9月9日论文雷达：TTS与全双工直接命中突围，弹性交互地平线与在策略自进化

9 月 9 日：三栏收录 38 篇，直接命中 26 篇，邻近跟踪 12 篇

先看哪几篇：38 行阅读优先级表

机制地图：改了哪一层与音频分层

六维技术分区

1. 模型权重维度：直接更新、微调或蒸馏基座参数。命中本维度的包括 ExecCritic（角色特定 RL 训练测试与修复智能体）、NeoHorse-1（路由引导的智能体后训练）、SCAFFOLD（参数化技能蒸馏入主干权重）、SAP（参数溯源多轮微调）、ToolLoop（闭环合成数据微调 4B 模型）。
2. harness 与运行框架维度：不修改底层模型参数，调整围绕模型的系统提示词、工具集合、调度循环、环境交互地平线与上下文管理机制。命中本维度的包括 Co-Evolving Harnesses and Models（harness 自进化与在策略校正）、Elastic Horizon（基于成功分位数的闭环地平线控制器）、ATR（长程运行状态与决策条件重验机制）、PARSER（并行子 agent 解耦读取与主 agent 散射-聚集推理）、AutoFyn（非参数化专家迭代框架）。
3. 技能与外部记忆维度：改动外部持久化存储结构、技能库拓扑或记忆压缩策略。命中本维度的包括 SkillAdam（优化记忆与波动驱动编辑预算）、Experience Funnel（显式文本状态与策略交替循环）、SE-GoS（免训练技能图拓扑与边权重演化）、Procedural Graphs（三元组程序图结构）、What Eviction Destroys（记忆驱逐反事实审计）、MemForest（事件树划分与渐进合并）、MEMO（多模态证据记忆布局优化）、Closing the Consistency Gap（轨迹低稳定性分析与记忆准则生成）。
4. 轨迹表示维度：改变智能体轨迹的结构化建模方式与抽象粒度。命中本维度的包括 AgentBrew（原始轨迹回顾性指令推断）、Procedural Graphs（将执行轨迹抽象为程序关系三元组）、SCAFFOLD（参数化可执行技能抽象）、SAP（工具参数溯源图）。
5. 奖励与信用分配维度：改变长程步骤中的强化学习信号与信用分摊方式。命中本维度的包括 AgentBrew（基于点互信息 PMI 的逐动作信用分解）、ExecCritic（基于验证测试通过率的角色特定二值与过程奖励）、Causal Attribution for Agentic Decisions（智能体因果效应估计量与直接效应耦合）。
6. 评测基准与协议维度：提供受控评估环境、抗黑客协议与故障诊断。命中本维度的包括 DAREBench（面向部署的 2x3 负载矩阵基准）、SWE-bench Pro Verified（消除泄漏与测试精炼的反黑客基准）、Agents Trust Tools Too Much（不可靠工具过度信任基准）、A Three-Tier Persona Vector（23 维操作化用户仿真基准）、Safe Harness Self-Evolution（自进化理论可行性界限）。

音频四大子域划分

1. TTS 与双声道对话生成子域：KABURI-TTS 以音素光栅驱动双声道独立渲染，专门解决全双工对话中两人同时发声、重叠与插话的问题；Instruct-TTS 聚焦于自然语言控制指令的语义漂移过滤；TontaubeV1 则利用双编解码器实现流式有声书生成。这三篇属于直接的语音波形合成工作。
2. 全双工交互与自听机制子域：What Did I Just Say?提出了全双工语音模型的“自听”机制，将扬声器实际播放的音频作为输入流重新灌入模型，解决异步生成导致的打断错位；TASTE2 构建了基于共享文本词表的增量全双工对话栈；ConversationalVoice 则从真实录音中分离、重建和扩展出高质量全双工对话训练集。这三篇关注全双工对话的时序闭环。
3. 开源基础模型与编辑子域：AuK 属于大规模统一语音基础模型，通过多模态 LLM 与混合整流流（MMDiT+DiT）同时覆盖语音生成、内容编辑、声学增强等五大任务家族，属于平台级全能模型。
4. 音频表征、防伪与信道压力评测子域：Where Does the Sound Go?追踪音频 LLM 的声学信息损失，定位读出对齐瓶颈；From Scores to Evidence 构建可审计的防伪决策记录；Clean Accuracy Does Not Guarantee Robustness 量化真实编解码器转码带来的剧烈性能退化。这三篇属于评测与诊断层。

同一维度内的三组核心对照

1. 自进化的技能演化机制：参数化蒸馏 vs 优化动量 vs 图结构演化。SCAFFOLD 通过最小描述长度（MDL）和行为等价性检查压缩技能，并周期性蒸馏入权重；SkillAdam 借鉴 Adam 优化器，用优化记忆平滑更新方向，用波动预算控制修改幅度；SE-GoS 则完全不改动模型参数，只在图层面进行拓扑剪枝、边权重强化和描述优化；Procedural Graphs 将经验提炼为三元组程序图。对比表明，当计算资源充足且追求离线固化时，参数化蒸馏（SCAFFOLD）能带来单点最高收益；当需要在冻结模型上低成本持续演化时，基于动量与预算的文本优化（SkillAdam）比朴素自反思更新更平稳；而免训练图演化（SE-GoS）在大型技能库检索中具有最低的更新开销。
2. 模型与运行环境的协同适配：在策略校正 vs 环境合成 vs 状态交替。Co-Evolving Harnesses and Models 证明了强行模仿高阶模型的完整轨迹会打破弱模型与演化 harness 的契合度，必须退回单轮在策略校正；EnvCraft 则从供给侧出发，通过自动合成隔离沙箱和拓扑感知轨迹，直接为智能体强化学习提供交互环境；Experience Funnel 则在时间尺度上将显式文本状态的快速适应与参数策略的缓慢内化解耦。三者共同指明：智能体能力的提升不是孤立更新模型权重，必须与执行环境和 harness 保持闭环契合。
3. 长程智能体的记忆与交互边界：动态截断 vs 决策冲突重验 vs 反事实驱逐审计。Elastic Horizon 证明了交互步数不是越长越好，固定步数扩展必然遭遇饱和平台，通过成功轨迹 90 分位数闭环控制可以在达到最高成功率的同时砍掉 25%无效 token；ATR 证明了长时间运行智能体的核心风险不在于读取的数据是否发生版本变化，而在于该变化是否构成“决策冲突”，微秒级重验即可彻底消除错误放行；What Eviction Destroys 则给记忆系统敲响警钟：在 8k 预算下由于上下文截断导致的遗忘是 100%不可逆的，任何检索层优化都无法找回已被驱逐的信息。三者为长程系统的运行边界提供了定量设计准则。

重点精读：十篇主稿

Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails（arXiv:2609.09134，直接命中·主题②）

• 研究问题：智能体系统通常由底座模型和围绕其构建的 harness（包含系统提示词、工具集合、调度钩子与上下文管理脚手架）共同定义。自动化的 harness 演化可以大幅提升较弱模型在垂直领域的表现。然而，团队在实践中发现，当使用较弱模型演化出针对性的 harness 后，更强的高阶专家模型在这一 harness 上往往能取得更高分数。一个直观的改进假设是：用专家模型在该演化 harness 下生成的完整轨迹去微调弱模型，以期弥补能力差距。实验却给出了令人震惊的负结果：在全部 7 个企业智能体任务上，弱模型经过专家完整轨迹模仿训练后，性能全面倒退了 4 到 30 个百分点。作者深入剖析发现，完整模仿强行改变了弱模型的规划节奏，弱模型模仿了专家的宏观规划动作，却缺乏完成底层微观步骤的对应能力，最终破坏了模型自身与针对其原生风格演化出的 harness 之间的契合度（model-harness fit）。
• 改动位置（维度）：自进化；模型权重与 harness 协同演化。论文提出了一种“在策略专家校正”（on-policy expert-correction）流水线，由元级 MLE 智能体自动化调度：弱模型在演化 harness 中自行 rollout 生成轨迹，仅在出现失败的单轮动作（failing turn）时，触发高阶专家介入并仅重写该单轮动作，随后继续交由弱模型完成后续交互。该方法严格保留了弱模型原生的规划风格，仅在关键卡点注入高阶纠偏信号。
• 关键结果（含比较对象与口径）：在 7 个企业真实智能体任务（涵盖工作流编排、企业数据分析等）上评测 Qwen3-Coder 与 Gemma 4：
  • 完整轨迹离线模仿在未演化 harness 上虽能带来收益，但在演化 harness 下导致两款弱模型在全部 7 项任务中成绩任务解决率下降 4 到 30 个百分点。1
  • 采用在策略专家单轮校正流水线后，不仅彻底消除了模仿带来的倒退，还在弱模型原有演化 harness 高分基础上进一步提升，平均成功率追平未微调前的高阶专家在演化 harness 上的成绩，同时推理成本保持在小模型水平。
• 证据边界：测试基准属于企业内部领域任务，未在 SWE-bench 等通用开源代码基准上同步验证；单轮重写依赖高阶专家模型的在线调用开销；训练 GPU 时数未详细报告。
• 对频道目标线的连接点：直接命中主题二“自进化与轨迹学习”，首次定量揭示了 harness 演化与模型参数微调之间的冲突本质，确立了“在策略局部纠偏优于离线全轨迹模仿”的自进化工程原则。
• 结论与阅读建议：精读（优先级 1）。正在进行智能体后训练与提示词/工具包演化的团队必须首选精读，避免踩入“蒸馏强模型完整轨迹却反向破坏系统契合度”的陷阱。 入口：AI 栏 · arXiv

Elastic Horizon: Discovering the Effective Interaction Frontier in Agentic Reinforcement Learning（arXiv:2609.07247，直接命中·主题①）

• 研究问题：在长程任务的强化学习（Agentic RL）中，交互地平线（interaction horizon，即每个 episode 允许的最大环境交互步数）是决定任务成败的核心超参数。以往的常见做法是人为设置一个较大的固定步数，或者采用开环课程学习单调增加地平线。然而，交互步数并非越长越好：过长的地平线会导致智能体在无解路径上盲目试错，产生大量冗余交互和幻觉，带来线性的 token 浪费与收益递减。论文提出“有效交互边界假设”（effective interaction frontier hypothesis）：在环境收益曲线中存在一个动态边界，越过该边界后增加交互步数的边际成功率接近于零，而成本线性上升。
• 改动位置（维度）：长程任务训练与评测；harness 闭环控制器。设计了 Elastic Horizon 闭环控制器，实时追踪成功轨迹长度的第 90 百分位数（90th percentile），并以此作为动态地平线阈值。该控制器既能从欠容量（初始地平线过小）自适应上调，也能从过容量（初始地平线过大）自适应收敛，实现交互边界的自稳定闭环。
• 关键结果（含比较对象与口径）：在 AppWorld 与 BFCL 基准上全面评估 Qwen 7B 与 14B 主干：
  • 固定地平线扫描证实了明显的饱和平台（saturation plateau），一旦超过特定阈值，模型成功率完全平直甚至轻微震荡。2
  • Elastic Horizon 能够无论从低起始步数还是高起始步数均自适应收敛到饱和带最佳区间，在 7B 和 14B 模型上均取得全场最高的任务解决率。
  • 相对固定大步数方案，Elastic Horizon 在每个环境交互步骤中节省高达 25%的轨迹 token 开销，大幅降低了 RL 训练的墙钟时间与算力预算。
• 证据边界：评测集中在单智能体环境（AppWorld 与 BFCL），尚未在多智能体并发与长周期真实桌面 GUI 任务中进行长期压力测试；第 90 百分位数的选取属于经验分位数，不同长尾任务可能需要微调超参数。已被 EMNLP 2026 会议录用。
• 对频道目标线的连接点：直接命中主题一“长程任务训练与评估”，将长程智能体的研究范式从“如何无脑堆叠交互长度”转向“何时停止交互以最大化效率与可靠性”。
• 结论与阅读建议：精读（优先级 1）。长程智能体 RL 训练团队必读，其实时分位数动态控制器可直接集成到现有的 PPO/GRPO 训练调度中。 入口：AI 栏 · arXiv

SkillAdam: Stable and Efficient Skill Evolution for Agents（arXiv:2609.08944，直接命中·主题②）

• 研究问题：基于执行反馈的智能体技能自进化（Skill Self-Evolution）是让冻结语言模型获取领域专业能力的高效途径。然而现有的迭代式技能演化方法通常依赖启发式的局部反思规则，面临两大根本性挑战：一是方向稳定性不足（Direction Stability），某一次迭代的局部失败反馈往往会直接覆盖之前好不容易积累的正确技能改动，导致演化轨迹剧烈震荡；二是更新自适应性缺失（Update Adaptivity），无论近期案例收益是否一致，每次迭代都做全局或无差别的文本重写，造成演化效率极其低下。
• 改动位置（维度）：自进化；技能与外部记忆。受 Adam 优化器在连续参数空间优化的启发，论文提出了面向离散、不可微技能文档的优化框架 SkillAdam：
  • 对应 Adam 的一阶矩：引入“优化记忆”（Optimization Memory），显式记录历史识别出的问题模式与历次解决方案的成败结果，使技能更新方向在多轮演化中保持平滑累积，避免被单轮局部负例带偏。
  • 对应 Adam 的二阶矩：引入“波动驱动编辑预算”（Volatility-Driven Edit Budget），追踪近期用例级改进的历史加权方差，自适应调节每次技能修改的文本规模和作用范围。
• 关键结果（含比较对象与口径）：在涵盖短程与长程任务的 7 个标准智能体基准上测试：
  • SkillAdam 在所有基准上均超越了现有的启发式技能自进化基线，取得了当前最优的整体任务完成率。3
  • 在优化动态上表现出显著更低的方差与更高的单调性，达到相同甚至更高技能质量所需的演化轮数减少了 40%以上，大幅降低了 API 调用成本。
  • 代码与实验配置已完全开源（https://github.com/ruc-datalab/SkillAdam）。
• 证据边界：针对离散文本形式的技能指南与操作提示词进行演化，尚未推广至包含可执行 Python 代码片段的混合动态技能库；硬件消耗受外部评估调用延迟主导。
• 对频道目标线的连接点：直接命中主题二“技能学习与自进化”，把连续优化思想创造性移植到离散外部技能演化中，解决了技能自进化长期存在的震荡退化痛点。
• 结论与阅读建议：精读（优先级 1）。开源代码可用，对于在生产环境中维护外部技能库、系统提示词自进化的团队具有即插即用的参考价值。 入口：AI 栏 · arXiv

TontaubeV1: Streaming Text-to-Speech with Hierarchical Codec Modeling and Bounded Context（arXiv:2609.08703，直接命中·主题③）

• 研究问题：语音合成系统始终在自然韵律与高效流式推理之间面临权衡：高感知质量的模型通常伴随巨大的计算开销与首包延迟，难以在单张消费级显卡上实现低延迟流式输出；而轻量级流式模型在长文本（如有声书）朗读时，韵律常常单调机械，容易出现灾难性节奏崩盘。
• 改动位置（维度）：TTS 生成；模型权重与分层声学架构。提出基于 12.5 Hz 层级化 DualCodec 表征的流式 TTS 系统 TontaubeV1，总参数量为 2.9B：
  • 架构设计基于核心假设：语音的韵律结构主要由低频语义流决定。因此由基于 Qwen3-1.7B 的大 Transformer 负责预测语义流与时长；随后由三个 progressively smaller（基于 Qwen3-0.6B）的轻量级 Transformer 逐级添加声学细节精修。
  • 采用逐字符（per-character）分词而非子词分词，避免发音边界模糊；在共享位置设置文本与音频配对标记，以有界上下文（bounded context）支持超长文本生成；将非因果 DualCodec 输出因果映射到 VibeVoice 潜在空间进行流式解码。支持最长 1 分钟参考音频进行高质量零样本声音克隆。
• 关键结果（含比较对象与口径）：
  • 在单张消费级 NVIDIA RTX 5090 上，流式生成路径的首包音频延迟（Time to First Audio）低至约 200 毫秒。4
  • 在非流式吞吐测试中，单音频输入的端到端实时系数（RTF，生成时长除以音频时长）为 0.08，8 路并发时的聚合 RTF 达到 0.02。
  • 在有声书长文本朗读的 LLM 裁判基准上，TontaubeV1 的韵律自然度打平行业标杆 ElevenLabs Flash v2.5，并显著超越 Fish Audio S2 Pro、Gradium API（2026 年 4 月版本）与 Cartesia Sonic 3。模型权重开源发布（Hugging Face）。
• 证据边界：自然度评估主要基于 LLM-as-a-judge 协议打分，缺少大规模双盲人类 MOS 听测；目前主要针对英语和德语优化，其他语言表现有待扩展。
• 对频道目标线的连接点：直接命中主题三“TTS 生成与评估”，是近期少有的在单张消费卡上同时攻克首包延迟、长文本有界上下文与专业有声书韵律的开源大模型工作。
• 结论与阅读建议：精读（优先级 1）。端侧语音研发、流式交互系统与有声书/长音频合成团队重点精读，其实体架构与有界上下文设计具有很高的工程落地价值。 入口：音频栏 · arXiv

KABURI-TTS: Phoneme-Keyed Activity-conditioned Bi-channel Utterance Rendering for Interaction（arXiv:2609.07200，直接命中·主题③）

• 研究问题：真实的人类全双工口语对话绝非交替轮流发声，而是充斥着插话、重叠（overlap）、倾听附和（backchannels）以及互相打断等双人同时发生的声学现象。现有的对话式 TTS 引擎通常只能按单句顺序合成，无法受控生成具有真实人际交互重叠感的双人对话。要实现真正的全双工口语生成，必须具备双声道（每声道对应一个说话人）独立可控渲染的能力。
• 改动位置（维度）：TTS 生成；音频架构与双声道交互渲染。提出 KABURI-TTS 框架，以每说话人的音素光栅（phoneme raster）为输入条件，在提取的帧级语音活动（voice activity）约束下，将两位说话人的语音分别独立渲染至左、右两个声学通道中。由于音素光栅由外部调度模块独立提供，该方法能够精确控制双人对话何时发生重叠、何时交替轮换。
• 关键结果（含比较对象与口径）：
  • 主观用户评估显示，相对单句拼接和传统对话 TTS 基线，KABURI-TTS 在单句级声学自然度与交互级动态自然度上均获得显著更高的听觉评分。5
  • 语音活动客观分析表明，KABURI-TTS 能够稳定受控地合成人类对话中特有的高频重叠与自然轮换事件，重叠发生率与人类真实录音具有极高的统计分布相似度。已被 APSIPA ASC 2026 接收。
• 证据边界：模型依赖上游模块供给高质量音素光栅，上游调度模块的误差会直接传导至合成质量；实验主要在受控双人日语交互语料上测试，跨语种通用性有待进一步验证。
• 对频道目标线的连接点：直接命中主题三“TTS 生成”并高度切中“播客生成与全双工对话生成”的核心底座，为双人对话与播客节目的真实重叠发声提供了开创性的双声道受控合成机制。
• 结论与阅读建议：精读（优先级 1）。正在探索全双工语音助手、虚拟人双人对谈以及高质量 AI 播客合成的团队必读，其实验机制彻底打破了传统单音轨轮流合成的局限。 入口：音频栏 · arXiv

Stabilizing Instruction Supervision for Instruct-TTS via Controllable Diversification and Drift Filtering（arXiv:2609.08204，直接命中·主题③）

• 研究问题：指令控制语音合成（Instruct-TTS）允许用户通过自然语言提示词（如“语速放慢，带着急切而悲伤的语气”）控制声学表现。业界通常使用 LLM 对结构化风格标签进行改写以扩充训练指令。然而作者深入审计发现，无约束的 LLM 指令改写中竟然有超过 40%存在严重的“语义漂移”（semantic drift）——即重写后的指令丢失了原标签中的声学属性，甚至注入了互相矛盾的语调要求。这种不稳定的指令监督破坏了模型的泛化能力，导致模型对复杂声学指令的跟随率低下。
• 改动位置（维度）：TTS 评估与生成；训练数据配方与评测过滤。提出了面向 Instruct-TTS 的以数据为中心稳定化方案，由三大互补机制构成：
  • 可控指令多样化：通过预设分类体系与受限模板进行系统化语法展开；
  • 基于 LLM 的漂移过滤器：对改写指令进行属性保真度校验，剔除冲突与漂移样本；
  • 属性对齐监督：将韵律控制明确锚定在声学扰动（acoustic perturbations）之上，建立提示词与真实声学特征的确定性连接。
• 关键结果（含比较对象与口径）：在 InstructTTSEval 中文测试集上系统对比：
  • 无微调基线模型的指令跟随率为 34.5%，朴素微调为 51.0%，而经过该稳定化配方训练后，指令跟随率显著跃升至56.4%。6
  • 约束重写与过滤机制将训练语料中的语义漂移率从 40.4%大幅压缩至15.4%。消融实验确认三个机制互为支撑，缺少任一机制都会导致跟随率显著下滑。提供完整音频 demo（[https://piedpiperg.[github.io/instruct-tts-stabilizer/#audio-demos](https://piedpiperg.github.io/instruct-tts-stabilizer/#audio-demos)](https://github.io/instruct-tts-stabilizer/#audio-demos](https://piedpiperg.github.io/instruct-tts-stabilizer/#audio-demos))）。
• 证据边界：声学扰动对齐主要涵盖音高、能量、语速等基础维度，对高阶情绪张力的表征仍显粗粒度；评测集中于中文指令集。
• 对频道目标线的连接点：直接命中主题三“TTS 生成与评估”，首次定量曝光并解决了 Instruct-TTS 中指令监督不稳定的行业顽疾，为可控语音生成的语料建设提供了标准质检规范。
• 结论与阅读建议：精读（优先级 1）。从事可控 TTS、角色扮演语音生成以及语音数据合成的算法工程师重点精读，其漂移分类法与过滤策略可直接复用于指令数据集构建。 入口：音频栏 · arXiv

AuK Technical Report: An Open-Source Foundational Model for Speech Generation and Editing（arXiv:2609.08936，直接命中·主题③）

• 研究问题：当前的语音模型通常割裂为不同的专业系统：语音合成、音频内容编辑、副语言控制、背景音增强与源分离各自采用完全不同的网络结构与接口。业界缺少一个统一的开源基础模型，能够通过统一的自然语言指令与音频上下文同时完成上述所有任务。
• 改动位置（维度）：语音生成与编辑；大规模模型架构与后训练全流水线。腾讯混元团队联合多家高校发布了 AuK 开源基础模型：
  • 构建了涵盖五大任务家族的大规模训练集：约 30.3 亿条指令-音频实例，总计 195 万小时有效监督数据。
  • 网络采用三元组合：多模态 LLM 负责语义条件编码；联合在语音、通用音频和音乐上预训练的 VAE 负责声学条件编码；生成核心采用混合整流流（hybrid rectified-flow Transformer），先经过双流 MMDiT 块再进入单流 DiT 块。
  • 训练分为纯生成热身和生成-编辑联合预训练；后训练阶段创新地结合了两种策略：针对开放式编辑采用人类反馈偏好优化（DPO/PPO 类），针对语音生成采用基于奖励的强化学习。随后通过一致性初始化与解耦 DMD 蒸馏出 4 步推理的 AuK-Flash 模型。
• 关键结果（含比较对象与口径）：
  • AuK 在零样本语音生成、指令控制语音合成以及通用指令引导音频编辑上均达到领先水平，在传统信号级修复分离任务中同样保持高竞争力。7
  • 蒸馏版本 AuK-Flash 无需分类器自由引导（CFG），仅需 4 步采样即可完成高质量生成，在相同硬件条件下相对自身未蒸馏的完整模型取得 4.5 倍的实际墙钟推理加速。代码与模型权重完全开源（https://github.com/Tencent-Hunyuan/AuK）。
• 证据边界：技术报告未公开完整主干模型的参数量细节与完整 GPU 集群训练小时数；模型在极短音频局部编辑上的边界伪影情况有待工业级测试。
• 对频道目标线的连接点：直接命中主题三“语音生成与编辑”，是本期体量最大、覆盖任务最全的开源工业级基础语音模型，对多模态语音研发具有里程碑意义。
• 结论与阅读建议：精读（优先级 1）。大模型团队、语音全栈工程师与多模态架构师必读，建议直接克隆开源仓库进行本地评估。 入口：音频栏 · arXiv

AgentBrew: Offline Tool-Use Agent Learning from Raw Real-World Trajectories（arXiv:2609.05837，直接命中·主题②）

• 研究问题：真实世界工具调用智能体的强化学习面临巨大的现实阻碍：生产环境通常不具备预定义的任务目标或现成的自动化验证器（verifier），缺乏高保真的环境模拟器，且高昂的线上探索成本禁止大规模的在线 rollout。智能体在生产环境中留下的原始交互轨迹通常充满噪声、探索失败和无序操作，现有的拒绝采样等数据过滤方法往往因缺乏验证标签而将大部分轨迹直接丢弃。
• 改动位置（维度）：自进化与轨迹学习；轨迹表示与奖励/信用分配。提出离线训练框架 AgentBrew，无需任务验证器与在线交互，直接从单批原始交互轨迹中学习工具使用策略：
  • 回顾性任务推断（Retrospective Task Inference）：根据轨迹的实际执行终态与操作结果，反向重构出最贴合该结果的规范意图指令；
  • 基于点互信息（PMI）的信用分配：将整条轨迹对推断指令的总信息量，通过逐动作的 PMI 解耦为可加的步级动作信用，用于对策略训练目标进行精细加权，自动放大信息增益高的动作、压制无效冗余操作。
• 关键结果（含比较对象与口径）：在三个真实 MCP 工具应用（GitHub、Notion、PostgreSQL）上进行微调评测：
  • AgentBrew 使 Qwen3-32B 在三个环境中的平均准确率提升 8.7 个百分点（拒绝采样基线为+5.9）、综合得分提升 9.7 分（拒绝采样基线为+10.3 分），两项指标均超越未做该微调的更大规模 Qwen3-235B 基座模型表现（准确率+2.3、得分+4.4）。8
  • 实验证明，细粒度的离线信用分配能从传统方法直接丢弃的无标签脏数据中抢救出极其丰富的高质量监督信号。代码开源（https://github.com/alphatogo/AgentBrew）。
• 证据边界：回顾性任务推断的准确性高度依赖轨迹终态的状态可观测性；当环境状态变化极其微弱或无法量化时，推断指令可能产生虚假关联。
• 对频道目标线的连接点：直接命中主题二“轨迹学习与信用分配”，给出了在无模拟器、无真实标注和有限算力下利用离线生产轨迹训练强工具 agent 的最佳范本。
• 结论与阅读建议：精读（优先级 1）。拥有大量真实智能体生产日志、受困于在线 RL 算力成本与验证器缺失的企业团队重点精读。 入口：AI 栏 · arXiv

From Version Conflicts to Decision Conflicts: Selective Revalidation for Long-Running AI Agents（arXiv:2609.08015，直接命中·主题①）

• 研究问题：长时间运行的 AI 智能体经常经历跨越数小时乃至数天的复杂异步流程：读取外部状态、长程规划推理、等待长耗时工具返回或人工审批，最后再在外部系统中执行不可逆的关键操作（例如打款、修改核心配置、下达物流指令）。在等待期间，先前支撑该决策的环境状态极可能已被并发修改。传统的数据库乐观并发控制（OCC）只能粗暴检测到“版本已变”（Version Conflict），但版本变化并不等同于决策失效（例如客户修改了名字 presentation metadata，并不影响退款额度决策；额度上限从 100 改为 90 依然允许 80 元退款，但改为 50 则判定非法）。全量重扫或盲目重启既昂贵又极其脆弱。
• 改动位置（维度）：长程任务执行；harness 架构与决策条件选择性重验。提出 ATR（Adaptive Targeted Revalidation）方法：智能体在决策时显式记录支撑该决策的可执行逻辑条件列表；当状态发生并发变更时，仅针对受影响的条件进行微秒级局部重验，将“版本冲突”精准区分为“安全可放行”、“刷新元数据”、“触发重新规划”与“硬性拦截”四种状态，并由底层事务保证原子提交。
• 关键结果（含比较对象与口径）：
  • 在涵盖 15 种变异场景的 210,000 次受控执行中，ATR 完全匹配开发者预设的真实有效性结果，实现了零错误放行与零误拦截。9
  • 在持久化 SQLite 断点重验实验中，每次变更仅需评估 0.6 个条件，而全量重新扫描（FullScan）需要评估 6.0 个条件；在包含 4,093 次记录读取的测试用例中，ATR 的重验耗时仅为9.3 微秒，相比 FullScan 的 2595.9 微秒缩减了99.6%的计算开销。代码与测试集已公开。
• 证据边界：决策条件的提取目前依赖可解析的形式化接口，对于纯自由文本形式的模糊前置约束，自动化条件提取的鲁棒性尚未在生产级黑盒中全面验证。
• 对频道目标线的连接点：直接命中主题一“长程任务状态一致性与可靠性”，首次从系统设计上厘清了长程智能体在真实高并发环境下的关键执行安全屏障。
• 结论与阅读建议：精读（优先级 1）。正在构建涉及企业审批、金融交易、基础设施运维等高危不可逆操作的长程智能体团队必读，其状态条件绑定思想可直接用于工程重构。 入口：AI 栏 · arXiv

ExecCritic: Learn to Test, Test to Improve for Coding Agents（arXiv:2609.09133，直接命中·主题②）

• 研究问题：在软件工程代码修复（如 SWE-bench）中，执行反馈被广泛用于指导代码修改。然而，当同一个智能体既负责编写代码补丁又负责编写验证测试用例时，智能体自身的理解偏差会导致测试与代码犯下相同的错误，产生虚假的自我肯定（false confidence），进而导致错误的补丁通过虚假测试。相反，如果生成的测试质量低下，错误的反馈甚至会将原本正确的代码改错。
• 改动位置（维度）：自进化与代码智能体；模型权重与角色特定强化学习。提出 ExecCritic 系统，严格解耦“测试构建”与“源码修复”两大角色：
  • Test Agent 在 fail-closed 脚手架中独立生成测试并冻结；
  • Repair Agent 仅根据测试执行反馈修改源码，绝对无权修改测试用例；
  • 双方均以 Qwen-3.5-35B-A3B 为主干，但采用角色特定的后训练：Test Agent 通过“Learn to Test”训练区分正确补丁与错误补丁的能力；Repair Agent 通过“Test to Improve”学习如何根据错误堆栈精准定位修复。
• 关键结果（含比较对象与口径）：在 SWE-bench Verified 权威基准上严格验证：
  • 实验证实测试质量具有决定性：在固定 Repair Agent 条件下，使用未经针对性训练的 Base Test Agent 生成的测试，修复解决率反而从无测试基线的 61.2%降至 57.3%；而引入 GPT-5.6-sol 生成的测试则升至 65.3%。10
  • 经过角色特定 RL 微调后，Qwen Test Agent 将测试有效率从 22.2%大幅提升至 62.2%；两个训练后的 Qwen 智能体协同工作，SWE-bench Verified 解决率跃升至72.6%，相比无测试基线绝对提升11.4 个百分点，在评测阶段完全不需要外部强模型或 Oracle 介入。35 页技术报告，代码开源（https://github.com/MSR-Orchard/execcritic）。
• 证据边界：双角色架构引入了多轮沙箱交互与额外的推理开销；依赖仓库环境中存在可运行的测试套件与执行环境。
• 对频道目标线的连接点：直接命中主题二“自进化与轨迹强化学习”，为长程代码智能体与自测试闭环确立了“角色解耦、独立 RL”的顶级标杆。
• 结论与阅读建议：精读（优先级 1）。代码智能体、自动化研发运维（Devin 类系统）以及自验证强化学习团队必读主稿，开源代码完整度高。 入口：AI 栏 · arXiv

值得扫读：自进化、长程执行与工具闭环

Experience Funnel: A State-Policy Alternating Loop for Self-Evolving Agents（arXiv:2609.08919，直接命中·主题②）

SCAFFOLD: Self-Improving Web Agents via Recursive Parametric Skill Abstraction（arXiv:2609.05511，直接命中·主题②）

SE-GoS: Self-Evolving Graph-of-Skills for Skill Library at Scale（arXiv:2609.08228，直接命中·主题②）

Procedural Graphs: Self-Evolving Execution Structures for LLM Agents（arXiv:2609.09153，直接命中·主题②）

NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness（arXiv:2609.08183，直接命中·主题②）

EnvCraft: Synthesizing Executable Environments in Agentic RL for Claw-like Agent（arXiv:2609.05576，直接命中·主题①）

Agents Trust Tools Too Much: Measuring Reliance on Unreliable Tools（arXiv:2609.05587，直接命中·主题①）

What Eviction Destroys: A Restore-Counterfactual Audit of Forgetting in Agent Memory（arXiv:2609.08279，直接命中·主题①）

MemForest: Efficient Agent Memory Management via EventTree Partitioning and Progressive Merging（arXiv:2609.08273，直接命中·主题①）

PARSER: Read in Parallel, Reason in Depth for Long-Context LLM Agents（arXiv:2609.06702，直接命中·主题①）

MEMO: Multimodal Evidence Memory Organization for Long-Horizon LLM Agents（arXiv:2609.07471，直接命中·主题①）

AutoFyn Technical Report: Non-Parametric Expert Iteration for Long-Horizon Agents（arXiv:2609.05446，直接命中·主题①）

ToolLoop: Closed-Loop Tool-Use Data Synthesis via Decomposed Generation and Dynamic Self-Feedback（arXiv:2609.09072，直接命中·主题①）

SAP: State-Guided Data Synthesis with Argument Provenance for Multi-Turn Tool Use（arXiv:2609.06124，直接命中·主题①）

TASTE2: Text-Aligned Speech Modeling and Deployment toward Full-Duplex Voice Interaction（arXiv:2609.08956，直接命中·主题③）

ConversationalVoice: Full-Duplex Speech Data from Real Conversations（arXiv:2609.08147，直接命中·主题③）

What Did I Just Say? Self-Listening for Full-Duplex Speech Models（arXiv:2609.05592，直接命中·主题③）

Closing the Consistency Gap: Self-Evolving Agents That Learn to Stay on Course（arXiv:2609.08832，直接命中·主题②）

邻近跟踪：音频诊断、评测基准与理论边界

Where Does the Sound Go? Tracing Acoustic Information Loss in Audio-Conditioned LLMs（arXiv:2609.05871，邻近·音频诊断）

From Scores to Evidence: Auditable Decisions Can Improve Speech Deepfake Detection（arXiv:2609.08899，邻近·语音防伪评测）

Clean Accuracy Does Not Guarantee Provenance Robustness: A Prospective Codec-Stress Evaluation（arXiv:2609.07981，邻近·编解码器压力评测）

Causal Attribution for Agentic Decisions: Estimators, Coupling, and a Traceability Specification（arXiv:2609.06445，邻近·因果归因与治理）

SWE-bench Pro Verified: A Reliable Benchmark for Software Engineering Agents（arXiv:2609.08149，邻近·代码智能体评测）

DAREBench: Deployment-Aware and Reliable Evaluation of Models as Agents（arXiv:2609.06059，邻近·智能体评测基础设施）

Agentic Pressure: The Endogenous Entropy of Reliable Autonomy（arXiv:2609.05995，邻近·长程可靠性机制）

Safe Harness Self-Evolution: A Theoretical Analysis of Feasibility and Limits（arXiv:2609.08175，邻近·自进化理论界限）

Improving Proficiency and Efficiency of Android GUI Agents via Self-Generating Tool Actions（arXiv:2609.06792，邻近·GUI 工具合成）

A Three-Tier Persona Vector for Controllable User Simulation in Agentic Evaluation（arXiv:2609.08592，邻近·多轮用户模拟评测）

研发检查表：长程智能体与语音生成落地检查项

1. 自进化拒绝盲目全轨迹模仿：当 harness 已针对弱模型优化后，严禁直接使用高阶专家在演化 harness 下的完整轨迹微调弱模型（可能导致 4~30 分倒退）；必须改用在策略专家校正（On-Policy Expert Correction），仅重写失败单轮动作以保护模型自身原生规划风格与 harness 的契合度（Co-Evolving Harnesses and Models）。
2. 交互地平线设置闭环截断机制：长程任务强化学习应建立自适应交互截断：实时监控成功轨迹长度的第 90 百分位数，采用弹性控制器（Elastic Horizon）动态锁定饱和平台，在达到最高成功率的同时砍掉最多 25%的冗余 token。
3. 离散技能演化引入动量与波动预算：维护外部技能库或提示词库应引入动量与波动预算：建立优化记忆记录历史成败方向（一阶矩），并根据近期改进方差自适应调节编辑预算（二阶矩），以抑制技能更新的剧烈震荡（SkillAdam）。
4. 代码修复与测试构建严格解耦：代码修复与测试构建实行独立角色解耦：将系统拆解为独立的 Test Agent 与 Repair Agent，并分别运行角色特定强化学习（ExecCritic），才能在 SWE-bench 类任务上突破 70%以上的有效解决率。
5. 防范不可靠工具的隐式顺从：防范不可靠工具的隐式顺从：针对思维链中识别出冲突却在最终响应中顺从工具错误的行为，设置显式的冲突披露门禁与独立校验逻辑（Agents Trust Tools Too Much）。
6. 长程运行操作绑定可执行决策条件：长程运行操作绑定可执行决策条件：将支撑决策的前置条件显式结构化，仅在并发变异触碰决策有效性时触发局部重验（ATR），仅在并发变异触碰决策有效性时触发重验（ATR），实现微秒级高并发安全放行。
7. 全双工对话语音模型部署自听机制：开发实时打断与轮换的全双工语音助手时，必须将扬声器实际播放的音频流实时反馈至输入端（Self-Listening），解决由于异步解码播放与文本生成脱节造成的锚定打断错位（What Did I Just Say?）。
8. Instruct-TTS 训练语料强制执行语义漂移质检：Instruct-TTS 训练语料部署语义漂移质检：部署属性对齐校验与漂移过滤器，把重写语料的漂移率压降至 15%以下，把漂移率压降至 15%以下，才能真正提升真实指令跟随率（Stabilizing Instruction Supervision）。