奇绩信号Alpha Sight 2026年8月7日【文字版】

头条

1. Argus：让长程 Agent 的「改目标」可被审计 原文

认知提取

论文摘要

• Argus 把长期任务组织成一系列有边界的 mission；每个 mission 都读写共享的知识库、事件日志、制品、待办、预算、daemon 和 memory。站立意图、当前操作目标、约束与验证标准被分开记录，避免「目标变了」和「路径变了」混在一起。1
• 论文报告七类 task-native evaluation，并在 SWE-Bench Pro 上运行七百三十一道任务；作者把结果定义为 breadth evidence，而不是一个可横向比较的统一排行榜。1
• 该系统还记录六个论文生产 campaign、两百五十四个 bounded missions 和十六次 Stage rollback；论文明确提醒，完成稿不等于 venue 接收、创新性成立或外部同行评审通过。1

核心方法

• Manager 维护 standing intent 与 operational objective 的区别；当新证据表明原路线不可达或规格有误时，系统允许 pivot，但必须留下证据、授权角色和更新后的验证标准。1
• 运行时以 control、execution、records 三个平面分隔调度、执行和记录；模型参数保持不变，改变的是任务状态、可复用技能、verifier、routing 规则与拒绝过的路线。1
• 审查不只检查最终答案。Reviewer 可以拒绝完成、要求 revision、等待官方 verifier；低风险任务才允许 Engineer self-review。这样「执行者自己宣布成功」不再是默认路径。1

实验成果

• 七百三十一道 SWE-Bench Pro 任务中，四百六十六道调用 independent Reviewer，二百六十五道使用 Engineer self-review；有 Reviewer 的任务平均多消耗二点七五倍 solve input tokens 和一点八零倍 active time。1
• 在被路由到 Reviewer 的任务中，三百八十八道首次通过，四十三道收到 revision request；其中三十四道后来通过官方 verifier，二十二道完成 strict review-loop rescue，另有三十五道被标为 blocked，而不是伪装成完成。1
• SWE-Bench Pro 的成熟阶段相对早期窗口少用二十一％ solve input tokens，active workflow time 少十五％；但论文承认没有保留 Copilot 的逐 Wave 资源轨迹，因而这不是受控学习增益。1

总结与反思

• 结果总结：Argus 的硬贡献是把长程任务中的目标修订、角色边界、验证和持久化状态放进一个运行时协议，SWE-Bench Pro 轨迹提供了成本与恢复数据。
• 局限性：七类 benchmark 的量纲不同；Reviewer 路由不是随机实验；纵向效率没有受控 replay；论文报告是 technical report，不能把内部审查当成外部同行评审。1
• 前沿见解：Agent 的「记忆」若只保存答案，无法解释一次 pivot；真正可复用的状态还应保存被拒路线、验证器、授权关系和失败条件。

2. WorldCycle：用可逆动作给视频世界模型造一个「回到原点」的验证器 原文

认知提取

论文摘要

• 论文把 long-horizon video world model 的 verification bottleneck 定义为：任意开放动作序列没有 ground-truth future state，无法直接计算累计漂移。闭合动作循环把目标变成已知的 identity state。2
• CycleBench 包含三百八十个初始 frame、四十七条 action trajectory、四类任务和四类场景设置，覆盖短、中、长 horizon 及 composite action。2

核心方法

• Spatial closure reward 比较同一 cycle 中 forward 与 reverse 的镜像 frame；Temporal consistency reward 比较重复 cycle 中相位对齐的 frame，分别处理空间闭合误差和随 rollout 深度累积的时间漂移。2
• 训练先用 spatial-only warm-up，再联合启用两种 reward；多尺度 cycle sampling 防止模型只记住固定的 reverse 时刻，最终还叠加 action-following 与视觉质量分数，避免用画面退化换取闭合分。2

实验成果

• WorldCycle 将 state-returning drift 最多降低四十四％，composite-action accuracy 相比 base model 提高接近四倍；它报告的重点是闭环一致性，不是普通视频生成的单帧美学分数。2
• CycleBench 的复合动作包含 forward 与 turn 的组合及其 inverse；论文指出，WorldPlay 在复合动作上的准确率相对简单动作出现约五倍坍塌，说明问题来自动作组合的分布外结构，而非单纯 rollout 长度。2
• 训练使用约四千个 image-caption pairs，在八张 H200 上运行三天；短期 ESC 下降三十二％、RPS 下降四十四％，action accuracy 从零点八二九升到零点八三三，显示长程校正伴随短期画质代价。2

总结与反思

• 结果总结：WorldCycle 把可逆动作的代数约束变成 RL reward，解决了开放轨迹缺少未来标签时的部分验证问题。
• 局限性：监督信号依赖显式 inverse 或已知 closure；物体形变、接触丰富的交互和不可逆状态变化不能直接套用。2
• 前沿见解：世界模型的评测正在从「下一帧是否像」转向「动作组合后状态是否仍然有物理意义」。

3. OPD-V：把多模态后训练的老师，改成一正一负两种视觉条件 原文

认知提取

论文摘要

• 论文把「模型是否真的使用视觉信息」定义为 Modality Balance 问题，并在六个 benchmark、四个 MLLM backbone、五种 post-training method 上评估。3
• Student 接收 Original Image，Positive Teacher 接收 Zoom-In Image，Negative Teacher 接收 Mask Image；三者对同一条 on-policy response 的 token 评分，形成可比较的视觉利用差异。3

核心方法

• Modality-Balance Logits Margin 比较 Positive Teacher 与 Negative Teacher 对 student-generated token 的 log probability；正 margin 的 token 组成 Modality-Balance Trust Region。3
• OPD-V 只在 Trust Region 内从 Positive Teacher 向 student 做 Jensen–Shannon distillation；它不强迫 student 学习所有 token，也不把负 teacher 当作直接模仿目标。3

实验成果

• OPD-V 在多种 backbone 上保持 concise response；四 B 模型的平均 step latency 从三百五十二秒降到二百四十秒，降低三十一点八％；九 B 模型从四百五十一秒降到三百四十秒，降低二十四点七％。3
• 以六十四点三零％ base accuracy 为基线，Positive Teacher 与 Negative Teacher 同时启用时达到八十点零一％；单独使用其中一个 teacher 的收益更低。3
• 训练曲线显示 OPD-V 的 policy entropy 在 warm-up 后保持稳定，而 OPSD 在四 B backbone 上出现后期 response length 增长；这支持「选择 token」比「整段蒸馏」更节制的解释。3

总结与反思

• 结果总结：OPD-V 把「视觉是否被使用」转成正负 teacher 之间的 token-level margin，并用 Trust Region 限制蒸馏范围。
• 局限性：Zoom-In 和 Mask 只是对 Modality Balance 的代理；六个 benchmark、四个 backbone 的一致增益仍不能证明对所有视觉任务成立，且训练时需要额外 teacher 计算。3
• 前沿见解：多模态后训练的下一步可能不是再塞更多视觉 token，而是让模型显式暴露自己到底在用哪一种输入。

4. BridgeVLA++：让机器人记住「下一步做什么」和「应该落在哪里」 原文

认知提取

论文摘要

• 原始 BridgeVLA 用语言条件二维 heatmap 做 object grounding，再把多视图 heatmap 反投影成三维末端位姿；BridgeVLA++ 在此基础上加入统一的时空记忆架构。4
• 论文在五个 simulation benchmark、Franka Research 3 和 Dobot CR5A 两种真实机器人上评估；memory-dependent 任务的核心增量不是更大 backbone，而是给动作选择加上历史阶段与持久几何。4

核心方法

• 预训练阶段使用 RoboPoint 的十二万 object-detection 样本生成语言条件 heatmap；下游 fine-tuning 仍在同一二维定位空间里学习动作，减少 3D 输入与 VLM 预训练之间的 modality gap。4
• Temporal memory 在 coarse stage 对 anchor frame 与历史 keyframe 做 cross-attention，帮助模型区分视觉相似但任务阶段不同的场景；spatial memory 在 fine stage 重渲染早期点云，补回被夹爪或物体遮挡的目标区域。4

实验成果

• 在 memory-dependent 真实任务上，BridgeVLA++ 把 BridgeVLA 的平均成功率从二十点零％提高到九十三点三％；在 memory-independent 任务上，BridgeVLA 相对强 baseline 平均高三十二％。4
• 原始 BridgeVLA 在 RLBench、COLOSSEUM、GemBench 保持或达到 state-of-the-art；BridgeVLA++ 在 RMBench 与 MemoryBench 建立 state-of-the-art，同时没有牺牲原 benchmark 表现。4
• 真实评估包含 Franka Research 3 的七自由度机械臂和 Dobot CR5A 的六自由度机械臂；论文将跨 embodiment 的可迁移性归因于共享二维表示与分开的 action head，而不是直接共享低层控制。4

总结与反思

• 结果总结：BridgeVLA++ 的工程判断很清楚：保留 VLM 擅长的二维对齐，再用分工明确的时空 memory 补上三维操作的历史与遮挡问题。
• 局限性：memory-dependent 真实任务规模有限，五个仿真 benchmark 与两种 robot embodiment 仍不能代表开放环境；论文报告的 state-of-the-art 依赖各 benchmark 的具体设置。4
• 前沿见解：具身 memory 的接口可能应对应动作决策的两个变量：何时行动，以及在哪个几何位置行动。

认知模型

5. Skill Entropy：模型会做单项技能，却在技能切换处断档 原文

认知提取

论文摘要

• Skill2-Bench 覆盖九个可验证和开放域、五百五十八种 skill；任务长度为二到十步，连续步骤来自不同 domain，并依赖前一步答案。5
• 论文评测八个 frontier model 和四个开源 model；同一个 skill 放进 cross-skill task 后，准确率相对 single-skill 下降四％到十三％，且 entropy 越高下降越明显。5

核心方法

• Skill Entropy 是 directed pairwise quantity：从 source skill 切换到 target skill 的困难度不要求对称；把一条任务链上的 pairwise entropy 聚合，就得到 task-level score。5
• Skill2-Bench 用 task-level entropy 划分 low、medium、high 三档；Skill-Entropy RL 让模型在每一步先输出 skill，再输出答案，reward 同时考虑 step correctness 和 skill-chain 与 gold chain 的对齐。5

实验成果

• Qwen3-4B-Instruct 的 Skill2-Bench score 从三十四点四％升到六十八点四％；Qwen3-1.7B 从十四点六％升到四十点一％。5
• 在跨技能任务中，模型常把上一轮的 skill 和 answer modality 复用到下一轮；强模型在 single-skill 中做对的步骤，放进 cross-skill 后仍有约九％到十七％失败，其中三十一％到六十二％伴随错误 skill family。5
• 在五个未参与构造的外部 benchmark 上，Skill-Entropy RL 在 Qwen3-4B 的平均分为四十六点七％，高于 GRPO 的四十六点零％；这说明 reward 的迁移存在，但增益并不等于全面改写基础能力。5

总结与反思

• 结果总结：Skill Entropy 把长程 reasoning 的「切换成本」从描述性观察变成 benchmark 维度和训练信号。
• 局限性：skill label 依赖自动标注与预设 skill bank；开放域技能边界和 entropy 的跨数据集可比性仍需验证。5
• 前沿见解：未来的 process supervision 可能不只判断这一步答对没有，还判断模型是否在正确的认知模式里工作。

多模态

6. Spoken Function Calling：语音理解从「填槽」变成「直接调用函数」 原文

认知提取

论文摘要

• 论文从传统 SLU 数据集整理三百个 spoken functions，用 multi-agent system 合成 SFC-Bench，并评估 LLM、LALM 与 post-trained SpokenFC-7B。6
• SFC 的输出不是固定 intent/slot label，而是一组带函数名、参数 key/value 的结构化调用；函数定义同时约束 intent 选择和参数抽取。6

核心方法

• SFC 将输入写成 speech、environment context、function definitions 到 executable calls 的映射；如果参数缺失，输出 NAN，避免模型为了填满结构而臆造值。6
• 后训练使用 GRPO，并在 exact-match reward 之外加入 fine-grained reward；SpokenFC-7B 用综合 synthetic dataset 进行 post-training。6

实验成果

• 论文报告 SFC 在 LLM 与 LALM 上都优于传统 SLU，提升 function name accuracy、parameter value F1 和 overall accuracy；但 Level 3 的 multi-intent 与 ambiguous semantics 仍是 SOTA LALM 的难点。6
• SpokenFC-7B 在 SFC 任务上超过强闭源模型，同时保持普通 speech recognition 与 audio reasoning 能力；论文没有把这项提升解释成所有语音任务的普遍收益。6
• 原论文的 Table 7 将 final model、不同 reward、FP16 和 rollout size 分开比较；其中大 rollout 版本为 N=32。x4 是数据统计表的图像化资源，表格字段应以论文原表为准。6

总结与反思

• 结果总结：SFC 把语音理解的输出接口直接对齐到工具调用，适合开放域 Agent，而不是继续扩张固定 intent/slot 表。
• 局限性：SFC-Bench 主要由 multi-agent 合成，三百个函数来自既有 SLU 数据；真实噪声、口音、工具失败和隐私场景仍需要独立验证。6
• 前沿见解：语音 Agent 的关键评测单位可能从「听懂一句话」转向「把一句话变成一串可执行、可纠错的调用」。

具身智能

7. DreamWAM：世界模型不只预测画面，还要预测「怎么动、哪里动」 原文

认知提取

论文摘要

• DreamWAM 在 VideoDiT 与 ActionDiT 之间共享 attention；RGB 与 optical-flow latent 联合去噪，geometry 与 semantic target 通过 gated residual branch 参与训练。7
• Depth Anything V3 提供 geometry-oriented feature，DINOv2 提供 patch-level semantic feature；三类 beyond-RGB 路径在部署时关闭，动作输出仍与 Fast-WAM 的 RGB-only 接口一致。7

核心方法

• Appearance 保留原始视频 latent；motion 使用 RAFT optical flow；geometry 与 semantics 分别从 Depth Anything V3、DINOv2 的未来帧特征中构造，并对齐到 VideoDiT 的时空网格。7
• 训练用 gated residual branch 限制辅助特征对预训练 RGB 路径的干扰；测试时删除外部 target encoder 和 feature-prediction head，只保留 RGB video-action denoising。7

实验成果

• LIBERO 的 average success 在 no-rollout 设置从九十七点三零％升到九十八点四零％，joint 设置从九十八点零零％升到九十八点九零％。7
• 未见过的 LIBERO-Plus visual perturbation 下，两个对应设置分别从五十一点三六％升到六十三点四四％、从六十九点一六％升到七十五点四七％；七类 shift 均有提升。7
• 真实机器人标准任务平均成功率从九十点八％升到九十六点七％；面对未见光照、背景和物体布局变化，DreamWAM 为七十四点四％，Fast-WAM-Joint 为五十五点六％。7

总结与反思

• 结果总结：DreamWAM 证明辅助未来表征最有价值的地方在分布偏移，而不是原始场景的最后几个百分点。
• 局限性：geometry 与 semantics 是相关投影，不是完整物理状态；实验仍集中在 LIBERO、LIBERO-Plus 与有限真实操作，不能直接外推到接触丰富的开放环境。7
• 前沿见解：WAM 的 future prediction 目标正在从「把未来画出来」变成「把决定动作的变量保留下来」。

AI4Science

8. Multimodal Spatiotemporal Atmospheric Data Assimilation：用一个冻结的 latent video prior 接住稀疏天气观测 原文

认知提取

论文摘要

• 先训练一个覆盖六十九个 ERA5 变量、八天窗口的三十二帧 latent video flow-matching prior；latent 网格为一百二十八通道、八个时间步、三十二乘六十四空间格点。8
• 采样时将冻结的 prior score 与 observation likelihood 相加，并通过 decoder 回到物理场；真实观测来自 NOAA IGRA、ISD 和 ICOADS，支持从稀疏观测直接生成 full-state ensemble forecast。8

核心方法

• Autoencoder 把原始三十二帧、六十九变量、128×256 网格压到 latent video；TrigFlow 用球面 noise path 做 velocity matching，采样从近似纯噪声开始。8
• Guided sampler 在不同 noise level 注入 measurement gradient，并在低噪声段加入 Langevin corrector；adaptive noise-level weighting 让高噪声区的不可约误差不压过其他训练梯度。8

实验成果

• 论文用八-member ensemble、八个 validation window 和多种 observation geometry 评估；它报告的是 per-variable physical RMSE、Pearson correlation 和 ensemble spread，而不是单一 accuracy。8
• 在 sparse radiosonde 观测上，作者称该 sampler 在所有变量上优于对照采样器；在 structured super-resolution 上，一些 baseline 在风场上更有竞争力，说明观测几何会改变方法排序。8
• 观测到的 temporal geometry 对误差形状有直接影响：filter 的误差向未来增长，smoother 呈 U 形，fixed-interval reference 相对平坦。论文还给出 Hurricane Laura 的轨迹与 hindcast case study。8

总结与反思

• 结果总结：这项工作把 data assimilation 从「为每种观测重新训练一个模型」改成「一个时空 prior 加不同 likelihood guidance」。
• 局限性：作者明确说端到端对 operational assimilation 的比较超出范围；Aardvark forecast 只有一个训练期 observation point，不能当成严格 benchmark。8
• 前沿见解：AI4Science 的生成模型更有用的接口不是直接给一个预测，而是让观测、先验和不确定性可以在同一条轨迹上合并。

Infra

9. MESH：MoE 优化器先要记住梯度，再谈省内存 原文

认知提取

论文摘要

• 在一百一十 M 参数的 nanowhale DeepSeek-style MoE 预训练中，SAGE/Sinkhorn hybrid 把 optimizer state 从零点八八三 GB 降到零点三三一 GB，但 evaluation loss 达到三点八二六五，高于同设置 AdamW 的三点五八到三点六四。9
• 论文把失败点定位到 routed MoE expert matrix：梯度受路由条件影响、时间变化大，stateless normalization 放大 step-to-step routing noise。9

核心方法

• MESH 保留 vocabulary 与 non-expert matrix 的 SAGE/Sinkhorn 路径，只替换 expert 的更新：通过 gradient-buffer lifecycle 隐式维护 first moment，不把 expert first moment 作为 optimizer-state tensor 存储。9
• MESH-B 在此基础上加入 block/neuron inverse-RMS scaling；消融结果把 temporal smoothing 识别为主要因果成分，block preconditioning 是可能改善 frontier 的附加项。9

实验成果

• MESH 与 MESH-B 在额外 seed 中相对 AdamW 将 optimizer-state memory 减少六十二点五％，peak PyTorch CUDA allocation 约减少十二点六％，但仍有约零点零四九 eval-loss gap。9
• 直接 SAGE/Sinkhorn 的 optimizer state 只有零点三三一 GB，却得到三点八二六五 eval loss；这组负结果说明「显存更小」不能代替「梯度统计正确」。9
• 作者只在单一一百一十 M MoE、单一 streaming corpus、五千 step、约五百一十二 example evaluation 上验证，没有声称 MESH 超过 AdamW。9

总结与反思

• 结果总结：MESH 把 MoE 优化的内存—质量折中推进了一步，但论文最可靠的信号其实是一个失败诊断：routed expert 不能被当作普通 dense matrix。
• 局限性：规模、语料、训练步数和评估集都很窄；非 expert 参数，尤其 vocabulary matrix 与 dense matrix 的角色分配，可能仍是质量差距来源。9
• 前沿见解：大模型优化器的压缩不能只算状态张量数量，还要问被压缩掉的时间统计是否正是路由系统赖以稳定的信号。

Agent

10. ABSeeker：从最终答案倒推搜索 Agent 每一步该拿多少 credit 原文

认知提取

论文摘要

• ABC 包含 Answer-Backtracked Clue Recovery 和 Clue-Anchored Step Scoring 两步：前者从答案恢复实体、事实、关系等可验证 clue，后者逐 step 判断发现、验证、细化或误用这些 clue 的程度。10
• ABSeeker 基于 Qwen3.5-4B，先用 ABC-SFT 按 step reward 重加权，再用 ABC-GRPO 进行 RL；代码和 4B 模型已公开。10

核心方法

• 对每道训练问题，recovery model 也通过搜索工具从答案反向追证据，把 clue 锚定在真实网页内容，而不是只让一个 LLM 凭记忆生成中间链。10
• 每步评分接收 reasoning、tool call、tool response 与 clue set；有用动作在失败 trajectory 中仍能得到正反馈，成功 trajectory 中的冗余或错误动作则不会自动获得奖励。10

实验成果

• ABSeeker 在 BrowseComp、BrowseComp-ZH、xbench-2505、xbench-2510、GAIA-text 上分别达到三十七点三％、三十九点一％、七十七点零％、四十六点零％、八十一点六％。10
• 加入 context management 后，BrowseComp 与 BrowseComp-ZH 分别升到五十五点三％和五十二点九％；论文称其超过同尺度四 B baseline，也超过约三十 B 的 Tongyi DeepResearch 与 OpenSeeker，但比较依赖各系统的工具和 context 设置。10
• 训练数据包含成功和失败 trajectory；图中的 step reward 分布正是论文要证明的点：最终失败不等于每一步都没有价值。10

总结与反思

• 结果总结：ABSeeker 用 verified answer 构造中间 supervision，把长程 search training 从 trajectory-level binary reward 推向 step-level evidence credit。
• 局限性：answer-backtracking 依赖训练问题存在可靠 gold answer；真实开放网络中答案、页面和证据链可能都在变化。10
• 前沿见解：搜索 Agent 的训练数据不应只收集成功答案，还应保存「走错但拿到关键证据」的局部路径。

应用体系

11. D2F-ReAG：只在 root reasoning 不可靠时拆问题，避免 RAG 过度分解 原文

认知提取

论文摘要

• 实验使用 HotpotQA、二 WikiMultiHopQA 和 MuSiQue，每个验证集随机抽取一千道题；Str-Acc 检查规范化后的字符串，LLM-Acc 用 LLM 判断语义等价。11
• 统一配置使用 sentence-transformers/all-MiniLM-L6-v2、top-k=三、gpt-4o-mini generator 和单张 RTX 3090；可靠性阈值 θ=七。11

核心方法

• 先对 root question 检索 top-k 文档并生成 reasoning；如果 judge 认为不可靠，就分解并重写子问题；子问题的可靠推理经过 relevance 过滤后更新 root reasoning。11
• 方法的价值在于把中间推理当作可回写的证据，而不是每轮压缩后只留下摘要；同时用 early stopping 避免对所有问题都付出多轮分解成本。11

实验成果

• D2F-ReAG 在 2WikiMultiHopQA 上取得七十点三％ Str-Acc、六十八点九％ LLM-Acc；在 MuSiQue 上为三十二点二％和三十七点九％；在 HotpotQA 上取得最高六十三点四％ LLM-Acc。11
• 相比 LogicRAG，2Wiki 上最高提升五点四个百分点 Str-Acc 和六点四个百分点 LLM-Acc；但 always-decompose 的 latency 与 token cost 会明显增加，按需分解才是方法成立的前提。11
• 论文案例中，LogicRAG 把问题答成「45 Calibre Echo」，D2F-ReAG 通过补齐导演死亡日期的比较，答对「Bons Baisers De Hong Kong」。11

总结与反思

• 结果总结：D2F-ReAG 将检索深度、子问题过滤和 root reasoning 更新绑在同一个可靠性控制环里。
• 局限性：judge model、分解质量和 relevance filter 都可能把错误引入下一轮；评估主要在三个固定 benchmark，真实检索环境的页面变化与工具失败未覆盖。11
• 前沿见解：RAG 的关键控制量可能不是「检索几轮」，而是「当前推理是否已经值得继续检索」。

Benchmark

12. ContextWeave：把 Agent memory 放回真实工作流，而不是只测会不会召回 原文

认知提取

论文摘要

• Benchmark 包含 instructions、containerized environments、trajectories 和 task-specific rubrics；每个任务被放进隔离 Docker 环境，并与原 worklog 的结果对齐。12
• 论文测试六种 memory component 和五个 base model；诊断维度包括 Relevance、Continuity、Solvability 与 Hallucination Robustness，并提供 GitHub 代码仓库。12

核心方法

• 评测比较同一目标任务在有无 preceding task history 时的行为差异；memory 的价值由 downstream task outcome 定义，而不是由召回文本的相似度定义。12
• benchmark 同时保留工作空间状态与参与者偏好；actionable、experience-rich memory 能减少重复探索，但比 compact summary 更容易受 misleading recall 影响。12

实验成果

• 最强 memory configuration 将 Workspace Score 从六十八点零八提高到七十八点二零，Preference Score 从四十一点五零提高到七十点六零。12
• 固定 memory component 后，五个 base model 都从 recall 获得收益，但幅度明显不同；这说明 memory 效果取决于模型使用经验的能力，而不是只取决于存储内容。12
• 经验丰富的 memory 比紧凑摘要更能支持 workflow continuation，却也更容易把错误 recall 带进执行；论文把 reliability 作为与 relevance 并列的评价目标。12

总结与反思

• 结果总结：ContextWeave 将 memory benchmark 从「能否找回信息」推进到「历史经验是否改善下一项真实工作」。
• 局限性：数据来自单一开源项目和十四位参与者，任务重建和去敏过程可能影响生态有效性；更大规模、多团队和更多 agent 形态仍需验证。12
• 前沿见解：记忆系统的下一项硬指标应是减少重复探索和偏好错配，同时能在错误 recall 出现时让 Agent 停下来。

收束