8月18—19日论文雷达：20篇直接命中、7篇邻近，先看每一步究竟该负什么责

如果只读 12 篇

先把五种过程信号和一个事后诊断分开

harness 已经是训练系统的一部分

• LEGO-RL 抓原始生成流。 系统在进程内代理 LLM 调用，训练端重新计算 log-prob，并用沙箱、隐藏测试和奖励完整性防护挡住作弊。OpenHands SDK 设置下，同一 Qwen3.5-35B-A3B 从 64.0%升到 70.4%；论文的三个主 harness 配置各只有一次生产运行，不能当成跨 seed 稳定性证明。13
• Agent Lightning 抓请求—响应事件。 代理层把任意 agent 接到训练器；trainer 按整条 rollout 算 advantage，只在后续 prompt 严格包含前缀时合并多轮样本。Qwen3.5-9B 在 SWE-bench Verified 从 41.8%升到 56.4%，即 14.6 个百分点。14
• ClawGym II 重建调用树。 服务代理捕获 harness 边界的调用，再用前缀树恢复多轮轨迹，让 PPO 或 GRPO 在树上训练。Qwen3-30B-A3B 在 OpenClaw 与 Claude Code 设置下的 Pass@1 分别提高 9.98 和 14.81 个百分点。15

自进化先过三道验收

语音线：克隆、编辑、对话时序是三件事

一、20 篇直接命中

1. TRCA: Transition-wise Rubric Credit Assignment for Long-horizon LLM Agents

• 作者与入口：Huan Zhang 等；arXiv v1，2026-08-17。公众号 AI 栏[8.18] · arXiv 2608.16156
• 问题与方法：稀疏终点奖励看不见多步交互里哪一次状态转移有效。TRCA 用 Evidence、Execution、Invalidity 三组确定性 rubric 给每次转移打分，再把局部质量、新覆盖条件和终点结果合成 step-level advantage。
• 结果、证据与局限：Qwen2.5-7B 在 ALFWorld/WebShop 的 overall、task score、success 分别为 94.5/92.9/83.8；GiGPO 为 90.8/84.4/72.8。三 seed 与采样效率实验增强了证据，但新环境仍需离线建 rubric 库；论文未给作者代码、权重或训练数据下载入口。它直接服务长程 RL 的信用分配。7 结论：精读。

2. PlanPO: Group Planning-Aware Policy Optimization for Multi-Turn Agentic LLMs

• 作者与入口：Dayang Liang 等；arXiv v1，2026-08-18。公众号 AI 栏[8.19] · arXiv 2608.17289
• 问题与方法：GRPO 把同组成功轨迹视为同等奖励，无法区分规划效率。PlanPO 只在成功轨迹内按总轮数与每轮响应长度构造粗到细 advantage，避免把长度最小化当成目标。
• 结果、证据与局限：Qwen2.5-1.5B 在 ALFWorld 分布内/外成功率为 91.3±4.1%和 87.1±3.6%，GRPO 为 72.8±3.6%和 70.1±2.5%。结果来自三 seed；三个主基准都是可执行多轮环境，Chem-Mix 上的 RL 方法仍集体失败。论文未公开代码。8 结论：精读。

3. Towards Better Agents for Multi-Turn User Interaction: The Next User Turn Is More Than Context

• 作者与入口：Yiwen Zhao 等；arXiv v1，2026-08-18。公众号 AI 栏[8.19] · arXiv 2608.17499
• 问题与方法：终点奖励把有效询问、错误回答和事后修复压成同一个分数。FACA 把下一轮用户反应对齐到前一段用户—智能体交互，计算局部 reaction advantage，再叠加到已验证的终点结果。
• 结果、证据与局限：在九域τ-family 中，FACA 比相同模拟器、rollout 与初始化的结果奖励对照平均高 5.91 个百分点（8B）和 10.22 个百分点（14B），并在 Pare-Bench 与 Co-Gym 保持排序。它的价值取决于用户模拟器或真实后续反应是否可靠，论文未给代码入口。9 结论：值得扫读。

4. Step-Level On-Policy Distillation: Interpolating Between On-Policy Distillation and Supervised Fine-Tuning

• 作者与入口：Changhui Sun 等；arXiv v1，2026-08-17。公众号 NLP 栏[8.18] · arXiv 2608.16333
• 问题与方法：token 级 OPD 沿学生的错误轨迹给零散提示，难以展开完整修复步骤。SOPD 在学生实际到达的前缀上，让 black-box 教师生成一个完整局部步骤，再对学生的完整轨迹做 step-balanced 训练。
• 结果、证据与局限：数学四榜平均分从 OPD 的 47.7 升到 57.7；ALFWorld seen/unseen 从 65.72/60.45 升到 84.29/82.09。数学评测每题采样 32 次，但这不是 32 个独立训练 run；作者没有报告跨训练 seed 的置信区间，也未给 SOPD 代码或模型入口。10 结论：精读。

5. Trust Is Not Enough: Influence Calibration for On-Policy Self-Distillation in Agentic RL

• 作者与入口：Qizhen Lan 等；arXiv v1，2026-08-14。公众号 AI 栏[8.18] · arXiv 2608.14945
• 问题与方法：教师对某个 token 有把握，不代表加强这个 token 会改善学生当前的 RL 目标。ICSD 测量教师方向输出扰动对 RL 代理目标的一阶影响，再把结果变成有界蒸馏权重；权重只改蒸馏损失，不增加模型前向。
• 结果、证据与局限：在 ALFWorld、WebShop、Search-QA 的两种模型族和 GRPO/GiGPO 设置中，ICSD 都优于只看 teacher trust 的对照；7B 模型在 ALFWorld 与 WebShop 的成功率分别达 96.1%和 93.1%。摘要没有给跨 seed 统计，作者仓库链接来自论文，但本次未核验完整训练资产。11 结论：值得扫读。

6. LEGO-RL: Harness-Native Reinforcement Learning for Coding Agents

• 作者与入口：Yiming Du 等；arXiv v1，2026-08-18。公众号 AI 栏[8.19] · arXiv 2608.17393 · 代码 · 数据
• 问题与方法：原生编码 harness 掌握工具、仓库与执行反馈，训练器却要拿到严格对齐的 token 与 log-prob。LEGO-RL 用进程内代理抓生成流，编排沙箱与隐藏测试，并监控奖励作弊和路由回放错位。
• 结果、证据与局限：Qwen3.5-35B-A3B 在 OpenHands SDK 上从 64.0%升至 70.4%；Claude Code 与 OpenCode 设置也分别升到 68.2%和 66.6%。三条主配置各是单次生产运行，且都用同一基座；完整复现还需要 Harbor、沙箱镜像、Kubernetes 与隐藏测试。13 结论：精读。

7. Agent Lightning v1.0: Towards Harnessed Agentic RL

• 作者与入口：Zhiyuan He 等；arXiv v1，2026-08-18。公众号 AI 栏[8.19] · arXiv 2608.17528 · 代码
• 问题与方法：trainer 只看到 LLM 请求—响应，harness 却掌握整个多轮交互。Agent Lightning 用兼容 OpenAI 接口的代理记录事件，按整条 rollout 计算 advantage，并在严格前缀一致时合并多轮样本。
• 结果、证据与局限：作者从 SWE-smith 筛出约 6,000 个训练任务；Qwen3.5-9B 在 SWE-bench Verified 从 41.8%升到 56.4%。强结果对应一个编码配置，论文没有给主结果的多 seed 区间；rollout 内部怎样进一步分配信用仍留作后续工作。14 结论：精读。

8. ClawGym II: Exploring Black-Box RL on Agent Harness

• 作者与入口：Huatong Song 等；arXiv v1，2026-08-17。公众号 NLP 栏[8.18] · arXiv 2608.16798
• 问题与方法：黑盒 harness 不暴露内部控制流，训练器仍需恢复多轮调用结构。ClawGym II 在服务边界捕获模型调用，用前缀树重建轨迹，再让 PPO 或 GRPO 在树结构上优化；沙箱支持大规模并发 rollout。
• 结果、证据与局限：Qwen3-30B-A3B 经黑盒 RL 后，OpenClaw 与 Claude Code 设置的 Pass@1 分别提高 9.98 和 14.81 个百分点，训练 200—400 个优化步后仍高于训练前基线。结果集中在指定 harness 与基准，作者代码和完整训练资产本次未核验。15 结论：值得扫读。

9. Wuying-Browser-Agent: Real-World Centric Fundamental Long-Horizon Browser Agents

• 作者与入口：AIMAE Team 等；arXiv v1，2026-08-18。公众号 AI 栏[8.19] · arXiv 2608.17319
• 问题与方法：多数网页基准任务不到 10 步，难以暴露恢复与上下文失控。Wuying 构造 350 个真实网页任务，平均 37.9 步；训练侧用反思与复杂 UI 课程做 SFT，再用势能 reward shaping 和偏航感知步骤加权做 DAO-GRPO。
• 结果、证据与局限：27B 模型在 WebVoyager、Online-Mind2Web、BrowserBench 上的成功率为 80.6%、66.7%、65.1%，在浏览器外三个工具基准的平均分为 73.8。摘要称模型开源，但本次未核到作者仓库；真实网页变化也会影响结果重现。25 结论：值得扫读。

10. LongRCA Bench: Diagnosing Responsible Roles and Root Causes in Long-Horizon Agent Failures

• 作者与入口：Yunfei Zhang 等；arXiv v1，2026-08-15。公众号 AI 栏[8.18] · arXiv 2608.15242
• 问题与方法：终点失败不能告诉研发人员错误最早从哪里进入轨迹。LongRCA 收集 1,140 条真实失败轨迹，22 名计算机专业研究者标责任角色和最早决定性根因步骤；RCTA 先分段摘要，再生成轨迹纲要并回溯归因。
• 结果、证据与局限：同用 DeepSeek-V4-Flash 时，RCTA 的责任角色准确率为 51.1%，精确根因步准确率 24.1%；最强基线的精确根因步只有 13.2%。论文未报告标注者一致性，也未给完整数据下载入口；它评估的是完成后的离线诊断。12 结论：精读。

11. Write, Execute, Refine: From Skill Followers to Skill Optimizers via Reinforcement Learning from Execution Feedback

• 作者与入口：Kang Peng 等；arXiv v1，2026-08-18。公众号 NLP 栏[8.19] · arXiv 2608.17587 · 代码
• 问题与方法：智能体会遵循专家技能，不等于它会从执行证据改好自己写的技能。WER 冻结执行器，单独训练 4B Skill Optimizer；程序化 verifier 给技能执行打分，成败配对轨迹进入下一阶段精炼。
• 结果、证据与局限：BFCL v4 multi-turn 与τ²-bench 相对无技能基线平均提高 7.80 和 3.85 个百分点；第三训练阶段的平均 Pass@1 为 76.63%；单看推理时精炼深度，0/1/2/3 次的平均分为 67.28/70.67/76.63/75.33，第三次精炼出现回落。结果依赖可编程 verifier 与两个工具环境，未报告主表的多 seed 区间。16 结论：精读。

12. HyperSkill: Self-Evolving LLM Agents via Hypergraph-Structured Skill Memory

• 作者与入口：Ruiyao Xu 等；arXiv v1，2026-08-17。公众号 NLP 栏[8.18] · arXiv 2608.16114
• 问题与方法：扁平经验库难以同时表达步骤、整条轨迹与技能之间的共现关系。HyperSkill 用子任务步骤和可复用技能两类节点组成超图，按子任务与轨迹双路径检索，并定期剪枝、传播质量和合并冗余技能。
• 结果、证据与局限：在 xBench、GAIA、WebWalkerQA 及两类模型上，HyperSkill 优于 10 个记忆基线；GAIA 与 WebWalkerQA 最高分别提高 11.51 和 11.18 个百分点。论文未公开代码，长期维护的图规模、错误技能传播和跨任务污染仍需原文实验之外的验证。17 结论：值得扫读。

13. BaT: Towards Self-Evolving Medical Research Agent with Stage Rubrics

• 作者与入口：Junqi Liu 等；arXiv v1，2026-08-17。公众号 AI 栏[8.18] · arXiv 2608.16211
• 问题与方法：医学研究工作流分阶段，专家轨迹又难共享。BaT 用异步 Stage Bank 在策略更新循环外合成训练内容，再用阶段 rubric 验证 rollout；固定留出集决定下一阶段课程，GRPO 完成更新。
• 结果、证据与局限：AutoMedBench-Lite 上，BaT-9B 的 Overall 为 79.6；同一口径下，Claude Opus 4.6 加 Claude Code 为 77.5。它证明了 rubric 驱动课程在一个专门医学工作流中的可行性，尚未证明跨领域研究任务的迁移。21 结论：值得扫读。

14. On the Fragility of Self-Improving Agents: Variance, Task Order, and Underspecification

• 作者与入口：Qinyuan Ye 等；arXiv v1，2026-08-18。公众号 AI 栏[8.19] · arXiv 2608.18066 · 代码 · 数据
• 问题与方法：记忆型自改进系统的结果可能混入单次运行噪声和默认任务顺序。论文重评 AWM 与 RBank，让每个设置运行三次，并用两种随机顺序替换默认网页任务顺序。
• 结果、证据与局限：24 组比较中，加入记忆型自改进后有 17 组方差增大，其中 11 组的相对增幅超过 50%；默认顺序还可能构成隐藏课程。结论适用于按连续任务更新文本记忆库的设置，不能直接套到所有离线训练方法。20 结论：值得扫读。

15. Chain-of-Experience for Continual LLM Improvement

• 作者与入口：Haoqin Tu 等；arXiv v1，2026-08-18。公众号 NLP 栏[8.19] · arXiv 2608.18027
• 问题与方法：一次性评测看不到模型能否从连续反馈中改善。Chain-of-Experience 让模型在数学、编码、知识任务中反复使用自反馈或环境反馈，并把每轮经验带到后续推理。
• 结果、证据与局限：8 个模型上，摘要报告相对对照策略的总体任务表现提高 5.6%、API 调用成本下降 19%；摘要没有给这两个相对变化的统一绝对基准值。结果跨多个闭源与开源模型，但「经验」的存储、压缩和污染风险在摘要中没有充分展开。19 结论：值得扫读。

16. Evo-Harness: Context-to-Harness Skill Compilation for Self-Evolving Agents

• 作者与入口：Tianxin Wei 等；arXiv v1，2026-08-15。公众号 AI 栏[8.18] · arXiv 2608.15071 · 代码
• 问题与方法：真实系统常只有一次执行机会，完整上下文又包含大量噪声。Evo-Harness 把单次执行蒸馏成结构化 skill harness，冻结 agent 跨顺序任务持续更新并复用这些技能。
• 结果、证据与局限：论文在 TerminalBench2、SWE-bench、CL-Bench、WebArena-Infinity 等五个真实基准验证一次性技能编译，但摘要没有给统一绝对分和多 run 方差。该机制值得跟踪，尤其要和 Fragility 的任务顺序警告一起验证。18 结论：值得扫读。

17. Every Coin Has Two Sides: On the Dual Nature of Generalization in On-Policy Distillation of Large Language Models

• 作者与入口：Zhaoyi Li 等；arXiv v1，2026-08-17。公众号 NLP 栏[8.18] · arXiv 2608.16647
• 问题与方法：多数 OPD 研究只测单域与近分布任务，难以分辨学生迁移了答案还是教师的推理行为。论文一次只改变一个因素，比较域内偏移、跨域迁移与多教师组合。
• 结果、证据与局限：同源 teacher—student 组合可跨语言、推理跨度和领域缩小学生与教师的能力差距；跨源组合更容易只拟合训练分布，多教师还出现能力跷跷板。它是受控机制研究，不提供一个新的统一 SOTA 分数；代码与完整训练资产未报告。26 结论：值得扫读。

18. FireRedTTS3: Unified Speech Generation and Editing with Semantically Enriched Speech Representations

• 作者与入口：Feiyu Shen 等；arXiv v1，2026-08-18。公众号语音栏[8.19] · arXiv 2608.17492 · 代码
• 问题与方法：连续自回归 TTS 能保留声学细节，却容易累积语义误差。FireRedTTS3 用冻结音频理解编码器正则化连续表征；Base 统一多语言/方言克隆，Instruct 再处理声音设计和自由语音编辑。
• 结果、证据与局限：Base 在 Seed-TTS-Eval 的平均文本错误率为 3.04（英语计 WER、中文计 CER），说话人相似度为 78.8；在 24 语种 MiniMax-MLS-Test，平均 WER/CER 为 3.75，说话人相似度为 84.8。训练音频达百万小时量级，主表未报告训练 seed 或显著性；自动识别器上限与替换后的 Gemini judge 也限制跨论文比较。22 结论：精读。

19. Adding Voice Cloning to Text-to-Audio-Video Models with a Single Zero-Initialised Layer

• 作者与入口：Ivan Mikheev 等；arXiv v1，2026-08-16。公众号语音栏[8.18] · arXiv 2608.15690
• 问题与方法：音视频生成模型能生成讲话，却难控制「谁在说」。作者只加一个零初始化线性层，用参考 latent 和说话人 embedding 调制音频 token；音频路径还能跳过视频子块。
• 结果、证据与局限：674 个短文本样本、30 名英语说话人上，模型在三个说话人验证网络都超过五个克隆 TTS 基线，配对 Wilcoxon 检验均为 p<10^-89；音频独立推理约快 30 倍。说话人相似度提高时，WER 仍高于专用 TTS，长文本、多语种和真实噪声录音未得到验证。23 结论：精读。

20. DuplexGen: Decoupling Content, Timing, and Acoustics for Synthetic Dialogue Speech

• 作者与入口：Pengcheng Wang 等；arXiv v1，2026-08-17。公众号 NLP 栏[8.18] · arXiv 2608.16053
• 问题与方法：脚本加固定停顿的管线无法生成自然打断、重叠和 backchannel。DuplexGen 让两个全双工模型实时互听并表演固定脚本，使时序从互动中产生，再用 TTS 重渲染声学；整条管线无需训练。
• 结果、证据与局限：5,611 次真实 floor transfer 对比中，DuplexGen 的重叠转接比例为 38.5%，真实对话为 42.8%；发布的合成基准有 180 段、175 分钟。数据来自合成临床对话代理场景，且只覆盖转接重叠，不处理深度话中打断后的内容修复；代码与数据下载入口未核到。24 结论：精读。

二、7 篇邻近跟踪

1. HyMem: Hierarchical Context Management for Long-Horizon Agents via Information Isolation

• 作者与入口：XinQi Wang 等；arXiv v1，2026-08-16。公众号 AI 栏[8.18] · arXiv 2608.15703
• 迁移机制、证据与局限：HyMem 把规划、执行与复杂子任务推理分层，隔离模块不把中间推理写回持久规划上下文，结构化摘要负责跨刷新保存进度。DeepSeek-V4 在 GAIA/Browsecomp-plus 的 Pass@1 为 66.7%/61.3%，比最强基线高 6.1/4.7 个百分点。它本身是免训练的推理框架；把分层边界用于 rollout 切分和训练样本组织仍待验证。27 结论：邻近跟踪。

2. AstronOS: A Unified Execution Model and Runtime for Long-Horizon Agentic Systems

• 作者与入口：Zhenhang Nie 等；arXiv v1，2026-08-17。公众号 AI 栏[8.18] · arXiv 2608.16381
• 迁移机制、证据与局限：AstronOS 为每个 work item 保留持久身份和版本化权威状态，只有验证并记录结果后才推进状态。实验把 10 个受控任务组成一套交接测试；五种策略各重复三次，共 15 个整套运行。AstronOS 完成 14/15 次，没有重读原材料，只有 2 次重放完整历史。受控基准很小，也没有与其他成熟运行时做匹配比较；版本状态与交接协议仍值得接入长程评测。28 结论：邻近跟踪。

3. Beyond Suspicious Steps: Ontological Trust in Long-Horizon Agents

• 作者与入口：An He 等；arXiv v1，2026-08-18。公众号 AI 栏[8.19] · arXiv 2608.17718
• 迁移机制、证据与局限：RGE 把 Role、Goal、Evidence 拆成可重放状态，对每个轨迹前缀输出漂移分数和干预点；LLM 只抽取结构，确定性规则负责状态更新。在 OSWorld、FinanceBench、EICU-AC 上，较大 estimator 的漂移 F1 都超过 93%，良性覆盖率至少 95.8%；pseudo-consistency 的中位 F1 却只有 18.2%。它适合做早期偏航信号，不能处理缺少外部完成证据的隐蔽失败。29 结论：邻近跟踪。

4. Do LLMs Know What to Ask and When? Evaluating Multi-Turn Information Seeking

• 作者与入口：Yepeng Huang 等；arXiv v1，2026-08-14。公众号 AI 栏[8.18] · arXiv 2608.14808
• 迁移机制、证据与局限：MT-InfoSeek 用 9,006 个任务实例分开评估问什么、何时问、已获信息如何影响答案，并用 final sufficiency 记录信息是否已经足够。逻辑任务缺少 2 条关键信息时，模型低估缺失信息数量的次数约为高估的 4 倍；错误查询顺序即使拿齐信息仍会降低准确率。它给长程交互增加了过程标签，但还不是开放工具环境中的长期部署证据。30 结论：邻近跟踪。

5. When Is an Agent Evaluation Over? Outcome Finality and Cross-Unit Separation

• 作者与入口：Avyay M. Casheekar；arXiv v1，2026-08-14。公众号 AI 栏[8.18] · arXiv 2608.14940
• 迁移机制、证据与局限：论文要求评测同时满足结果终局性与跨单元分离，并用 open-effects record 记录未完成操作。AgentDojo 受控回放中，150 次非零延迟检查的 endpoint 标记都早于真实终态。另一组 200 次任务状态判定里，即时快照只判对 50 次；等待副作用收敛后，200 次都判对。它不提升 agent 能力，却直接约束异步工具、渲染和存储任务何时算完成；证据来自固定动作的机制实验。31 结论：邻近跟踪。

6. EvoTS-Agent: A Self-Evolving LLM Agent for Financial Time Series Change Point Detection

• 作者与入口：Lei Jiang 等；arXiv v1，2026-08-18。公众号 AI 栏[8.19] · arXiv 2608.17933
• 迁移机制、证据与局限：EvoTS 用 Revision、Alternative Strategy、Recombination 三种轨迹算子生成候选检测策略，再用外部验证反馈筛选下一轮状态。四个金融变点基准上，所有评估骨干的执行成功率均为 100%；这个数字只表示代码跑通，不是检测准确率。可迁移的是「修订—换路—重组—验证」闭环，金融特征和任务结论不能外推。32 结论：邻近跟踪。

7. The Last Mile of Deepfake Speech Detection: An Industry-Academia Experience Report

• 作者与入口：Anton Firc 等；arXiv v1，2026-08-18。公众号语音栏[8.19] · arXiv 2608.17585
• 迁移机制、证据与局限：这份三年产业—学术经验报告指出，部分域内检测基准已低于 1%错误率，真实部署却要面对长音频、编码损伤、部分合成、未见攻击与分布漂移。报告要求数据集满足商业可用条件，benchmark 覆盖真实渠道，并把校准分数翻成非专家可行动的决策。它没有提出新模型或统一新数据集。可迁移之处很具体：TTS 和播客的安全测试也要加入长音频、局部合成、编解码损伤、未见攻击与分布漂移，并把校准分数对应到可执行阈值。33 结论：邻近跟踪。

研发判断落点

1. 长程奖励要先说明信号落在哪一层。 TRCA 量状态转移，PlanPO 量成功轨迹效率，FACA 量后续用户反应，SOPD 量完整教师步骤，ICSD 量教师 token 对 RL 目标的影响。把这些都写成「细粒度信用分配」会遮掉它们各自需要的环境、教师和反馈。
2. harness 训练必须交代数据怎样穿过系统。 研发报告至少要写 LLM 调用捕获、token 与 log-prob 对齐、多轮样本合并、沙箱隔离、测试隐藏、verifier 和奖励防作弊。模型分数无法替代这张系统清单。
3. 自进化结果必须做多次运行和任务重排。 Fragility 已经指出，AWM 与 RBank 这类按任务流更新文本记忆库的方法会受固定顺序形成的隐藏课程影响。研发团队应在同类有状态评测中重复运行并打乱任务顺序；离线训练或无连续任务流的方法需要另设稳定性实验。
4. 绝对分、百分点和相对提升要分开。 PlanPO 摘要的 27.2%是相对提升；ALFWorld 分布外 87.1%对 70.1%是 17.0 个百分点；Agent Lightning 的 41.8%到 56.4%是 14.6 个百分点；DuplexGen 的 47%是距离相对下降。把单位写错，跨论文排序会直接失真。
5. 对话语音要分开测内容、说话人、时序和声学。 Voice Cloning 提高说话人相似度时 WER 仍较高；DuplexGen 让重叠与停顿更接近真实对话，却没有解决打断后的内容修复；FireRedTTS3 覆盖克隆与编辑，但自动识别器和 judge 协议仍会改变结果。播客系统还需要长音频一致性、角色轮换、事实忠实与整体收听体验评测，本批论文没有给出一套完整答案。