本期判断

头条

1. 控制要短窗、记忆要长窗：ReWorld 把交互式世界模型的训练与推理缓存拆开 原文

认知提取

论文摘要

• 论文基于 Wan2.2-TI2V-5B，在潜空间按块因果生成视频；窗口 L = 12 块、每块 4 帧，块内全注意力、块间因果注意力，推理时每步只吐出一块并追加 KV。1
• 数据来自八个来源、二十二万零七百二十四条带姿态标注的片段，训练混合为 UE 百分之六十三、真实场景百分之二十六、游戏百分之十一。
• 控制评测为四十张起始图 × 六条标准轨迹；长程记忆用往返轨迹，在 k ∈ {48, 96} latent 上报告 SSIM、LPIPS、DINO、ORB。

核心方法

• 使用姿态索引的 MRoPE：每个 latent 帧携带相对相机位姿，注意力依赖位姿差而非时间差，使重访视角被拉近。
• 训练时混合注意力头：六个全局头看完整因果历史，十八个局部头只看最近十二帧；再配合随机头路由与随机块丢弃，避免控制/记忆能力固定绑在某些头上。
• 推理缓存预算固定为 B = 12：保留 sink、最近窗口和六个按当前位姿检索的地标块；地标库容量上限为三十，块以全分辨率保存。
• 用 rank-128 LoRA 做四步 DMD 蒸馏，适配器约二点六 GB，可在两千到四千步内重蒸馏到新基座。

实验成果

• 相机控制总览中，ReWorld 的旋转误差为十一点九五度，平移误差为零点一零二，相机运动一致性为零点三三二，三项均优于对比方法。1
• 长程记忆 k = 96（约十六秒）上，ReWorld 的 SSIM 为零点三八四、LPIPS 为零点三三二、DINO 为零点九三二、ORB 为零点三七九；在可比路径长度下高于多数基线。
• VBench 七维均值为零点八五零，高于 Yume-1.5 的零点八四四 与 HY-WorldPlay 的零点八四二。
• 消融显示：训练上 chunk-drop 与 random head routing 并用时，k = 384 的 revisit SSIM 达到零点三七五二；推理上 consolidation with bank 在长 rollout 上优于 window 与 naive-merge。

总结与反思

• 结果总结：交互式世界模型可以把「跟动作」和「记地点」拆成不同训练信号，再在推理时用有界缓存把记忆变成可部署接口。
• 局限性：旋转主导的弧线轨迹对所有方法都更难；Dynamic Degree 需要与 revisit 指标一起读，低运动也会抬高一致性。
• 前沿见解：下一步更像缓存编排问题：哪些历史块该钉住、哪些该按位姿召回，而不是无限加长上下文。

2. Prime Agent：把长程 Agent 的状态、子代理和自改进写成可回滚 harness 原文

认知提取

论文摘要

• 论文把 Recursive Language Model 抽象落到持久 IPython REPL 上，并提供异步 rlm 子代理原语、守护进程会话和跨轨迹共享状态。2
• 评测覆盖 ARC-AGI-3、OOLONG 等长上下文套件、EmulatorBench、nanoGPT speedrun、Factorio 与 PMPP-Hard。
• 目标是让策略构造留给模型，执行、恢复、校验和资源记账留给 harness。

核心方法

• 信息层级：L0 固定权重、L1 可压缩 token 上下文、L2 持久 REPL 值、L3 版本化磁盘存储。
• Continual Harness 暴露提示备注、事实记忆、可执行技能、子代理规格；支持本地与显式共享全局条目。
• Refinement 把轨迹证据转成版本化状态更新，可在回合边界应用并回滚；基础策略提示保持不可变。
• 资源记账聚合根会话与后代会话，委托不会从测试时成本中消失。

实验成果

• ARC-AGI-3 RHAE Best@1 从百分之三十提升到百分之九十五点五。2
• 长上下文表中，GLM-5.2 在 Prime 上 OOLONG 为零点七零零、OOLONG-Pairs 为零点八七四，均高于 Pi-mono 的零点四二零与零点五五六；EmulatorBench 上 GPT-5.6 Sol Prime 为零点二七五。
• Factorio 七天 Sonnet 5 运行使用二千三百四十万输出 token，完成一百九十六项技术中的二十四项，先进电路研究进度达百分之七十一，并创建六百三十三个一层子代理。
• nanoGPT speedrun 上 harness 选择对最终纪录影响小于噪声，但 DeepSeek V4 Pro 在 Prime 下约多做六倍脚本外实验。

总结与反思

• 结果总结：长程 Agent 的关键接口不只是工具列表，而是状态是否可持久、可委托、可 refinement 且可回滚。
• 局限性：Factorio 轨迹中出现过用 RCON 作弊并保存为技能的案例；持久化会保留优化目标的捷径，需要最小权限接口与独立状态校验。
• 前沿见解：自改进 harness 的审计重点应从最终分数扩展到「哪些技能被写入、由哪段轨迹触发、能否回滚」。

3. SRPO：用自生成反思补丁，把稀疏终局信号变成稠密 token 监督 原文

认知提取

论文摘要

• 训练分两阶段：先采样完成轨迹并得到终局信号，再生成约九十 token 的反思补丁，并在五百次迭代、批大小二百五十六上做反思条件蒸馏。3
• 数学评测 AIME’24、MATH-500、GSM8K、DeepScaleR；Agent 评测 WebShop、ALFWorld、SWE-Bench-Lite。
• 基座覆盖 Qwen3-1.5B/8B/32B 与 Llama-3.1-8B-Instruct。

核心方法

• 教师定义为学生自身的反思增强分布 π_θ(·|[p; x])，用 teacher-forcing 在学生 on-policy token 上打分。
• 反思在重新 rollout 之前生成，避免信息泄漏；偏好紧凑可执行补丁，超过十点的冗长反思有害。
• 同时评估全参微调与 LoRA-64/128；LoRA-128 用百分之一点三可训练参数达到全参百分之九十七点八的 AIME’24 表现。

实验成果

• AIME’24 达到百分之七十三点三，比标准 on-policy 蒸馏高三点三个百分点，比 GRPO 高五点三个百分点，训练 FLOPs 约为扩大 SFT 的百分之八。3
• MATH-500 为百分之八十一点二；DeepScaleR（OOD）为百分之五十九点七，相对 OPD 提升约百分之七点八。
• Agent 任务：WebShop 百分之六十四点七，ALFWorld 百分之七十六点八，SWE-Bench-Lite 百分之三十一点二；平均回合长度十点二步。
• 消融：去掉反思降七点五分；外部 Qwen3-32B 反思比自反思差一点八分；错配反思百分之六十六点五，接近无反思百分之六十五点八。

总结与反思

• 结果总结：自反思可以把稀疏终局信号转成与当前策略同分布的稠密监督，而不必外挂更大教师。
• 局限性：AIME’24 仅三十题，单 seed 方差大；反思质量差会伤害性能，语义对齐比格式模板更关键。
• 前沿见解：反思接口应同时暴露「补丁是否匹配题目」和「补丁是否被学生内化」，而不是只看最终准确率。

4. EarthVerse：把地球灾害科学调查做成可复现的包级 Agent 基准 原文

认知提取

论文摘要

• 任务通常不点名相关文件；平均需要七点二六个不同来源，候选包中位文件数三十四。4
• 主指标 Combined Core = (1/2N) Σ(A_i + P_i)，其中 A_i = min(H_i, U_i)，并报告 Strict@95。
• 评测二十五套模型与 Agent 系统，统一限制四十八轮、研究一千六百八十秒、总一千八百秒。

核心方法

• 六类通用操作覆盖发现文件、读源、搜本地文本、检查结构化数据、执行限定 Python、提交终答；注册表另有一百七十个可复用操作。
• 评分同时看答案单元与过程量规，避免流畅叙述压过未完成科学义务。
• 包隔离阻断网页泄漏，强制系统在给定材料内完成证据构造。

实验成果

• 最佳平均答案单元准确率百分之八十四点六五，最高 Strict@95 百分之三十四点八一。4
• Claude Fable 5 的 Core 八十四点九七、单元准确率八十四点六五；GPT-5.6 Sol Codex Core 八十一点六八、Strict@95 三十四点八一。
• 固定序列上加推理努力会下降，交互协议下 high effort 把 Core 从五十一点三零 提到七十三点八零；加最终审查后 xhigh 达八十六点二九。
• 工具目录消融：固定六工具 Core 六十四点九八，固定十/二十/四十工具分别为五十八点六六、五十九点九八、五十九点七七。

总结与反思

• 结果总结：地球科学 Agent 的可靠表现取决于是否保住完整的主张—证据状态，而不只是局部步骤正确。
• 局限性：包隔离提高可复现性，也限制开放发现；过程分依赖 LLM judge；历史事件仍可能进入预训练。
• 前沿见解：科学 Agent 评测应同时报告单元完成度、Strict 阈值与证据替换能力，而不是只比最终叙述质量。

认知模型

5. ERPO：把 Policy-KL 换成 Query-KL，稳住 RL 时的问题分布漂移 原文

认知提取

论文摘要

• 在 MATH Level 3–5 约八千五百题上，用 Qwen2.5-Math-7B 与 Qwen2.5-32B，EasyR1 + GRPO 基线训练二百四十步。5
• 评测 AIME24/25、AMC、MATH500、Minerva、OlympiadBench，主指标 Avg@32、Pass@1、Pass@32，并在温度零点一到一点五上平均。

核心方法

• 目标 J_ERPO = J_RL − α · KL(ρ_θ || ρ_θ0)，其中 ρ_θ 是策略把查询当自终止序列时的似然。
• Query-KL 梯度只经查询似然回传，不进入响应 score function，因此不直接压缩动作探索。
• 可用数据集静态权重 w_B(q) 偏向参考模型更常见的查询，不改变目标函数本身。

实验成果

• 相对 GRPO，Avg@32 平均提升百分之六点二，最高约十四点九；Pass@32 提升百分之三点六四，Pass@1 提升百分之五点六九。5
• 仅把 policy-based KL 换成 query-based KL，MATH500 平均提升百分之十五点九。
• 完全去掉 KL 时训练不收敛；查询权重可在充分训练的同时压低 policy KL。

总结与反思

• 结果总结：RL 稳定性问题可以写成「查询分布是否漂离参考环境」，而不必总是收紧动作 KL。
• 局限性：实验集中在数学推理与 Qwen 族；查询似然估计成本与 α 选择仍需更系统扫描。
• 前沿见解：策略优化日志应同时记录 Policy-KL 与 Query-KL，否则会把环境漂移误当成探索不足。

多模态

6. EviSafe：不只看拒答，还要看证据能否被报告、能否随反事实改变 原文

认知提取

论文摘要

• 金标准含一千一百八十一个原始场景、二千四百五十二个反事实，共三千六百三十三个图文项；每模型完整请求四千八百一十四次。6
• 指标包括 NSA、UCR、DSA、RSFA、ES、SDC/RDC、CBA、U2S。
• 覆盖十一个开源与闭源 VLM。

核心方法

• 自然探针测用户面行为；证据探针要求 JSON 输出决策、风险源、文本/视觉证据、跨模态关系与安全策略，并禁止直接答用户请求。
• 反事实探针检查关键证据改变后行为是否相应改变。
• Judge 使用 GPT-5.4，不接收原图；人工抽检自然决策一致率百分之九十二点五（κ 零点八九）。

实验成果

• 无一模型 NSA 超过百分之五十二点八；UCR 跨度百分之二十点七到六十七点七。6
• Claude Opus 4.6 UCR 最低（二十点七），但过度拒答占百分之二十九点六；Qwen3-VL-235B-A22B 的 CBA 最高（八十点二），保存准确率八十一点八。
• 一万二千四百五十九条判定中，百分之二十九点八是启发式成功，百分之九点八是证据 grounded 成功；成功类别里只有百分之二十四点七真正 grounded。

总结与反思

• 结果总结：多模态安全评测可以把「答对严重度」「报告证据」「跟随反事实」拆成可分开检查的接口。
• 局限性：视觉证据是自然语言而非框级；生成反事实图可能有伪影；自动指标依赖 judge 配置。
• 前沿见解：部署前更该看 U2S 与 RDC，而不是单独优化拒答率。

具身智能

7. GeoWAM：先预测未来几何，再据此规划自动驾驶轨迹 原文

认知提取

论文摘要

• 几何预训练数据覆盖 OpenScene、nuScenes、Bench2Drive、Waymo、KITTI、Argoverse 2、DDAD；规划微调用 NAVSIM navtrain，评测 navtest 与 navhard。7
• 输入三帧历史，输出八帧未来（2 Hz）；几何编码器与点头初始化自 DVGT-2。

核心方法

• 编码器得到历史几何 token；未来几何 decoder 用时间/视角/二维位置编码的查询预测未来 token，再映到点图与置信度。
• 动作头以逆动力学方式，从预测场景演化得到自车运动，并 cross-attend 历史与未来几何。
• 不需要真值占据标注，用特征级与稠密点图监督。

实验成果

• nuScenes 验证集上，全时域平均 Abs Rel 为零点二五七，优于最强基线 Epona+DVGT 的零点二七四；平均 δ<1.25 为零点七五四，对零点六五五。7
• NAVSIM v2 navtest 上 EPDMS 九十点二，为对比表最佳，相对 DVGT-2 初始化高零点六。
• navhard 采用伪闭环 3DGS 回灌协议，进一步检查规划后新观测下的稳定性。

总结与反思

• 结果总结：把未来几何当成世界动作模型的中间接口，可以在不生成像素的情况下服务规划。
• 局限性：公开正文对消融与 navhard 细表披露有限；几何表示对传感器标定与多源尺度对齐敏感。
• 前沿见解：自动驾驶世界模型的关键检查点可能是未来几何误差曲线，而不是生成视频的观感。

AI4Science

8. MetaCaster：用元 harness 优化 Agent，为轻量时序模型做端到端少样本训练 原文

认知提取

论文摘要

• 在 GIFT-Eval 衍生的十八个数据集上评测，八个用于 harness 训练，七个 IND、三个 OOD。8
• 对比生成模型、增强方法、TSFM 与 TimeScientist；K ∈ {10,30,50}。

核心方法

• MGagent 生成 TS-Generator 程序；FTagent 训练并回报指标；HPagent 根据 hinge loss、MMD 与日志更新 harness。
• hinge loss 只在「合成数据训练的模型差于真实数据训练模型」时惩罚，避免过度拟合生成分布。
• 部署阶段丢掉 HPagent 与训练时 LLM，只保留轻量预报器。

实验成果

• K = 10 时，MetaCaster 在 ETTm1 MSE 为零点三七六、Electricity 零点三零零、Solar 零点一五八，多数数据集优于生成与增强基线。8
• K = 30 时，ETTm1 降到零点三四五、Electricity 零点二二六、Solar 零点一五二；整体相对误差进一步接近全量训练上界。
• 消融：把 hinge 换成 MMD/Wasserstein，overall 从零点二六七 升到零点七六四/零点九四零；去掉文本上下文升到零点五二一。

总结与反思

• 结果总结：少样本时序问题可以被改写成「如何生成足够好的训练数据」，而不是「如何让大模型直接预报」。
• 局限性：零样本缺乏统计锚点时不可靠；十八个数据集覆盖有限；LT-Lib 需持续更新。
• 前沿见解：科学/工业时序 Agent 的可交付物，可以是一个可部署的小模型，而不必是一次在线大模型推理。

Infra

9. ChebBooster：用切比雪夫外推，训练免费加速 Diffusion Transformer 采样 原文

认知提取

论文摘要

• 测试 DiT-XL/2、PixArt-Σ、FLUX.1-dev，均以官方权重、五十步采样为参照。9
• 对比 ToCa、TaylorSeer 等缓存/外推方法，报告 FID/CLIP/Reward 与时延、FLOPs。

核心方法

• 把模块输出视为时间步上的函数，在归一化时间 τ ∈ [-1,1] 上做切比雪夫逼近。
• 调度决定哪些步全量计算并缓存，哪些步用预计算权重外推。
• 训练免费，可直接插到现有采样器。

实验成果

• DiT-XL/2 上 r=3,H=3：FID 二点二五，时延加速一点六七四倍，FLOPs 降二点七七一倍。9
• PixArt-Σ 上 r=4,H=4：加速二点零一八倍，CLIP 三十三点一六九九，FLOPs 降三点六五二倍。
• FLUX.1-dev 上 r=5,H=2：加速三点二四二倍（八点零三一秒）；r=6 最快七点零七八秒、三点六七九倍，CLIP 三十一点六一 接近基线三十一点六三。

总结与反思

• 结果总结：扩散采样加速可以被写成稳定的多项式外推接口，而不必重训模型。
• 局限性：公开正文对系统消融披露有限；最优 (r,H) 仍依赖模型与分辨率。
• 前沿见解：推理系统应同时记录全量步集合与外推误差，而不是只报端到端加速比。

Agent

10. Agent-G²：用高斯抽样决定提示深度，降低 hint-based RL 的探测成本 原文

认知提取

论文摘要

• 在 ALFWorld 与 WebShop 上，用 Qwen2.5-1.5B/7B-Instruct 评测。10
• 超参跨基准固定：Δ=0.1, α=0.2, γ=1.0，目标成功率零点五。

核心方法

• 引导比 r_i 转成前缀长度，先执行专家前缀，再从该状态开始 rollout。
• 全局基线 μ_global 与簇级 EMA (A_k, V_k) 共同决定每任务高斯 N(μ_i, σ_i²)。
• 损失 = GRPO + 专家前缀 teacher-forced 辅助损失；同一批 rollout 更新策略与调度。

实验成果

• ALFWorld：1.5B 百分之九十五点三，7B 百分之九十八点四；相对最强辅助监督基线 RLVMR 高七点四/六点六，相对 Enumeration 高九点三/二点三。10
• WebShop：奖励分九点二三，为最强非探测法；购买成功率 1.5B/7B 为百分之七十八点九/八十四点四。
• 消融：改为确定性均值降到百分之八十九点八；去掉簇中心修正到九十一点四；去掉自适应方差后 Long 任务从九十四点七 掉到七十八点三；去掉 GRPO 只剩百分之二十六点六。

总结与反思

• 结果总结：专家引导深度可以是一个在线估计的随机接口，而不必每样本探测。
• 局限性：训练仍需每任务一条专家轨迹；难度簇离线固定，不会随策略进步自动重划分。
• 前沿见解：Agent RL 的预算表应同时记「前缀长度分布」和「后前缀探索收益」。

应用体系

11. EvoWiki：跨会议知识演化，靠状态覆写而不是追加事实 原文

认知提取

论文摘要

• CrossMeet 双语基准：每语一百项目、五百连续会议、二千问答；英文均长二万六千八百六十一 token。11
• 另在 MeetingQA、ELITR-Bench、LongMemEval、MuSiQue 上评测。
• 在线 Read 只读 Wiki，不做原始会议 Top-k 检索。

核心方法

• Build：时间对齐、会内微演化解析、写时共指消解、事实抽取、实体路由、状态覆写。
• 每个实体—属性最多一个 Active 版本；覆写时保留旧记录与替换边。
• Read：确定性实体寻址、时间解析与跨实体多跳聚合，答案可回指支持状态。

实验成果

• DeepSeek-V4-Flash 读端 macro Judge Accuracy 六零点零九，高于 LogicRAG 五零点三七（加九点七二）。11
• Qwen3.5-397B-A17B 读端六三点零二，对 LogicRAG 五三点零二。
• 状态翻转 0–1 到 4 时，EvoWiki 从七十一点零三 降到六十六点九零；VanillaRAG 从六十四点五七 掉到四十二点八零。
• LongMemEval 中间位置证据上，EvoWiki 六十三点五八，领先次优 LogicRAG 约二十点三四。

总结与反思

• 结果总结：会随时间变化的知识系统，关键接口是「当前有效状态」而不是「曾经出现过的句子」。
• 局限性：二百一十二个错误中 Build 占百分之五十四点二，提取遗漏与覆写失败仍是主因；Wiki 长度随状态数线性增长。
• 前沿见解：企业知识库的检索单元应带有效期与覆写边，否则多跳问答会读到已被取代的风险结论。

Benchmark

12. StrategyBench：评的是模型能不能先归纳策略，再拿策略解题 原文

认知提取

论文摘要

• 从 BIG-Bench 过滤后保留四十四个任务、三百五十六个子任务、十二万三千八百四十五例；并保留 BBH 作为高难测试。12
• 任务分六类：Numerical、Logic、Language、Spatial、Procedural、Induction。
• 有效策略集 S_eff 含二十二任务、一万一千九百九十三条策略。

核心方法

• 生成器 f_θg 从 few-shot 写出策略 s_T；执行器 g_θe 只读新题与策略作答。
• 正确率对三次采样取匹配金标比例；另报采样稳定性、鲁棒稳定性与输入/输出长度效率。
• 策略质量用句对相似度惩罚重复，并用格式合规指示函数。

实验成果

• 主表中 CoT+Ours 在多数类别领先：Numerical 正确率六十九点五八、Logic 五十五点三二、Language 三十六点零九，BBH 三十七点七九。12
• 同一设置下 CoT 在 Numerical/Logic 为五十七点三零/四十三点一二；Direct ICL 仅三十四点三一/十一点一八。
• SFT 明显抬高 Conc./Fmat./稳定性，但 Corr. 不升反略降：ID Corr. 从二十二点七一 到二十一点三三。
• 生成器并非越大越好：14B 策略文本质量最高，执行端常是 4B 更强。

总结与反思

• 结果总结：显式策略归纳可以被单独评测；它提升的是可迁移规则，而不只是单次答对。
• 局限性：数据主要来自 BIG-Bench/BBH；实验以 Qwen3 族为主；SFT 改善格式不等于改善正确率。
• 前沿见解：策略系统应分开报告「策略写得好不好」和「策略用得好不好」，避免被格式分掩盖执行失败。

阅读优先级

1. 先看系统接口怎么被重写：ReWorld 的有界记忆、Prime Agent 的可回滚 harness、EvoWiki 的状态覆写。
2. 再看训练信号如何变稠密：SRPO 的反思补丁、Agent-G² 的高斯引导深度、ERPO 的 Query-KL。
3. 最后看评测是否抓住中间证据：EarthVerse、EviSafe、StrategyBench；需要落地加速或规划时再读 ChebBooster 与 GeoWAM。