本期从 arXiv recent 的 2026 年 8 月 18 日分组精选十篇论文；所选论文详情页的 v1 版本日期主要为 2026 年 8 月 17 日。阅读目标不是替读者下结论，而是把值得继续精读、复现或跟踪的信号拆成方法、条件、证据和限制。

本期判断

头条

一、把长任务的失败归因到子任务：Baton 的探索成本从乘法变成加法 Don’t Drop the Baton: Long-Horizon Robot Manipulation via Agentic Subtask Exploration and Transition-Aware Memory

认知提取

论文摘要

• 直接在全任务上探索时，单阶段平均需要约 T 次试验，K 阶段任务的代价接近 T 的 K 次方；Baton 以子任务为探索单元，把代价压到 T 乘 K，并能指出是哪一阶段失败。原文
• 论文把 VLA 当作冻结的接触技能执行器，Agent 用语言和解析动作编排自由空间移动，并在场景准备好后调用 VLA。
• RoboMemArena 上，Baton 相对当前最佳方法将任务成功率提高十一点六个百分点，将累计成功率提高十四点九个百分点；具体设置和对比见原文表一。

核心方法

• 先分解再合成：Agent 将长指令拆成 K 个子任务，每个子任务短时探索并把成功策略存入技能记忆，之后按轮次提升可组合的单元。
• 调用过渡：手腕相机验证物体、姿态和接触条件，只有场景满足进入条件才调用 VLA，避免把错误的入口状态交给接触策略。
• 交接过渡：前一个子任务留下的物体残留、姿态变化或遮挡可能破坏下一个入口；记忆中显式记录恢复动作。
• 前瞻过渡：当前子任务的执行方式由后继任务能否接住来约束，避免局部最优把终态推到一个后续不可用的位置。

实验成果

• RoboMemArena 的任务长度约为典型 LIBERO 任务的十三倍；论文报告任务成功率提升十一点六个百分点、累计成功率提升十四点九个百分点。原文
• 论文引用的边界诊断显示，已有工作中大量失败发生在子任务边界；因此 Baton 的增量不只来自更多探索，也来自把入口和出口变成可验证对象。
• 这里的证据仍是 benchmark 级结果：它证明了过渡记忆在该任务集上的价值，不等于已证明语言记忆能覆盖开放世界机器人的所有状态变化。

总结与反思

• 结果总结：Baton 的关键贡献是把长时程操控的「组合」变成独立的探索和记忆问题，成功率提升与边界归因同时出现。
• 局限性：方法依赖视觉验证器、解析动作和记忆文本的可靠性；论文没有证明其在真实家庭环境中的开放词汇和异常恢复能力。
• 前沿见解：下一步值得看的是过渡记忆能否成为跨机器人、跨任务的可检索接口，而不是继续把所有失败都归因于 VLA 本体。

二、给高层规划分配额外算力：τ0-VLA 用世界模型做测试时搜索 τ0-VLA: a Hierarchical Robot Foundation Model with World-Model-Guided Test-Time Computation

认知提取

论文摘要

• 高层策略读取多视角观察、任务指令、执行记忆和上一个子任务；低层策略接收选定子任务并输出动作块。原文
• 模型使用约四万零一百一十五小时异构真实世界数据，并进行多模态联合训练；论文在多种机器人形态和分布偏移设置上评估。
• 论文将测试时计算增加与下一子任务预测准确率、长时程闭环成功率联系起来，但关键比较仍依赖具体任务、搜索深度和预算。

核心方法

• 执行记忆：每个高层推理步先从观察和历史中形成与观察对齐的记忆，再给出直接候选。
• 世界模型评估：对候选子任务预测终止视觉状态，价值模型在任务指令、候选和预测图像共同条件下评分。
• 束搜索：对候选分支递归展开，按累计分数保留前 B 条路径；反思模型读取历史和分支摘要后生成最终子任务。
• 低层执行：低层视觉语言动作策略采用视觉语言骨干和 Mixture-of-Transformers 动作专家，以条件流匹配生成动作块，并跨多个机器人形态执行。

实验成果

• 论文在奶茶制作、书籍整理的域内和域外设置、清洁房间等任务上比较 Plan Once、Best-of-N 和测试时计算；准确率随额外计算增加，并出现饱和趋势。原文
• 物理机器人试验按每个任务十次独立试验统计成功率和进度；因此读者应同时看「成功次数 / 十次」和归一化进度，不能把一次成功直接理解为稳定能力。
• 论文的硬件、任务时长、搜索分支和停止规则决定了计算收益；没有这些条件，测试时扩展的收益不能直接外推到任意机器人。

总结与反思

• 结果总结：τ0-VLA 证明高层决策可以像语言模型推理一样按难度加算力，并把世界模型变成候选筛选器。
• 局限性：世界模型预测误差会被搜索放大；束搜索只在候选空间和价值评分足够可信时有用。
• 前沿见解：机器人系统的「测试时扩展」不应只报告成功率，还要报告每次额外搜索带来的延迟、能耗和失败类型。

认知模型

三、静态记忆并非免费：Proteus 按上下文进度逐步激活容量 Proteus: Incremental Memory Activation for Long-Context Sequence Modeling

认知提取

论文摘要

• Proteus 是一种增量记忆激活机制，可接入 SWLA、Comba、Titans 和 Hope-Attention 等记忆架构，不增加参数或额外记忆。原文
• 论文覆盖语言建模、常识推理、长上下文检索、LongBench 和 Needle-in-a-Haystack；作者报告上下文越长，收益越明显。
• 其核心假设是「何时写入」和「如何写入」同样重要：早期瓶颈改善压缩，后期新容量降低覆盖干扰。

核心方法

• 激活掩码：每个时间步只读写已经激活的块，未激活块保持锁定；上下文推进后再逐步扩大有效容量。
• 统一接口：相同的容量调度思想可施加到循环记忆，也可延伸到 Hope-Attention 的参数化记忆和 MLP 块。
• 无额外参数：Proteus 改变的是可用状态的调度，而不是新增一套记忆网络，因此能与多个 backbone 做对照。

实验成果

• 在语言建模和常识推理中，论文比较七百六十 M、五十 B token 与一点三 B、一百 B token 设置，并报告 Proteus 版本的平均准确率更优。原文
• 在长上下文检索中，Proteus 改善 SWDE、SQuAD 和 FDA 任务随上下文长度增加时的鲁棒性。
• 论文还报告 Hope-Attention 的平均结果从十五点七二提升到十六点六五，Comba 从十三点零五提升到十三点二三，Titans 从十三点八提升到十四点一五；这些数值属于特定 backbone 和训练协议，不能视为通用提升率。

总结与反思

• 结果总结：Proteus 将记忆容量从静态资源改成随序列生长的调度变量，改动小但覆盖多个记忆模型。
• 局限性：容量解锁计划依赖上下文位置，无法自动判断信息重要性；论文仍需要在更复杂的跨文档任务上验证。
• 前沿见解：长上下文的竞争点可能从「能否容纳」转向「何时为哪类信息分配新容量」。

多模态

四、视频编辑从文字指令走向视觉示范：VicEdit 用双上下文控制视频 DiT VicEdit: Learning to Edit Videos from Visual In-Context Examples

认知提取

论文摘要

• VicEdit-400K 包含约四十万条样本、十类任务和三种视觉参考模态；数据流水线用多维过滤保证视觉一致性和语义一致性。原文
• MASD 产生与参考模态相关的视觉语义 token，DCI 将视觉 token 与文字指令融合后注入视频扩散 Transformer。
• 作者在基础编辑和视觉上下文编辑任务上报告领先结果；VLM 评价总体分为三点四五，指令遵循三点六五，细节保真三点三四，视觉质量三点三五。原文

核心方法

• 数据构造：从开放视频编辑数据生成单图、图对和视频对参考，经过任务分类、质量过滤和语义一致性筛选形成 VicEdit-400K。
• MASD：用模态嵌入调制基础查询，从异构视觉参考中蒸馏可供生成模型使用的语义 token。
• DCI：对视觉上下文和文字指令做语义校准，再通过交叉注意力注入 Video DiT，使生成过程同时受两类条件控制。

实验成果

• VicEdit 在 OpenVE-Ext 与 VicEdit-Bench 上分别评估基础编辑和视觉上下文编辑，并用 VLM 评价与 VBench 维度共同衡量。原文
• 消融结果将 MASD、DCI、不同训练阶段和计算效率分开比较；因此总体分数的提升不能只归因于数据规模。
• 单卡、目标视频八十一帧、四百八十乘八百三十二分辨率的效率表是部署判断的必要条件；参考特征提取和 DiT 去噪时间应分开看。

总结与反思

• 结果总结：VicEdit 把「视觉例子」变成可训练的编辑接口，解决的是描述能力不足，而不是单纯扩大文字编码器。
• 局限性：四十万样本来自自动构造和过滤，数据偏差会影响对真实编辑需求的覆盖；VLM 评分也不是完全客观的用户偏好。
• 前沿见解：下一步关键不是再增加参考图数量，而是让模型能判断哪一个视觉参考真正约束了当前编辑目标。

五、视频世界模型首先要通过分布校准：CaliBench 把「看起来像」拆成可评分性和校准度 CaliBench: Are the Stochastic Dynamics of Video World Models Physically Calibrated?

认知提取

论文摘要

• 基准覆盖九种场景、六个图生视频模型，每个场景模型生成三十二条视频；输出只按离散、可解释的结果计分。原文
• 可评分性 rho 是产生明确结果的比例；校准度用有效样本分布与参考分布的总变差距离衡量，并用 Monte Carlo 卡方检验发现误校准。
• 论文观察到模型常把概率质量集中到少数结果；最极端例子中，Veo 三点一在骰子场景坍缩到单一面，轮盘场景还经常出现球位置不明确。

核心方法

• 解析参考分布：伽尔顿板使用二项分布，分叉球使用伯努利分布，骰子、卡牌和彩票使用均匀分布，轮盘使用已知偏斜分布。
• 双轴评价：把结构性不稳定和模式坍缩分开。低可评分性意味着视频没有给出可判断结果；高可评分性但高总变差则意味着结果明确却分布错误。
• 统计检验：每个场景模型组合用三十二个生成样本，卡方检验只能证明误校准，不能证明校准；论文还使用多重比较校正。

实验成果

• 大多数场景模型组合显著误校准；模型之间没有一个在九个场景上都占优，场景因素比单一模型排名更强。原文
• 轮盘的绿色概率理论上约为百分之二点七，但五个模型在有效样本中出现更高绿色比例；Cosmos 三点零在六个有效样本中有一半为绿色。
• 卡牌场景中五个模型的可评分性低于百分之六十；SeeDance 二点零的可评分性约为百分之九十一，但总变差仍为零点五，说明「能判分」不等于「分布正确」。

总结与反思

• 结果总结：CaliBench 把视频世界模型的物理随机性从主观观感推进到可检验的分布校准。
• 局限性：每个场景只有三十二个样本，统计功效主要能发现大幅误校准；视觉模型抽取错误也会影响结果。
• 前沿见解：真正的世界模型评测应同时问「是否产生了合法状态」和「状态出现的频率是否像世界」，而不是只问单帧是否逼真。

具身智能

六、层级机器人模型的下一步是按决策难度花算力：τ0-VLA 之外，Baton 提供了可组合的另一条路线

AI4Science

七、把细胞扰动实验变成强化学习奖励：PertMind 让实验终点选择生物学推理轨迹 PertMind: Eliciting Emergent Biological Reasoning in LLM via Reinforcement Learning on Cellular Perturbation Data

认知提取

论文摘要

• 模型从 Qwen3-4B Base 出发，使用 Tahoe-100M 扰动图谱构造细胞、药物、目标基因三元组，标签为 Up、Down 或 No。原文
• 为避免泄漏，五个细胞系 C32、HepG2C3A、HOP62、Hs 766T 和 PANC-1 被整组留作测试；当前查询的表达结果不进入模型提示。
• 论文报告前向扰动响应、反向扰动条件、双重扰动、表型筛选命中排序、生物过程命名，以及分子—细胞—供体三级表示上的迁移证据。

核心方法

• 可信轨迹初始化：从知识图谱检索 PubChem、DrugBank、UniProt、Gene Ontology、Reactome、STRING 和 CORUM 等信息，采样候选回答，只保留标签、格式、证据支持和完整机制链都通过的轨迹做一轮 SFT。
• 三类奖励：基因级奖励检查最终 Up、Down、No；通路级奖励检查不含目标基因的通路方向代理；格式奖励保证字段和唯一终点可解析。
• 路径监督 GRPO：每个查询采样一组回答，用组内相对奖励更新策略；通路标签只在奖励侧使用，不进入模型提示，避免把答案泄漏给模型。
• 跨任务接口：同一个模型既能输出最终基因方向，也能给出反向干预排序、表型筛选的 biology brief，或生成可编码的基因功能描述。

实验成果

• 在 VCWorld 未见细胞系的差异表达和方向预测中，PertMind 平均达到或略超过 Gemini 二点五 Flash 参考 harness 的表现；论文强调这是特定协议下的比较，不是因果机制证明。原文
• 消融显示：SFT 带来首次明显提升，基因级 RL 继续带来小幅提升，仅加入通路文字而不给通路奖励没有超过基因级 RL；基因级和通路级奖励同时存在时最好，打乱通路标签会使结果低于 SFT。
• 在反向扰动条件预测中，PertMind 接近专门模型 CellNavi，并在双重扰动中改善第二个真实干预的排序，且没有为该任务额外微调。
• AssayBench 的三百三十四个筛选任务上，screen-specific PertMind brief 提升 GPT-五点四、Gemini 三 Pro 和 Qwen 三点五—三百九十七 B 的 AnDCG@100；GeneAgent 任务中，PertMind 增强也提高词面和语义一致性。原文

总结与反思

• 结果总结：PertMind 的强信号是把实验终点变成 RL 的选择压力，并在逆向、组合和表示任务上观察到迁移。
• 局限性：论文的「涌现」是操作性定义；任务迁移不等于证明模型内部形成了真实因果机制，通路代理也不是蛋白活性或代谢流的直接测量。
• 前沿见解：AI4Science 后训练值得更多使用实验可验证终点，但必须同时保留细胞系隔离、数据泄漏控制和对奖励捷径的监控。

Infra

八、移动边缘推理的切换不应从零恢复：Pallas 提前迁移 KV Cache Pallas: A Proactive KV Cache Migration Framework for LLM Inference in AI-RAN

认知提取

论文摘要

• Pallas 将 token 序列分成稳定历史前缀和演化后缀：目标侧本地 prefill 前缀，源侧流式发送后缀 KV block。原文
• 在线调度器根据移动性预测和运行时遥测选择预取窗口；窗口过早会浪费带宽，过晚则把迁移拖回切换关键路径。
• 原型基于 vLLM 零点八点五，部署在两台各含单张 NVIDIA RTX A6000 的服务器上，以一 Gbps 以太网连接。

核心方法

• 窗口决策：把可提前准备的时间、链路 goodput、上下文长度和预测可用性纳入窗口选择。
• 并行准备：源基站继续生成并向用户交付 token，同时把后缀 KV block 发送到目标；目标在后台对前缀做本地 prefill。
• 重新规划与竞争感知：移动预测变化或链路争用出现时，Pallas 调整迁移计划，避免把共享带宽全部分给单一请求。

实验成果

• 在三种 LLM、每秒一百至五百 Mb 的 inter-gNB 链路上，Pallas 相对目标侧恢复方法将平均服务中断时间降低二点二八至八十九点六八倍。原文
• 相对源侧转发，平均 inter-token latency 降低百分之十六至百分之五十；三跳 Detour 场景下 Qwen3-32B 的 P90 和 P99 ITL 达到一百二十六点六八毫秒和二百六十三点五四毫秒，超过一百毫秒目标。
• 这些数字受链路带宽、上下文长度、预测可用时间和并发争用影响，不能直接等价为所有边缘部署的加速倍数。

总结与反思

• 结果总结：Pallas 把 handover 从「发生后恢复」改成「发生前准备」，是一个典型的系统时序重排。
• 局限性：它依赖移动预测和稳定的源目标链路；预测失效或并发骤增时，窗口收益会收缩。
• 前沿见解：LLM serving 的状态迁移正在从存储问题转为 deadline scheduling 问题，KV Cache 只是第一个显性对象。

Agent

九、黑盒 harness 也能做稳定 RL：ClawGym II 从模型调用恢复前缀树轨迹 ClawGym II: Exploring Black-Box RL on Agent Harness

认知提取

论文摘要

• 论文构造沙箱执行基础设施，将任务环境和 harness 隔离到临时沙箱中，支持并发 rollout；训练和推理之间保持 token 级一致性。原文
• 框架在 OpenClaw 和 Claude Code 两种结构不同的 harness 上验证，并通过 mix-harness training 让一个模型接受异构执行系统的联合优化。
• 从 Qwen3-30A3B 出发，OpenClaw 训练在 ClawGym-Bench 上将 Pass@1 提高九点九八个百分点，Claude Code 提高十四点八一点；PinchBench 分别提高十一点七一和十七点二八个百分点。原文

核心方法

• 沙箱 rollout：每个任务拥有独立、可销毁的工作空间，减少长轨迹失败对其他并发任务的污染。
• 边界代理：harness 继续保留原生执行逻辑，代理只捕获模型输入输出，不必重写工具和状态机。
• 前缀树恢复：同一 rollout 中的多轮调用可能分支、重复或中断，前缀树把共享上下文重新组织成可训练结构。
• 树上优化：PPO 使用 critic，GRPO 不使用 critic；训练同时加入黑盒 token-in-token-out 和重要性采样修正，以缓解训练—推理不一致。

实验成果

• 在 ClawGym-Bench 上，OpenClaw 和 Claude Code 的 Pass@1 增益分别为九点九八和十四点八一；在 PinchBench 上分别为十一点七一和十七点二八。原文
• 训练在二百至四百个优化步内保持稳定；论文还在 JobBench 和 OfficeQA 风格任务上观察到一致增益。
• 跨 harness 结果说明模型学到的不是某个单一执行器的格式，但白盒 AgentLoop 与黑盒 harness 的互换结果仍需要单独看，不能把「可迁移」理解成完全无代价。

总结与反思

• 结果总结：ClawGym II 解决的是把复杂 runtime 变成 RL 数据的问题，而不是提出新的 Agent 提示模板。
• 局限性：前缀树恢复仍依赖代理层捕获完整调用；任务执行延迟、沙箱成本和 harness 版本变化都会影响训练复现。
• 前沿见解：未来 Agent 训练的最小单位可能是「模型—harness—环境」三元组，单独报告模型分数会越来越不够。

应用体系

十、金融 Agent 的可靠性和可执行性要一起训练：Mint-Agent 用数据、harness、算法三柱统一 9B 与 27B 模型 Mint-Agent: Introducing Finance-Native Agentic Foundation Models

认知提取

论文摘要

• 数据引擎构造原子金融能力任务和长时程研究任务，要求事实有来源、答案可复现、计算可核验；harness 将证据、工作记忆和动作—观察轨迹放在模型上下文之外。原文
• 算法路径先训练金融推理专家和 Agent 执行专家，再用 TIES 合并和多教师 on-policy distillation 统一成通用金融 Agent。
• 论文将能力拆成可靠性和可执行性：Mint-Ag 在 RFC-Bench 达到百分之九十八点三三；Mint-Cu 在 FinSearchComp T2 达到百分之六十九点八六；Mint-Ag 在 FinanceAgentBench v1.1 和 v2 达到百分之七十六和百分之六十点四九。原文

核心方法

• 数据：从知识、抽取、计算、分析和核验能力出发，采样真实金融来源，建立带 provenance 的事实、问题、推理和唯一答案。
• harness：维护持久上下文、证据图和完整动作轨迹，工具调用先由 harness 校验再执行，提交或预算耗尽后由隔离评估器比对隐藏参考。
• 算法：金融推理专家使用 SFT 和可验证奖励 RL；执行专家使用 SFT、关键步骤 OPD 和轨迹级 RL；之后做专家合并和多教师蒸馏。

实验成果

• Mint-Ag 的 RFC-Bench 为百分之九十八点三三，相对 GPT-五点六 Sol 和 Claude Opus 四点八分别高三点六六和三点零零个百分点。原文
• Mint-Cu 在 FinSearchComp T2 为百分之六十九点八六，相对 Agents-A1-35B 和 Nex-N2-mini 分别高二十二点八三和十二点七八个百分点。
• FinanceAgentBench v1.1 与 v2 的 Mint-Ag 结果为百分之七十六和百分之六十点四九；v2 报告三次运行均值及方差，跨 benchmark 比较时要保留评测口径。
• 论文案例显示证据记忆能穿过三十七步来源失败、范围修正和重算；但案例可解释性仍不等于所有财务结论都经过外部审计。

总结与反思

• 结果总结：Mint-Agent 把金融 Agent 的可靠性、长程执行和证据审计放在同一训练栈里，且用较小模型验证垂直领域路线。
• 局限性：论文是技术报告，部分对手系统、数据来源和 harness 细节的可复核程度仍取决于发布材料；金融 benchmark 分数不能替代真实投研责任链。
• 前沿见解：垂直 Agent 的护城河可能来自可审计状态和任务构造，而不只是更大的通用模型。

Benchmark

十一、共享预算下，LLM 会把「会做」变成「做得到」吗：R3-Bench 评测资源理性推理 R3-Bench: LLMs Struggle with Resource-Rational Reasoning under Shared Budgets

认知提取

论文摘要

• 每个领域构造五十个六题 contest，题目来自冻结的三百题池，难度配比为三道 Easy、两道 Medium 和一道 Hard。原文
• 覆盖数学、竞赛编程和抽象推理，分别测试无工具和 Agent 设置；共享预算可按输出 token 或计数动作衡量。
• 六个模型的七十二个主表单元中，oracle 均值在七十一格严格高于 contest，剩余一格相等；在中等无工具压力下，等额分配回放也超过 contest 的三个模型。

核心方法

• 能力基线：在独立单题上改变预算，记录每道题在不同成本下的成功响应曲线。
• 离线 oracle：在共享预算固定后，从同一响应曲线中选择能最大化预期正确数的预算分配，作为已展示能力的上界，而不是理论最优解。
• 诊断维度：统计问题覆盖、策略是否根据新证据和剩余预算改变、预算花在错误题上的比例，以及位置顺序带来的退化。

实验成果

• oracle 在七十二个主表单元中的七十一格严格超过 contest，说明模型单题展示过的能力没有被共享预算稳定兑现。原文
• 中等无工具压力下，等额分配回放超过六个模型中的三个；这不是说平均分配普遍最优，而是说明当前模型的动态分配未必比简单策略强。
• 强 Agent 压力的三模型诊断中，至少一个固定调度器在九个单元中的六个超过 contest，但没有一个策略跨领域统治；资源分配仍取决于任务结构。
• 位置准确率从第一题到第六题在每个模型—压力组合中下降；上下文顺序本身已成为共享预算评测的混淆因素。

总结与反思

• 结果总结：R3-Bench 把「推理能力」与「有限资源下的实现能力」分开测，发现二者之间存在稳定落差。
• 局限性：oracle 基于观测到的单题曲线，只是经验上界；六题 contest 和领域题池仍不能覆盖所有真实工作流。
• 前沿见解：Agent benchmark 应报告单位成本的能力兑现率，以及失败是因为不会做、分配错，还是把预算浪费在错误路径上。

阅读优先级

• 先读方法与系统边界：Baton、τ0-VLA、ClawGym II。三篇分别覆盖机器人过渡、测试时搜索和黑盒 Agent RL，适合判断「中间状态」是否真的成为可操作接口。
• 再读评测与资源约束：CaliBench、R3-Bench。它们共同提醒，单次样本分数和独立任务分数都可能掩盖分布校准或预算分配问题。
• 最后看可迁移训练信号：Proteus、PertMind、VicEdit、Pallas、Mint-Agent。它们分别把容量时序、实验终点、视觉示范、切换 deadline 和证据轨迹写进模型或系统接口。