8月28日论文雷达：经验开始进入状态、技能与权重，语音智能体把训练闭环跑起来

本批先看什么

六个机制问题：论文究竟改了哪一层

1. 长程运行里，错误从哪里开始扩散？

2. 经验进入系统时，究竟改了模型、轨迹、技能还是符号结构？

3. 模型固定以后，harness 还能改变多少？

4. “完成”如何从答案中拆出来？

5. 自我改进的收益是否值得验证和计算成本？

6. 音频系统到底在生成、理解，还是只是在被评测？

直接命中：重点精读

PILOT in the Loop: Live Self-Improvement for Long-Horizon Agents（2608.26530）

• 时间与来源：AllSpark Team，Yang Xiao 等 10 人，机构未披露；arXiv v1 提交于 2026 年 8 月 27 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26530。
• 研究问题与方法（改动层）：长程运行中的经验通常在任务结束后才用于反思和更新。PILOT 把 supervisor–worker harness 改成执行中可双向通信：worker 上传 notification、question、result，supervisor 下发 steer 或 abort；live self-evolution 再把可复用流程、失败模式和项目约定写入技能库 K 与记忆 M。GLM-5.1 和 Kimi-K2.6 的模型参数全程冻结，改动层是 harness、技能和记忆写入流程。
• 训练/搜索/评测设置：两个 backbone × Terminal-Bench 2.0、SWE-bench Multilingual、SWE-bench Pro；比较 one-shot 与 20 次迭代的 self-improvement，迭代过程中共享固定 harness 状态且不读取基准反馈。指标包括 pass rate、技能数、平均输出 token 和每百万输出 token 的成功评估数。19
• 关键结果：Terminal-Bench 2.0 的 one-shot 平均 pass rate 为 71.6%，相对 Pi 基线的 66.3% 高 5.3 个百分点。分别以 GLM-5.1（66.3%）和 Kimi-K2.6（68.5%）为起点的 self-improvement，均到 80.9%，提升 14.6 和 12.4 个百分点。两组技能数分别增加 21 和 31 个，平均输出 token 分别减少 42.9% 和 47.4%，每百万输出 token 的成功评估数分别增加 110.3% 和 134.0%。这些数字来自论文的表格和正文实验；摘要所说的“最多 9.8 个百分点”对应 PILOT 的 71.6% 与 Terminus-2 平均 61.8% 的差值，论文没有逐项标明该配对。19
• 证据强弱与复现条件：证据中强，实验覆盖两个 backbone、三个基准和多轮迭代，且报告 token 效率。论文没有披露机构和作者代码链接；supervisor 与 worker 共享同一 backbone，因此异构监督者的质量、成本和任务性能仍未测量。
• 局限与可迁移启发：20 次迭代会重复运行每个任务，成本把实验限制在三个基准和两个开源 backbone。研发时可以把“实时纠偏”“技能蒸馏”“后续运行的 harness 改进”分成三个事件流，再用冻结 backbone 的对照组判断收益来自哪一层。
• 结论：精读。它是本批最完整的长程 harness 自我改进案例，阅读重点是双向事件协议、技能增长曲线和没有基准反馈时的迭代稳定性。

Invocation-Level Reliability of Tool-Using Agents（2608.26189）

• 时间与来源：Afiya Noorain、Subhranshu Mohanty、Amritesh Banerjee、Abhijit Dasgupta；机构包括 SAI International School、University of Massachusetts Amherst、SP Jain School of Global Management；arXiv v1 提交于 2026 年 8 月 23 日，正文页眉标注 Verify-Agents Workshop。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26189。
• 研究问题与方法（改动层）：研究问题是：当评测把模型固定在 gold 轨迹上时，工具调用错误的 severity（错误严重度）和 recovery（恢复率）是否真的可估计。论文把逐调用正确率拆成 teacher-forced clean context 的 p_t 与 free-running context 的 g_t，再用三态马尔可夫传播模型描述 syntax 和 semantic poisoning。它提出 conditional-on-state scoring，让调用按模型实际持有的值条件计分，属于评测协议和评分器层改动。
• 训练/搜索/评测设置：合成整数路由任务，深度为 1、2、4、6、8；Groq 免费层的 5 个开源模型有数据，逐模型样本量为 273、225、108、98、49。数据冻结时间为 2026 年 8 月 17 日。线性对照任务因未执行而退化，gpt-oss-20b 因配额耗尽被排除。20
• 关键结果：深度 6 时，llama-3.1-8b-instant 的 L6=0.686，allam-2-7b 的 L6=0.684。869 个 poisoned-context steps 中没有一步正确；其中有 successor 的 580 个 poisoned steps 中，也没有一步回到 on-track。前一个统计把 severity 推到边界，后一个统计让 recovery 结构性不可观测。拟合仍返回 0.92 与 0.73，而直接可观测量已经固定为 1.000；conditional-on-state scoring 则把 severity 从边界状态中解开，得到相对 gold-agreement boundary 的 conditional 估计 +0.149（llama-3.1-8b-instant）和 +0.316（allam-2-7b）。20
• 证据强弱与复现条件：证据强，公式、表 1、表 2 和正文推导相互对应。论文没有公开代码 URL，只说发布了 pipeline；合成整数任务、模型规模受免费 API 配额限制，外推到自然语言、多字段参数和真实工具生态需要新实验。
• 局限与可迁移启发：工具评测首先要问评分规则是否让模型在一次偏离后仍有机会回到正确轨迹。双支 teacher-forced/free-running 协议可以把上下文长度衰减和错误传播拆开；缓存已有 completion 后，conditional-on-state scoring 可以在零额外推理成本下重算。
• 结论：精读。这篇论文的主要价值是一个测量学警告：固定 gold 轨迹上的高精度分数，可能把评测器自身的不可达状态误写成模型恢复能力。

AgentJudgeBench: A Multi-Difficulty Benchmark for Evaluating LLM Judges on Agentic Tool-Calling（2608.26623）

• 时间与来源：Abhigya Verma、Amit Kumar Saha、Seganrasan Subramanian、Sai Harshitha Aluru；ServiceNow AI；arXiv v1 提交于 2026 年 8 月 27 日，Comments 标注 EMNLP 2026 主会录用。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26623。
• 研究问题与方法（改动层）：论文检验 LLM judge 能否在有向无环工具工作流中重建正确性，尤其关注没有 ground truth 时 judge 是否会形成结构性天花板。数据包含 3,808 条 BFCL 风格记录、六种 DAG 拓扑、三档难度、五个 generator 和六个 judge；指标拆成 tool selection、parameter structure、sequence accuracy、query coverage。改动层是评测协议与 judge 构念分解。
• 训练/搜索/评测设置：论文做 with-GT/without-GT 配对评测，总计 90 个因子单元格和 321,648 次配对判断；另有 120 条记录的人工验证。难度改写保留 ground-truth 轨迹，因此可以把“难度变化”和“正确轨迹变化”分开。代码和数据链接由论文明确给出，但下方链接只代表论文自述，本文未独立验证其当前可达性： GitHub 任务目录、Hugging Face 数据集。21
• 关键结果：难度升高时 judge 对齐度单调下降；没有 GT 的 hard 查询上，六个 judge 全部聚集在 77%–82% 的窄带。GT 暴露反而使 GPT-5.4 的对齐度下降 1.5 个百分点、Gemini-2.5-Pro 下降 3.9 个百分点。CoT 最高只增加 0.3 个百分点，温度影响不超过 0.25 个百分点；结构化 rubric 提升 4.8–6.5 个百分点，但效果依赖 judge 和 generator。带 GT 条件下 judge 间一致性约为 κ=0.42；人工核验中，前三个维度一致率为 92.5%–98.3%，parameter structure 只有 82.5%。21
• 证据强弱与复现条件：证据强，数据规模、配对评测、人工抽检和主会录用信息共同支撑结论。数据为合成工作流，继承生成管线偏差；321,648 次配对评测成本高，且结构化 rubric 的增益并不普适。
• 局限与可迁移启发：实际 agent 评测应报告难度、是否暴露 GT、四类错误和 judge 之间的一致性。评测器改进需要优先检查候选池有没有正确答案，再检查 judge 是否能识别正确答案，最后才比较终选规则。
• 结论：精读。这是本批最直接的 judge 效度样板，重点读 paired protocol、无 GT 天花板和 over-anchoring 例子。

AgentFold: Closed-Loop Agentic Search for Protein Folding Model Design（2608.26747）

• 时间与来源：Mingquan Liu 等 11 人；公众号列示湖南大学、南京大学、香港中文大学、浙江大学、耶鲁大学、武汉科技大学、东南大学和斯坦福大学；arXiv v1 提交于 2026 年 8 月 27 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26747。
• 研究问题与方法（改动层）：AgentFold 把蛋白质折叠模型研发变成“提出假设 → 修改代码 → 执行 → 评估 → 分析 → 记忆”的闭环。MCTS 风格控制器维护代码快照、diff、配置、日志、归因以及失败变体；LLM 负责提出修改，真正变化的是紧凑 ESMFold 衍生代码和训练配置，LLM 权重保持不变。
• 训练/搜索/评测设置：训练数据是按时间切分的 PDB chains，抽样 1,000 条链；固定 150 epochs、Adam、batch size 8、峰值学习率 1e-3。搜索约 80 个变体，使用约 5,000 GPU-hours 和 1.7 亿 LLM tokens；在 CAMEO2022 development benchmark 上与独立 Codex 提案、随机搜索做匹配预算对照，每个对照有 36 次评估。22
• 关键结果：36 次评估的匹配预算下，AgentFold best lDDT 为 0.285，Codex 为 0.265，随机搜索为 0.260；相对 Codex 的提升为 7.5%，计算式是 0.285/0.265−1，属于相对提升而非 7.5 个百分点。对最佳变体的两组 trunk 配置，重复运行分别得到 1-layer mean lDDT 从 0.238 到 0.274、8-block trunk 从 0.321 到 0.355；去掉 IPA bias 和 BackboneUpdate gating，lDDT 分别下降 0.017 和 0.012。22
• 证据强弱与复现条件：证据中强，包含随机搜索控制、匹配预算、最佳变体重复运行和组件消融；作者在 arXiv 中明确给出 AgentFold GitHub，本文未独立打开仓库。主搜索仍是单一代码库、1,000 条链和单一 development benchmark，重复运行只覆盖最佳变体。
• 局限与可迁移启发：Critic 只用于昂贵实验排序，没有写进最终改进声明；失败变体也进入记忆库。这个“调度信号与结论信号分离”的做法适合迁移到长程 agent 自进化，但跨科学代码库的迁移仍需独立验证。
• 结论：精读。它给出本期最干净的闭环研发对照，读者应特别检查失败经验是否真的改变了后续搜索，而非只改善了最佳样本。

Knowing When Not to Reuse: Conditional Experience Transfer in Autonomous LLM Post-Training（2608.26730）

• 时间与来源：Tingyun Li、Wenfeng Feng、Weiqing Li、Abudukelimu Wuerkaixi、Guohua Liu、Yuewei Zhang；Alibaba Cloud Computing；arXiv v1 提交于 2026 年 8 月 27 日。候选来自自然语言处理学术速递[8.28]条目，原文入口为 arXiv:2608.26730。
• 研究问题与方法（改动层）：自主后训练反复面对新领域和新工具时，过去有效的更新可能因父模型已经变化而失效。BCIT 在全参数 SFT 前增加经验授权层：它绑定来源上下文，检查适用条件，用命名硬冲突否决候选，必要时用有界训练试验获取当前状态证据。经验授权改变的是训练轨迹和数据选择，最终仍由共享的 promote/rollback 规则决定是否保留权重。
• 训练/搜索/评测设置：一个 Qwen3-4B 模型适配 FinQA→TAT-QA、Spider→BIRD、xLAM→BFCL，IFEval 是共同保留约束。Audit-24 包含 10 个有益、8 个有害、6 个中性候选。BCIT、Flat-Additive、Validate-All 和 Additive+Veto 共享六个配对种子、候选流、数据顺序和 36 GPU-hour 上限；协议和配置哈希在每个 episode 开始前冻结。23
• 关键结果：Audit-24 中，BCIT 授权有害更新 2/8，即 25.0%；Flat-Additive 授权 5/8，即 62.5%；BCIT 的有益更新保留率为 90.0%。等预算端点的跨任务均值，BCIT 为 47.0±0.4，Flat-Additive 为 44.4±0.3；提升 2.63 个百分点，95% CI 为 [2.10, 3.16]，exact sign-flip p=.03125，六个配对种子全部由 BCIT 胜出。与 Validate-All 相比，BCIT 高 1.50 个百分点，同时少用 0.74 GPU-hour。23
• 证据强弱与复现条件：本批自进化方法中证据最强：匹配候选、证据、计算预算、冻结协议、哈希和配对检验齐全。arXiv 页面还列出 reproducibility 附属文件，包括 README、CSV、协议示例和 FREEZE_HASHES.json；文件路径来自原文附属列表，本文未逐个下载。
• 局限与可迁移启发：实验集中在单一 4B 模型、三个能力上下文和一个共同保留基准；组件消融是描述性分析。自进化系统可以把“过去成功过”降级为待授权证据，把当前态验证和 rollback 设为默认闸门。
• 结论：精读。BCIT 的价值在于把经验复用从“增加训练数据”改写成一个可审计的授权决策。

WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution（2608.27454）

• 时间与来源：Liyan Tang、Cyrus Rashtchian、Chun-Sung Ferng、Andrew Tomkins、Da-Cheng Juan、Tu Vu；Google Research、Virginia Tech；arXiv v1 提交于 2026 年 8 月 27 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.27454。
• 研究问题与方法（改动层）：WikiSkill 关注执行经验如何成为后续可执行技能。系统把工作区分成不可变 raw execution、跨迭代积累的 wiki 和当前活跃 skills 三层；Inference Agent 运行技能，Wiki Maintainer 总结失败模式，Skill Proposer 从 wiki 提出原子技能，Gating and Rollback 只有在验证集超过历史最佳时才接受新技能。模型权重冻结，改动层是技能文件和持久知识。
• 训练/搜索/评测设置：五个基准 × 五个模型，基准包括 LiveMathematicianBench、SealQA、SpreadsheetBench、OfficeQA、ALFWorld；基线为 Trace2Skill、EvoSkill、SkillOpt 和 No-skill。Wiki 在训练时供维护者和 proposer 使用，推理时把当前技能集全量注入 system prompt。24
• 关键结果：多数模型–基准组合超过技能演化基线和 no-skill。Gemini-3.5-Flash 的消融中，去掉持久 wiki 后分数从 63.7% 降至 48.7%；把 wiki 直接开放给 Inference Agent 后，分数从 63.7% 降至 60.9%。跨模型迁移中，Qwen-3.6-27B 演化出的 Spreadsheet 技能让 Qwen-3.5-9B 达到 50.5%，无技能为 24.3%，自演化技能为 33.6%；Qwen-3.5-4B 的低层 workaround 技能则让 Gemini-3.5-Flash 从 50.5% 降至 18.1%。24
• 证据强弱与复现条件：证据中强，覆盖五个基准、五个模型、多个基线、消融和跨模型迁移；未发现论文明确给出的作者代码链接。论文没有报告多次独立演化运行或随机种子，技能检索和触发机制也没有单独评测。
• 局限与可迁移启发：wiki 只增不剪，长时间演化会产生治理压力；门控阈值会丢弃当前持平、未来可能有用的提案；系统仍把技能全量放入提示。研发上应把执行轨迹、持久知识和可执行技能分开存储，并测试通用流程与模型特定补丁的迁移差异。
• 结论：精读。最值得带走的是“经验 → wiki → 技能”的明确流水线，以及推理期直接开放 wiki 反而降质的结果。

SpeechGym: An Audio-Native Gym for Training Voice Agents via Reinforcement Learning（2608.26432）

• 时间与来源：Jiajun Fan、Jingyuan Li、Prashanth Gurunath Shivakumar、Jia-Hong Huang、Qi Luo、M. Maruf、Ivan Bulyko、Ge Liu、Roger Ren；University of Illinois Urbana-Champaign、Amazon AGI Foundations；arXiv v1 于北京时间 2026 年 8 月 27 日提交。候选来自语音与音频学术速递[8.28]条目，原文入口为 arXiv:2608.26432。
• 研究问题与方法（改动层）：语音智能体把 ASR、TTS 和专有实时 API 放在训练边缘，导致音频交互中的梯度和 on-policy RL 难以闭环。SpeechGym 让两个 omni-modal 模型直接用原生音频对话；用户模拟器冻结，Thinker–Talker agent 可训练；任务、工具、数据库和成功判定继承 τ-bench/τ²-bench，只把交互模态换成音频。主要训练改动是音频原生环境和每轮 process reward，另以 vLLM omni 本地推理降低 API 成本。
• 训练/搜索/评测设置：任务覆盖 Airline、Retail、Telecom、Banking；训练在开放权重 30B omni 模型上进行。域内比较文本与语音 rollout，再在独立的 τ-Voice 用户模拟器、TTS、ASR 和评分栈上零微调迁移评测，终点是 pass@1、数据库终态和信息到达判定。论文没有报告作者代码、数据或环境链接；榜单竞争对手分数是供应商报告，作者没有复跑。25
• 关键结果：语音槽位误听率为 32%，文本为 2%；工具错误率从 26% 升至 42%，死循环从 18% 升至 29%。纯结果 GRPO 只有 16% 的 rollout group 产生梯度，过程奖励后为 99.6%。独立 τ-Voice 迁移中，pass@1 从 24% 升至 53%，其中 Airline 24%→62%、Retail 45%→73%、Telecom 4%→24%；95% CI 各域不重叠。未授权写操作从 23% 降至 10%，死循环从 14% 降至 5%，误听恢复从 42% 升至 62%。25
• 证据强弱与复现条件：证据强，唯一变量是交互模态，且有跨流水线迁移、过程奖励稀疏度和成本账本。单一开放权重 30B 模型、τ-bench 家族和未复跑的商业系统限制了结论范围。
• 局限与可迁移启发：这篇论文把“听错槽位”“工具错误”“行动终态”分开，适合直接移植到语音 agent 评测。过程奖励依赖环境提供的逐轮可判定信号；若把这套评测思路迁移到播客生成，还需要额外记录表达质量、听众偏好和内容交付，数据库终态一项无法覆盖这些结果。
• 结论：精读。做语音智能体训练的人应先读环境接口和奖励定义，再读排行榜；榜单比较不能替代受控迁移实验。

AudioSpan: Spanning the Duration and Depth of Audio Comprehension（2608.26431）

• 时间与来源：Wen Huang、Yunfei Chu、Meng Gao、Haolin He、Jin Xu；Qwen Team、Alibaba Group、清华大学、香港中文大学；arXiv v1 于北京时间 2026 年 8 月 27 日提交。候选来自语音与音频学术速递[8.28]条目，原文入口为 arXiv:2608.26431。
• 研究问题与方法（改动层）：短 clip 基准容易让模型在“能听到”与“能用上”之间蒙混过去。AudioSpan 用 Native QA 和 Anchor QA 两条路径、perception/understanding/reasoning 三层认知深度，测模型从长音频中定位、抽取并使用相关事实的能力。它改的是基准构建和评分协议。
• 训练/搜索/评测设置：360 个 in-the-wild 音频样本，英中双语、7 种体裁、9 个主题，时长从 10 分钟延伸到 2 小时以上；3 种锚定版本形成 720 个音频文件、约 600 小时和 3,240 道题。评测 12 个 LALM，模型按自身输入上限截断，输入始终为纯音频。数据集为 Hugging Face AudioSpan，许可证为 CC BY-NC-SA 4.0。26
• 关键结果：感知层 5 个模型均值为 Accuracy 63.8%、Rubric 43.6%；开放式时间定位分数约保留相应多选 Accuracy 的 53%。时间正确率随音频时长从 42% 降至 23%，错误定位从 46% 升至 67%。在同一 chain-score 口径下，GPT-5.4 的 transcript 注入只得到 12.6，oracle 锚点注入为 61.4，说明输入长度和文本兜底都不能代替时间接地。26
• 证据强弱与复现条件：证据强，数据规模、双路径、双语、人类复核、开源数据集与评测脚本共同支撑。Native QA 受 caption 覆盖限制，Anchor QA 受链式模板限制；低资源语言、长音乐和环境声在范围之外，非商业许可也限制商用复用。
• 局限与可迁移启发：长音频评测应把“输入上限”“事实定位”“事实理解”“跨段推理”分开。若将 Anchor QA 协议迁移到播客生成，可把逐环截断思想用于章节定位、说话人交接和引用事实的可追溯性；这属于迁移启发，AudioSpan 原文没有播客生成实验。
• 结论：精读。它是本期长音频评测的首要原文；读者应先看题目如何防止 transcript 捷径，再看链式评分怎样暴露第一个接地错误。

直接命中：其余扫读

DuMateBench: Evaluating Autonomous Agents in Complex Real-World Workflows（2608.26546）

• 时间与来源：Zechun Niu、Jiaxin Mao、Yukun Zhao 等 16 人；Renmin University of China、Shandong University、Michigan State University、Nankai University、East China Normal University、Imperial College London、Baidu；arXiv v1 提交于 2026 年 8 月 27 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26546。
• 问题与方法（改动层）：从单一生产平台匿名化重建 200 个会话任务，在 Docker 中注入 Insufficient、Unstable、Noisy 三类环境复杂性；评测由 1,257 个原子检查和 Gemini-3.1-Pro-Preview artifact judge 组成，最终分为 F=0.3P+0.7J。
• 结果与证据：五个 agent framework × 四个 LLM 中，单配置最高 Final 为 0.8548；DuMate 在每个模型块内领先替代方案 1.01–3.67 个百分点。摘要和贡献写“8 broad scenarios/17 fine-grained categories”，正文 3.3 写“5 coarse-grained scenarios/14 capabilities”，两套口径都来自论文，不能选一套冒充统一统计。证据中强，局限是单一生产平台、20 个原生配置和 judge 依赖。结论：值得扫读。27

SKILL.state: Scalable Long-Horizon Agent Skills（2608.26263）

• 时间与来源：Sanket Badhe、Priyanka Tiwari、Jonghyun Chung；Google LLC、Purdue University；arXiv v1 提交于 2026 年 8 月 26 日，Comments 标注 EMNLP 接收。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26263。
• 问题与方法（改动层）：每一步只把不可变技能规格、结构化执行状态和最新 observation 交给模型；状态更新经过验证后，当前步的中间 reasoning 被丢弃。改动层是运行时状态与上下文管理。
• 结果与证据：在 Gemini-3-Flash 的 warehouse scaling 中，T=200 时 SKILL.state 准确率 0.94、累计 token 122,384；Prompt ReAct 为 0.74、2,608,755 tokens。SKILL.state 的平均 prompt size 保持在约 1,736–1,905 tokens；合成实验使用 5 个 generator seeds，T≥50 的差异报告 paired t-test p<0.01。证据中强，原文摘要没有给出代码链接。结论：值得扫读。28

Verify Smarter, Evolve Further: Efficient Harness Evolution through Behavior-Aware Verification（2608.27311）

• 时间与来源：Jinghan Xu、Yikai Zhang、Aili Chen、Weiyuan Li、Jiaqing Liang、Deqing Yang；复旦大学及上海数据科学重点实验室；arXiv v1 提交于 2026 年 8 月 27 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.27311。
• 问题与方法（改动层）：HarnessLens 先探索上下文，再从 rollout 诊断行为缺陷，最后依据受影响组件和回归风险选择验证任务；每批至少包含 5 个不同任务。改动层是 harness 候选选择和验证预算。
• 结果与证据：3 个 harness × 4 个 benchmark，统一 30 个 TRAIN 任务；held-out 平均提升 7.6%–13.6%，12 个 harness–benchmark 组合中 8 个最好或并列最好。预算上限为 200 个 rollout+LLM 会话单位；论文给出 HarnessLens GitHub，本文未独立验证。与 Self-Harness 的 1/24 和 HarnessFix 的 2/3 不能直接当作同口径成本比，因为 HarnessLens 计入 LLM 会话而基线主要计 rollout。结论：值得扫读。29

GRAIN: Bridging Name and Narrative Shifts in Real-World Graph Reasoning through Invariance-Rewarded Agentic RL（2608.27142）

• 时间与来源：Zike Yuan、Han Zhang、Jianzhi Yan 等 13 人；哈尔滨工业大学（深圳）、鹏城实验室、西安电子科技大学；arXiv v1 提交于 2026 年 8 月 27 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.27142。
• 问题与方法（改动层）：SFT 热身后用 ARPO 做全参数 RL，把图拓扑 Jaccard 相似度作为结构不变性奖励；这个奖励约束的是文本解析出的中间图与真实拓扑的一致性。改动层是模型权重、轨迹奖励和解析—工具执行流程。
• 结果与证据：GRAIN-4B 在 GRIT Test 上平均准确率 95.76%，MA-GTS 为 79.31%，高 16.45 个百分点；延迟 44.4s 对 58.4s，约低 24%；OOD gap 从 SFT Tool-use 的 15.77 个百分点降到 7.80 个百分点。论文没有报告多次独立训练运行、随机种子或置信区间，方差数字是命名排列间方差。结论：值得扫读。30

GraphMemix: Query-Aware Evidence Forests for Long-Term Multimodal Agent Memory（2608.26983）

• 时间与来源：Geng Li、Yuhao Wang、Dong Li、Jianye Hao、Yuxin Peng；北京大学王选计算机研究所、MemoraX AI；arXiv v1 提交于 2026 年 8 月 27 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26983。
• 问题与方法（改动层）：查询到达后，GraphMemix 从多视角种子扩展候选图，再估计直接支持、关系证据效用和激活成本，在预算 K=10 内用最大权重森林选择证据；reader 冻结，改动层是 query-time 记忆组织和检索选择。
• 结果与证据：Qwen3-VL reader 的四基准宏平均 Judge Accuracy 为 61.55%，UniversalRAG 为 49.80%，高 11.75 个百分点；Gemma 4 12B reader 为 67.42% 对 55.09%，高 12.33 个百分点。论文明确给出 GraphMemix GitHub，本文未独立验证；评测依赖 GPT-5-mini judge，全文没有独立 Limitations 小节，也没有多次运行统计。结论：值得扫读。31

ProofEvolve: Neuro-Symbolic Evolution for Formal Automated Theorem Proving（2608.26334）

• 时间与来源：Wenqian Ye、Ziwei Guan、Eric Xie、Bohan Liu、Shivani Modi、Buyun Zhang、Ellie Dingqiao Wen、Henry Kautz、Aidong Zhang；University of Virginia、Meta AI；arXiv v1 提交于 2026 年 8 月 26 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26334。
• 问题与方法（改动层）：神经策略提出分解、修复和 schema 重组，Lean 4 内核验证每次转移；闭合子 DAG 被抽象成可跨目标复用的 schema，失败尝试和错误也保留。改动层是经过符号验证的证明结构和知识库，神经模型权重保持不变。
• 结果与证据：三个 Lean 基准平均 solve rate 为 57.8%，LEAP 为 50.5%；PutnamBench 71.2%，IMO-LeanProofBench 53.3%，CombiBench 49.0%，后者低于 LEAP 的 50.0%。744 个与库不相交的 Lean Workbook 定理上，相关检索带来约 4 个百分点增益，随机检索为 49.6% 对 zero-shot 49.5%。证据中等，主对比的基座模型配置并不完全同构，且没有作者代码链接。结论：值得扫读。32

SPT: Skills as Pre-Training Data for Agentic Language Models（2608.26563）

• 时间与来源：Yufei Sun、Yudong Li、Yiming Cheng；北京邮电大学、清华大学；arXiv v1 提交于 2026 年 8 月 27 日。候选来自自然语言处理学术速递[8.28]条目，原文入口为 arXiv:2608.26563。
• 问题与方法（改动层）：SPT 把公开多文件技能包用于 mid-training 的 causal language modeling；Reference Insert 把被主说明文件引用的 supporting file 放到首次提及位置附近。它改变的是训练数据和文件组装，模型权重会更新，位置在推理期技能注入之前。
• 结果与证据：SkillCorpus 由 38,040 个包、218,277 个文件组成，约 84,905 个 4,096-token training blocks、约 3.478 亿 tokens；实验使用 MeCo-1.6B、Instella-3B-Stage1、OLMo-3-1025-7B，并在 4 张 A100 80GB 上训练。在 OLMo-3-1025-7B + xLAM-FC 条件下，SkillCorpus 的 agentic 平均分为 53.46，no mid-training 为 28.50；对应 general 平均分为 75.07 和 75.31。论文正文还报告技能数据与 general annealing data 混合可继续提升 agentic 分数。结论：值得扫读。33

StreamAV-Bench: A Comprehensive Benchmark for Streaming Audio-Video Generation（2608.26336）

• 时间与来源：Kaiqi Liu、Haoxuan Zeng、Jingqi Liu、Jiacong Fang、Ziqi Cai、Yunyao Mao、Henglin Liu、Yu Sheng、Shuchen Weng、Boxin Shi；BAAI、北京大学、Kling、清华大学、中国科学技术大学；arXiv v1 提交于 2026 年 8 月 27 日。候选来自语音与音频学术速递[8.28]条目，原文入口为 arXiv:2608.26336。
• 问题与方法（改动层）：progressive track 测持续生成中的质量、指令和长程漂移，interactive track 测提示更新、响应、状态保持与复用。320 个专家验证场景，每场连续 180 秒，统一 32 个细粒度维度，改动层是流式生成评测协议。
• 结果与证据：渐进赛道的 VA-D 在 60s/120s/180s 三个生成时点分别为 0.025/0.036/0.042，VQ-D 分别为 0.313/0.347/0.361；交互赛道的音频更新达成率 PAUAR 从 0.361 降至 0.331，响应延迟增加约 1.3 秒。HappyOyster 的 PVUAR/PAUAR 为 0.518/0.488，作为最高更新达成率；其两项响应延迟指标 PARL/PVRL 为 14.484/13.621 秒。SWIFT 只报告最低响应延迟 10.340 秒，PVUAR 为 0.246；17 个指标与人工偏好的 Spearman 相关为 0.77–0.94。项目页为 StreamAVBench。这是音视频联合生成评测，音频是视频伴生轨，不能直接当纯音频或播客基准。结论：值得扫读。34

Scaling phoneme-based TTS augmentation for ASR: A unified pipeline and controlled study（2608.26697）

• 时间与来源：Zhen Wang、TianRui Wu、RongQi Han、Hao Wu、Wei Liang；Shanghai Qi Zhi Institute、Megatronix；arXiv v1 提交于 2026 年 8 月 27 日。候选来自自然语言处理学术速递[8.28]条目，原文入口为 arXiv:2608.26697。
• 问题与方法（改动层）：统一流水线控制 G2P、参考语音过滤、候选文本选择、TTS 合成和 ASR 续训；PFGS 用真实 ASR 标签的音素先验选择候选句。改动层是 TTS 数据生成和选择算法，终点是 ASR 识别效果。
• 结果与证据：四种语言、13 个测试集、匹配续训。PFGS 在 12/13 个测试集优于 real-only，在 9/13 个测试集优于随机选择，最大相对 WER 降幅为 19.3%；葡语 100% 增强时，Common Voice/FLEURS/MLS 的 WER 绝对下降为 9.03、7.36、6.32。阿拉伯语候选语料为内部非公开数据，没有代码或数据链接。TTS 质量本身没有用 MOS 作为终点。结论：值得扫读。35

Vagdhenu: A Vrutta (Meter) Aware Shloka-to-Chant (TTS) System for Sanskrit（2608.26146）

• 时间与来源：Prathosh A P；Indian Institute of Science, Bengaluru；arXiv v1 页面显示提交于 2026 年 6 月 28 日，栏目收录日期为 2026 年 8 月 28 日。候选来自自然语言处理学术速递[8.28]条目，原文入口为 arXiv:2608.26146。这是一篇栏目收录的 TTS 直接命中，日期口径属于栏目收录而非 8 月新提交。
• 问题与方法（改动层）：系统面向低资源梵文偈颂吟诵，加入 Kannada 转写、visarga sandhi、送气和卷舌音处理、vrutta 格律检测、半参考规则、时长预算和 yati。论文还报告 self-infilling flow-matching backbone 中的文本侧 prosody conditioner 没有形成有效控制，参考音频与 voice-steering 重训才是有效杠杆。
• 结果与证据：约 5 小时单说话人克隆，发布约 1,467 条、约 5.3 小时数据；生产克隆专家 MOS 约 4.6，单说话人、非盲评、无置信区间。论文给出约 17.5 小时视频和约 18,000 偈的部署记录，代码、权重、数据和演示均公开，但正式多听者盲评与 CI 留作未来。它回答的是低资源吟诵 TTS 的工程可行性，不能外推为通用 TTS 听感结论。结论：值得扫读。36

Thomson: Continual Learning of Frontier Models for SovereignAI（2608.27147）

• 时间与来源：Shengzhuang Chen、Jerrod Parker、Yejin Bang 等 27 人；Imperial College London、DatologyAI、Lambda；arXiv v1 提交于 2026 年 8 月 27 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.27147。
• 问题与方法（改动层）：持续预训练/mid-training、DPO、RL、replay 和 model merging 共同更新开放权重模型；Deep Research harness 改编自 DeerFlow/LangGraph。它是真正的权重、训练数据和训练算法改动，并同时改了 agent harness。
• 结果与证据：从约 19T tokens 中筛出约 200B tokens，开发周期约 3 个月、总开发成本约 4,000 万美元，最终 run 约 3 周、少于 45 万美元，硬件上限为 368 张 B200。论文以“π-shaped pattern”概括多方向提升和局部遗忘：Legal、Doc Processing、Human Queries、Deep Research 和 Safety 被描述为提升，Coding 出现 mild forgetting；摘要没有给出逐基准数字。只有 Small 权重链接被 arXiv Comments 明确列出：Thomson-1.0-Small。技术报告的规模披露有价值，广泛效果结论仍需读完整表格和独立复现。结论：值得扫读。37

邻近但值得跟踪

Same Model, Different Harness: Different Coding-Agent Results（2608.26218）

• 论文与来源：Sydney Lewis；arXiv v1 提交于 2026 年 8 月 26 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26218。
• 改动层：固定模型和任务，只改变同一 harness 的模型可见工作视图、旧工具结果截短和停滞检测；它提供的是 harness 层因果比较。
• 结果与证据：紧窗口 SWE-bench Verified 的 169 个任务使用 20,480-token window 和 480 秒终点；F2PF 从 28% 到 49%，完整解从 43 个到 72 个。代码和实验工件由论文明确给出：Yuj。论文使用配对任务，但工作点没有通过任务不相交的超参研究单独选择。38
• 局限与连接点：它与频道主线的连接点是“模型与 harness 应共同作为 solver 评估”；广窗口下 Verified 和 Pro 的两臂结果接近，变化集中在上下文压力条件。它适合作为 PILOT 和 HarnessLens 的对照材料，属于邻近跟踪。结论：邻近跟踪。

Benchmarking AI Agents for Hardware Design Automation via MCP Tool Calling（2608.26199）

• 论文与来源：Leonardo Liparulo、Francesco Pierri；Politecnico di Milano；arXiv v1 提交于 2026 年 8 月 25 日。候选来自人工智能学术速递[8.28]条目，原文入口为 arXiv:2608.26199。
• 改动层：在复刻专有硬件设计数据模型的 MCP server 上比较 ReAct、Plan-and-Act、工具描述、few-shot、历史范围和模型配置。研究对象是领域工具调用部署，连接到频道的 harness、状态和依赖顺序。
• 结果与证据：7 个开源模型、14 个工具、8 个任务套件；全面工具描述持续降低失败，few-shot 让 Gemma 4 31B 的 ECC 从 0.956 降到 0.571、E4B 从 0.731 降到 0.179。这里的 ECC 是 Expected Call Coverage（应调用覆盖率），EVCR 是 Extraneous Valid Call Ratio（额外有效调用率），TFR 是 Tool Failure Rate（工具失败率）；Plan-and-Act 使 Llama 3.1 8B 的 ECC 从 0.554 升至 0.718，Hard-Noise 从 0.858 升至 0.950。MCP server 和 benchmark 因专有组件规格不能发布，证据中强但复现受限。结论：邻近跟踪。39
• 连接点：few-shot 导致 ECC、EVCR、TFR 同时下降，是“停止行动”而非错误行动的诊断例；这类配置效应可迁移到长程 agent 的部署前压力测试。

Direct or Mediated? Task-Dependent Audio Information Routing in Large Audio Language Models（2608.27026）

• 论文与来源：Yizhou Zhang、Wangjin Zhou、Xin Gu 等 9 人；京都大学、腾讯 WXG；arXiv v1 提交于 2026 年 8 月 27 日。候选来自语音与音频学术速递[8.28]条目，原文入口为 arXiv:2608.27026。
• 改动层：不训练模型，使用两段波形拼接、layer-wise attention knockout 和 linear probing，区分 audio→answer 的 direct 路由与 audio→prompt→answer 的 mediated 路由。
• 结果与证据：四个 LALM 中，拼接后 ASR 相对稳定而 AQA 下降；AQA 相关属性仍能在线性 probe 中从 prompt token 解码，失败更接近信息利用瓶颈。knockout 只在模型能稳定答对的样例上执行，属于机制线索而非完整因果定位。结论：邻近跟踪。40
• 局限与连接点：实验使用两段拼接，研究范围未覆盖重叠、噪声、更长录音和多段交互。该机制分析为 SpeechGym 的“误听槽位”提供互补解释：语音 agent 可能先在感知层出错，也可能把仍然存在的音频信息用错。

When Text Misleads: Inconsistent-Aware Reasoning for Audio-Grounded Dialogue（2608.27176）

• 论文与来源：Yen-Ju Lu、Yuzhe Wang、Yaohan Guan 等 11 人；Johns Hopkins University；arXiv v1 提交于 2026 年 8 月 27 日。候选来自自然语言处理学术速递[8.28]条目，原文入口为 arXiv:2608.27176。
• 改动层：ContraTalk 用 117 段对话构造 501 道 conflict/consistent 题，Audio Twin 把韵律、情感、流畅度、重叠和时序变成可审计证据卡；模型权重保持不变。
• 结果与证据：强文本模型在 consistent 题上超过 90%，Opus 4.7 达到 98.2%；conflict 题降到 33.0%–47.7%，34.5%–45.0% 选择文本陷阱。Audio Twin 冲突题为 43.2%–50.5%，mislead rate 为 29.4%–34.8%；350/501 题经过 7 名评审人工复核，并报告 dialogue-level bootstrap 95% CI。论文未报告代码或数据 URL。结论：邻近跟踪。41
• 连接点：这项工作服务于语音理解和对话接地评测，连接 SpeechGym 的误听恢复与 AudioSpan 的多层接地；若把它的评测思路迁移到 TTS 或播客生成，还需另测自然度、表达控制和内容交付。

Decay-Region Group Delay as a Forensic Cue for AI-Generated Impulsive Sounds（2608.26346）

• 论文与来源：JaeHyeong Chang、Chengzhe Sun、Siwei Lyu；University at Buffalo；arXiv v1 提交于 2026 年 8 月 27 日。候选来自语音与音频学术速递[8.28]条目，原文入口为 arXiv:2608.26346。
• 改动层：3 秒脉冲声经 STFT 和相位群时延特征后，用随机森林、CNN、AST 做真实性取证；改动层是音频质量/真实性评估，不是 TTS 生成器。
• 结果与证据：9 个衰减区特征在 sample-disjoint 设置下达到 AUC 0.884；generator hold-out 时 AUC 在 0.457–0.918 间波动，AudioLDM2 留出接近随机；GD 随机森林留出平均准确率 66.7%。实验覆盖 3 个生成器、15,000 条 3 秒片段和 27 组 STFT 配置。结论：邻近跟踪。42
• 局限与连接点：真实数据依赖增强，实验只有爆炸/冲击类和 3 秒时长，且没有对抗鲁棒性。若把这项取证思路迁移到 TTS 或播客内容，它可增加生成来源与篡改风险维度；AUC 与 MOS、表达控制和最终听众判断各自回答不同问题。

研发检查表：把一次“成功”拆成可核验的字段

• 先标改动位置：模型权重、训练算法、轨迹/奖励、状态/记忆、技能文件、harness、环境、评测协议、候选选择和成本测量分别记录。
• 同时报一次成功与重复可靠性：pass@1、重复完成率、失败复现率、修复率、种子和置信区间分栏记录。GRAIN 的单次运行与 BCIT 的六个配对种子不能放在同一证据等级里。
• 把交付物从答案中分离：文件、表、图、报告、日志、状态写回、数据库终态和副作用检查都要有明确条件。DuMateBench 的 P/J/F 和 AgentJudgeBench 的四维 judge 分解可作为模板。
• 把记忆按生命周期拆分：写入去重、被驱逐后的找回、压缩保真、持久知识编译、查询时证据组装和参数内化分别测。WikiSkill、GraphMemix、SKILL.state 和 SPT 处在不同生命周期位置。
• 把轨迹奖励与调度信号分开：SpeechGym 的 per-turn reward、GRAIN 的结构奖励、AgentFold 的 Critic 排序、BCIT 的经验授权回答不同问题，不能合并成“轨迹更好”。
• 审查 judge 的构念效度：报告是否有 GT、难度、judge、rubric、温度、人工抽检、对齐度和一致性。AgentJudgeBench 显示 CoT/温度的杠杆小于结构化 rubric，GT 暴露还有 over-anchoring 风险。
• 把成本写到实验条件里：输入/输出 token、rollout、LLM 会话、外部 API、GPU-hours、墙钟时间、重试次数和数据许可逐项记录。HarnessLens 的预算与基线口径不同，不能直接写成同一单位的 1/24。
• 音频指标各守边界：WER/CER 看转写和可懂度；MOS 看主观自然度；表达控制看韵律、格律和音色一致性；ARI/V-measure 看聚类；EER/AUC 看真实性；延迟、状态保持和最终行动另立字段。
• 复现条件写全：模型权重、闭源模型、环境、judge、代码、数据、训练步数、硬件、随机种子和许可逐项核对；论文没有报告的内容保留为“原文未报告”。