奇绩信号Alpha Sight 2026年9月3日【文字版】

今日判断：今天的论文共同在做一件事——把模型内部的“感觉”改成可检查的中间接口。多模态模型把理解与生成拆成既共享又分工的路径，机器人模型把接触后果写进行动价值，软件 Agent 把长时开发拆成版本化的测试回路；另一侧，基准与基础设施也开始检查保存约束、因果信念和跨模型状态传输。对读者而言，真正值得追踪的不是某个单点分数，而是这些接口能否在换任务、换模型、换环境后继续成立。

头条

1. 让统一多模态模型真正产生协同：理解与生成需要共享知识、分开计算路径 原论文

认知提取

论文摘要

• 论文研究原生统一多模态模型中的视觉理解与图像生成是否存在真实的双向增益，而不是仅仅在产品界面上同时可用。实验采用像素输入、像素输出，不依赖预训练视觉编码器或图像 tokenizer，以减少外部视觉先验的干扰。原文摘要
• 研究分成表征、任务和系统三层：表征层检查两种目标如何塑造视觉特征；任务层检查共享知识是否带来迁移；系统层比较端到端统一模型与理解器—生成器组合管线。原文图一

核心方法

• 论文对比理解专用、生成专用和联合训练模型，并比较密集共享、模态解耦与任务解耦三种路由。密集共享模型中，联合训练提升视觉理解却损伤生成；模态解耦模型的方向相反。
• 任务解耦的 MoT 让理解视觉 token 留在语言分支，把生成视觉 token 送进专门分支，同时保留语义交互。这个设计把“共享知识”和“共享计算”分开处理。原文方法说明

• 任务层使用三组案例检验双向迁移，系统层则让统一模型直接处理同时需要图像理解和生成的复杂任务，并与能力匹配的 planner–executor 管线比较。原文任务流程

实验成果

• 表征层的方向性结论很明确：生成目标丰富了理解所用的视觉表征，理解目标改善生成所需的视觉—语言对齐；但同一路径的容量竞争会让其中一个目标退化。原文结果
• 任务层观察到正向双向迁移，前提是理解和生成任务依赖相同的任务知识。系统层端到端模型在同时要求理解和生成的复杂任务上优于能力匹配的组合式管线。原文实验

总结与反思

• 结果总结：统一多模态模型的关键价值来自知识共享加计算特化，而不是所有 token 都走同一条路径。
• 局限性：论文刻意采用无预训练视觉先验的原生设置，结论对成熟工业模型和更大规模数据的外推仍需验证。
• 前沿见解：下一步的竞争点可能从“是否统一”转向“在哪些层统一、在哪些层分工”，路由策略会成为模型架构的一部分。

2. Facet-0：用动作—力觉联合预测，把精密装配从“看起来对”推进到“接触后果可控” 原论文

认知提取

论文摘要

• 论文提出面向接触丰富精密操作的机器人基础模型，输入多视角图像、任务指令、运动学状态和腕部力觉历史，联合生成 Cartesian 动作块与未来腕部力觉轨迹。原文摘要
• ManuFacet-1K 包含一千小时力觉同步数据，覆盖三种机器人形态、两类底盘和多个制造单元；模型在五个亚毫米级计算机装配任务上达到百分之八十二平均成功率。原文数据说明

核心方法

• 多模态表示把视觉—语言语义、运动学状态与因果腕部力觉历史对齐；流匹配动作专家同时预测可执行动作块和该动作预计诱发的未来力觉，只有动作真正下发到机器人。
• 部署 rollouts 训练分布式 Action–Wrench Critic。两个动作即使几何进度相近，只要一个产生卡滞、另一个完成干净接触，critic 就能给出不同价值。
• 阶段感知奖励和 contact-selective credit 把更新集中到决定成败的接触；遇到零件动力学变化时，冻结主表示，只用边界受限 actor 做本体适配。原文流程图

实验成果

• Facet-0 在五个精密计算机装配任务上达到百分之八十二平均成功率，最强基线为百分之十五；放置精度为零点五毫米，指令延迟为五十毫秒。原文结果
• 逐步消融得到：仅有语义—接触对齐时成功率为百分之十六，加上价值引导细化为百分之三十八，加入受限本体适配后达到百分之八十二。
• 与同一部署语料上的 advantage-weighted behavior cloning 相比，价值引导学习把人工干预从百分之四十七降至百分之二十四，把失败恢复率从百分之四十四提高到百分之八十一。原文实验

总结与反思

• 结果总结：把力觉建模为行动后果，并让价值函数识别接触质量，是提升精密装配可靠性的主要来源。
• 局限性：核心结果依赖力觉同步数据、真实机器人部署和受限本体适配，跨硬件与跨工艺的泛化成本仍然不低。
• 前沿见解：机器人基础模型的下一层抽象可能不是“动作 token”，而是动作与接触结果绑定的可执行契约。

3. Harness-of-Harness：长时软件开发的瓶颈不是多跑几轮，而是让每轮都留下可验证进展 原论文

认知提取

论文摘要

• HoH 建在已有 coding-agent harness 之上，把开发组织为规划—编码—测试的迭代循环，并在修复旧问题的同时要求每轮增加新的可验证能力。原文摘要
• 论文在 GameCraft-Bench、FrontierSWE 和 ProgramBench 上测试三组 harness—模型组合，三轮迭代后的平均相对增益为百分之五十二点二五，最大增益为百分之八十二点八六。

核心方法

• Planner 综合总需求与上一轮测试证据，输出小而具体的开发计划；Developer 实现计划并在局部修改附近加入实现时测试；独立 Tester 再从功能、完整性、可用性以及视听质量等角度检查整体系统。
• HoH 约束的是可验证产物，不是 Agent 的工作流。角色输出必须符合结构化格式，否则触发重试；项目历史按版本保存，已完成能力可以复用，不必反复重建。
• 这种“修复加成长”的双目标，避免长轨迹退化为只做局部修补；测试报告中的已验证项和缺口项会成为下一轮计划的输入。原文方法图

实验成果

• HoH 在三组 harness—模型组合上都超过对应的 standalone harness；三轮后平均相对增益为百分之五十二点二五，最大为百分之八十二点八六。原文结果
• 多日部署超过七十轮，Agent 从高层需求独立开发出第一人称射击游戏，论文报告其具备连贯剧情、战斗与武器机制、敌人交互、HUD、菜单、动画、视觉和音频。原文案例
• GameCraft 三个案例的 Overall 分数分别从三十四点零五提升至七十点六一、从四十二点六三提升至七十三点三八、从六十五点五二提升至八十七点八八；这些数字衡量的是最终游戏工件质量，不是单个代码补丁通过率。源码中的结果表

总结与反思

• 结果总结：HoH 的收益来自外部化进展证据和独立评估，让长时 Agent 每轮都必须证明自己增加了什么。
• 局限性：多日部署仍依赖测试器质量、版本管理和任务可分解性；“可玩”与真实生产软件的工程可靠性并不等价。
• 前沿见解：长时 Agent 的核心基础设施可能是“交付物协议”，而不是更大的上下文窗口。

4. SciLaws-Bench：用真实科学数据和可查询平行世界，检验 LLM 是在发现规律还是背公式 原论文

认知提取

论文摘要

• 基准包含一百十八个问题、三百八十一篇科学论文、二百九十一条候选规律和约八百万个真实数据点，覆盖六个科学学科。原文摘要
• SciLaws-Real 从固定真实观测中要求模型提出规律，分别评价留出预测拟合和基于原论文的科学有效性；SciLaws-Parallel 则把同一问题放入残差校准的可查询世界，要求模型恢复从发表公式改造而来的隐藏结构。

核心方法

• 所有模型在同一 ReAct 风格 Agent 框架中运行，获得 Python sandbox；Parallel 任务额外提供固定预算的实验查询接口，每次试验最多三十轮交互。
• 评价拆成数值拟合、科学有效性和结构恢复。论文还进行 best-of-N 搜索：扩大候选池后，分别比较模型自选候选和 oracle 最佳候选，以测量“生成得出但选不出来”的选择瓶颈。原文协议
• 为了验证 LLM judge，五名具备科学训练的专家对一百三十五项样本进行盲标，并将 judge—human 一致性与专家之间的一致性比较。

实验成果

• 论文的核心发现不是单一排行榜：预测拟合与科学有效性会分离；模型可以找到拟合更高但科学结构错误的公式。
• 九个前沿模型的冷记忆审计中，任务—模型单元有百分之三十点七被判为 cold-recalled，百分之六十九点三没有被冷记忆复现；五次无数据采样至少三次结构等价才算 cold-recalled。原文审计
• 最强模型在 SciLaws-Real 上的冷记忆率为百分之三十四点七，而 AI-Feynman 对照为百分之七十一点零；这支持该基准比教材式公式更能测到经验归纳。原文对照
• judge 与专家多数意见的 Cohen κ 在记忆、有效性和结构三个维度分别为零点七七、零点八二和零点八四；结构评分中百分之九十八点五的样本与专家结果相差不超过一个等级。原文验证

总结与反思

• 结果总结：当前 LLM 已显露出一定规律发现能力，但拟合能力、科学有效性和新结构恢复仍不能视为同一件事。
• 局限性：部分评分依赖 LLM judge，且 Parallel 的隐藏规律由发表公式改造而来，仍不是完整开放科学研究环境。
• 前沿见解：AI4Science 基准的下一步重点应从“能否找到公式”转向“能否提出可证伪、可迁移且不依赖记忆的科学解释”。

认知模型

5. The Rise of Verbal Reinforcement Learning：把语言反馈放回 Agent 生命周期，分成环境、推理和参数三种作用 原论文

认知提取

论文摘要

• 论文将 Verbal Reinforcement Learning（VRL）定义为：Agent 接收自然语言反馈，并用它改善行为、指导后续决策或塑造问题规范；反馈可以原样作为文本，也可以压缩为训练信号。原文摘要
• 三个支柱分别是 Language as Grounding Signal、Language as Deliberative Feedback 和 Language as Learning Signal，对应任务定义、测试时推理和参数更新。

核心方法

• Grounding Signal 用语言指定目标、状态和奖励结构，减少传统强化学习对手工环境与奖励函数的依赖。
• Deliberative Feedback 在推理时通过自我批评、外部批评、多 Agent 辩论、经验记忆或搜索引导改变行为，不要求更新模型参数。
• Learning Signal 则把人类、模型或工具提供的语言反馈转成监督、偏好或强化学习训练信号，直接改变策略参数。综述的组织轴是“反馈作用点”，不是反馈来源。原文分类图

实验成果

• 这是统一综述与分类框架，不是单一新模型，因此主要证据来自代表性工作：论文引用的 Reflexion 在 HumanEval 上报告百分之九十一的 pass@1；语言偏好训练还曾让十三亿参数模型超过一千七百五十亿参数 GPT-3 基线。原文案例汇总
• 综述指出，VRL 的收益取决于反馈是否真的改变了后续行为：环境定义、测试时修正和参数学习具有不同的成本、可验证性和遗忘风险。原文讨论

总结与反思

• 结果总结：VRL 提供了一个比“会不会反思”更精确的分析词汇，核心是定位反馈改变了什么。
• 局限性：综述中的三类边界在真实系统里可能同时出现，反馈质量、奖励欺骗和语言压缩损失仍缺少统一量化。
• 前沿见解：未来 Agent 训练栈可能把语言反馈当成独立的监督层，与环境状态、轨迹和参数更新分别记录。

多模态

6. TimeSteer：不重训联合音视频扩散模型，在推理时把对白搬到指定时间段 原论文

认知提取

论文摘要

• 论文提出 inference-time speech scheduling：用户给出每句对白的起止时间，模型在不微调骨干的情况下生成位于目标区间内、且与视觉动作耦合的音视频。原文摘要
• SpeechShift 基准包含四百个 prompt、一百零二个场景和六百个 utterance-level 调度目标，覆盖不同说话人数、对白数量、声学干扰和动作耦合条件。原文基准说明

核心方法

• Source Span Localization 汇总时间敏感的 text-to-audio cross-attention head，定位每句对白对应的 latent 源区间，不需要解码中间结果。
• Region-Aware Latent Remapping 将源区间的联合音视频 latent 映射到用户指定区间。语音区间使用 Minimal-Distortion Remapping 做仿射变换来适配说话速度，非语音间隔使用 Curvature Bridging 平滑吸收过渡。原文方法

实验成果

• 在 LTX-2 和 daVinci-MagiHuman 两个联合音视频骨干上，TimeSteer 相比训练免费的基线显著改善区间可控性，同时保持有竞争力的整体生成质量。原文实验
• LTX-2 与 daVinci-MagiHuman 均提供单区间和多区间结果；论文的诊断显示，定位到的注意力头与实际对白时间具有一致关系，说明控制信号在去噪中间状态里已经存在。LTX-2 结果

总结与反思

• 结果总结：TimeSteer 证明联合生成器内部已有可读的时间组织，推理时编辑 latent 就能获得对白区间控制。
• 局限性：方法依赖存在稳定的时间敏感注意力头；极端时长变化、多说话人重叠和真实剪辑约束仍可能破坏质量。
• 前沿见解：生成模型的控制接口不一定要靠额外训练，先寻找去噪轨迹中已经存在的可编辑坐标，可能是更低成本的路径。

具身智能

7. EmbodiedSkills：给 VLA 加上可验证技能契约，让动作预测进入闭环执行 原论文

认知提取

论文摘要

• 框架连接高层技能选择、受限的低层 VLA 执行与动作后验证；固定的 executable-skill 接口让低层策略可以替换或适配，而不必重写 Agent 回路。原文摘要
• 论文用 Qwen3-VL 和 OpenPI/π0.5 在 RoboTwin 2.0、LIBERO 与 RMBench 上实例化，RoboTwin 2.0 覆盖五十个任务。原文实验设置

核心方法

• 高层 VLM 将指令拆成结构化子目标，运行时检查技能前置条件；低层 VLA 以有界 action chunk 执行当前子目标。
• 每个技能都有 phase、参数和证据要求；执行后，验证器检查进度，若失败则根据最新观察进入恢复或重新规划。原文模型图
• 规划、执行、验证和恢复事件写成结构化轨迹，既可监督组件训练，也可在有交互反馈时支持在线适配。

实验成果

• RoboTwin 2.0 五十个任务的宏平均成功率为百分之八十六点二零，比参考 π0.5 的百分之八十二点七四高三点四六个百分点；Hanging Mug 任务提升二十个百分点，Blocks Ranking Size 与 Open Microwave 各提升十五个百分点。原文结果
• LIBERO 四个套件平均成功率为百分之九十七点四零，OpenPI 为百分之九十六点八五；LIBERO-Long 从百分之九十二点四提升至百分之九十三点六。原文结果
• RMBench 四个依赖记忆的任务平均成功率只有百分之十二点五，说明执行层增强并没有自动解决长期记忆和部分可观测问题。
• 去掉中间验证会损失三十八个百分点，去掉语义子任务条件会扩大差距至五十一点八个百分点；固定每个子任务只执行一个 action chunk 也明显退化。原文消融

总结与反思

• 结果总结：可执行技能契约把 VLA 从动作生成器变成带前置检查、结果验证和恢复能力的闭环 Agent。
• 局限性：RMBench 的低分提醒我们，验证与执行接口不能替代持久记忆、长期信用分配和真实世界状态估计。
• 前沿见解：具身 Agent 的可扩展接口，可能是“技能—证据—恢复”三元组，而不是更长的动作序列。

AI4Science

8. EvoSCM：让科学 Agent 维护可证伪的因果信念，而不是只积累文字反思 原论文

认知提取

论文摘要

• EvoSCM 维护一组竞争的 SCM 假设作为持久 epistemic state，在每轮实验中根据预测—观察差异修订候选因果结构，并对修订结果做证据一致性和结构合法性检查。原文摘要
• 在 DiscoverPhysics 上，Agent 需要主动干预非经典物理环境、观察结果并逐步恢复隐藏动力学；论文同时测试解释质量、预测误差、pass@k 与实验轮数。原文实验

核心方法

• Causal Experiment Design 从当前证据中推断潜在机制，选择能最大区分竞争假设的干预，并在实验前提交可证伪预测。
• SCM Hypothesis Revision 将预测—观察差异归纳为 correction rules，再选择四类最小修订：增删边、增删隐变量、更新机制、更新参数。
• Deduction 阶段要求修订后的模型同时解释历史证据并保持 DAG 和结构方程合法；通过的假设进入下一轮，多个假设的共识可用于未见干预的预测。原文方法

实验成果

• 在 GPT-5.5 上，机制解释分数从零点五一六四提高到零点七五零九；归一化 MSE 从二点八三乘以十的负二次方降至二点七七乘以十的负四次方，降低约两个数量级。原文表一
• Qwen3.6-35B-A3B 的零样本 pass@k 为百分之零；注入 GPT-5.6-Sol 演化出的 SCM 后，pass@5 达到百分之六十三点六四，解释分数为零点七四零。原文迁移结果
• 结果支持“知识结构可迁移”的判断，但迁移的是显式 SCM，不是原模型参数，因此能把科学信念与 Agent 的语言能力解耦。

总结与反思

• 结果总结：EvoSCM 将科学发现从轨迹优化推进到信念修订，关键产物是可执行、可检查、可迁移的因果模型。
• 局限性：DiscoverPhysics 仍是受控环境，SCM 修订由 Agent 语言能力驱动，真实科学数据中的变量选择与测量误差更难处理。
• 前沿见解：科学 Agent 的长期记忆不应只有文本摘要，还需要能够被干预、被反驳、被迁移的结构化世界模型。

Infra

9. CacheBridge：用按头映射和注意力加权，让跨模型 KV Cache 传输更小、更快、更贴近真实解码 原论文

认知提取

论文摘要

• 论文针对跨模型 KV Cache 传输中的三个问题：全 head 映射的存储与应用成本、坐标重建误差与真实注意力漂移不一致，以及分散 gather 导致的构建开销。原文摘要
• CacheBridge 由 Head-Local、Attn-Repair 和 Fused-Fit 三部分组成，仍保留闭式 affine mapper，边界清楚地区分离线拟合与在线 handoff。原文方法

核心方法

• Head-Local 将每个目标 KV head 限制到架构索引匹配的源 head block，减少系数数量和在线仿射运算。
• Attn-Repair 用接收模型注意力输出对 cache 残差的一阶影响重加权，并设置有效样本数下限，避免权重集中到少数样本。
• Fused-Fit 用融合 GPU kernel 在有界 panel 中构造加权充分统计量，避免反复物化散乱、居中的加权张量。原文管线

实验成果

• 在三种传输方向上，CacheBridge 恢复了 Full-Head Mapping 在两种 Ministral 3 方向上损失的准确率，同时在 Qwen3 上保持百分之九十九点八三的平均目标保持率。原文结果
• Qwen3 十四 B 到三十二 B 的方向上，mapper 存储减少八倍，应用速度最高提高三倍；只用十分之一的校准数据即可匹配 Full-Head Mapping。
• 五百条序列的构建时间从九十二点六三秒降至八点六三秒，速度提高十点七倍；这组结果同时衡量算法设计与 GPU 构建路径。原文数字
• 原论文 HTML 提供了 Figure 一和 Figure 二的图注，但没有返回可独立加载的图片资源；因此本条不伪造替代图，具体对比数字以原文图注、表格与结果段落为准。原文图注

总结与反思

• 结果总结：CacheBridge 把跨模型状态复用从通用全连接映射改成架构感知、注意力感知和 GPU 友好的专用路径。
• 局限性：方法需要离线收集源—目标模型的对齐轨迹，模型架构变化或 tokenizer、层数差异进一步扩大时，映射边界仍需重新校准。
• 前沿见解：KV Cache 的“可迁移性”最终取决于接收模型如何使用误差，而不是源 cache 在坐标空间里看起来有多接近。

Agent

10. SAGE：只在策略不确定时请 VLM 当老师，再把有用建议蒸馏进无调用的 RL 策略 原论文

认知提取

论文摘要

• SAGE 用策略熵作为不确定性代理，在超过阈值时查询 VLM；老师建议会被执行，并通过环境反馈进入轻量 RL 策略的蒸馏目标。原文摘要
• 为处理不可靠教师，论文用 environment-derived advantage 给教师动作加权，而不是把所有建议当成同等正确。原文方法
• 实验环境包括 FrozenLake、MiniGrid、EZPoints、CardMaze 和 ALFWorld，评估时在保留的环境种子上完全关闭 VLM 调用。

核心方法

• 学生策略先计算动作分布熵；低于阈值时直接执行，高于阈值时调用 VLM，形成按需而不是逐步固定的教师介入。
• 教师动作一方面进入蒸馏损失，另一方面由优势估计调节权重；导致高回报轨迹的建议更容易被内化，误导探索的建议不会被盲目复制。
• 论文还设置 oracle guidance 与 full-query 对照，以区分“指导质量不足”和“选择式蒸馏机制”本身的影响。原文环境图

实验成果

• SAGE 在多项稀疏奖励视觉决策任务上超过 unguided PPO，并在部分环境中超过 VLM 教师；收益主要出现在随机探索难以发现高回报轨迹的场景。原文结果
• 评估阶段不调用 VLM，说明报告的成绩来自训练期内化，而不是把推理成本转移到测试时。
• VLM 只在训练的一部分时间步被查询；当 PPO 已能靠自身探索成功，或教师建议不能带来信息性经验时，额外指导的收益会减弱。原文分析

总结与反思

• 结果总结：SAGE 把强模型从固定策略变成按需教师，用环境回报筛选语言建议，并换取无调用部署。
• 局限性：策略熵只是粗粒度的不确定性代理，阈值、教师质量和环境奖励稀疏程度都会影响介入时机。
• 前沿见解：大模型作为“短期外接认知模块”可能比永久在线策略更具成本弹性，关键是如何判断何时值得提问。

应用体系

11. From Confusion to Clarity：先找出模型最容易混淆的标签对，再把成对规则注入检索分类 原论文

认知提取

论文摘要

• 框架包含三个动作：识别系统性混淆标签对，将混淆伙伴加入候选集，以及生成区分这两个标签的 targeted rules。原文摘要
• 方法不需要 fine-tuning，规则由较大模型生成后可以迁移给更小、更便宜的分类模型；实验覆盖 WOS、Flipkart 和 LEDGAR 三个数据集、七个模型。原文贡献

核心方法

• 离线阶段分析 baseline classifier 的 confusion matrix，找出经常互相误判的标签对，并用三阶段知识生成流水线从误分类样本中抽取判别规则。
• 在线阶段先做 embedding top-K 检索，再加入混淆伙伴，检索与当前候选相关的 pairwise rules，最后在一次 LLM 调用中完成分类。原文总览
• 规则知识只编码“区分边界”，而不是重建整个 taxonomy，因此可以跨模型传给二十亿至二百亿参数的较小分类器。

实验成果

• 在 WOS、Flipkart 和 LEDGAR 上，方法相对 retrieval baseline 的 Macro F1 最高提升十个百分点；跨模型迁移给二十亿至二百亿参数模型带来最高十一点五个百分点提升。原文结果
• 论文将收益归因于两个互补动作：候选增强降低“正确标签根本没进来”的错误，pairwise rule 降低“相似标签都在但选错”的错误。
• 与需要每个查询多轮 pairwise comparison 的方法相比，本方法把规则生成成本放到离线阶段，推理时只注入相关规则。原文对比

总结与反思

• 结果总结：分类系统的增益来自针对错误结构的知识注入，而不只是增加候选数量或扩大模型规模。
• 局限性：方法需要有代表性的训练集来估计混淆矩阵；标签体系发生大幅变化后，离线规则需要重新生成。
• 前沿见解：工业 LLM 应用的知识库可以从“标签百科”转向“易错边界库”，把系统真正犯过的错误变成可复用资产。

Benchmark

12. WorldBench：把多语种 Agent 的正确完成与“不碰错文件”同时纳入一个分数 原论文

认知提取

论文摘要

• WorldBench 包含一千六百个任务、七种语言和八种文化；任务由人类种子扩展，再由具备目标语言和文化经验的标注者筛选与修订。原文摘要
• 每个任务绑定 persona、自然语言指令、沙盒、结构化动作接口和最终状态评估；语言版本不是从单一英文任务池直接翻译而来，而是在目标文化语境中构建。
• Constrained Task Success（CTS）只有在任务特定评估全部通过、且非目标文件保持不变时才计为成功。原文指标定义

核心方法

• 任务由角色、目标指令、初始工件、可用工具和最终状态条件组成；工具覆盖 spreadsheet、document、PDF、messaging、calendar 和 shell。
• CTS 将 task pass 与 workspace preservation 做逻辑合取；论文同时记录 pass rate、preservation、畸形动作、迭代上限命中和轨迹长度，避免单一终态分数遮蔽失败原因。原文运行图
• 评测覆盖英语美英两种设置、意大利语、葡萄牙语、西班牙语、法语、德语和中文；最终每个语言—地区设置保留二百个任务、五十个 persona。

实验成果

• 九个 LLM Agent 中，最高 CTS 为百分之四十九点二，最低为百分之十点八；Gemini-3.1-Pro、GPT-5 和 Qwen-3-32B 分别达到百分之四十九点二、百分之四十八点八和百分之四十八点零，均未超过一半。原文主结果
• 每个模型的 pass rate 都高于 CTS，说明“完成目标但破坏周边状态”是普遍错误，而不是个别弱模型的问题；轨迹越长，CTS 通常越低。原文分析
• 失败分析中，distractor capture 与 shell over-reach 合计占百分之四十二点四；locale mismatch 在英语设置为百分之六点八，在非英语设置为百分之二十一点四，在中文设置达到百分之二十六点九。原文失败模式
• 十到三十步、三十到五十步的预算增加只带来零点三至一点九个 CTS 点的收益；额外步骤常被重复检查和无效编辑消耗。原文预算分析

总结与反思

• 结果总结：WorldBench 将多语种、文化语境、长时执行和状态保存放进同一评测，说明当前 Agent 的可靠执行仍远未解决。
• 局限性：部分邮件和笔记评估依赖 LLM judge，任务仍在结构化沙盒内，不能完全替代真实组织环境中的权限、并发和隐性规则。
• 前沿见解：Agent benchmark 的基本单位应从“答案是否正确”升级为“世界状态是否按约束改变”，保存语义会成为与任务成功同等重要的接口。

今日收束：从统一多模态路由、接触价值、软件版本历史，到因果信念、KV 状态、语言反馈和 CTS，今天的论文都在给“中间状态”加上可检查的边界。下一轮精读值得优先问两个问题：这些接口能否跨模型复用，以及它们在真实环境里失败时能否留下足够证据。