8月14日论文雷达：16篇直接命中、12篇邻近，先看轨迹为何不能照搬

如果只读 12 篇

先把方法差异看清

轨迹价值链有四层，不能统称为「轨迹学习」

自进化的载体不同，反馈和风险也不同

复杂记忆并未取得无条件胜利

VoxAudio 的优势集中在「发声音频」，不等于通用 T2A 全面领先

一、16 篇直接命中

1. Beyond Retrieval: Query-Conditioned Reuse of Long-Horizon Agent Trajectories

• 入口：公众号 AI 第 72 条 · arXiv 2608.12847
• 问题与方法：固定检索候选、目标状态、模型和工具预算，只改变提供给 agent 的经验形式。QCR 把旧轨迹压成目标绑定笔记，明确可复用流程、待重绑定值、适用条件和验证护栏。
• 结果、局限与复现：2,391 个目标实例上成功率 62.3%，比完整轨迹高 10.7 点，在线 token 少 48.9%；证据来自受控位移和消融，但只覆盖成功轨迹、单条记忆，未测多记忆组合、自然失败史和不可逆副作用。代码与数据公开状态来源未报告。4 结论：精读。

2. Beyond Final Scores: A Systematic Evaluation of Agents for Long-Horizon AI R&D

• 入口：公众号 AI 第 10 条 · arXiv 2608.13417
• 问题与方法：用 Solution Framing、Execution、Feedback Control 三组规则化指标观察运行过程，并比较同任务、跨任务经验复用。规模为 7 个前沿模型、36 个 AutoLab 任务、每组 3 次，共 756 次 rollout，保留 2—12 小时预算。
• 结果、局限与复现：252 个 best-of-three 方案中，人工复核后只有 3 个真正新颖；avg@3 与 best@3 差距暴露稳定性问题，相近终分也可能对应完全不同的过程瓶颈。结论限于 AutoLab、统一 harness 与该资源预算，过程指标仍是代理。代码与数据公开状态来源未报告。16 结论：精读。

3. MindMemOS: A Portable and Self-Evolving Memory Operating Layer

• 入口：公众号 AI 第 2 条 · arXiv 2608.12428
• 问题与方法：统一管理 entity-property-time 记忆、离线 dreaming 整合和轨迹技能；MindMemEvolve 用变异、锦标赛选择、交叉与 judge 优化 schema，MindSkillEvolve 再从执行轨迹生成技能改进。
• 结果、局限与复现：LOCOMO overall 94.03%，MindVanilla 为 87.60%；SpreadsheetBench-Verified 400 题上监督技能演化从 48.0%升至 57.2%。系统依赖回答模型、embedding、reranker 和多个 LLM judge；开放域仍最难，PersonaMem 上的演化收益有限。代码来源未报告。5 结论：精读。

4. SkillEvo: Self-Renewing Evolution Gradients from Multi-Turn Interaction Feedback

• 入口：公众号 AI 第 48 条 · arXiv 2608.13120
• 问题与方法：把多轮用户模拟从一次性评测改成持续反馈生成器，再以生产基线和上一版本作为双锚点，检测知识丢失、流程错误、自相矛盾和技能膨胀。
• 结果、局限与复现：6 类云服务、9 个生产技能、98 个参考文件和 2,000 张工单上，第 4 轮 TSR 为 81.8，单轮 QA 为 66.4，自反思为 58.8。真实生产证据有价值，但数据无法公开；复现要求生成器与评估器来自不同模型家族，人审仍是上线条件。6 结论：精读。

5. DIVE: Unlocking Self-Improvement in Frozen Language Models Through Diversity-Driven Skill Evolution

• 入口：公众号 NLP 第 15 条 · arXiv 2608.12486
• 问题与方法：冻结模型不改参数，演化多个自然语言技能种群；Reflective Repair、Exploratory Revision、Compression 和 Recombination 四类算子由 UCB 分配预算，validation 再选互补技能集。
• 结果、局限与复现：六个数学与逻辑任务上优于 Self-Consistency、ToT、Experience RAG、ExpeL 和多种技能、prompt 优化方法；GPT-5-nano+DIVE 平均表现超过常规 GPT-5 prompting。硬前提是外部 verifier 或 gold answer，数学与逻辑域外尚未验证，代码来源未报告。7 结论：精读。

6. SkillShapley: Boundary-Adaptive Shapley Valuation for Skill Step Attribution

• 入口：公众号 AI 第 51 条 · arXiv 2608.13173
• 问题与方法：把技能步骤当 Shapley player，用 warmup 缓存和自适应组合采样近似步骤贡献，再用删除实验检验排序是否对应真实性能损失。
• 结果、局限与复现：最高贡献常落在程序性桥接步骤；删掉 top-ranked 步骤时，成功率下降快于 Individual、Leave-One-Out 和随机排序。每配置仅 3 个实例，固定步骤集合、稳定奖励和低步骤数是适用边界，强耦合长流程可能把结构必要性误当贡献。2 结论：精读。

7. ε-MemEvo: Adaptive Cross-Task Memory Transfer for LLM Program Evolution

• 入口：公众号 AI 第 32 条 · arXiv 2608.12522
• 问题与方法：把先前程序搜索经验压成 task-agnostic tactic memories，再用上下文 bandit 按 improving、plateau、stagnating 和早晚阶段选择 skip、hint、guide。
• 结果、局限与复现：8 个数学与系统优化基准上，GPT-5 backbone 的 AUCC 平均相对提升 8.7%，早期 AUC@20 提升 9.4%，附加时延不到 1%。模型只覆盖 GPT-5 和 Gemini-3-Pro，数百条记忆规模未测，若绕过门控直接注入，消融中会出现灾难性失败。8 结论：精读。

8. LLMs Are Not Good Strategists, Yet Memory-Enhanced Agency Boosts Reasoning

• 入口：公众号 NLP 第 16 条 · arXiv 2608.12626 · 官方代码
• 问题与方法：EpicStar 把成功对局 episode 库与工作记忆结合，动态决定直接复用检索动作，还是把旧 episode 与当前状态一起重新推理。
• 结果、局限与复现：TextStarCraft II Level 5 上，gpt-4-turbo 胜率 0.750，CoS 为 0.600；平均 token 约为 CoS 的 14.5%。代码已公开，但记忆库只有 4,592 条胜局，未系统研究大规模含噪记忆，对新对手可能误用旧经验。17 结论：值得扫读。

9. Spatial Memory Agent: Experience-Grounded Procedure Memory for Training-Free Spatial Reasoning

• 入口：公众号 AI 第 6 条 · arXiv 2608.12743
• 问题与方法：冻结 VLM 在可验证空间环境中执行任务，用奖励和 verifier-guided reflection 蒸馏可迁移 lesson；每条 lesson 再用 Transfer Reliability Score 按后续命中效果校准。
• 结果、局限与复现：5 个空间基准、4 个基础 VLM 共 20 项评测中，每个模型块的宏平均都最高。它证明的是参数外程序记忆在空间推理中的有效性；依赖可验证环境提供奖励，全文、代码与数据未深挖，证据暂为摘要级。18 结论：值得扫读。

10. Governed Persistent Memory: Source-Bound State Semantics for Long-Horizon Agents

• 入口：公众号 AI 第 67 条 · arXiv 2608.12476
• 问题与方法：给长期记忆增加源绑定、双时态状态、当前公开屏障和 fail-closed 释放规则，回答「这条记录现在还能不能支持对外声明」。
• 结果、局限与复现：预注册 3,600 例 GPM-ReleaseBench 全匹配；密封服务评估中 governed lane 为 2,400/2,400，未治理对照 600/2,400。数字证明的是有界契约实现，不是开放世界准确率；单作者、厂商背景，代码与数据来源未报告。13 结论：值得扫读。

11. LycheeMemory V2: Efficient Long-Term Memory via Semantic Segment-Level Consolidation

• 入口：公众号 NLP 第 27 条 · arXiv 2608.12990
• 问题与方法：按语义片段批量整合多轮对话，保留事件和时间边界，再用轻量结构索引与 query-planned 检索平衡成本和细节。
• 结果、局限与复现：GPT-4.1-Mini 上，LoCoMo 89.22%、LongMemEval-S 92.20%；相对 A-Mem 构建 token 分别少 86.0%和 75.9%。跨系统数字受 backbone 与 judge 协议影响，代码来源未报告。11 结论：值得扫读。

12. RippleMem: From Isolated Retrieval to Associative Recollection

• 入口：公众号 NLP 第 36 条 · arXiv 2608.13334
• 问题与方法：先召回 cue-rich 情景记忆作为锚点，再沿语义和结构关系扩展，补齐散落在多轮中的证据集。
• 结果、局限与复现：论文报告 LoCoMo 的 LLM-as-a-Judge 准确率提高 3.95%，LongMemEval-S 最高提高 11.87%，图构建成本约降 30 倍。结论依赖 LLM judge，代码与数据来源未报告。12 结论：值得扫读。

13. AQuA: Recursively Self-Improving Quantitative Trading Research Agents

• 入口：公众号 NLP 第 67 条 · arXiv 2608.12841
• 问题与方法：两个互相独立的研究系统分别做符号因子发现和可训练模型开发，只保留已验证证据来改写下一轮假设；两者不共享 agent、记忆和候选空间。作者把 recursive self-improvement 明确限定在研究过程层，而非模型权重层。
• 结果、局限与复现：加密资产组合 IC 约 0.190；美股模型 per-stock IC 增加 0.0843，held-out Sharpe 最高 2.50，2021—2025 每年正收益。密封沙盒与固定数据划分使流程可审计，但金融回测偏差、市场选择和成本假设限制证据强度；代码与数据来源未报告。9 结论：精读。

14. CROP: Task Relevance via Counterfactuals for Selective On-Policy Distillation

• 入口：公众号 NLP 第 72 条 · arXiv 2608.13387
• 问题与方法：在学生当前策略采样的响应轨迹上，用保义改写校准的反事实敏感度挑选高价值 token，只改变哪些 token 进入 OPD loss，不改变 teacher target。
• 结果、局限与复现：两个 Qwen 师生设置、AIME24/25、MATH-500、GPQA-Diamond、HumanEval、IFEval 六基准均值分别比最强非 CROP 选择器高 1.92 和 2.96 点；训练使用 DAPO-Math-17K 去重后 16,594 条三元组。证据限于数学 triplet 与 Qwen 系列，其他领域的反事实构造成本仍未知。1 结论：精读。

15. Practice Makes Unsafe: Skill Misevolution in Self-Improving LLM Agents

• 入口：公众号 AI 第 42 条 · arXiv 2608.12851 · 官方代码
• 问题与方法：SkillMisevo-Gym 隔离会话、工作区和缓存，只让版本化技能库跨 episode 延续；SkillMisevo-Bench 分别测恶意、良性和 clean-session 持久危害。SafeEvolve 在写入端删除危险内容，在复用端按效用与 lineage risk 排序并退役高风险技能。
• 结果、局限与复现：25 个配置、525 个任务、25 个 episode 中，21 个演化配置产生不安全工件，15 个造成新会话危害；SafeEvolve 把 unsafe retrieval 和 fresh-session harm 分别降低 26.7 与 17.3 点。代码公开，但任务集中在技能库和可执行 computer-use，未覆盖其他更新机制和更长部署周期。10 结论：精读。

16. VoxAudio: Vocalized Audio Synthesis via Multi-Reward Autoregressive Flow Matching

• 入口：公众号语音第 2 条 · arXiv 2608.12951 · 项目与演示
• 问题与方法：用因果自回归流匹配统一生成环境声和可懂人声；随机 chunk 边界支持流式与变长，多奖励 NFT 同时看语义、WER、美学和时间定位。VoxCorpus 有 879,768 条，VoxBench 有 977 条 held-out 样本。
• 结果、局限与复现：VoxBench-10s 上 WER 0.038、TG-IoU 0.654，均明显优于 Dasheng-AudioGen 的 0.264 和 0.146；AudioCaps 上的部分分布指标落后 TangoFlux。默认监督和 RL 阶段均需 8 张 A100，评估依赖多个外部模型；英文偏置、30 秒以上连贯性下降、TTS 参考音色协议差异都限制结论。它把 podcast production 列为应用场景，不是播客专项论文。15 结论：精读。

二、12 篇邻近跟踪

1. SDAM: Structure-Difference-Aware Memory Evolution for Complex Text-to-SQL

• 入口：公众号 NLP 第 61 条 · arXiv 2608.12338
• 连接点与证据：结构差异感知推理树、矛盾感知反思和 schema 绑定记忆演化，是把记忆演化落到复杂 Text-to-SQL 的领域实例。BIRD-dev 与 Spider-test 分别比主流方法高 2.0 和 0.4 点；跨领域泛化与代码状态来源未报告。arXiv 页面显示 v1 为 2026 年 6 月 3 日，按页面日期记录。19 结论：邻近跟踪。

2. Reasoning Jury: Multi-Model Consensus for Evaluating Reasoning Traces

• 入口：公众号 AI 第 3 条 · arXiv 2608.12585
• 连接点与证据：轨迹筛选、RL 奖励和失败分析都依赖 judge；开源权重模型陪审团通过互评修正单模型偏差。作者报告缺陷识别超过数个前沿 judge，成本为其 8%—15%；摘要未给完整基准规模和绝对分，全文、代码未深挖，当前证据中等。3 结论：邻近跟踪，优先级接近精读。

3. SteerBench-Work: A Benchmark for Agent Steering at Action Boundaries

• 入口：公众号 AI 第 64 条 · arXiv 2608.12654
• 连接点与证据：在发邮件、合并 PR、汇款等不可逆动作前，评估 agent 该继续还是暂停。106 个场景、30 个模型条件下，错误拒绝授权工作的比例 28.1%，错误放行不安全工作的比例 1.0%；事件反转镜像准确率 63.8%，原事件 98.5%。它说明高通用能力不等于动作边界校准，适合补长程系统的 commit 前评测。20 结论：邻近跟踪。

4. ARAC: Benchmarking Auto-Research's Alignment and Completeness

• 入口：公众号 AI 第 65 条 · arXiv 2608.12788
• 连接点与证据：按 Proposal、Experiment、Synthesis 拆研究轨迹，并用学术认知技能评分表评过程。11 个 SOTA 自动研究框架的最佳对齐分只有 67.9/100，与博士候选人排序相关 0.8141。它可以给自主研究智能体提供过程级奖励，但依赖专家评分表，跨学科稳定性仍需验证。21 结论：邻近跟踪。

5. LongEarth-R1: Long-Horizon Earth Observation Reasoning

• 入口：公众号 AI 第 56 条 · arXiv 2608.13344
• 连接点与证据：LongEarth-Bench 约有 12 万问答、11.7 万组图，平均 15.14 帧、最长 30 帧；30k 子集带结构化推理轨迹。LongEarth-R1 用格式、时间、空间三类奖励做 GRPO，在 12 项长序列任务全部最优。它不是 LLM agent 论文，但奖励分解和长序列评测可迁移到长程 RL；遥感域外价值仍待验证。22 结论：邻近跟踪。

6. When Your Agent Opens the Chat App

• 入口：公众号 NLP 第 23 条 · arXiv 2608.12888
• 连接点与证据：ReFind 不给聊天历史预建图、树或 LLM 索引，只让 agent 控制对原始日志的检索。MemoryAgentBench 约 2,800 问上平均准确率 58.2，HippoRAG 2 为 53.2；LongMemEval-S/M 也达到 93.2±3.3 和 89.3±6.0。它是复杂记忆系统必须超过的简单基线，但优势是否延伸到治理、跨任务程序记忆和开放式写入仍未知。14 结论：邻近跟踪，优先级接近精读。

7. From Refuse to Richness: Rubric Rewards for Long-Form Hallucination RL

• 入口：公众号 NLP 第 60 条 · arXiv 2608.12337
• 连接点与证据：严格依据奖励会压制覆盖率，无约束 rubric 又会削弱依据；软组合依据、覆盖和相关性得到更好的长文本 RL 平衡。它把长程奖励中的「安全拒答」与「完成任务」冲突写成可调变量，可迁移到长任务和长输出训练。摘要未给统一绝对分，arXiv 页面显示 v1 为 2026 年 6 月 3 日。23 结论：邻近跟踪。

8. Beyond the Best Guess: Improving LLM Solution Coverage with Evolution Strategies

• 入口：公众号 AI 第 40 条 · arXiv 2608.12679
• 连接点与证据：标准 RL 会收窄输出分布，进化策略直接扰动权重，作者报告数学基准上的 pass@k 持续高于 RL，解空间覆盖更广。它对应自进化里的多样性保持问题，与 DIVE 的多技能种群互补；摘要未给绝对分、算力或代码状态，当前证据中等偏弱。24 结论：邻近跟踪。

9. DiG-bench: A Benchmark for Discovery in Games

• 入口：公众号 AI 第 5 条 · arXiv 2608.12593
• 连接点与证据：70 个规则未知游戏、7 档难度，专门测智能体能否通过交互实验发现目标和新知识；21 个游戏公开，其余保留作安全评测，全部游戏至少被一名人类首次尝试解出。它补的是「发现能力」而非已知目标优化，适合自进化评测，但摘要未报告模型总体通过率和代码复现细节。25 结论：邻近跟踪。

10. What Drives LLM Self-Reflection?

• 入口：公众号 NLP 第 2 条 · arXiv 2608.12322
• 连接点与证据：六条件消融把证据暴露、诊断脚手架、分类术语和动作路由拆开。结构化诊断与非结构化反思 F1 几乎相同，0.296 对 0.297；类型化动作路由升到 0.379。这说明反思收益可能来自「把诊断映射到动作」，而非多写一段反思。任务是武装冲突预测，领域较窄；arXiv 页面显示 v1 为 2026 年 5 月 29 日。26 结论：邻近跟踪。

11. @skills: Attention is all you have

• 入口：公众号 AI 第 69 条 · arXiv 2608.12610
• 连接点与证据：论文统计 56,804 个公开 agent skills，而实际触发槽少于 100；@skills 把内容、持久化和自动触发分开，以路径即技能和免安装机制降低交付摩擦。它没有证明技能学习本身更好，却直接约束 SkillEvo、SkillShapley 这类成果如何进入真实系统。当前实现落在 AdaL CLI，跨生态采用和安全审计仍未验证。27 结论：邻近跟踪。

12. Drive-to-Music: Context-Aware Generative Audio for In-Vehicle Experiences

• 入口：公众号语音第 4 条 · arXiv 2608.12615
• 连接点与证据：dashcam 图像、车速和外温先转成音乐描述子，再交给生成模型；系统同时做歌名、封面、氛围灯与响度、true-peak、突跳、底噪和内容安全检查。可迁移价值在「连续上下文→高层控制→低延迟生成→安全重生成」链路，而非音乐指标。
• 证据边界：每个组件约 10 个样本，用户研究没有人数和数字，也没有端到端质量指标或公开代码。它只够证明车载实时生成的系统可行性，不能替代 TTS 或播客论文。28 结论：邻近跟踪，低优先。

三、研发判断落点

1. 轨迹入库前先做四次筛选。 token 是否承载任务相关信息，看 CROP；技能步骤是否真有贡献，看 SkillShapley 式删除测试；整条轨迹能否被稳定评审，看 Reasoning Jury；换任务后是否需要重绑定，看 Beyond Retrieval。把完整成功轨迹直接塞进上下文，既浪费 token，也会把旧实体和旧约束带进新任务。
2. 自进化验收表必须加入安全生命周期。 除任务收益外，至少记录技能写入内容、检索触发率、fresh-session 危害、良性效用、版本回退和退役条件。Practice Makes Unsafe 已经证明，触发输入消失后，危害仍可能留在技能库里。
3. 复杂记忆先和简单检索做同 backbone 对照。 结构化记忆的收益可能来自更好的搜索接口，也可能来自整合、关联、治理或策略复用。ReFind 先把「可控搜索原始记录」设成下限，再决定是否支付图结构、LLM 索引、持续整合和 judge 成本。
4. 过程评估和最终成绩要并存。 Beyond Final Scores、ARAC 与 SteerBench-Work 分别暴露进展损失、研究阶段缺口和动作边界过拒。只报终分，无法分辨系统是在稳定推进、偶然撞中，还是把错误留给下一轮。
5. VoxAudio 的复现门槛主要在数据、算力和评测依赖。 234M 参数不算大，但 879,768 条训练语料、8 张 A100、多奖励模型和源分离链路都不是轻量条件。项目页适合先听样例、查 VoxBench，再决定是否投入全文复现。