频评测与编解码稳定性。

顺序	原文	先读它的理由	当前证据
1	ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment	把终局答案回溯成可验证线索，再给每个搜索步分信用；代码和模型均已发布。	全文核验；4B 骨干，8.5K 轨迹，BrowseComp 加上下文管理后 55.3%。7
2	AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning	不训练 critic，用 teacher-student 差更新回合级成功信念，适合与 ABSeeker 比较信用对象。	全文核验；ALFWorld 7B 为 89.1%，长轨迹退化斜率约 −0.54/回合。8
3	When Self-Evolution Backfires: Pre-Commit Gating against Skill Contamination in LLM Agents	给出技能污染跨轮扩散、事后回滚救不回来的证据，并把门控放到提交前。	全文核验；Terminal-Bench 2 上 VaG 五轮升至 72%，未门控系统回落到 50%。9
4	TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories	不找「最后一个错」，而是找修正后足以把失败变成功的最早决定性错误。	全文核验；486 条人工标注失败轨迹，定向修复后重跑成功率平均 +10.80%。10
5	AudioScape-TTA: A Structured Soundscape Benchmark for Fine-Grained Text-to-Audio Evaluation	把全局相似度拆成事件、属性和语音内容，能直接暴露复合音频的语义失败。	全文核验；2,258 对音频文本、25,707 条 rubric，人类对齐相关系数 0.879。11
6	LILAC: An Idempotent Neural Speech Codec	给重复编解码提供结构性幂等保证，适合检查语音生成与编辑管线里的 token 漂移。	全文核验；0.75 kbit/s，代码、权重和演示已发布，但下游收益尚未实证。12

三组机制不要混着比较

ABSeeker、AgentOPSD、CIPO：信用分给谁

方法	信用对象	信号来源	适用前提与代价
ABSeeker	搜索步	从已验证答案回溯出的中间线索	需要答案与过程线索可回溯；另用 DeepSeek-V4-Flash 恢复线索和打分。7
AgentOPSD	交互回合	teacher-student token 差造成的成功信念边际修正	不需要 learned critic 或额外 rollout，但每回合多一次 teacher 前向。8
CIPO	检索后的推理动作	动作是否真正受外部证据影响，再叠加终局奖励	不要人工过程标注或额外 reward model；摘要未给统一结果数字。13

三者都反对只看终局正确率，但不能互换。ABSeeker 要求结果可回溯；AgentOPSD 要求训练期有特权 teacher；CIPO 把问题收窄到「检索证据是否改变了后续动作」。选方法前，先确认自己的任务能提供哪一种中间对象。

TRAJDEBUG 与 VaG：诊断失败，还是阻止写入

TRAJDEBUG 处理已经发生的失败。它区分已修复、代价修复、显性活跃和潜伏活跃错误，再从候选错误中定位最早的决定性一步。VaG 处理技能进入长期池之前的风险：Cold→Warm 用结构、执行回放和语义一致性三种 critic；Warm→Hot 再看技能组合的边际增益。一个回答「错在哪里」，另一个回答「这条经验能不能成为以后反复调用的技能」。9 10

AudioScape-TTA、InvFlowFD、LILAC：三个分数维度

AudioScape-TTA 测语义要求有没有实现；InvFlowFD 估计无参考条件下的感知失真；LILAC 保证有效 token 流重复解码、重编码后仍返回同一 token 流。语义满足率、听感质量与 token 幂等性互补，不能压成一个「音频质量总分」。11 12 14

重点精读：长程信用、失败真因与技能门控

1. ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment

作者与提交：Yijun Lu、Rui Ye、Jiajun Wang 等；2026 年 8 月 5 日 v1。证据为 arXiv HTML 全文核验。

研究问题：搜索智能体可能走上百步，终局成功或失败无法区分有用、冗余和错误动作。ABSeeker 要把轨迹级二元信号拆成步级监督。
核心方法：Answer-Backtracked Clue Recovery 先从已验证答案恢复解题所需线索；Clue-Anchored Step Scoring 再判断每一步是否发现、验证、排除或破坏了这些线索。ABC-SFT 按步奖励重加权损失，ABC-GRPO 把步级分数作为 GRPO 奖励。7
训练数据与流程：Qwen3.5-4B 使用 8.5K 条 OpenSeeker 轨迹，其中 5.5K 正确、3.0K 错误；SFT 训练 3 个 epoch、全局 batch 64。RL 使用 1,000 个问题，每题 8 次 rollout，最多 200 回合；DeepSeek-V4-Flash 负责线索恢复与步评分。
评测与结果：BrowseComp 和 BrowseComp-ZH 分别为 37.3%与 39.1%；加入 256K 上下文、discard-all、最多 5 轮的上下文管理后升至 55.3%与 52.9%。xbench-2505、xbench-2510、GAIA-text 分别为 77.0%、46.0%、81.6%。7
复现条件：代码与ABSeeker-4B-RL 权重均已发布。真正的依赖不只是一张 4B 卡，还包括可验证答案、回溯线索和额外打分模型。
证据与局限：SFT 与 GRPO 两条训练线都有消融支持，证据强于只报一个终局榜分。实验仍限于 4B 搜索智能体；结果难以直接外推到没有标准答案、线索不可回溯的开放任务。
与目标线关系：这是本批最直接的长程轨迹信用分配论文。它允许失败轨迹里的有用步骤获得正信用，也允许成功轨迹里的冗余步骤被压低。
结论：精读。公众号条目：人工智能学术速递 8.6

2. AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning

作者与提交：Zi-Han Wang、Zhengxi Lu、Zhiyuan Yao 等；2026 年 8 月 6 日 v1。证据为 arXiv HTML 全文核验。

研究问题：token 级 teacher-student 差可以衡量局部模仿难度，却不是顺序信用。AgentOPSD 要找出真正改变成功前景的回合。
核心方法：先把 token 差聚合成回合证据，再在 log-odds 空间递归更新信念；信用由相邻信念的修正量决定，并带上终局成败符号后整形 GRPO advantage。先验由同组 rollout 成功率初始化。8
训练数据与流程：使用 Qwen2.5-3B/7B-Instruct 与 8×H800；共享设置为λ=0.5、b=0.2、γ=0.95、学习率 1e-6、group size 8、KL 0.01。方法不增加 rollout，也不训练 critic；训练期每回合多一次 teacher 前向。
评测与结果：7B 在 ALFWorld、Search-QA、WebShop 上的结果为 89.1%、47.5%、90.2/79.7；3B 为 84.4%、44.9%、90.4/69.5。ALFWorld 上，每多一回合的退化斜率约为 GRPO −2.91、RLSD −3.59、AgentOPSD −0.54。8
消融：ALFWorld 7B 完整方法 89.1；改为 token 累积 85.9，使用原始局部差 82.8，只保留幅度 80.5，去掉先验锚 78.9。signed direction 与先验锚不是装饰项。
复现条件：代码已发布。训练仍依赖 privileged self-teacher；所谓 belief 是相对支持度，不是经过校准的成功概率。
证据与局限：完整算法、跨三个环境结果、消融和长度鲁棒性都可核验。横向成本仍需单列 teacher 前向，不能只比较「无 critic」。
与目标线关系：ABSeeker 把信用落到可回溯线索，AgentOPSD 把信用落到信念修正。前者更依赖答案结构，后者更依赖 teacher 信号。
结论：精读。公众号条目：人工智能学术速递 8.7

3. When Self-Evolution Backfires: Pre-Commit Gating against Skill Contamination in LLM Agents

作者与提交：Linfang Shang、Ming Xu、Yiding Sun 等；2026 年 8 月 6 日 v1。证据为 arXiv HTML 全文核验。

研究问题：自进化技能池扩大后，性能为什么会先升后降；事后删除坏技能为什么救不回来。
核心方法：VaG 先把新技能放入 Cold 池。Cold→Warm 需要 SchemaCritic、ExecCritic 和 AgentCritic 分别验证结构有效性、单技能 A-B 回放无害性与语义一致性；Warm→Hot 再用边际增益贪心选择过滤技能组合冲突。9
训练数据与流程：Terminal-Bench 2 Event split 上运行 5 轮进化，每任务 3 次 rollout；held-out split 负责回放与边际增益估计，test split 只做最终评估。主骨干为 Hy3，agent 使用手写 ReAct 循环。
评测与结果：不设门控时，五轮 pass@1 为 48%、60%、62%、52%、50%，技能池从 35 增至 179；VaG 为 52%、58%、62%、68%、72%，第五轮 Hot 池只有 37 项。源头回滚只能恢复约 17%的退化，说明污染已通过后续技能蒸馏形成后代。9
复现条件：原文未报告代码或模型仓库。门控需要留出任务、执行回放和 LLM critic；在缺少可重复验证环境时，成本与可靠性都会变化。
证据与局限：三类 critic 和组合门控均有消融；冻结技能池也迁移到四种其他骨干与 InterCode NL2Bash。论文同时说明，与更大系统不是同 backbone、同任务、同 round budget 的 head-to-head 比较。
与目标线关系：它把「技能是否写入长期库」提升为独立研发决策。只做事后清理，可能已经晚了一轮以上。
结论：精读。公众号条目：人工智能学术速递 8.7

4. TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories

作者与提交：Yunjia Qi、Zehua Yin、Xintong Shi 等；2026 年 8 月 6 日 v1。证据为 arXiv HTML 全文核验。

研究问题：失败轨迹通常有多个局部错误；最早出现的错、离终局最近的错，都未必是修正后足以转败为胜的关键错误。
核心方法：先做多粒度历史压缩，再执行错误触发检测、错误生命周期分类与候选集引导的因果归因。错误被分成 Clean Resolution、Costly Resolution、Manifest Active、Latent Active 四种状态；没有逐字证据的诊断会被丢弃。10
数据与评测：TrajErrBench 含 486 条人工标注失败轨迹，其中τ²-Bench 400 条、平均 29.3 步；SWE-Bench Pro 86 条、平均 119.7 步。每条由 3 名标注者处理，Fleiss κ分别为 0.91 和 0.67，可用标签比例 98.2%与 91.9%。
关键结果：诊断生成定向指导后重跑，成功率平均提升 10.80%；把诊断汇成失败记忆并迁移到留出任务，成功率平均提升 5.70%。关键错误常在中后段，推理是主要失败阶段。10
复现条件：仓库入口已给出，论文状态仍是「will release」。在真正复现前，需要确认数据、标注协议和诊断模型是否已落库。
证据与局限：人工基准、标注一致性和干预重跑共同支持「真因定位」；SWE-Bench Pro 的一致性明显低于τ²-Bench，长软件轨迹的因果归因仍更难。
与目标线关系：失败轨迹要进入自进化或经验库之前，先判断错误是已修复、无害、潜伏还是终局真因。否则负轨迹会生成错误的经验总结。
结论：精读。公众号条目：人工智能学术速递 8.7

其余 16 篇直接命中：统一扫读表

以下论文都直接研究长程智能体、轨迹改进、自进化或相关训练基础设施。它们目前以 arXiv 摘要核验为主；摘要没有统一数字时，不替作者补结论。

原文与基本信号	研究问题与方法	关键结果与证据	复现条件与局限	与目标线关系 / 结论
Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning Boxiu Li 等；8 月 5 日；公众号 8.6 AI	Manager、Planner、Engineer、Reviewer 在持久运行时状态上协作；自进化发生在记忆、技能、程序、验证器与控制策略，不改模型权重。	SWE-Bench Pro 约 78%，Direct Copilot 为 59%；总 token 1.41×。成熟批次 solve-input token 少 21%，活动时间少 15%。15	摘要级；未报告代码、模型和统一预算口径。系统指标多，不能把单一成功率当成算法消融。	运行时级自进化样本；值得扫读。
The LLM Proposes, the Executive Disposes: A Self-Verifying Agent Instrument that Dissociates Commitment Drift from Binding Drift in Long-Horizon Agents Mohsen Arjmandi；8 月 4 日；公众号 8.6 AI	确定性 Executive 持有信念，LLM 只交类型化提案；用预注册预测和代码匹配区分承诺漂移与绑定漂移。	移除承诺机制后 goal-abandonment 从 0.00 变 1.00，binding error 仍为 0.00；ARC-AGI-3 上 52 次门控运行零级完成。16	摘要级；未报告代码与算力。零任务完成率是重要边界，结构归因有效不等于任务能力有效。	长程审计与可归因评测；值得扫读。
Hierarchical Graph Memory for LLM Agents with Path-level Localization and Rewrite Xiawei Yue 等；8 月 5 日；公众号 8.6 AI	分层图记忆先定位支持子图与证据路径，再协同重写单元内记忆和单元间依赖。	长程对话与冲突感知记忆基准均报告答案质量、token 效率和有效证据选择改善；摘要未给统一数字。17	摘要级；代码、基准来源和具体分数未报告。	与 ScrubJay-MEM 的类型化遗忘形成「改哪里」与「何时忘」对照；值得扫读。
Recursive Synthesis for Long-Horizon Terminal Tasks Zhongzhi Li 等；8 月 5 日；公众号 8.7 AI	从验证种子递归扩展参考解、重对齐指令和验证器、换沙箱复验，再把通过任务作为下一轮种子。	15 轮生成 37,484 个终端任务，约 0.05 美元/任务；参考解中位数 67→374 行，DeepSeek-V4-Pro pass@4 90%→2.5%。Agentic PPO 把 Qwen3.5-27B 在三项基准推到 49.44%、32.00%、22.07%。18	摘要级；代码/数据、PPO 配置和算力未报告。合成难度上升不自动等于真实环境覆盖。	长程任务与训练数据供给；值得扫读。
SkillHEX: Improving Agent Skills via Hypothesis-Driven Autonomous Exploration and Exploitation Yuru Feng 等；8 月 6 日；公众号 8.7 AI	把失败转成可证伪假设和可执行测试，再用诊断证据驱动持久技能分支的树搜索。	SkillsBench 87 任务、5 次迭代预算下，GPT-5.3-Codex 平均通过率 55.9%，Claude Opus 4.7 为 57.9%。19	摘要级；代码、算力和 judge 依赖未报告。	VaG 负责入池门控，SkillHEX 负责改技能前的假设验证；值得扫读。
StepReflect: Structured UI Transition Reflection for Mobile GUI Agents Linqiang Guo 等；8 月 6 日；公众号 8.7 AI	把开放式多模态反思改成有显式转移规范和成对视觉证据的结构化预测；训练走 SFT、师生蒸馏、偏好/奖励精修。	8B 模型转移级准确率 82.16%，比同输入零样本 GPT-5.2 高 11.83 点；四种在线智能体配置中 3/4 提升任务成功率。20	摘要级；代码、数据规模和算力未报告。结果集中在移动 GUI。	本地步级反思与执行纠错；值得扫读。
EASy: Towards Efficient LLM-Based Agentic System Junnan Liu 等；8 月 5 日；公众号 8.6 NLP	milestone-plan-act 工作流把任务拆成里程碑与依赖图，按执行器能力/成本分配；树状 rollout 联合优化正确性、效率和轨迹完整性。	数学推理、具身决策、深度研究上报告更好的性能-效率权衡；摘要未给统一数字。21	摘要级；未报告骨干、代码和统一成本。	把效率写进 agent RL 目标；值得扫读。
Caching for the Future: Scrub Jay Episodic Memory Principles for Agent Memory Systems Kartikey Singh Bhandari 等；8 月 5 日；公众号 8.6 NLP	What-Where-When 记忆附可腐坏度和效用时域，按记忆类型衰减。	唯一取得正 GenGap 的检索系统（+0.108）；EventQA-64k F1 比 Mem0 +2.66、比 Qwen3-Embedding-4B +3.09；去掉衰减后 GenGap 缩小 5.7×。22	摘要级；未报告代码。骨干越强收益越窄，事实整合任务上可能反转。	长期记忆的类型化遗忘；值得扫读。
A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination Wenxiao Zhao 等；8 月 5 日 v1；公众号 8.6 NLP	角色条件证据视图、在线 evaluator-reward 策略和状态路由记忆构成运行内自进化；跨运行再把轨迹蒸馏成角色先验。	Llama3.1-8B 在四个 LSR-Synth 域 Acc@0.01 从 25.79%升至 48.30%；Qwen3-4B LoRA 从 24.58%升至 38.29%；真实任务 8 项指标中 7 项最优 NMSE。23	摘要级；未报告代码。结果集中在符号回归与科学发现。	自进化在专业域的闭环样本；值得扫读。
State2State: Environment-Derived Mid-Training for LLM Agents Xuanyu Lei 等；8 月 5 日；公众号 8.6 NLP	把探索到的环境状态转成「到达指定目标状态」的中间训练任务，用规则状态匹配验证，无需专家轨迹和人工任务设计。	ALFWorld、ScienceWorld 上报告性能提升；作为下游 RL 初始化也改善最终性能与学习效率，摘要未给统一数字。24	摘要级；代码和具体数字未报告。	环境内部结构提供训练信号；值得扫读。
OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents Jingsheng Zheng 等；8 月 4 日；公众号 8.6 NLP	把开放请求分成有界子任务，在上下文压力下维护执行记忆，并验证、修复最终交付物。	AgentIF-OneDay 含 104 项长程任务；GLM-5.2 后端总分 0.821，同一 harness 无调参跑通 5 个后端、3 个模型家族。25	摘要级；代码、成本与完整局限未报告。	系统级长程编排，不是训练算法；值得扫读。
Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning Yinghui He 等；8 月 5 日；公众号 8.6 NLP	用 Skill Entropy 量化技能切换难度；Skill-Entropy RL 同时奖励步级正确性和预测技能序列与黄金序列的对齐。	Skill²-Bench 含 558 技能、9 个域；Qwen3-4B 从 34.4%升至 68.4%，Qwen3-1.7B 从 14.6%升至 40.1%。26	摘要级；代码已发布。跨技能长程任务的技能标注质量仍是前提。	把「长」从步数扩展到技能切换；值得扫读。
Causal Episodic Memory for Feedback-Driven Agent Repair Khang Nhat Hoang Vo 等；8 月 6 日；公众号 8.7 NLP	免训练修复：保存 oracle 修正与失败方向的双极记忆，先做确定性错误分类，再检索相似经验并生成修订。	Qwen2.5-7B 在 Spider 执行准确率 66.34%→69.79%，BIRD 47.35%→48.44%。27	摘要级；代码未报告；评测依赖 oracle 反馈，并限制只能读取此前 episode 记忆以防泄漏。	记忆辅助的免训练修复，收益可测但不大；值得扫读。
Contextual Information Policy Optimization for Search Agents Xingyu Guo 等；8 月 6 日；公众号 8.7 AI	给真正受检索证据影响的推理动作分配稠密回合信用，再叠加全局结果奖励，减少先验驱动推理。	7 个域内与域外基准上报告多数任务表现良好；摘要未给统一数字。13	摘要级；不需人工过程标注或额外 reward model，代码未报告。	搜索智能体的证据使用信用；值得扫读。
EnvACE: Internalizing Environment Dynamics via World Rehearsal for Agentic Reinforcement Learning Zishan Xu 等；8 月 6 日；公众号 8.7 AI	policy 交替扮演 agent 与 environment，用 world rehearsal 代替训练时外部交互；测试时可先私下预演再执行。	BFCL-v4、τ²-Bench、VitaBench、FinMCP-Bench 上报告强迁移表现，摘要未给统一数字。28	摘要级；代码已发布。仍需核验预演预算和对真实环境误差的敏感性。	内化环境动态的长程训练路径；值得扫读。
Refining Over Resampling: Test-Time Self-Correction for LLM Reasoning Ahsan Bilal 等；8 月 6 日；公众号 8.7 AI	多路独立 rollout 后逐路自批判、自修正，再多数投票；用深度精炼补纯扩采样的边际收益递减。	多模型、五个数学基准上优于 greedy、majority vote、verifier best-of-N、beam 与 lookahead；Qwen2.5-1.5B 在 MATH500 达 58.0%，AMC 从 25.0%到 32.5%。29	摘要级；不需 verifier，代码未报告。证据集中在数学推理，并非交互式工具轨迹。	测试时轨迹精炼与自修正；值得扫读。

邻近跟踪：音频有评测机制，没有 TTS 或播客直击

五篇音频相关论文都能迁移出工具，但研究对象不是 TTS 或播客生成本身。AudioScape-TTA 与 LILAC 值得全文读；其余三篇用来补语义理解、感知指标和长结构生成。

5. AudioScape-TTA: A Structured Soundscape Benchmark for Fine-Grained Text-to-Audio Evaluation

作者与提交：Jinting Wang、Yuguang Yang、Shengyu Li 等；2026 年 8 月 5 日 v1。证据为 arXiv HTML 全文核验。

研究问题：CLAP 类全局相似度无法说明是事件漏了、属性错了，还是语音内容没说对。AudioScape-TTA 要给复杂声景提供可解释的细粒度评测。
核心方法：每个样本拆成 Scene、BGM、SFX 与 Speech，再生成事件存在、事件属性和语音内容三类二元 rubric。事件与属性由 Qwen3-Omni-Instruct 核验，语音内容由 Qwen3-ASR 转写后按 SCCA@0.60 判断。11
数据与流程：从影视制作中的真实音频场景构建 2,258 个音频文本实例，共 25,707 条 rubric；平均音频 9.95 秒、描述 32.45 词、每样本 11.39 条 rubric 和约 4 个语义事件。358 段带语音标注，其中 83 段有目标话语。
评测与结果：13 个开源 TTA 模型中，Foley-Omni 总体 SR 79.62%，事件存在 81.74%，属性 78.34%，语音内容 57.06%；Dasheng AudioGen 的语音内容为 77.30%。MMAudio 的 CLAPMS 最高，为 0.5169，但总体 SR 只有 64.73%。11
人类对齐：26 名参与者评 130 段音频。模型总体 SR 与人类复合语义分的 Spearman 相关系数为 0.879，CLAPMS 只有 0.312；事件 SR 和属性 SR 与对应人评分别为 0.743 和 0.825。
复现条件：原文未给数据或代码公开入口。评估本身依赖 Qwen3-Omni 与 Qwen3-ASR；影视片段的数据授权、分发方式也需要在正式复现时确认。
证据与局限：复杂度只建模事件密度与模态结构，没有显式表示事件时序、因果和细粒度交互。它暴露了语音内容、说话人身份和多模态组合的困难，却不是专门的 TTS 或播客基准。
与目标线关系：可以迁移到「人声、配乐、音效」混合生成的语义核验，尤其适合把全局分数拆成可定位失败。
结论：邻近跟踪，建议精读。公众号条目：语音与音频学术速递 8.6

6. LILAC: An Idempotent Neural Speech Codec

作者与提交：June Young Yi、Dongwook Lee、Jiheum Yeom 等；2026 年 8 月 6 日 v1。证据为 arXiv HTML 全文核验。

研究问题：语音生成和编辑管线会反复解码、重编码。现有神经 codec 在一次循环后平均至少改写 15%的 token，漂移会继续累积。12
核心方法：LILAC 是 24 kHz、9.375 Hz、0.75 kbit/s 的全卷积 codec。可逆 analysis transform 保留坐标，fill network 补回丢弃维度，FSQ 只做 clamp 与 round；因此对任意有效 token 流都满足E(D(c)) = c。
训练数据与流程：HiFiTTS-2 共 31,700 小时、4,629 名说话人；排除 146 名 LibriSpeech/LibriTTS(-R)读者以防泄漏，并留出 40 名读者测试。评测含 LibriSpeech test-clean 2,620 段、LibriTTS-R 4,837 段、VCTK 3,094 段和 HiFiTTS-2 留出集 585 段。
评测与结果：LibriSpeech 与 LibriTTS-R 的 UTMOS 为 4.141 和 4.238。LILAC 在 STOI、SI-SNR 上较强，UTMOS 与说话人相似度有竞争力；dWER 与 SCOREQ 居中，不是单次音质 SOTA。12
复现条件：代码、权重和音频演示均已发布。
证据与局限：幂等性是结构保证，不依赖 fill network 权重；但 GPU 上许多小卷积导致运行不快，高码率系统的 dWER 仍可能更好。作者没有训练下游 TTS 或编辑模型来证明幂等 token 会带来多大实际收益。
与目标线关系：适合检查语音 token 接口和重复编辑稳定性，不应当作新的 TTS 生成模型。
结论：邻近跟踪，建议精读。公众号条目：语音与音频学术速递 8.7

其余 3 篇邻近项

原文与基本信号	问题与方法	结果与证据	复现与局限	连接点 / 结论
InvFlowFD: Reference-Free and Background-Set-Free Perceptual Music Quality Metric with Flow Matching Inversion Alon Ziv 等；8 月 4 日；公众号 8.6 音频	用 flow-matching inversion 构造无参考、无背景集的感知音乐质量指标，避免 FAD 随背景集变化。	88 人、400 次成对偏好；crop-and-paste 失真上与人评 Pearson r=0.73，FAD 在 FMA-pop 背景下为−0.87、MusicCaps 背景下为 0.43。14	全文级；作者代码和 checkpoint 未发布，高通失真上略弱于标准 FAD。	可迁移到无干净参考的播客音质检测，但证据来自音乐片段；邻近跟踪。
Spoken Function Calling: A New Perspective on Spoken Language Understanding for Large Audio Language Models Yuezhang Peng 等；8 月 5 日；公众号 8.6 NLP	把口语理解重写成函数名、参数键和值的结构化调用，构建 SFC-Bench 并做 GRPO 后训练。	300 个函数、5 域 21 场景、7,000+样本；SpokenFC-7B 在 Test-ID 与 Test-OOD 为 74.15、75.10。30	全文级；代码与数据已发布。研究对象是理解与工具调用，不是语音生成。	可作为合成对话的结构化语义核验器；邻近跟踪。
Diff-Symbo: Text-Controlled Long-Duration Symbolic Music Generation Using Autoregressive Latent Diffusion Model Zhiwei Lin 等；8 月 5 日；公众号 8.7 音频	用自回归潜空间扩散生成文本控制的长时长符号音乐；19,345 个 LLM 生成文本模板支撑条件控制。	报告 ASA、FD、MMD 与 20 名音乐爱好者的 5 分 MOS。31	全文级；有模板数据和演示页，代码与预训练模型未发布；输出是 MIDI 级符号音乐。	只对播客背景音乐与长结构控制有迁移价值；邻近跟踪。

本批没有播客生成或播客评估直接命中。这个空缺来自允许栏目本身，不能用口语理解、音乐生成或通用音频质量指标代填。

研发判断落点

训练前先确认中间信号从哪里来。 有可验证答案和可回溯线索，ABSeeker 最直接；有训练期 teacher 但不想维护 critic，AgentOPSD 更合适；问题是检索证据没有改变后续动作，再看 CIPO。三者的成本分别落在打分模型、teacher 前向和证据归因，不能只比较终局分数。

失败轨迹进入经验库前，先做真因定位。 TRAJDEBUG 说明局部错误并不等于关键错误。若诊断模型、标注协议或回放干预不能稳定复现，失败轨迹不该直接蒸馏成「可复用经验」。

自进化系统先做提交前门控，再谈池规模。 VaG 的数据说明更大的技能池可能更差，而且污染一旦跨轮传播，删除源技能也未必恢复。SkillHEX 解决「怎么修」，VaG 解决「能不能写入」，两步都需要可执行验证而不是只看 LLM 自评。

长程数据扩充要同时核验验证器和真实度。 RST 把任务成本压到约 0.05 美元，State2State 从环境状态生成目标，EnvACE 用 world rehearsal 减少外部交互。这些路线能扩供给，但验证器泄漏、模拟偏差和任务分布覆盖必须分开测。

音频评测至少保留三个独立轴。 AudioScape-TTA 负责语义满足，InvFlowFD 负责感知失真，LILAC 负责重复编解码稳定性。TTS 或播客系统还欠说话人一致性、韵律、对话连贯性与长时主观评测；本批来源没有补上这些证据。

References

1
人工智能学术速递 8.6
mp.weixin.qq.com
2
自然语言处理学术速递 8.6
mp.weixin.qq.com
3
语音与音频学术速递 8.6
mp.weixin.qq.com
4
人工智能学术速递 8.7
mp.weixin.qq.com
5
自然语言处理学术速递 8.7
mp.weixin.qq.com
6
语音与音频学术速递 8.7
mp.weixin.qq.com
7
ABSeeker arXiv
arxiv.org
8
AgentOPSD arXiv
arxiv.org
9
When Self-Evolution Backfires arXiv
arxiv.org
10
TRAJDEBUG arXiv
arxiv.org
11
AudioScape-TTA arXiv
arxiv.org
12
LILAC arXiv
arxiv.org
13
CIPO arXiv
arxiv.org
14
InvFlowFD arXiv
arxiv.org
15
Argus arXiv
arxiv.org
16
The LLM Proposes arXiv
arxiv.org
17
Hierarchical Graph Memory arXiv
arxiv.org
18
Recursive Synthesis arXiv
arxiv.org
19
SkillHEX arXiv
arxiv.org
20
StepReflect arXiv
arxiv.org
21
EASy arXiv
arxiv.org
22
Scrub Jay Memory arXiv
arxiv.org
23
A-SR arXiv
arxiv.org
24
State2State arXiv
arxiv.org
25
OneDayAgent arXiv
arxiv.org
26
Toward Skill-Native LLMs arXiv
arxiv.org
27
Causal Episodic Memory arXiv
arxiv.org
28
EnvACE arXiv
arxiv.org
29
Refining Over Resampling arXiv
arxiv.org
30
Spoken Function Calling arXiv
arxiv.org
31
Diff-Symbo arXiv
arxiv.org

「8.6」「8.7」六个允许栏目共有 289 篇：人工智能与自然语言处理四栏 275 篇，语音与音频两栏 14 篇。1 2 3 4 5 6

阅读优先级

顺序	原文	先读它的理由	当前证据
1	ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment	把终局答案回溯成可验证线索，再给每个搜索步分信用；代码和模型均已发布。	全文核验；4B 骨干，8.5K 轨迹，BrowseComp 加上下文管理后 55.3%。7
2	AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning	不训练 critic，用 teacher-student 差更新回合级成功信念，适合与 ABSeeker 比较信用对象。	全文核验；ALFWorld 7B 为 89.1%，长轨迹退化斜率约 −0.54/回合。8
3	When Self-Evolution Backfires: Pre-Commit Gating against Skill Contamination in LLM Agents	给出技能污染跨轮扩散、事后回滚救不回来的证据，并把门控放到提交前。	全文核验；Terminal-Bench 2 上 VaG 五轮升至 72%，未门控系统回落到 50%。9
4	TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories	不找「最后一个错」，而是找修正后足以把失败变成功的最早决定性错误。	全文核验；486 条人工标注失败轨迹，定向修复后重跑成功率平均 +10.80%。10
5	AudioScape-TTA: A Structured Soundscape Benchmark for Fine-Grained Text-to-Audio Evaluation	把全局相似度拆成事件、属性和语音内容，能直接暴露复合音频的语义失败。	全文核验；2,258 对音频文本、25,707 条 rubric，人类对齐相关系数 0.879。11
6	LILAC: An Idempotent Neural Speech Codec	给重复编解码提供结构性幂等保证，适合检查语音生成与编辑管线里的 token 漂移。	全文核验；0.75 kbit/s，代码、权重和演示已发布，但下游收益尚未实证。12

三组机制不要混着比较

ABSeeker、AgentOPSD、CIPO：信用分给谁

方法	信用对象	信号来源	适用前提与代价
ABSeeker	搜索步	从已验证答案回溯出的中间线索	需要答案与过程线索可回溯；另用 DeepSeek-V4-Flash 恢复线索和打分。7
AgentOPSD	交互回合	teacher-student token 差造成的成功信念边际修正	不需要 learned critic 或额外 rollout，但每回合多一次 teacher 前向。8
CIPO	检索后的推理动作	动作是否真正受外部证据影响，再叠加终局奖励	不要人工过程标注或额外 reward model；摘要未给统一结果数字。13

TRAJDEBUG 与 VaG：诊断失败，还是阻止写入

AudioScape-TTA、InvFlowFD、LILAC：三个分数维度

重点精读：长程信用、失败真因与技能门控

1. ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment

作者与提交：Yijun Lu、Rui Ye、Jiajun Wang 等；2026 年 8 月 5 日 v1。证据为 arXiv HTML 全文核验。

研究问题：搜索智能体可能走上百步，终局成功或失败无法区分有用、冗余和错误动作。ABSeeker 要把轨迹级二元信号拆成步级监督。
核心方法：Answer-Backtracked Clue Recovery 先从已验证答案恢复解题所需线索；Clue-Anchored Step Scoring 再判断每一步是否发现、验证、排除或破坏了这些线索。ABC-SFT 按步奖励重加权损失，ABC-GRPO 把步级分数作为 GRPO 奖励。7
训练数据与流程：Qwen3.5-4B 使用 8.5K 条 OpenSeeker 轨迹，其中 5.5K 正确、3.0K 错误；SFT 训练 3 个 epoch、全局 batch 64。RL 使用 1,000 个问题，每题 8 次 rollout，最多 200 回合；DeepSeek-V4-Flash 负责线索恢复与步评分。
评测与结果：BrowseComp 和 BrowseComp-ZH 分别为 37.3%与 39.1%；加入 256K 上下文、discard-all、最多 5 轮的上下文管理后升至 55.3%与 52.9%。xbench-2505、xbench-2510、GAIA-text 分别为 77.0%、46.0%、81.6%。7
复现条件：代码与ABSeeker-4B-RL 权重均已发布。真正的依赖不只是一张 4B 卡，还包括可验证答案、回溯线索和额外打分模型。
证据与局限：SFT 与 GRPO 两条训练线都有消融支持，证据强于只报一个终局榜分。实验仍限于 4B 搜索智能体；结果难以直接外推到没有标准答案、线索不可回溯的开放任务。
与目标线关系：这是本批最直接的长程轨迹信用分配论文。它允许失败轨迹里的有用步骤获得正信用，也允许成功轨迹里的冗余步骤被压低。
结论：精读。公众号条目：人工智能学术速递 8.6

2. AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning

作者与提交：Zi-Han Wang、Zhengxi Lu、Zhiyuan Yao 等；2026 年 8 月 6 日 v1。证据为 arXiv HTML 全文核验。

研究问题：token 级 teacher-student 差可以衡量局部模仿难度，却不是顺序信用。AgentOPSD 要找出真正改变成功前景的回合。
核心方法：先把 token 差聚合成回合证据，再在 log-odds 空间递归更新信念；信用由相邻信念的修正量决定，并带上终局成败符号后整形 GRPO advantage。先验由同组 rollout 成功率初始化。8
训练数据与流程：使用 Qwen2.5-3B/7B-Instruct 与 8×H800；共享设置为λ=0.5、b=0.2、γ=0.95、学习率 1e-6、group size 8、KL 0.01。方法不增加 rollout，也不训练 critic；训练期每回合多一次 teacher 前向。
评测与结果：7B 在 ALFWorld、Search-QA、WebShop 上的结果为 89.1%、47.5%、90.2/79.7；3B 为 84.4%、44.9%、90.4/69.5。ALFWorld 上，每多一回合的退化斜率约为 GRPO −2.91、RLSD −3.59、AgentOPSD −0.54。8
消融：ALFWorld 7B 完整方法 89.1；改为 token 累积 85.9，使用原始局部差 82.8，只保留幅度 80.5，去掉先验锚 78.9。signed direction 与先验锚不是装饰项。
复现条件：代码已发布。训练仍依赖 privileged self-teacher；所谓 belief 是相对支持度，不是经过校准的成功概率。
证据与局限：完整算法、跨三个环境结果、消融和长度鲁棒性都可核验。横向成本仍需单列 teacher 前向，不能只比较「无 critic」。
与目标线关系：ABSeeker 把信用落到可回溯线索，AgentOPSD 把信用落到信念修正。前者更依赖答案结构，后者更依赖 teacher 信号。
结论：精读。公众号条目：人工智能学术速递 8.7

3. When Self-Evolution Backfires: Pre-Commit Gating against Skill Contamination in LLM Agents

作者与提交：Linfang Shang、Ming Xu、Yiding Sun 等；2026 年 8 月 6 日 v1。证据为 arXiv HTML 全文核验。

研究问题：自进化技能池扩大后，性能为什么会先升后降；事后删除坏技能为什么救不回来。
核心方法：VaG 先把新技能放入 Cold 池。Cold→Warm 需要 SchemaCritic、ExecCritic 和 AgentCritic 分别验证结构有效性、单技能 A-B 回放无害性与语义一致性；Warm→Hot 再用边际增益贪心选择过滤技能组合冲突。9
训练数据与流程：Terminal-Bench 2 Event split 上运行 5 轮进化，每任务 3 次 rollout；held-out split 负责回放与边际增益估计，test split 只做最终评估。主骨干为 Hy3，agent 使用手写 ReAct 循环。
评测与结果：不设门控时，五轮 pass@1 为 48%、60%、62%、52%、50%，技能池从 35 增至 179；VaG 为 52%、58%、62%、68%、72%，第五轮 Hot 池只有 37 项。源头回滚只能恢复约 17%的退化，说明污染已通过后续技能蒸馏形成后代。9
复现条件：原文未报告代码或模型仓库。门控需要留出任务、执行回放和 LLM critic；在缺少可重复验证环境时，成本与可靠性都会变化。
证据与局限：三类 critic 和组合门控均有消融；冻结技能池也迁移到四种其他骨干与 InterCode NL2Bash。论文同时说明，与更大系统不是同 backbone、同任务、同 round budget 的 head-to-head 比较。
与目标线关系：它把「技能是否写入长期库」提升为独立研发决策。只做事后清理，可能已经晚了一轮以上。
结论：精读。公众号条目：人工智能学术速递 8.7

4. TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories

作者与提交：Yunjia Qi、Zehua Yin、Xintong Shi 等；2026 年 8 月 6 日 v1。证据为 arXiv HTML 全文核验。

研究问题：失败轨迹通常有多个局部错误；最早出现的错、离终局最近的错，都未必是修正后足以转败为胜的关键错误。
核心方法：先做多粒度历史压缩，再执行错误触发检测、错误生命周期分类与候选集引导的因果归因。错误被分成 Clean Resolution、Costly Resolution、Manifest Active、Latent Active 四种状态；没有逐字证据的诊断会被丢弃。10
数据与评测：TrajErrBench 含 486 条人工标注失败轨迹，其中τ²-Bench 400 条、平均 29.3 步；SWE-Bench Pro 86 条、平均 119.7 步。每条由 3 名标注者处理，Fleiss κ分别为 0.91 和 0.67，可用标签比例 98.2%与 91.9%。
关键结果：诊断生成定向指导后重跑，成功率平均提升 10.80%；把诊断汇成失败记忆并迁移到留出任务，成功率平均提升 5.70%。关键错误常在中后段，推理是主要失败阶段。10
复现条件：仓库入口已给出，论文状态仍是「will release」。在真正复现前，需要确认数据、标注协议和诊断模型是否已落库。
证据与局限：人工基准、标注一致性和干预重跑共同支持「真因定位」；SWE-Bench Pro 的一致性明显低于τ²-Bench，长软件轨迹的因果归因仍更难。
与目标线关系：失败轨迹要进入自进化或经验库之前，先判断错误是已修复、无害、潜伏还是终局真因。否则负轨迹会生成错误的经验总结。
结论：精读。公众号条目：人工智能学术速递 8.7

其余 16 篇直接命中：统一扫读表

以下论文都直接研究长程智能体、轨迹改进、自进化或相关训练基础设施。它们目前以 arXiv 摘要核验为主；摘要没有统一数字时，不替作者补结论。

原文与基本信号	研究问题与方法	关键结果与证据	复现条件与局限	与目标线关系 / 结论
Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning Boxiu Li 等；8 月 5 日；公众号 8.6 AI	Manager、Planner、Engineer、Reviewer 在持久运行时状态上协作；自进化发生在记忆、技能、程序、验证器与控制策略，不改模型权重。	SWE-Bench Pro 约 78%，Direct Copilot 为 59%；总 token 1.41×。成熟批次 solve-input token 少 21%，活动时间少 15%。15	摘要级；未报告代码、模型和统一预算口径。系统指标多，不能把单一成功率当成算法消融。	运行时级自进化样本；值得扫读。
The LLM Proposes, the Executive Disposes: A Self-Verifying Agent Instrument that Dissociates Commitment Drift from Binding Drift in Long-Horizon Agents Mohsen Arjmandi；8 月 4 日；公众号 8.6 AI	确定性 Executive 持有信念，LLM 只交类型化提案；用预注册预测和代码匹配区分承诺漂移与绑定漂移。	移除承诺机制后 goal-abandonment 从 0.00 变 1.00，binding error 仍为 0.00；ARC-AGI-3 上 52 次门控运行零级完成。16	摘要级；未报告代码与算力。零任务完成率是重要边界，结构归因有效不等于任务能力有效。	长程审计与可归因评测；值得扫读。
Hierarchical Graph Memory for LLM Agents with Path-level Localization and Rewrite Xiawei Yue 等；8 月 5 日；公众号 8.6 AI	分层图记忆先定位支持子图与证据路径，再协同重写单元内记忆和单元间依赖。	长程对话与冲突感知记忆基准均报告答案质量、token 效率和有效证据选择改善；摘要未给统一数字。17	摘要级；代码、基准来源和具体分数未报告。	与 ScrubJay-MEM 的类型化遗忘形成「改哪里」与「何时忘」对照；值得扫读。
Recursive Synthesis for Long-Horizon Terminal Tasks Zhongzhi Li 等；8 月 5 日；公众号 8.7 AI	从验证种子递归扩展参考解、重对齐指令和验证器、换沙箱复验，再把通过任务作为下一轮种子。	15 轮生成 37,484 个终端任务，约 0.05 美元/任务；参考解中位数 67→374 行，DeepSeek-V4-Pro pass@4 90%→2.5%。Agentic PPO 把 Qwen3.5-27B 在三项基准推到 49.44%、32.00%、22.07%。18	摘要级；代码/数据、PPO 配置和算力未报告。合成难度上升不自动等于真实环境覆盖。	长程任务与训练数据供给；值得扫读。
SkillHEX: Improving Agent Skills via Hypothesis-Driven Autonomous Exploration and Exploitation Yuru Feng 等；8 月 6 日；公众号 8.7 AI	把失败转成可证伪假设和可执行测试，再用诊断证据驱动持久技能分支的树搜索。	SkillsBench 87 任务、5 次迭代预算下，GPT-5.3-Codex 平均通过率 55.9%，Claude Opus 4.7 为 57.9%。19	摘要级；代码、算力和 judge 依赖未报告。	VaG 负责入池门控，SkillHEX 负责改技能前的假设验证；值得扫读。
StepReflect: Structured UI Transition Reflection for Mobile GUI Agents Linqiang Guo 等；8 月 6 日；公众号 8.7 AI	把开放式多模态反思改成有显式转移规范和成对视觉证据的结构化预测；训练走 SFT、师生蒸馏、偏好/奖励精修。	8B 模型转移级准确率 82.16%，比同输入零样本 GPT-5.2 高 11.83 点；四种在线智能体配置中 3/4 提升任务成功率。20	摘要级；代码、数据规模和算力未报告。结果集中在移动 GUI。	本地步级反思与执行纠错；值得扫读。
EASy: Towards Efficient LLM-Based Agentic System Junnan Liu 等；8 月 5 日；公众号 8.6 NLP	milestone-plan-act 工作流把任务拆成里程碑与依赖图，按执行器能力/成本分配；树状 rollout 联合优化正确性、效率和轨迹完整性。	数学推理、具身决策、深度研究上报告更好的性能-效率权衡；摘要未给统一数字。21	摘要级；未报告骨干、代码和统一成本。	把效率写进 agent RL 目标；值得扫读。
Caching for the Future: Scrub Jay Episodic Memory Principles for Agent Memory Systems Kartikey Singh Bhandari 等；8 月 5 日；公众号 8.6 NLP	What-Where-When 记忆附可腐坏度和效用时域，按记忆类型衰减。	唯一取得正 GenGap 的检索系统（+0.108）；EventQA-64k F1 比 Mem0 +2.66、比 Qwen3-Embedding-4B +3.09；去掉衰减后 GenGap 缩小 5.7×。22	摘要级；未报告代码。骨干越强收益越窄，事实整合任务上可能反转。	长期记忆的类型化遗忘；值得扫读。
A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination Wenxiao Zhao 等；8 月 5 日 v1；公众号 8.6 NLP	角色条件证据视图、在线 evaluator-reward 策略和状态路由记忆构成运行内自进化；跨运行再把轨迹蒸馏成角色先验。	Llama3.1-8B 在四个 LSR-Synth 域 Acc@0.01 从 25.79%升至 48.30%；Qwen3-4B LoRA 从 24.58%升至 38.29%；真实任务 8 项指标中 7 项最优 NMSE。23	摘要级；未报告代码。结果集中在符号回归与科学发现。	自进化在专业域的闭环样本；值得扫读。
State2State: Environment-Derived Mid-Training for LLM Agents Xuanyu Lei 等；8 月 5 日；公众号 8.6 NLP	把探索到的环境状态转成「到达指定目标状态」的中间训练任务，用规则状态匹配验证，无需专家轨迹和人工任务设计。	ALFWorld、ScienceWorld 上报告性能提升；作为下游 RL 初始化也改善最终性能与学习效率，摘要未给统一数字。24	摘要级；代码和具体数字未报告。	环境内部结构提供训练信号；值得扫读。
OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents Jingsheng Zheng 等；8 月 4 日；公众号 8.6 NLP	把开放请求分成有界子任务，在上下文压力下维护执行记忆，并验证、修复最终交付物。	AgentIF-OneDay 含 104 项长程任务；GLM-5.2 后端总分 0.821，同一 harness 无调参跑通 5 个后端、3 个模型家族。25	摘要级；代码、成本与完整局限未报告。	系统级长程编排，不是训练算法；值得扫读。
Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning Yinghui He 等；8 月 5 日；公众号 8.6 NLP	用 Skill Entropy 量化技能切换难度；Skill-Entropy RL 同时奖励步级正确性和预测技能序列与黄金序列的对齐。	Skill²-Bench 含 558 技能、9 个域；Qwen3-4B 从 34.4%升至 68.4%，Qwen3-1.7B 从 14.6%升至 40.1%。26	摘要级；代码已发布。跨技能长程任务的技能标注质量仍是前提。	把「长」从步数扩展到技能切换；值得扫读。
Causal Episodic Memory for Feedback-Driven Agent Repair Khang Nhat Hoang Vo 等；8 月 6 日；公众号 8.7 NLP	免训练修复：保存 oracle 修正与失败方向的双极记忆，先做确定性错误分类，再检索相似经验并生成修订。	Qwen2.5-7B 在 Spider 执行准确率 66.34%→69.79%，BIRD 47.35%→48.44%。27	摘要级；代码未报告；评测依赖 oracle 反馈，并限制只能读取此前 episode 记忆以防泄漏。	记忆辅助的免训练修复，收益可测但不大；值得扫读。
Contextual Information Policy Optimization for Search Agents Xingyu Guo 等；8 月 6 日；公众号 8.7 AI	给真正受检索证据影响的推理动作分配稠密回合信用，再叠加全局结果奖励，减少先验驱动推理。	7 个域内与域外基准上报告多数任务表现良好；摘要未给统一数字。13	摘要级；不需人工过程标注或额外 reward model，代码未报告。	搜索智能体的证据使用信用；值得扫读。
EnvACE: Internalizing Environment Dynamics via World Rehearsal for Agentic Reinforcement Learning Zishan Xu 等；8 月 6 日；公众号 8.7 AI	policy 交替扮演 agent 与 environment，用 world rehearsal 代替训练时外部交互；测试时可先私下预演再执行。	BFCL-v4、τ²-Bench、VitaBench、FinMCP-Bench 上报告强迁移表现，摘要未给统一数字。28	摘要级；代码已发布。仍需核验预演预算和对真实环境误差的敏感性。	内化环境动态的长程训练路径；值得扫读。
Refining Over Resampling: Test-Time Self-Correction for LLM Reasoning Ahsan Bilal 等；8 月 6 日；公众号 8.7 AI	多路独立 rollout 后逐路自批判、自修正，再多数投票；用深度精炼补纯扩采样的边际收益递减。	多模型、五个数学基准上优于 greedy、majority vote、verifier best-of-N、beam 与 lookahead；Qwen2.5-1.5B 在 MATH500 达 58.0%，AMC 从 25.0%到 32.5%。29	摘要级；不需 verifier，代码未报告。证据集中在数学推理，并非交互式工具轨迹。	测试时轨迹精炼与自修正；值得扫读。

邻近跟踪：音频有评测机制，没有 TTS 或播客直击

5. AudioScape-TTA: A Structured Soundscape Benchmark for Fine-Grained Text-to-Audio Evaluation

作者与提交：Jinting Wang、Yuguang Yang、Shengyu Li 等；2026 年 8 月 5 日 v1。证据为 arXiv HTML 全文核验。

研究问题：CLAP 类全局相似度无法说明是事件漏了、属性错了，还是语音内容没说对。AudioScape-TTA 要给复杂声景提供可解释的细粒度评测。
核心方法：每个样本拆成 Scene、BGM、SFX 与 Speech，再生成事件存在、事件属性和语音内容三类二元 rubric。事件与属性由 Qwen3-Omni-Instruct 核验，语音内容由 Qwen3-ASR 转写后按 SCCA@0.60 判断。11
数据与流程：从影视制作中的真实音频场景构建 2,258 个音频文本实例，共 25,707 条 rubric；平均音频 9.95 秒、描述 32.45 词、每样本 11.39 条 rubric 和约 4 个语义事件。358 段带语音标注，其中 83 段有目标话语。
评测与结果：13 个开源 TTA 模型中，Foley-Omni 总体 SR 79.62%，事件存在 81.74%，属性 78.34%，语音内容 57.06%；Dasheng AudioGen 的语音内容为 77.30%。MMAudio 的 CLAPMS 最高，为 0.5169，但总体 SR 只有 64.73%。11
人类对齐：26 名参与者评 130 段音频。模型总体 SR 与人类复合语义分的 Spearman 相关系数为 0.879，CLAPMS 只有 0.312；事件 SR 和属性 SR 与对应人评分别为 0.743 和 0.825。
复现条件：原文未给数据或代码公开入口。评估本身依赖 Qwen3-Omni 与 Qwen3-ASR；影视片段的数据授权、分发方式也需要在正式复现时确认。
证据与局限：复杂度只建模事件密度与模态结构，没有显式表示事件时序、因果和细粒度交互。它暴露了语音内容、说话人身份和多模态组合的困难，却不是专门的 TTS 或播客基准。
与目标线关系：可以迁移到「人声、配乐、音效」混合生成的语义核验，尤其适合把全局分数拆成可定位失败。
结论：邻近跟踪，建议精读。公众号条目：语音与音频学术速递 8.6

6. LILAC: An Idempotent Neural Speech Codec

作者与提交：June Young Yi、Dongwook Lee、Jiheum Yeom 等；2026 年 8 月 6 日 v1。证据为 arXiv HTML 全文核验。

研究问题：语音生成和编辑管线会反复解码、重编码。现有神经 codec 在一次循环后平均至少改写 15%的 token，漂移会继续累积。12
核心方法：LILAC 是 24 kHz、9.375 Hz、0.75 kbit/s 的全卷积 codec。可逆 analysis transform 保留坐标，fill network 补回丢弃维度，FSQ 只做 clamp 与 round；因此对任意有效 token 流都满足E(D(c)) = c。
训练数据与流程：HiFiTTS-2 共 31,700 小时、4,629 名说话人；排除 146 名 LibriSpeech/LibriTTS(-R)读者以防泄漏，并留出 40 名读者测试。评测含 LibriSpeech test-clean 2,620 段、LibriTTS-R 4,837 段、VCTK 3,094 段和 HiFiTTS-2 留出集 585 段。
评测与结果：LibriSpeech 与 LibriTTS-R 的 UTMOS 为 4.141 和 4.238。LILAC 在 STOI、SI-SNR 上较强，UTMOS 与说话人相似度有竞争力；dWER 与 SCOREQ 居中，不是单次音质 SOTA。12
复现条件：代码、权重和音频演示均已发布。
证据与局限：幂等性是结构保证，不依赖 fill network 权重；但 GPU 上许多小卷积导致运行不快，高码率系统的 dWER 仍可能更好。作者没有训练下游 TTS 或编辑模型来证明幂等 token 会带来多大实际收益。
与目标线关系：适合检查语音 token 接口和重复编辑稳定性，不应当作新的 TTS 生成模型。
结论：邻近跟踪，建议精读。公众号条目：语音与音频学术速递 8.7

其余 3 篇邻近项

原文与基本信号	问题与方法	结果与证据	复现与局限	连接点 / 结论
InvFlowFD: Reference-Free and Background-Set-Free Perceptual Music Quality Metric with Flow Matching Inversion Alon Ziv 等；8 月 4 日；公众号 8.6 音频	用 flow-matching inversion 构造无参考、无背景集的感知音乐质量指标，避免 FAD 随背景集变化。	88 人、400 次成对偏好；crop-and-paste 失真上与人评 Pearson r=0.73，FAD 在 FMA-pop 背景下为−0.87、MusicCaps 背景下为 0.43。14	全文级；作者代码和 checkpoint 未发布，高通失真上略弱于标准 FAD。	可迁移到无干净参考的播客音质检测，但证据来自音乐片段；邻近跟踪。
Spoken Function Calling: A New Perspective on Spoken Language Understanding for Large Audio Language Models Yuezhang Peng 等；8 月 5 日；公众号 8.6 NLP	把口语理解重写成函数名、参数键和值的结构化调用，构建 SFC-Bench 并做 GRPO 后训练。	300 个函数、5 域 21 场景、7,000+样本；SpokenFC-7B 在 Test-ID 与 Test-OOD 为 74.15、75.10。30	全文级；代码与数据已发布。研究对象是理解与工具调用，不是语音生成。	可作为合成对话的结构化语义核验器；邻近跟踪。
Diff-Symbo: Text-Controlled Long-Duration Symbolic Music Generation Using Autoregressive Latent Diffusion Model Zhiwei Lin 等；8 月 5 日；公众号 8.7 音频	用自回归潜空间扩散生成文本控制的长时长符号音乐；19,345 个 LLM 生成文本模板支撑条件控制。	报告 ASA、FD、MMD 与 20 名音乐爱好者的 5 分 MOS。31	全文级；有模板数据和演示页，代码与预训练模型未发布；输出是 MIDI 级符号音乐。	只对播客背景音乐与长结构控制有迁移价值；邻近跟踪。

本批没有播客生成或播客评估直接命中。这个空缺来自允许栏目本身，不能用口语理解、音乐生成或通用音频质量指标代填。

研发判断落点

References

1
人工智能学术速递 8.6
mp.weixin.qq.com
2
自然语言处理学术速递 8.6
mp.weixin.qq.com
3
语音与音频学术速递 8.6
mp.weixin.qq.com
4
人工智能学术速递 8.7
mp.weixin.qq.com
5
自然语言处理学术速递 8.7
mp.weixin.qq.com
6
语音与音频学术速递 8.7
mp.weixin.qq.com
7
ABSeeker arXiv
arxiv.org
8
AgentOPSD arXiv
arxiv.org
9
When Self-Evolution Backfires arXiv
arxiv.org
10
TRAJDEBUG arXiv
arxiv.org
11
AudioScape-TTA arXiv
arxiv.org
12
LILAC arXiv
arxiv.org
13
CIPO arXiv
arxiv.org
14
InvFlowFD arXiv
arxiv.org
15
Argus arXiv
arxiv.org
16
The LLM Proposes arXiv
arxiv.org
17
Hierarchical Graph Memory arXiv
arxiv.org
18
Recursive Synthesis arXiv
arxiv.org
19
SkillHEX arXiv
arxiv.org
20
StepReflect arXiv
arxiv.org
21
EASy arXiv
arxiv.org
22
Scrub Jay Memory arXiv
arxiv.org
23
A-SR arXiv
arxiv.org
24
State2State arXiv
arxiv.org
25
OneDayAgent arXiv
arxiv.org
26
Toward Skill-Native LLMs arXiv
arxiv.org
27
Causal Episodic Memory arXiv
arxiv.org
28
EnvACE arXiv
arxiv.org
29
Refining Over Resampling arXiv
arxiv.org
30
Spoken Function Calling arXiv
arxiv.org
31
Diff-Symbo arXiv
arxiv.org

8月6-7日论文雷达：20篇直接命中、5篇邻近，先看信用分配与技能污染

阅读优先级

三组机制不要混着比较

ABSeeker、AgentOPSD、CIPO：信用分给谁

TRAJDEBUG 与 VaG：诊断失败，还是阻止写入

AudioScape-TTA、InvFlowFD、LILAC：三个分数维度

重点精读：长程信用、失败真因与技能门控

1. ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment

2. AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning

3. When Self-Evolution Backfires: Pre-Commit Gating against Skill Contamination in LLM Agents

4. TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories

其余 16 篇直接命中：统一扫读表

邻近跟踪：音频有评测机制，没有 TTS 或播客直击

5. AudioScape-TTA: A Structured Soundscape Benchmark for Fine-Grained Text-to-Audio Evaluation

6. LILAC: An Idempotent Neural Speech Codec

其余 3 篇邻近项

研发判断落点

References

Related content

8月6-7日论文雷达：20篇直接命中、5篇邻近，先看信用分配与技能污染

阅读优先级

三组机制不要混着比较

ABSeeker、AgentOPSD、CIPO：信用分给谁

TRAJDEBUG 与 VaG：诊断失败，还是阻止写入

AudioScape-TTA、InvFlowFD、LILAC：三个分数维度

重点精读：长程信用、失败真因与技能门控

1. ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment

2. AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning

3. When Self-Evolution Backfires: Pre-Commit Gating against Skill Contamination in LLM Agents

4. TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories

其余 16 篇直接命中：统一扫读表

邻近跟踪：音频有评测机制，没有 TTS 或播客直击

5. AudioScape-TTA: A Structured Soundscape Benchmark for Fine-Grained Text-to-Audio Evaluation

6. LILAC: An Idempotent Neural Speech Codec

其余 3 篇邻近项

研发判断落点

References

Related content