奇绩信号Alpha Sight 2026年8月13日【文字版】

本期边界：arXiv recent 分组日期为 2026 年 8 月 12 日；入选论文详情页的 v1 提交日期均为 2026 年 8 月 11 日。本文按列表分组日期筛选，按详情页核对标题、摘要、机构、方法和实验。

本期判断

头条

1. 把 Agent 技能压成可维护契约：SkillZip 用结构复用替代任务评测 原文

认知提取

论文摘要

• 自演化 Agent 会把成功步骤、失败修复和格式要求追加到技能文件中，导致同一规则跨分支重复出现；论文把问题定义为「文本增长快于真实程序增长」。
• 方法只读取技能本身和持续更新补丁，不访问任务、奖励、轨迹或验证器；抽取出的每个触发器、流程边、工具要求、义务和输出字段都必须被压缩结果覆盖。
• 一次性模式用一次结构化抽取加确定性优化；Zip-on-Write 在每次新补丁进入时做局部合并，周期性重排才处理跨补丁出现的重复。

核心方法

• 将技能表示为接口、守卫条件、流程图、工具/输出契约和例外集合；重复规则可以提升到共同作用域，重复动作序列可以抽成共享过程。
• 目标函数同时计算压缩契约和未被解释的残差；当复用一次的描述成本高于重复书写时不强行合并，唯一且低频的规则由硬覆盖约束保留。
• Zip-on-Write 将补丁分为吸收、修订、追加和局部重构四类，避免每次更新都重新解析完整历史。

实验成果

• 纵向实验显示，自演化继续增加技能长度时，真正新增的程序内容已经趋于饱和；压缩在早期介入比第八轮才介入更有效。
• 在 Kimi-K2.6 的示例中，早期压缩达到约二点六倍的长度收益，晚期介入约为一点九倍；最终留出测试准确率在三种骨干上与未压缩技能持平或略高。
• 论文把压缩收益拆成结构正确性、留出泛化、评测集依赖和成本四部分，没有用一次任务成功率替代完整的忠实性判断。

总结与反思

• 结果总结：SkillZip 把 Agent 技能维护从「不断加提示」改写成了可检查的契约重构，并用最小描述长度统一规则共享、作用域提升、流程复用和例外编码。
• 局限性：硬覆盖只保证抽取到的规范元素不丢失，不等价于任意自然语言在不同模型中行为完全等价；论文也没有证明压缩后所有未抽取语义都保持不变。
• 前沿见解：技能文件若要长期演化，下一步可能不是更强的摘要器，而是能与版本控制、工具 schema 和运行时验证器共同工作的结构化中间表示。

2. 驾驶推理变成二至六个可执行 token：XCoT-VLA 把 CoT 接到轨迹生成 原文

认知提取

论文摘要

• 传统自然语言 CoT 解码长度不稳定、优化目标与动作脱节，难以放入实时规划循环。
• XCoT token 同时表达纵向、横向、导航、交通规则和安全意图；训练监督由已记录轨迹的动作证据与场景上下文的因果语义自动构造。
• 论文报告：一般分布集的纵向 ADE 从一点六四五二降至一点三二三三；变道集的横向 FDE 从一点六一六零降至零点六四八四。

核心方法

• 离线数据构造先从未来轨迹读出纵向和横向动作证据，再从场景生成导航、规则、交互和安全原因，最后映射为规范化 Reason–Action 序列。
• 模型保留二十四个轨迹查询；所有视觉、文本、状态和 XCoT token 经过共享多模态注意力后，非轨迹 token 走 Reason FFN，轨迹查询走 Control FFN。
• 第一阶段学习 Reason–Action 监督和轨迹，第二阶段可用 XCPO 在冻结执行栈上优化 XCoT 策略；这让推理策略变化不会直接破坏轨迹解码器。

实验成果

• 在一般分布集，ADE-六秒-Long 为一点三二三三，优于仅轨迹监督基线的一点六四五二；FDE-六秒-Long 为三点零八八七，基线为四点三五四一。
• 在变道集，ADE-六秒-Lat 从零点五九四一降至零点三零九一，FDE-六秒-Lat 从一点六一六零降至零点六四八四。
• H100 上，XCoT 最大生成长度为六，低于十二赫兹的八十三点三毫秒预算；论文明确这只统计推理接口，不含感知预处理、轨迹后处理和全栈调度。

总结与反思

• 结果总结：把 CoT 设计为固定词表中的动作语义，既减少了解码长度，也让推理变量直接参与轨迹生成。
• 局限性：结果主要是开环规划误差；论文没有用真实道路闭环事故率证明 XCoT 在部署时一定更安全。
• 前沿见解：可执行 token 为自动驾驶留下一个可审计接口，但接口词表的覆盖、组合能力和跨城市迁移会成为下一层瓶颈。

3. 把推理预算从自我反思转向外部例题：ThinkRetrieve 稳住测试时扩展 原文

认知提取

论文摘要

• 标准 sequential test-time scaling 在预算增大后会出现不确定性累积、错误传播和思路漂移。
• ThinkRetrieve 以中间答案作为查询，从题目—逐步解法语料库中检索例题，并把例题作为轨迹内的上下文示例。
• 论文在五个一点五至八十亿参数的推理模型、GSM-八 K、MATH-五百、AIME 二〇二五和 SciQ 上评估；AIME 二〇二五最高相对增益为百分之六十。

核心方法

• 每轮先生成当前推理，再将中间答案与原题编码成检索查询；语料库侧保留题目和逐步解法，检索结果直接拼入下一段思考。
• 论文同时比较静态输入级 ICL 和随机逐步检索，前者移除了轨迹内注入，后者移除了语义相关性，用于拆分两个设计因素。
• 计算预算按生成 token 统一比较；检索延迟约增加百分之六的单题墙钟时间，但在相同预算下模型生成 token 更少。

实验成果

• Qwen3-一点七 B 在 AIME 二〇二五上，顺序式扩展在八 K token 附近约百分之二十二，扩大到三十二 K 仍不再增长；ThinkRetrieve 达到百分之三十五点六，绝对提升十三点四个百分点。
• DeepSeek-R1-Distill-Qwen-一点五 B 在 GSM-八 K 上，顺序式扩展从二二 K 预算时的百分之八十三跌到百分之五十二，ThinkRetrieve 保持约百分之八十四。
• MATH-五百分层实验中，ThinkRetrieve 将平均预测熵从一点五一降至零点九六 nat，准确率从百分之三十三升至百分之四十七。

总结与反思

• 结果总结：ThinkRetrieve 把测试时扩展从「继续说」改成「在关键步骤获得结构化参照」，解决了长轨迹的漂移和过度反思。
• 局限性：方法依赖外部解题语料库，检索库的覆盖、污染和解法质量会直接影响结果；论文的泄漏审计在其设定下为零超过阈值的查询，但不等于所有开放语料都安全。
• 前沿见解：推理模型的测试时算力可能更适合投资于中间状态的选择和检索，而不是无条件增加思考长度。

4. 只用视频也能补足手术机器人控制：Surgical WAM 在固定动作预算下提升成功率 原文

认知提取

论文摘要

• 统一模型同时预测未来内窥镜观测和可执行动作块，采用两阶段训练：视频预训练、动作标注微调。
• 闭环执行采用 receding-horizon 策略，短前缀执行后用新观测重新规划，适合接触丰富、双臂和长时程任务。
• 在四个模拟手术操作任务上，平均成功率从百分之六十三点五升至百分之七十七点八；PegTransfer 绝对提升二十个百分点。

核心方法

• 第一阶段只优化视频损失，并将动作 latent 置零；第二阶段在固定动作标注预算下联合训练视频和动作目标。
• 视频与动作共享 latent 序列，模型既学习场景动力学，也学习哪些动作会产生目标未来。
• 评测同时看模拟 SurRoL 和真实 JIGSAWS 视频，验证视频预训练收益不是模拟器渲染特有现象。

实验成果

• 四任务平均成功率由百分之六十三点五提高到百分之七十七点八，接触密集和双臂任务收益更明显。
• 在相同动作标注预算下，预训练模型在五万步达到百分之六十二，未预训练模型在六万步约为百分之五十。
• 真实 JIGSAWS 的打结和缝合序列显示同方向趋势，但论文没有把真实机器人实验汇总为与模拟四任务完全同口径的成功率。

总结与反思

• 结果总结：Surgical WAM 把无动作视频用于学习视觉动力学，把昂贵动作标签集中用在控制对齐上。
• 局限性：主要成功率来自四个模拟任务，真实数据部分仍是趋势验证，距离真实手术安全认证还有很长距离。
• 前沿见解：机器人数据效率的关键可能不是把每段视频都伪造成动作，而是把视频表征和动作监督放进同一个可重规划的世界—动作模型。

认知模型

5. 用提示级可靠性排序 OPD：ReOrder-OPD 不再把一次坏轨迹等同于坏提示 原文

认知提取

论文摘要

• Oracle 定义的可靠性是教师从学生前缀继续到正确答案的概率，并对学生当前分布下的前缀和轨迹求平均。
• 实际代理分数只需一次独立学生 rollout，再与同题、验证正确的教师轨迹比较；九百零五个提示被分为十个等频区间后，平均可靠性从零点二九单调升至零点九八。
• 方法保留完整提示池，排序后重新采样训练轨迹，因此它是提示级课程，而不是轨迹级过滤。

核心方法

• 先以验证器确认同题教师解答，再把学生 rollout 和正确教师库用于打分；训练阶段不用复用打分轨迹。
• 按代理分数降序排列提示，之后每次访问提示都重新采样 on-policy trajectory，并沿用 Vanilla OPD 的 token 监督。
• 可与 FiRe-OPD、ExOPD 等轨迹级方法叠加，形成提示级调度和轨迹级加权的两层干预。

实验成果

• 论文报告在 Qwen3、Gemma4 数学和 Qwen3 代码设置中的所有匹配 aggregate comparison 均提升；六个 FiRe-OPD 和 ExOPD 组合设置也保持增益。
• 代理分数的十个等频区间中，平均教师继续可靠性单调上升，说明一次 rollout 足以提供粗粒度排序信号。
• 该结果不能直接说明「高可靠提示永远应该先训练」；它说明在固定池和固定更新预算下，访问顺序本身改变了学生随后会遇到的前缀分布。

总结与反思

• 结果总结：ReOrder-OPD 将 OPD 的干预位置前移到提示调度，并把一次不可靠 rollout 与提示的长期训练价值区分开。
• 局限性：机构信息未在可访问 HTML 正文中展开；实验的可靠性代理依赖同题、验证正确的教师轨迹库和 ROUGE 相似度。
• 前沿见解：对齐训练中的课程设计不一定按题目难度排序，也可以按教师能否修复学生当前状态排序。

6. 让低比特量化看到权重分布：ReRound 用扩散重构解决 midpoint ambiguity 原文

认知提取

论文摘要

• 扩散模型从预训练 LLM 的六十四乘六十四权重块中学习权重分布；重构权重只用于引导取整，不会部署为模型参数。
• 位置相关容忍度把中点附近权重交给扩散引导，把靠近量化边界的权重留给 RTN；扫描容忍度得到多个候选矩阵。
• 最终候选以全精度矩阵和候选反量化矩阵的主奇异值差异选择，完全不需要校准样本、激活或下游标签。

核心方法

• 条件扩散训练时以全精度权重块为目标、低比特版本为条件；推理时以确定性的 RTN 块为条件生成候选重构。
• 重构权重提出与 RTN 相反的相邻量化整数，只有在位置相关容忍度内才接受改变。
• 对每个容忍度候选做反量化并计算主奇异值差异，选出保留主导变换模式最好的候选。

实验成果

• 在多个小型 LLM 上，ReRound 在三比特和四比特权重-only 量化中持续优于标准 RTN，并与依赖校准数据的方法保持竞争力。
• 论文覆盖 Gemma 二 二 B、Gemma 三 一 B、Qwen3 一点七 B、OLMo 二 一 B、SmolLM2 一点七 B 等模型，并报告额外 Llama、Falcon、Phi 和 Pythia 结果。
• 扩散训练与推理只需每个模型离线执行一次，重构矩阵可复用于三比特和四比特；低比特推理阶段没有额外开销。

总结与反思

• 结果总结：ReRound 把量化误差中一个常被 RTN 忽略的离散选择，改造成了由权重分布和矩阵谱共同约束的离线决策。
• 局限性：论文明确指出对小型 LLM 的效果更突出；扩散先验训练成本和模型规模扩展仍需更多报告。
• 前沿见解：低比特压缩不一定要重新训练模型，也可以在固定量化网格内利用结构先验重排离散选择。

多模态

7. 把文本实体替换成视觉对象：MultiModal Code-Switching 用局部对应关系提升数据效率 原文

认知提取

论文摘要

• 数据合成流水线依次完成详细描述、文本实体抽取、视觉目标 grounding 和质量过滤，构造七十七点三万条预训练样本。
• 视觉对象插入文本序列，实体和上下文都由对应视觉区域条件化，训练目标同时要求实体语义准确和语言上下文连贯。
• 实验覆盖 referring expression comprehension、OCR、视觉问答和表示对齐，并比较不同视觉编码器、数据规模和噪声条件。

核心方法

• 将图像编码为目标对象区域，并把这些区域按实体出现位置插入语言序列，而不是把整张图压成一组全局 token。
• 用自动 caption、实体识别、目标框匹配和过滤构造大规模数据，保留对象—实体对应关系。
• 训练时同时优化实体级语义精度和语言模型损失；对象区域的局部化也减少输入图像 token。

实验成果

• 在 Qwen2.5-三 B 设置中，MMCS 只用五万条样本即可匹配或超过六十万条 image-text pair 的结果。
• 合成预训练集规模为七十七点三万张图像；数据集质量评估同时使用 VLM judge 和人工标注，平均 grounding 准确率最高达到约零点九四二。
• MMCS 相比标准图像级预训练平均减少约百分之四十一点四的图像 token；表示对齐在多数解码层的 CKA、CKNNA 和 mutual k-NN 指标上更好。论文的独立数据效率图在当前 HTML 页面未提供可复用的图片资源，本文保留原文链接，不用生成图替代。

总结与反思

• 结果总结：MMCS 将多模态对齐的基本单位从整张图—整段文本改成对象—实体，减少了指代歧义和无效图像 token。
• 局限性：数据合成依赖目标检测和实体匹配质量，源数据许可证、隐私和偏差会沿流水线继承。
• 前沿见解：视觉语言预训练的规模竞争可能逐渐转向「监督是否定位到真正需要对齐的对象」，而不只是增加图文对数量。

AI4Science

8. 用可编程化学世界测试 Agent：ChemWorld 把隐藏化学规律变成可控变量 原文

认知提取

论文摘要

• 系统把公共契约与评测者持有的私有化学规律分离，支持改变世界组成、操作条件或单条隐藏规律。
• 事务式执行记录操作、失败、资源变化和状态转移，完整轨迹可以精确回放和审计。
• 全量资格验证覆盖参考注册表、五十二个生成组合、模块/接口/编译/非法动作测试；八个确定性案例和六组父子世界 fork 验证生命周期与干预语义。

核心方法

• 每个过程和观测模块声明操作、资源、模型域、资格 oracle 和扩展接口；编译器在构造前拒绝非法组合。
• 动作依次经过 schema、运行时前置条件、候选执行和提交后验证；失败分支保留已提交状态并记录尝试后果。
• controlled fork 固定公共契约、动作序列和随机性，只替换一个私有规律，从而得到严格匹配的因果对照。

实验成果

• 一百九十二个负向探针全部产生注册结果并保持已提交物理状态，其中六十四个运行时前置条件失败被回滚。
• 六组父子世界 fork 共二十四条确定性轨迹，全部通过谱系、单私有目标、公共契约不变、同序列可执行和精确回放等闸门。
• 独立 Agent 在非参考世界中完成完整生命周期，说明公共接口可以支持超出参考注册表的实验交互；论文没有把这一结果表述为化学发现能力。

总结与反思

• 结果总结：ChemWorld 解决的是实验可重复、可归因和可审计问题，为化学 Agent 提供了比固定模拟器更细的干预轴。
• 局限性：论文明确限定在声明的组件和模型域内，不能把数字世界中的资格通过等同为真实实验材料证据。
• 前沿见解：AI4Science Agent 的关键基础设施可能不是更大的语言模型，而是能把世界规律、动作记录和失败语义都冻结下来的实验协议。

Infra

9. PhysDGM 将物理约束放进扩散的每一步：工业时序合成扩大二十倍数据 原文

认知提取

论文摘要

• 目标数据来自涡扇发动机、航空发动机、电池和化工过程；数据采集受高温、高压和实验成本限制。
• PhysDGM 构造约四百四十万条 AI 合成记录，相当于二十倍规模扩展，覆盖三十四个数据集。
• 论文报告：加入合成数据后，剩余寿命预测、健康指标估计、健康状态评估和故障诊断相对真实数据基线分别提升约百分之四十八、十五、二十二和二十。

核心方法

• 在扩散反向过程的早期、中期和晚期逐步施加动态约束，避免一开始约束过硬导致生成器失去拟合能力。
• 约束覆盖退化趋势、多传感器耦合、取值范围和离散变量；梯度引导采样允许使用预训练去噪器而不重新训练。
• 训练和采样均以轨迹级物理一致性为目标，再用 fidelity、utility、discriminative 和 predictive 指标联合评估。

实验成果

• 四个数据集上的 discriminative score 比最强基线分别低百分之四十三点五、十九点六、六十九点一和二十七点八；该指标越低表示合成与真实越难区分。
• 四类下游任务相对最强基线的效用提升为百分之七点六、二十点八、二十七点五和五点六。
• 论文还报告只用百分之五真实训练数据加 PhysDGM 合成样本即可显著降低多个下游任务 RMSE；要达到全数据性能，所需训练数据比现有方法少十至二十倍。

总结与反思

• 结果总结：PhysDGM 把物理约束从后处理检查前移到生成轨迹内部，并以工业任务的预测效用验证合成数据价值。
• 局限性：物理规律和数据域仍由作者声明，不能自动覆盖未知工况；合成数据超过真实数据的结果需要更多跨设备、跨工厂复现。
• 前沿见解：工业生成数据的竞争点会从「看起来像真实」转向「能否作为遵守约束的训练数据被下游模型有效使用」。

应用体系

10. FedCGR 用稳定语义 ID 连接隐私隔离的跨域推荐 原文

认知提取

论文摘要

• 物品先被编码为离散 SID 序列，跨域对齐依赖共享词表而不是共享原始交互或域特定 embedding。
• 可靠性感知语义接口将本地 CF 残差注入 SID 表示；原型个性化生成器让相关域共享更多参数，不相关域保留更多私有量。
• 六个 Amazon 跨域场景上同时采用 full-ranking 和九百九十九负样本评测；原始用户序列、CF embedding、门控和私有专家保留在客户端。

核心方法

• 冻结 item-to-SID tokenizer，保证所有客户端的 token 语义一致；token embedding、Transformer 和预测头仍可训练。
• 客户端用项目频率估计 item-level 可靠性，再由本地 gate 控制 CF residual 注入；CF adapter、dense head、domain embedding 和私有专家不上传。
• 共享生成器按域原型相似度聚合，避免 FedAvg 在高异质域中把早期 SID 预测错误传播到整条前缀树。

实验成果

• full-ranking 下，FedCGR 在二十二个域—指标单元中均优于 TIGER+FedAvg 和 TIGER+FedProx；GKBS Grocery 的 N@十为零点零七四，相比 FedProx 的零点零六二提升百分之十九点四。
• 九百九十九负样本协议下，FedCGR 在六个场景的两项指标上均为最佳；相对 FedDCSR，GKBS H@十从零点一八零升至零点一八六，GS 从零点一七零升至零点二零八。
• 去掉 CF residual 或个性化聚合分别在高亲和域和高异质域造成不同程度损失；完整模型通信量每轮增加百分之十八，但更快收敛使总通信预算减少百分之三十四至四十五。

总结与反思

• 结果总结：FedCGR 将跨域推荐拆成稳定的语义接口和显式的域适应机制，既不上传原始行为，也不把所有域强行平均。
• 局限性：论文不宣称差分隐私；安全聚合和隐私预算仍是额外机制，且实验基于 Amazon 场景，域关系变化时的在线增量能力尚未验证。
• 前沿见解：联邦推荐的公共空间未必需要共享用户行为，公开商品元数据提供的离散语言也可能成为更稳定的跨组织协议。

Benchmark

11. V-FiLLM 用可执行计算树生成金融推理基准 原文

认知提取

论文摘要

• 生成流水线把表格单元格拆成带类型的原子，组合为可执行表达式树，再渲染为自然语言问题和确定答案。
• 计算深度、表达式宽度、金融概念复杂度和上下文大小可以独立控制；答案由符号执行得到，模型不参与标注。
• 论文提供两张关键流程图和六张表格；可访问 arXiv HTML 的正文只返回图注，没有可复用的独立图像 URL，因此本文以原始数值表和原文入口呈现结果。
• 总览图缺口：V-FiLLM 的 arXiv HTML 返回了 Figure 一和 Figure 二的正文图注，但没有可访问的独立图像 URL；本文不猜测资源路径、不放占位图，保留原始图注和 arXiv HTML 入口。#### 核心方法
• 叶节点保留公司、概念和年份等表格元数据，内部节点定义加减乘除、比较和派生金融概念。
• 多轮模式把一棵深树拆为连续子问题，每一轮解析一个节点，最后重新回答原始问题。
• 训练实验从六百八十八条候选链式推理中保留六百零八条最终答案正确的轨迹，再用 LoRA 做轻量微调。

实验成果

• 推理深度增加时，开源模型准确率最高下降五十一个百分点；对抗性数值扰动最多带来四十七个百分点的下降。
• 六类噪声下，Gemma-三一 B 在十-Q filings 上平均下降二十七点三个百分点，DeepSeek-v4-Flash 平均下降二十九点六个百分点；简化报表上后者下降四十七点零个百分点。
• Qwen3.5-四 B 用验证过的链式轨迹 LoRA 微调后，留出集从百分之八十一点一升至百分之八十五点六；在 FinQA 上较基线提高五个百分点。

总结与反思

• 结果总结：V-FiLLM 把金融推理评测从人工答案标注改成可执行计算树，能单独操纵组成难度并暴露深层推理和抗扰动短板。
• 局限性：合成问题仍然受表格模板和金融概念库覆盖限制；本文没有把合成 benchmark 的提升直接解释为真实金融业务能力。
• 前沿见解：可信 benchmark 的核心不只是题目难，而是答案、推理轨迹和扰动协议能否被独立复算。

12. VIScore 测量世界模型是否真的支持规划成功 原文

认知提取

论文摘要

• 论文比较 SIGReg 和 VISReg：二者目标都是各向同性高斯，但 VISReg 能分别控制中心、尺度和形状；这种灵活性在自监督学习中有益，却不自动带来规划收益。
• VIScore 的 Veracity 测量开放环预测误差是否落在任务成功容忍度内，Influence 测量动作条件容量，Sobriety 测量规划器是否通过搜索放大预测器错误。
• 实验在已见与未见模型、数据集和 planner 上评估 Spearman 相关和校准误差；VIScore 在跨任务成功率池中相关系数持续超过零点七五。

核心方法

• Veracity 以任务自己的成功容忍度衡量预测轨迹误差，而不是只报告平均重建误差。
• Influence 采用带共享上限的 latent empowerment；超过完成任务所需容量后不再奖励更大数值。
• Sobriety 让规划器在预测器内部寻找比专家动作更低代价的动作，若搜索频繁「发现」不真实的改进，则说明存在可利用幻觉；三者相乘形成 VIScore。
• 三因素公式：VIScore = Veracity × Influence × Sobriety；三者必须同时成立，分别对应预测可达性、动作影响力和规划器抗幻觉能力。论文 Figure 一的相关性总览和 Figure 三的影响力曲线可从 arXiv HTML 查看；当前 HTML 未提供可复用的独立图片资源，本文不猜测路径。

实验成果

• VIScore 在已见和未见模型、数据集的跨任务成功率池上 Spearman 相关均超过零点七五，优于 straightness、physical-state probing 和 empowerment 等单一指标；相关性总览见论文 Figure 一（当前 HTML 未提供独立图片资源）。
• 它是所有测试场景中唯一校准误差低于 constant-fit 基线的指标，说明预测相关性不只是排序好看，也有较好的数值校准。
• VISReg 的中心、尺度、形状重加权能改善自监督表征和塌缩修复，但在世界模型规划中，真正起作用的是分布匹配质量与三部分联合诊断，而不是单纯提高损失灵活性。

总结与反思

• 结果总结：VIScore 把「latent 质量」改写为与部署规划成功率直接对齐的系统级诊断，覆盖编码器、预测器和规划器。
• 局限性：相关系数来自论文设定的 checkpoint 池、任务和 planner，不能直接外推到所有世界模型；Influence 的共享上限也需要开发集选择。
• 前沿见解：世界模型评测需要从单点表征指标转向「预测—控制—搜索」闭环指标，否则模型可能在表征 benchmark 上优秀、在规划时失败。

阅读优先级

• 想看推理接口如何落地：XCoT-VLA → ThinkRetrieve → ReOrder-OPD。三篇分别把推理变成动作 token、轨迹内示例和提示级调度。
• 想看数据稀缺如何被结构补足：Surgical WAM → PhysDGM → ChemWorld。它们分别利用无动作视频、物理约束生成和可控实验世界。
• 想看评测是否接近真实系统：V-FiLLM → VIScore → FedCGR。前者验证答案，后两者分别验证规划相关性和隐私隔离下的推荐效果。
• 想看模型压缩的离线机会：SkillZip → ReRound。一个压缩 Agent 的程序性文本，一个修正 LLM 权重的离散取整。

图片均来自对应论文的 arXiv HTML 原图；V-FiLLM 的可访问 HTML 以原始表格为主，正文保留数值复现和完整原文入口，未用生成图替代实验数据。