8月25日论文雷达：16篇直接命中、1篇邻近，先把上下文、技能与重复可靠性拆开
从8月25日三个允许栏目筛出16篇直接命中与1篇邻近论文，先比较上下文管理、轨迹训练、技能可靠性和重复执行，再看端侧TTS与长音频推理。
这批三个允许栏目一共约 286 篇论文。本期收录 16 篇直接命中、1 篇邻近跟踪。长程智能体部分最值得先看的，不是又一张成功率榜，而是四个开始被分别测量的问题：上下文何时进入、如何找回、压缩时保留什么，以及反复执行是否仍然可靠。自进化部分也出现了更清楚的分工：有的论文改训练引导，有的改轨迹信用，有的从轨迹生成技能，还有两篇专门处理「技能明明来自成功经验，却在新任务里害人」。
音频栏只有一篇 TTS 生成直接命中、一篇 TTS 溯源直接命中；没有播客生成或播客质量评测论文。WnW 研究长音频 Speech LLM 的 KV 缓存，迁移到播客级音频处理的路径清楚，但它不是 TTS，单列为邻近跟踪。
本期候选资格只来自公众号「arXiv 每日学术速递」2026 年 8 月 25 日的人工智能学术速递、自然语言处理学术速递和语音与音频学术速递。arXiv 原文及论文明确链接的代码、项目和数据页只用于核验。
先排阅读顺序
| 优先级 | 论文 | 它真正改了什么 | 先看哪组证据 |
|---|---|---|---|
| 精读 1 | Scroll | 把上下文管理变成可执行程序 | 10M token 历史、无损事件日志与消融 |
| 精读 2 | Compaction Cliff | 压缩时按知识类型保真 | 安全规则五轮保留率与真实任务通过率 |
| 精读 3 | TRACE | 对比成功/失败轨迹，持续精炼技能库 | Pass@3 与 Pass³ 的差距、成本增量 |
| 精读 4 | MCP-Universe RL | 把环境供给、隔离和 rollout 调度做成训练基础设施 | 三域训练增益与 2.8× 吞吐 |
| 精读 5 | EDGE | 把外部经验从训练脚手架蒸馏进参数 | 移除经验后的性能保留率 |
| 精读 6 | ClawProBench | 把评测对象从模型改成「模型+运行时」 | pass@k、严格重复通过与跨运行时排序 |
| 精读 7 | CONTRAMEM | 对比多模型轨迹，写成过程记忆 | 跨模型迁移、时间任务失效与回归数 |
| 精读 8 | sanoTTS | 把完整神经 TTS 压进通用微控制器 | 速度、体积与听感质量的同时账单 |
剩余论文仍达到收录门槛，但更适合先扫方法和边界：SparseRead、Dual-Layer Memory、Agent-G²、HiDiffTIR、CompPO、BASM、CASS、AudioNoisePrints。WnW 只作邻近跟踪。
一张机制图：同样叫「长程」，改动位置完全不同
- 上下文进入之前：SparseRead 用读取协议和 Read Gate 决定哪些证据能进模型上下文。
- 上下文被驱逐之后：Scroll 保留追加式事件日志和精确地址，让模型写代码找回旧状态。
- 上下文必须压缩时：Compaction Cliff 先辨认规则、流程和日志，再按类型选择保真算子。
- 记忆写入与内化时：Dual-Layer Memory 决定不写、写新项还是更新旧项，并周期性把高价值记忆写回参数。
- 策略训练时：Agent-G² 分配专家前缀深度；HiDiffTIR 分配轨迹与步骤信用；CompPO 让信用沿模型内部计算传播；EDGE 把可复用经验蒸馏进权重。
- 技能形成与复用时：TRACE 对比同模型成功/失败轨迹；CONTRAMEM 对比多模型轨迹；BASM 给技能加适用边界；CASS 审计技能联盟和跨域反转。
- 系统验收时：ClawProBench 检查运行时覆盖、过程质量、安全门和重复执行，不让最终答案独占排行榜。
直接命中：上下文与记忆
1. Context as an Environment: Programmatic Context Management for Long-Horizon Agents
作者 / 版本 / 结论：Yin Lin 等，v1 2026-08-21。精读。
Scroll 不先猜「未来会需要哪段历史」，而是把会话变成可执行的 Session Environment：追加式 Event Log 保存无损历史，持久 Python 内核保存类型化状态；模型通过代码搜索、物化和转换历史，只有显式输出的投影进入下一轮工作视图。窗口逼近预算时，旧跨度可以被驱逐，但 eviction index 仍指向事件日志里的精确地址。改动对象是上下文编排层，不是模型权重。
Qwen3.8-Max 上，Scroll 报告 LongMemEval_S 94.8%、BEAM_10M 73.1%、LOCA_256K 86.7%；后两项分别比论文列出的最佳公开系统高 5.1 和 37.4 点。最有解释力的消融来自 BEAM_10M：把无损事件日志换成损失性摘要后，整体分数降到 19.9；去掉持久 REPL 和 eviction index，分别再损失 7.3 和 1.8 点。这个结果说明「保留真值，再按需计算」与「提前总结后祈祷没丢东西」不是同一种记忆策略。arXiv 原文
证据与复现：全文给出多模型和三类长程基准，但结果依赖较强代码能力；较弱基座在长轨迹任务会执行错误或提前终止。多会话推理仍是弱项。论文提供复现分支。
与主线的关系：它和 SparseRead、Compaction Cliff、Dual-Layer Memory 正好覆盖准入、找回、压缩和写入四个不同位置。工程上不能把四者都叫「加一个记忆层」。
2. Read Less, Solve More: Token-Efficient Sparse Reading for AI Agents
作者 / 版本 / 结论：Zedong Liu 等，v1 2026-08-23。值得扫读。
SparseRead 在内容进入轨迹前控制读取，而不是等上下文爆满后再压缩。系统由有状态 Sparse Reading 协议、可替换 Reader Backend 和确定性 Read Gate 组成；Gate 把请求分成强制稀疏读、原生读取和建议模式，并允许细化、验证、停止和回退。改动对象是读取 harness。
论文覆盖 6 个模型、5 类场景和 3 个智能体框架。30 个 model–scenario 单元都降低了 token 和墙钟时间；最高降幅分别为 92.9% 和 89.0%。更稳妥的中位证据来自 14 个「分数不降且成本下降」单元：token 中位降 79.6%。不过 24 个 gate/pass 单元里有 4 个出现 −0.10 至 −0.02 的孤立分数回退，模型还会因不信任压缩证据而多读 2.1—12.5 倍 token。arXiv 原文
证据与复现：论文以 125 个任务评估；低稀疏度场景收益有限，准入边界处的 Gate 保守。代码已公开在SparseReading。
与主线的关系：SparseRead 没有让模型「记得更久」，而是减少了不该进入记忆的内容。研发验收应把 token 降幅与任务分数并列，不能只报节省比例。
3. The Compaction Cliff in Long-Running AI Agent Memory
作者 / 版本 / 结论：Saber Zerhoudi、Jelena Mitrovic、Michael Granitzer，v1 2026-08-24。精读。
论文指出一个常被平均压缩率掩盖的问题：安全规则和情节日志争用同一上下文预算，但规则需要接近逐字保留。Knowledge Triage 先按类型分类每行知识，再使用 TypeCompact、TypeDecompose 和 TypeRetrieve 三个确定性算子分别处理压缩、分解和外部取回。改动对象是记忆压缩与检索，不改权重。
在 20 个生产配置上，Claude Code
/compact 的安全规则单轮保留率为 53%，连续五轮只剩 10%；TypeCompact 五轮保持 96%。TypeRetrieve 在 recall@50 上达到 100%，论文列出的最佳单次 LLM 检索器为 73%。行为评测里，SafetyMed 通过率 97.0%，Sonnet 压缩为 92.5%；τ-bench retail 为 37.7%，全上下文和层级压缩分别为 28.6% 与 29.2%。但 airline 上 TypeCompact 26.5%，低于 full context 的 34.2%，差异没有统计显著性。arXiv 原文证据与复现：论文给出 396,934 个知识工件、50 个压缩配置、SafetyMed 和 τ-bench 等多层证据，也坦白分类器漏检会直接破坏安全保证；retail 比较并非 token-matched，分解的最坏额外开销达到 219%。代码和AgentArtifactCorpus均已发布。
与主线的关系：这篇论文最可迁移的不是某个压缩器，而是验收原则：把「必须逐字留住的规则」与「允许概括的经历」分开测，再做多轮压缩测试。
4. Dual-Layer Agentic Memory with Fast Write Routing and Slow Consolidation
作者 / 版本 / 结论：Wenzhi Li 等，v1 2026-08-23。值得扫读。
这套双层记忆把治理前移到写入端：级联路由器把输入分成不写、写新项、更新旧项；周期性的 write-back 再用 SFT 把高价值外部记忆整合进模型参数。模型内化后，路由器也随认知边界变化，减少重复外部存储。改动对象同时包含外部记忆写入和参数化整合。
在 ZsRE 流式评测里，1.7B/8B 级联只把 39.7%—49.0% 输入升级给 8B 路由器，最多剪除 68% 冗余外部记忆，同时保留超过 98.2% 的 Full Store EM。SFT 后的配置里，Write Router EM 为 90.71%、存储率 47.85%，Full Store EM 为 92.29%。但证据只来自 ZsRE，一次事实流不能代表带工具、副作用与相互冲突状态的长程任务。arXiv 原文
证据与复现：数据规模大，但场景单一；代码和数据承诺「录用后发布」，目前没有公开入口。论文明确列出离线 SFT 延迟、计算成本、跨周期冲突和灾难性遗忘仍未解决。
与主线的关系：它回答「什么值得写、什么时候内化」；Compaction Cliff 回答「已经写下来的东西压缩时怎样不丢」。两篇是生命周期相邻环节，不是替代方案。
直接命中：训练基础设施与轨迹信用
5. MCP-Universe RL: A Framework for Training MCP Tool-Use Agents via Reinforcement Learning
作者 / 版本 / 结论：Ziyang Luo 等，v1 2026-08-23。精读。
MCP-Universe RL 解决的不是新奖励函数，而是环境怎样供给、隔离、回收，慢工具调用怎样不让 GPU 空等。它用 MCP 统一环境接口，用环境编排层管理容器，用分阶段 rollout 管线重叠轨迹与等待，再接入 veRL 或 slime。改动对象是训练基础设施。
基于 gpt-oss-20b 和 GRPO，软件工程 R2E-Gym 成功率约从 0.11 升到 0.43，DeepDive 从 0.22 升到 0.52，通用工具任务从 0.48 升到 0.55。共置执行为 1164 秒/step，全异步为 572 秒/step；run/acquire worker 解耦后 rollout 吞吐从 147 升到 410 tokens/s，提升 2.8 倍。arXiv 原文
证据与复现：三个领域同时给出训练与基础设施结果，代码和项目页已开放；但作者明确不主张 SOTA，也没有在正文主结果中报告 GPU 型号和数量。全异步一步 off-policy，不能把加速理解成完全等价执行。
与主线的关系：当算法论文只给成功率时，这篇论文提醒研发团队先问：环境隔离、并发轨迹、慢工具等待和奖励执行是否已经稳定。训练基建本身会决定「算法能不能跑够样本」。
6. Agent-G²: Gaussian Guidance for Agentic Reinforcement Learning
作者 / 版本 / 结论：Zixuan Wang 等，v1 2026-08-24。精读。
长程 agent RL 常用专家轨迹前缀缓解稀疏奖励，但「保留多长」通常是统一标量。Agent-G² 把每个任务的引导深度看成高斯随机变量：中心由全局基线和分簇难度决定，方差来自簇内变化，参数都从已有 rollout 在线估计，不额外探测。改动对象是叠加在 GRPO 上的训练引导深度。
摘要报告 ALFWorld 上分别超过最强 hint-based、hint-free 和 Aux-RL 基线 2.3、3.9、7.4 点，rollout 成本不到逐样本 probing 的三分之一。全文里，Qwen2.5-7B 的 ALFWorld 总分为 98.4，最强 hint-based Enumeration 为 96.1；去掉 GRPO 目标后总分跌到 26.6，说明高斯引导是 GRPO 的增量，不是独立训练方法。arXiv 原文
证据与复现：覆盖 ALFWorld、WebShop 和 1.5B/7B 两个规模，消融完整，代码已公开在Agent-G²。局限是每个训练任务仍需一条专家轨迹；高斯近似和离线长度分簇不一定适合多峰难度。
与主线的关系：可与 EDGE 对读。EDGE 解决「经验如何内化」，Agent-G² 解决「专家经验露出多少」。两篇都用了训练脚手架，但脚手架的作用点不同。
7. HiDiffTIR: Hierarchical Difficulty-Aware Policy Optimization for Multi-Turn Tool-Integrated Reasoning
作者 / 版本 / 结论：Yucan Guo 等，v1 2026-08-22。值得扫读。
HiDiffTIR 认为整条轨迹共享一个 advantage 会抹平步骤难度，于是用 rollout 组统计同时估计轨迹级和轮次级难度，再分配信用。它不增加人工步骤标注，改动对象是工具推理 RL 的信用分配。
Qwen3-4B 在域内任务成功率为 39.48，MatchTIR-KM 为 35.43；域外为 41.79 对 41.01。Qwen3-8B 的域内增益缩到 0.97 点，域外为 1.82 点。训练集只有 2,215 条 FTRL 自动环境数据，另测 ToolHop 和 BFCL；单机使用 8×H20。arXiv 原文
证据与复现：论文给出两种模型规模和域内外结果，但代码未公开，部分工具调用准确率与消融数字在当前版本的可读正文中未完整呈现。
与主线的关系：它回答「一条轨迹里哪些步骤更值得学」；Agent-G² 回答「专家前缀保留到哪里」；CompPO 回答「信用怎样沿模型计算传播」。三个问题不要合并成「更好的 RL」。
8. Let Credit Follow Computation: Architecture-Aware Credit Transport for Large Language Model Reinforcement Learning
作者 / 版本 / 结论：Qifan Shi、Zhaolu Kang、Chenghua Zhu，v1 2026-08-21。值得扫读。
CompPO 不把 advantage 只看成时间序列上的折扣传播，而是用行为策略内部的注意力集中度生成逐 token 保留门，再配一个复用 actor 隐状态的传输对齐评论家。任务奖励和 clipped PPO 不变；改动对象是 advantage 的传输算子。
5 个种子上，CompPO Best/Final 为 61.7%/61.4%，GRPO 为 56.2%/53.8%；从最好检查点到最终检查点，下降 0.3 点，对照下降 2.4 点。动态 gate 与对齐评论家的 2×2 消融显示，两者同时启用才到 61.7/61.4；冻结迁移到 Qwen3-4B 和 Llama-3.1-8B 的宏平均也有 2.3—4.3 点提升。arXiv 原文
证据与复现：统计设计比同批多数训练论文完整，但只覆盖数学推理、8B 以下模型和终端验证器；没有墙钟、显存和吞吐数字，也没有公开代码。注意力集中度只是结构代理，论文没有证明它是因果解释。
与主线的关系：这篇最值得带走的是评测要求：信用分配算法要同时报告种子区间、训练末端、冻结迁移和稳定性，不能只报一条最好曲线。
9. EDGE: Experience-Distillation for Guided Exploration in Agentic Reinforcement Learning
作者 / 版本 / 结论：Can Xie 等，v1 2026-08-22，EMNLP 2026 Main。精读。
EDGE 把检索经验当成训练期脚手架，而不是永久推理依赖。rollout 组同时生成有经验和无经验轨迹，系统估计经验的正向边际收益，再用 reverse-KL 蒸馏；经验库继续从新失败中生成条目，并剪除过时经验。改动对象是 RL 算法和模型权重。
Qwen2.5-7B 上，ALFWorld 成功率 90.4±2.2，GRPO 为 82.1；WebShop 成功率 82.6±3.8，GRPO 为 70.1。推理时移除外部经验后，EDGE 保留 96.0% 的脚手架性能，SkillRL 和 EMPO2 分别为 82.9% 与 92.3%。这组「撤掉脚手架」的冻结对照，比单报在线检索增益更能支持「经验已内化」。arXiv 原文
证据与复现：覆盖 1.5B/7B、3 个种子和两类交互任务；经验反思器使用 GPT-4o，库容量与生成成本没有在主结果中完整报告。代码已公开在EDGE。
与主线的关系：它把「经验是否真的进入参数」变成可检验问题。研发复现时应保留无经验推理对照，避免把检索系统的收益误报成策略自进化。
直接命中：技能自进化与过程记忆
10. TRACE: A Self-Evolving Skill Bank for Consistent, Limit-Aware LLM Agents
作者 / 版本 / 结论：Wenhao Wu 等，v1 2026-08-24。精读。
TRACE 不改模型权重。每轮评估后，系统按调用技能分组轨迹，对比成功与失败行为，再精炼可检索技能；部署时按当前状态组合技能。论文同时把可靠性从「至少有一次成功」改成「重复 k 次全部成功」：Pass@k 衡量潜力，Pass^k 衡量一致性。
GPT-5.5 上，Pass³ 从 59.9% 升到 94.5%，Pass@3 为 98.5%，两者差距从 27.8 点缩到 4.0 点。Skill Bank 原样迁移到 GLM-5.2 后，Pass³ 从 62.8% 升到 84.8%。30 个隐藏任务、每个 3 次试验里，GPT-5.6-Sol 的 Pass³ 从 50% 升到 70%，但 token/trial 增加 72.4%，成本增加 58.8%。arXiv 原文
证据与复现：公开集、跨骨干和隐藏集都给出一致性结果，项目有说明页，但没有代码仓库。技能库变大后，每轮让 LLM 看完全部技能会遇到扩展瓶颈；部署期也没有把新结果回写技能库。
与主线的关系：这篇值得直接改进验收表：同时记录 pass@1、Pass@k、Pass^k、token 和成本。一次成功率不够说明技能可靠。
11. CONTRAMEM: Learning Self-Evolving Procedural Memory from Contrasting Multi-Model Trajectories
作者 / 版本 / 结论：Zheyuan Deng 等，v1 2026-08-23。精读。
CONTRAMEM 把同一任务上不同模型的轨迹差异当作监督。Reflector 定位分叉决策和失败恢复，Curator 只做 ADD、PATCH、MERGE、NARROW 或 NOOP 等最小编辑，最终得到应用级 Function Cards 和任务级 Skill Cards。系统不训练模型，改动对象是外部过程记忆。
GAIA2/ARE 的三个源模型 held-out 目标均值成功率从 26.2% 升到 55.3%；同一记忆库迁移到未参与构建的 Qwen3.7 Plus 后，从 18.5% 升到 35.5%。AppWorld Test-Normal 上，无记忆、自记忆、CONTRAMEM 分别为 54.4%、63.3%、75.0%。不过 232 个失败转成功的同时仍有 23 个成功转失败；时间敏感任务几乎没有改善，说明文本过程记忆不能替代运行时控制器。arXiv 原文
证据与复现：论文使用 600 条离线源轨迹、冻结 256 张 Skill Cards 和 74 张 Function Cards，统计检验和跨基准对照较完整；代码未公开，作者机构也未在当前 arXiv 页面和公众号条目中报告。
与主线的关系：它与 TRACE 都从对比轨迹生成技能，但 TRACE 在同一系统内反复精炼，CONTRAMEM 借多模型差异增加过程多样性。两者都需要单列「回归任务」和「无能为力的任务类型」。
12. When Not to Imitate: Boundary-Aware Skill Memory for Reliable Tool-Use LLM Agents
作者 / 版本 / 结论：Zihan Lin 等，v1 2026-08-23，EMNLP 2026 Findings。值得扫读至精读。
BASM 研究「技能模仿陷阱」：当前任务看似像过去成功任务，却需要不同工具；只保存成功过程会让模型更自信地调用错工具。BASM 给技能补上适用条件、风险线索、避免规则和恢复说明，使技能从动作模板变成带边界的状态条件指引。改动对象是技能表征，不改权重。
Qwen3-8B 上，BFCL 准确率从 34.13 升到 38.88，AppWorld 成功率从 29.76 升到 36.31；AgentDojo 攻击成功率从 8.01 降到 5.90，但 Utility 从 40.99 降到 35.93。机制探针里，普通过程技能让 wrong-tool margin 从 7.31 升到 10.71，BASM 降到 2.26；移除边界注意后，又恢复 69.4% 的错工具差距。arXiv 原文
证据与复现：四个模型规模、三类基准和多项消融支持机制，但代码尚未发布；文本边界会占上下文，也没有覆盖动态 API、多模态或长延迟反馈。
与主线的关系：技能库验收不能只看「是否检索到相似技能」，还要测试相似任务需要不同工具时，技能是否主动抑制自己。
13. Coalition-Aware Skill Reliability for Self-Evolving Agents
作者 / 版本 / 结论：Qiyan Zhao 等，v1 2026-08-23。值得扫读。
这篇论文不再默认「技能库整体变好，就说明每项技能都在贡献」。审计发现两类失效：库级增益掩盖负向技能联盟，以及源域有益技能在目标域效用反转。CASS 用采样 Shapley marginal 评估候选技能联盟，u-SMCO 在无标签目标域查询上掩掉拖累检索的技能。改动对象是技能选择和跨域掩码。
相对 MemSkill，CASS 的 LoCoMo F1 为 41.48 对 39.45，ALF-Seen 成功率 76.10 对 74.01，ALF-Unseen 为 83.22 对 80.09；K-controlled 消融里，MemSkill 门控纳入技能的平均净贡献为 −1.38 个百分点。一个跨域示例从 LoCoMo 的 Δ=+0.084 反转到 HotpotQA 的 Δ=−0.035，但后者置信区间包含 0，只能证明方向性反转，不能说已显著有害。arXiv 原文
证据与复现：4 个领域、3 个种子和 K 控制消融较扎实；CASS 额外联盟评估约占训练时间 5%，u-SMCO 需要 O(K²) 次记忆重建。代码、工具和 checkpoint 只承诺未来发布。
与主线的关系：CASS 审技能组合，BASM 改单项技能内容，TRACE 改技能形成过程。三个位置需要分别验收，不能用一张库级总分代替。
直接命中：运行时评测
14. ClawProBench: Trace-Aware Evaluation of AI Agents with Runtime Coverage and Frozen Workplace-Style Holdouts
作者 / 版本 / 结论：YuanHang Xiao，v1 2026-08-23。精读。
ClawProBench 把被评估单元定义为「模型+提示包装+控制器+运行时+工具+安全过滤+checker」，而不是单独模型。102 个 full-profile 场景覆盖 workspace-live 与 OpenClaw 原生运行时面，另有 68 个冻结 holdout；每次试验从正确性、过程质量、超额调用和安全门打分，并保留轨迹证据。
最强 safety-gated 平均轨迹分为 0.7671。原生运行时任务分数 0.5238，workspace-live 为 0.6415。holdout 上，至少一次成功的 pass@k-any 为 0.6638，三次全部成功只有 0.2890。29 个模型在两条评测轨道上的 Spearman 为 0.1754，95% bootstrap 区间 [−0.23, 0.54]；这个区间不支持精确排序主张。arXiv 原文
与主线的关系：它把本期训练论文的共同盲点暴露出来：最终答案可以对，但工具路由、安全边界、恢复过程和重复执行仍可能坏。新方法进入研发前，至少要在冻结任务上重复三次，并检查持久状态和副作用。
直接命中：TTS 生成与溯源
15. sanoTTS: The Smallest Real-Time Neural TTS on a General-Purpose Microcontroller
作者 / 版本 / 结论：Ashish Thapa，v1 2026-07-14。精读。 arXiv ID 属 2608 批次，但页面记录的首次提交日是 7 月 14 日。
sanoTTS 从 Piper/VITS 教师蒸馏出完整的音素到 22.05 kHz 波形网络，目标是在没有神经加速器的通用 MCU 上实时运行。部署图为 567,008 个参数，两个 int8 blob 合计 679,832 字节；ESP32-S3 用 1.02 秒生成 4.54 秒语音，相当于 0.22× 实时。无 FPU 的 ESP32-C3 则为 5.72× 实时，不能实时生成。
尺寸不是全部结果。Kristin 嵌入式版本的 SCOREQ/UTMOS 为 2.54/2.80，教师为 4.68/4.42；Amy 的 1.454M 参数 Pareto 包达到 4.13/4.10，但没有在 MCU 上运行。端到端片上 eSpeak 前端把 WER 从桌面 15.8% 推高到 18.5%。论文还记录一次自动指标误判：早期学生在窄测试集上得分虚高，却存在明显齿擦音问题。arXiv 原文
证据与复现：提供代码、模型清单、二进制 fixture 和 golden vectors。局限是硬件质量和速度只在 Kristin/ESP32-S3 上充分测量，质量评测只有 24 句，没有受控 MOS、置信区间或能耗数据。
与主线的关系：这篇论文的价值在于同时交出体积、实时性、可懂度和听感账单。端侧 TTS 不能用「实时」替代「可听」，也不能用单一自动质量分数替代音素级检查和人听。
16. AudioNoisePrints: Model-free audio watermarking using spatial correlation in flow matching TTS
作者 / 版本 / 结论：Timothy Tin-Long Tse、Jian Zhu、Aidan Pine、Mengzhe Geng，v1 2026-08-23。值得扫读。
AudioNoisePrints 利用流匹配 TTS 的初始高斯噪声与最终输出之间的相关性，在不重训 TTS 的前提下修改初始噪声，并用余弦相似度或轻量检测器识别水印。它解决的是生成音频溯源，不是自然度或可懂度评测。
F5-TTS 上，余弦检测准确率随阈值从 0.905 升到 0.988；AAC 压缩后，余弦检测、轻量检测器和 AudioSeal 分别为 0.987、0.9947、1.0。回声增强却把前两者压到约 0.50，而 AudioSeal 保持 1.0；原因之一是 AudioSeal 的训练包含回声。AudioNoisePrints 在速度拉伸和裁剪上更稳，但这不是全面优于 AudioSeal 的证据。arXiv 原文
证据与复现：覆盖 F5-TTS、Matcha-TTS、DiffWave 及多种增强，但当前摘要与全文没有代码或项目链接。顶线准确率不是 100%，post-hoc 与 in-model 方案的训练条件也不完全可比。
与主线的关系：它把 TTS 评估扩到「输出能否被追溯」，但不能替代 MOS、WER、说话人相似度或表达控制。上线验收需要把质量与溯源分开列。
邻近但值得跟踪
17. WnW: Waxing-and-Waning KV Cache for Long-Form Speech LLMs
作者 / 版本 / 结论：Yiming Yao 等，v1 2026-08-24，EMNLP 2026 Main。邻近跟踪。
WnW 处理长音频输入的 KV cache，而不是生成语音。论文发现 prefill 注意力集中在音频开头，但解码期关注范围更广；两阶段 top-K 排序重叠只有 0.187—0.240。系统离线校准后把 KV 头分成 anchor、tidal 和 fixed：anchor 留在 GPU 并监测解码重要性，tidal 的补集放在 CPU 并按需召回，fixed 只保留 prefill 的 top-k。
在 Voxtral-mini-3B 和 Qwen2.5-Omni-3B 上，GPU 只保留 20% 音频 token 时，LibriSpeech-Long 的 WER 与 full cache 相差约 1.0 和 1.6 点；GPU+CPU 总保留比例仍约 0.42。论文还覆盖法语 ASR、英法语音翻译和临床对话。紧预算下若只在 prefill 阶段永久驱逐，部分基线 WER 会超过 100%。arXiv 原文
证据与复现：代码已公开在WnW。方法需要 50 个样本做离线校准，仍依赖 CPU 内存和带宽；更长节目级音频的召回延迟没有完整报告。
迁移连接点：播客生成链常包含长素材理解、审校、分段与事实回查。WnW 可以降低这些 Speech LLM 环节的显存，但它既不生成播客，也不衡量播客质量，因此不算直接命中。
带回研发的五项检查
- 把上下文生命周期拆开测。 准入、驱逐后找回、压缩保真、写入去重和参数内化各有不同失败模式；不要用一个「记忆准确率」覆盖全链路。
- 给自进化保留冻结对照。 EDGE 要撤掉外部经验，TRACE 要看 Pass^k，CONTRAMEM 要报成功转失败，CASS 要固定技能数量；否则库变大、检索增强和真实学习会混在一起。
- 长程 RL 同时报训练信号与基建。 Agent-G²、HiDiffTIR、CompPO 改算法；MCP-Universe RL 改环境和 rollout。吞吐、off-policy 程度、环境失败与奖励执行都要随成功率一起记录。
- 重复执行并检查副作用。 ClawProBench 的 0.6638「至少一次成功」和 0.2890「三次全成」说明，一次成功不足以证明可靠；还要核查持久状态、安全门和多余工具调用。
- 音频指标按问题分层。 sanoTTS 的速度、体积、WER、自动质量和人听缺陷各回答不同问题；AudioNoisePrints 只回答溯源。播客生成与播客质量本批没有论文，不能由 Speech LLM 缓存论文代替。
如果只留半天，建议按这个顺序读：Scroll → Compaction Cliff → TRACE → MCP-Universe RL → sanoTTS；然后根据当前研发位置，在 EDGE、ClawProBench、CONTRAMEM 三篇里选一篇补上。
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.