9月16日自然语言处理栏补录：审计工具互不认同、状态该落在哪一层、没定价的行为会被学掉：长程智能体与生成式音频的 30 篇分层雷达

先看哪几篇：30 行阅读优先级全景表

长程任务评估：把打分链条的每一环单独量一遍

1. Are We Grading Properly? Understanding Failure Modes in Medical Benchmarks（arXiv:2609.16023，直接命中·大语言模型与基础模型）

• 研究问题：基准把多条评分准则捆绑成一个整体分，这种结构本身会不会移动分数，被移动的又是哪些对话。
• 改动位置（维度）：只改评分结构，把一个捆绑 rubric 拆成等权子项，回答与判官全部冻结，属于最干净的单变量改动。
• 核心方法机制：先在同一批已回答的对话上，把「析取式」与「合取式」两种捆绑方式拆细，再分别用同一批冻结回答与同一判官重判，比较拆前拆后的分数差；用两个医学对话基准分别覆盖小样本精标与大样本规模化两种情形。
• 关键定量结果（含比较对象与口径）：HealthBench Professional（HBP）525 段对话、1,135 条准则；LiveMedBench 2,756 例、16,702 条准则。拆成等权子项后，受影响对话上析取式移动 −8.4、−8.2、−15.9 个百分点，合取式 +18.9 个百分点；全基准口径析取 −3.1 到 −6.0、合取 +2.7；LiveMedBench 上析取 −0.43、−0.58 分。原文未报告显著性检验、置信区间、种子与重复运行。
• 证据强弱与复现边界：这是本组唯一同时给出评分结构敏感性量化与可复用「同回答重判」协议的论文，协议抄过来就能用。边界要说清：15.9 个百分点只出现在特定回答者与判官组合的受影响对话上，不能读成整体漂移；核心结论依赖单一 GPT-5.4 的检出标签，换判官后绝对率波动大；论文没有发布代码与数据。
• 对目标研究线的连接点：直接命中长程任务训练与评估。凡是自建 rubric 的评测，改分前先做一次「捆绑方式重判」，成本极低而收益直接。
• 结论与阅读建议：建议精读，重点看评分结构定义的两种拆法与受影响对话的筛选口径。要发布榜单或对比模型分数的团队，先确认自家 rubric 是不是把多条准则压成了一个勾。
• 入口：栏目正文 · arXiv

2. Challenges of Auditing: Variability in Outputs of Large Language Models for Health（arXiv:2609.16590，直接命中·大语言模型与基础模型）

• 研究问题：同一个模型名背后有好几条访问通道，消费者在网页上用的那一条与开发者调 API 的那一条，输出会不会不一样。
• 改动位置（维度）：只改访问通道与默认设置，模型、提示与问题固定，属部署层单变量对照。
• 核心方法机制：同一批健康问题分别打到标准 ChatGPT、ChatGPT Health 与 API 三条通道，每条通道每题重复三次，比较形式特征、行为特征与引用来源；引用来源用网页集合的 Jaccard 相似度衡量。
• 关键定量结果（含比较对象与口径）：50 个健康问题、两个模型版本、主比较 600 条回答、Health 通道补 126 条，问题级配对 Wilcoxon。跨通道引用网页的 Jaccard 只有 10.9%，同一通道内部约 17–18%；形式与行为多项 p<0.001。到 GPT-5.4，可读性、格式密度与续写倾向上的方向发生反转。原文未报告种子与置信区间，也没有做多重比较校正。
• 证据强弱与复现边界：对「拿 API 结果代表产品体验」这条常见做法，这篇给出了硬约束：结论不跨版本稳定，n=50 下未校正的边缘显著不宜单独引用；作者仓库目前只有一份说明文件，数据与代码仍是将来时，任何人现在都无法复核那些数字。
• 对目标研究线的连接点：直接命中长程任务训练与评估里的评测效度问题。做产品侧评测的团队要把「评测通道」写进报告，和样本量同级。
• 结论与阅读建议：建议扫读，重点看三条通道的对照设计与引用集合相似度的算法。引用任何跨通道比较前，先确认它跑的是哪个模型版本。
• 入口：栏目正文 · arXiv

3. Bias Audits Detect Bias but Disagree on Ranking（arXiv:2609.15995，直接命中·其他/综合 NLP）

• 研究问题：十种偏见审计工具跑同一组模型，它们在对偏见的检出上是否一致，在给模型排名上是否一致。
• 改动位置（维度）：只改测量层，把十种工具放进统一量纲与统一面板，模型与提示固定。
• 核心方法机制：十个前沿模型 × 十种审计工具，性别 268 题、年龄与社会经济地位各 124 题，温度 0；对跨工具排名一致性做 20,000 次置换检验；另做一组正对照：往面板里加入六个明显更弱的模型，看排名一致性会不会恢复。
• 关键定量结果（含比较对象与口径）：十种工具里有八种能以 bootstrap 95% 区间稳定检出偏见。跨工具排名一致性 Kendall's W=0.07（p=0.83），置换零分布的 95 分位是 0.23，平均成对 τ=−0.05，ICC≤0.12。加入六个弱模型后，工具内部的可靠性恢复，跨工具的排名一致性没有恢复。原文报告了 p 值与置换零分布，未报告运行种子与重复。
• 证据强弱与复现边界：这篇的价值在于把「能检测」和「能排名」分成了两件可分别度量的事，并给了正对照排除「只是噪声」这一解释。边界同样明确：工具是按原设计重实现的，数字不能与原论文对齐；主排名实际只覆盖 9 个模型与 8 种工具；负结果只能排除强一致（W>0.23），不能证明所有工具都不可排名。代码、数据与面板快照都公开，是本组入口最完整的一篇。
• 对目标研究线的连接点：直接命中长程任务评估与判官可靠性。凡是用多个测量工具合成一个排名的地方——安全、偏见、能力评测都算——这条 W=0.07 值得先复现一次再决定榜单怎么发。
• 结论与阅读建议：建议精读，重点看统一量纲的做法、置换检验与正对照三节。要写「本模型在偏见上优于他模型」的结论，先过这篇的两步检查。
• 入口：栏目正文 · arXiv

4. Few-Shot Degradation Is Not What It Seems（arXiv:2609.15990，邻近跟踪·其他/综合 NLP）

• 研究问题：上下文里塞进少样本示例后性能下降，这个下降有多少来自示例内容，有多少来自序列长度这类与内容无关的伪影。
• 改动位置（维度）：只改测量指标，加入随机文本对照，把「表示位移」拆成长度伪影与内容增量两部分。
• 核心方法机制：12 个开放权重模型（10 个进入有效分析）、两个任务，先测量插入示例前后表示的变化幅度，再用等长随机文本做对照，分离出与内容无关的长度效应；随后用注意力置零做一次因果消融。
• 关键定量结果（含比较对象与口径）：SIB-200 用 204 条、乌克兰语案件结果任务用 196 条。原始表示位移与获益 r=+0.20（p=0.59，n=10）；扣掉长度伪影后的内容增量与获益，SIB-200 ρ=+0.648（p=0.043，n=10），法律任务 ρ=+0.588（p=0.074，n=10）。Llama 3.3 70B 的总位移里 79% 来自长度；注意力置零后准确率 55.9%→59.3%，零样本为 58.3%。原文未报告种子、置信区间与重复运行。
• 证据强弱与复现边界：方法骨架可以照搬：先做随机文本对照，再谈内容效应。边界是样本太小，n=10 的相关性只算提示，其中法律任务不显著；因果消融只做了一个 4-bit 量化模型；官方数据页虽然内容完整，但 README 里的论文标题与登记的 arXiv 编号与本文不一致，按数据页检索找不到这篇论文。
• 对目标研究线的连接点：邻近跟踪。它属于表示分析与探针可靠性的方法层，可迁移到长程轨迹的表示诊断上：任何「表示变了所以行为变了」的结论，先做一次等长随机对照。
• 结论与阅读建议：建议扫读，重点看随机文本对照的设计与长度拆解。把它当成一个可复用的检查动作，而不是可引用的效应量。
• 入口：栏目正文 · arXiv

5. Latent Undertow: How Ordinary Typos Break Probes（arXiv:2609.15994，直接命中·安全、隐私、公平与可解释 NLP）

• 研究问题：线性探针常被当作廉价可靠的内部监控，输入里有几处普通拼写错误时它还准不准，以及损坏发生在读出的哪一层。
• 改动位置（维度）：改探针的读出位置与输入封装，不重训语言模型；修复方案是在输入后面追加固定后缀做一次 KV 缓存分叉。
• 核心方法机制：在 29 个数据集合并的 168,440 条样本上训练线性探针，5 折分层交叉验证，种子 42，取 Llama-3.1-8B 的第 31 层；分别施加叠字型、分布式与标点型扰动，测量 TPR@FPR=1% 的下降，再给出三种修复路径并比较代价。
• 关键定量结果（含比较对象与口径）：干净输入 TPR@FPR=1% 为 97.4%，叠加约三个常见拼写错误后降到 85.4%（−12.0 个百分点），而 AUC 只降 0.55 个百分点，说明损伤集中在高精度工作区。KV 缓存分叉追加 30 个 token 的固定后缀后残差 −0.6 个百分点，补回 95% 的缺口，代价约每请求 3.75MB；扰动增强训练残差 −3.7 个百分点；在局部扰动下，多位置聚合能把损失压到 0.5 个百分点以内；在分布式扰动下仍掉约 3.8 个百分点。留一数据集外验证里，无扰动基线的 AUC 本身已从 0.998 降到 0.81–0.92。原文未报告 TPR 差异的显著性检验。

• 证据强弱与复现边界：数字口径写得最全的一篇：样本量、折数、种子、层号、误报率位置都齐，修复方案可直接部署。边界有三处：探针后果只测一个模型的单层，没有做层扫描；堆叠错字比真实噪声更重，12.0 个百分点应作上界压力测试；留一数据集外验证显示在分布内的高 AUC 本身有高估。这是研讨会短文，代码与运行脚本公开。
• 对目标研究线的连接点：直接命中长程任务评估与推理期控制。凡是用内部探针做奖励黑客监控、越界检测或早停的团队，这篇给出的三个数字（12.0 的掉幅、0.55 的 AUC 差、−0.6 的修复残差）就是上线前的验收指标。
• 结论与阅读建议：建议精读，重点看扰动几何与三条修复路径的代价对比。做监控前先确认你的探针在带错字输入上的 TPR。
• 入口：栏目正文 · arXiv

6. An Empirical Study of Counterfactual Self-Explanations in LLMs（arXiv:2609.17119，直接命中·语义、语法与语言学分析）

• 研究问题：模型给自己输出写的解释，是否忠实于它实际依据的东西；模型变大、或用不同方式引导它给理由，会改善还是恶化这种忠实性。
• 改动位置（维度）：只改自我解释的生成方式与度量口径，模型权重与任务固定。
• 核心方法机制：用反事实干预给出解释的忠实性指标（翻转率），配合最小性与穷尽性满意度度量（ESMP）与语义相似度，对 10 个指令微调模型、2 个任务、3 种提示方式做交叉比较，并检验这些指标与模型规模的关系。
• 关键定量结果（含比较对象与口径）：覆盖面是 Qwen2.5-1.5B 到 72B、Llama-3.2/3.1 的 1B 到 70B。忠实性与规模正相关，Spearman ρ=0.866（p<0.001），规模每翻一倍的 β=0.119（95% 区间 0.092–0.147），odds ratio 2.00（95% 区间 1.68–2.40）；ESMP 与规模 ρ=0.778；语义相似度与规模无关。对话历史提示在 12/20 个设置里忠实性最高；理由引导提示在 15/20 个设置里 ESMP 与贴近度最高，忠实性反而下降。原文未报告实例数 N，所有比例缺分母。
• 证据强弱与复现边界：三条忠实性度量的组合与统计写得完整，负结果最值得记：让解释「更像理由」会把忠实性压低。边界要说清：实例数在正文与附录都没有报告，这一条直接限制了任何比例的可用性；汇总统计被作者自己描述为跨设置的描述性证据；任务只覆盖二分类。代码仓库内容较完整。
• 对目标研究线的连接点：直接命中长程任务评估。迁移到轨迹审计时要把 token 级的最小编辑换成步骤级或参数级的结构化编辑，并补上环境随机性下的重复运行。
• 结论与阅读建议：建议精读，重点看翻转率的构造与三种提示条件的对照。任何用模型自述当审计证据的做法，先把这篇的负结果读完。
• 入口：栏目正文 · arXiv

7. Vroom-Vroom at SHROOM-Visions（arXiv:2609.17327，直接命中·多模态语言处理）

• 研究问题：视觉语言模型输出的幻觉片段由谁来判，单判官不可靠时，一个异质判官委员会的投票能不能既提高准确率又反映人类的分歧。
• 改动位置（维度）：只改判官聚合层，用五个视觉语言模型加一个少样本判官组成委员会，按字符级投票决定是否标记为幻觉。
• 核心方法机制：把幻觉检测从「整段打分」改成「字符级片段」判定，委员会每个判官独立给出片段，按票数阈值聚合；再检验判官之间的分歧是否与人类标注者之间的分歧同向。
• 关键定量结果（含比较对象与口径）：四个语言的字符级检测任务上，票数阈值 ≥2 的方案在未见挑战集上 Cor 均值 0.5730、Cor_lbl 0.4635、IoU 0.4943，法语、意大利语、中文在相关类指标第一，英文第二，每种语言每个指标都进前三；把阈值提到 ≥3 后挑战集全面变差。判官票数越多的分组，对应的人类标注共识也越强，字符级 Spearman 0.39、记录级 0.51。原文未报告训练、验证与挑战集的样本量。
• 证据强弱与复现边界：入口是本组最完整的一类：代码仓库、模型权重页与共享任务榜单页三处都可访问。限制也要写在前面：样本量缺失让绝对分无法与其他参赛系统横向比；阈值在带标签的测试划分上调好后再用于挑战集，存在调参泄漏；论文同时报告了一个负结果——往委员会里再加一个探针并没有提升成绩。
• 对目标研究线的连接点：直接命中长程任务评估里的判官可靠性，与本频道此前跟踪的判官家族偏好、参考选择敏感性属同一条线。委员会分歧与人类分歧同向这一点，可以搬去做多判官面板的合理性论证。
• 结论与阅读建议：建议扫读；如果团队打算自建多判官委员会，这篇就升为精读，重点看字符级投票与分歧对齐两节。
• 入口：栏目正文 · arXiv

记忆与持久状态：状态该落在哪一层

1. Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents（arXiv:2609.16053，直接命中·大语言模型与基础模型）

• 研究问题：检索长期记忆只用来“取证据”时，记忆本身不会更新；如果把检索结果反过来当作记忆演化的驱动力，长期对话的召回能否变好。
• 改动位置（维度）：改记忆层与推理期检索，权重与训练数据都不动；记忆组织、检索与再巩固三段串成一条流水线。
• 核心方法机制：把对话拆成实体、事件、片段、事实等记忆单元并做语境对齐，增量构图；检索时按策略原子（关键词、时间范围、节点类型、谓词过滤等）动态组合证据子图；答题后用反馈对激活子图做一次局部拓扑再巩固——加强核心主题的连接、衰减被标为无关或误导的连接。
• 关键定量结果（含比较对象与口径）：LoCoMo 平均 75.97，对最强基线 MAGMA 68.80（+7.17）；LongMemEval 65.11，对 Zep 63.80（+1.31）；消融里再巩固把 73.96 提到 75.97、62.98 提到 65.11，骨干与判官都是 gpt-4o-mini。原文未报告样本量，也没有种子、重复运行与显著性检验。

• 证据强弱与复现边界：机制讲得清楚，迁移成本低；但这篇的数字最需要谨慎：基线数字跨论文拼装（Mem0、MIRIX 取自其他论文，MAGMA、Nemori 取自各自论文），样本量未报告，LongMemEval 上单会话偏好子类只有 36.66，低于全部基线。原文也没有给出作者自有的代码或数据入口。
• 对目标研究线的连接点：直接命中长期记忆与推理期控制。可搬的是「检索结果回流改写记忆拓扑」这条回路，以及策略原子的动态组合方式。
• 结论与阅读建议：建议扫读，重点看再巩固算子与消融；引用数字时带上「跨论文拼装基线」这个前提。
• 入口：栏目正文 · arXiv

2. The Immutable Past: Formalizing State Mutability and Conflict Resolution in Mutable RAG（arXiv:2609.16073，直接命中·信息抽取、检索与问答）

• 研究问题：检索库里的信息会变旧、会被新记录取代，当新旧记录同时被检索出来且互相矛盾时，系统该保留谁。
• 改动位置（维度）：只改推理期控制——检索之后、生成之前做一次上下文一致化；写入侧保持追加式，历史不删。
• 核心方法机制：给每条记忆块加上时间支配算子，判定「谁取代谁」；再做矛盾检测，在冻结的同一候选集上切掉被语义遮蔽的旧块；整套方法不依赖启发式时间衰减，也不训练任何模型。
• 关键定量结果（含比较对象与口径）：冲突解决准确率三臂对照（标准检索 / 时间戳重排序 / 本方法）：deepseek-v3（n=74）56.8、20.3、97.3；o4-mini（n=38）28.9、10.5、92.1；gpt-4o（n=38）68.4、10.5、10.5。只有两行标注 p<0.01，附录给出配对 bootstrap 95% 区间。
• 证据强弱与复现边界：机制部分值得精读，它是本组最省事的工程改动：不动权重、不动训练，只在检索后加一层一致化。数字部分要挡住：摘要的「>90%」只在三个模型中的两个成立，gpt-4o 上本方法与时间戳重排序同为 10.5%，正文自己把它判为边际；正文的 n=38/74 与附录的 48/65 不一致；合成数据没有公开，也没有代码。
• 对目标研究线的连接点：直接命中长期记忆的一致性与推理期控制。凡是记忆会随使用被修订的系统（客服知识库、个人助理、运维记录），时间支配算子这一层可以直接拿来用。
• 结论与阅读建议：机制精读，数字引用前先确认模型与样本量；把「同一套一致化在不同骨干上差别巨大」当作部署前的必测项。
• 入口：栏目正文 · arXiv

3. Where Should a Document Live: Context, Representations, or Parameters?（arXiv:2609.17346，直接命中·大语言模型与基础模型）

• 研究问题：一份长期要用的文档，应该放进上下文、压进潜表示，还是编进参数；换成十份文档同时用时，哪种载体还站得住。
• 改动位置（维度）：只改知识载体，架构、推理控制与奖励都不动，并按每文档内存占用对齐存储预算；新增多文档组合与通用能力两个评测轴。
• 核心方法机制：在 5 个知识密集基准上，把上下文内学习、文档压缩进上下文、潜表示（Cartridges）、低秩适配、多层感知机适配与全量微调放在同一存储预算下比较；再把文档数从 1 提到 10，观察各载体的组合行为与遗忘。
• 关键定量结果（含比较对象与口径）：Qwen3-8B 单文档、固定尺寸、3 次运行均值：上下文内学习 73.6、文档压缩 73.4、潜表示 70.6、低秩适配 64.5、多层感知机 62.2、全量微调 59.8。多文档场景里参数法组合即崩：低秩适配在 TechQA 上从单文档 57.4 掉到三文档 23.5，在 FinQA 上从 34.5 掉到 4.9；潜表示维持并提升。代价是遗忘：潜表示平均丢 6%，高压缩率下 HumanEval 掉约 16 个点。有 3 次运行，无显著性检验与置信区间。
• 证据强弱与复现边界：这是本组方法学最干净的一篇，按存储预算对齐这一手特别值得学。边界有三处：摘要里的 10、29、15 个百分点与「编码掉 13%」在正文没有口径，只能从图里读；没有代码；合成训练数据依赖一个 120B 模型与目标模型自身，复现成本高。
• 对目标研究线的连接点：直接命中长期记忆的载体选择，兼跨长程任务的评测设计。「参数法不能跨文档组合」这条结论，给所有想把知识编进权重的路线画了一条边界线。
• 结论与阅读建议：建议精读，重点看存储预算对齐方式、多文档扩展与遗忘两节。要选记忆载体的团队可以把这张表直接当决策依据。
• 入口：栏目正文 · arXiv

4. Persistent Recurrent Memory Between Transformer Layers（arXiv:2609.17251，邻近跟踪·其他/综合 NLP）

• 研究问题：把一份持久状态直接挂在 Transformer 层与层之间，让模型在读了整段序列后仍能保持循环记忆，泛化会不会变好。
• 改动位置（维度）：改架构与权重，在层间新增一个循环记忆模块并训练其参数；数据、奖励与推理控制不动。
• 核心方法机制：在层间插入一个观察—更新—影响的循环单元，用门控结构维持一份跨层的持久状态，参数量只增加 816K（约 3.7%）。
• 关键定量结果（含比较对象与口径）：TinyStories、22M 模型、5 个固定种子、均值±95% 区间：本方法评估损失 1.743±0.018，标准模型 2.438±0.004，配对差异 0.695±0.019（p<0.01）；泛化间隙从 0.255 降到 0.122；对同拓扑的 GRU 记忆差异 −0.023±0.028，不显著。
• 证据强弱与复现边界：这是本组统计口径最规范的一篇（5 个种子、95% 区间、配对显著性）。证据面也最窄：单模型族、单数据集、22M 规模；更麻烦的是方法章自相矛盾——正文声明不需要辅助目标，却把「本方法」与「同拓扑去掉自预测」分列对比，而那个自预测损失从未定义，本方法那一行无法逐字复现。
• 对目标研究线的连接点：邻近跟踪。属于模型内部架构，与长程任务训练的接口在于「状态常驻在层间」这一思路，可以对照本组其他几篇看载体选择。
• 结论与阅读建议：建议按连接点取用，不必通读。要复现先向作者确认辅助损失的定义。
• 入口：栏目正文 · arXiv

5. Register Tokens for Bounded-State Reasoning in Diffusion Language Models（arXiv:2609.16372，直接命中·其他/综合 NLP）

• 研究问题：扩散语言模型跨块生成时通常要保留前面写过的全部文本，能不能只留少数固定位置的隐藏状态，把文字清空后继续推理。
• 改动位置（维度）：改权重（后训练 register 机制与解码器）加推理期状态携带；基座架构与预训练权重不动。
• 核心方法机制：在序列里固定若干 register token 作为定长状态通道，模型每次写满一块就清空已生成文本，只把这些位置的隐藏状态带到下一块；训练阶段用奖励信号把 register 的功能压出来，并按块预算控制状态规模。
• 关键定量结果（含比较对象与口径）：LLaDA-8B 与 Dream-7B。GSM8K（C=128）上：全序列监督微调 57.4±1.4、离散文本携带 40.6、记忆携带 48.4、register 49.1；Dream 的 MBPP（C=64）从离散文本携带的 21.4 提到 40.9。register 对「保留上一块文字再继续」这个离散文本携带基线在数学上八行全胜，但同一张表里仍低于不做状态携带的全序列监督微调。原文报告了标准误与 20,000 次配对 bootstrap，多数对比是单种子。
• 证据强弱与复现边界：本组制品最全的一篇：GitHub 仓库有实质代码与 4 次提交，HuggingFace 上有 60K 混合训练集与 30 余个检查点，可复现路径清楚。引用时注意两件事：8.5 与 19.5 个百分点只对「离散文本携带」这个基线成立；主表的数学行与部分消融用了不同评分器，跨表比较不成立。
• 对目标研究线的连接点：直接命中推理期状态携带与长程评估。对「上下文放不下」的场景，这是与潜表示、参数化并列的第三条路：把状态压进固定位置而不是持续保留全文。
• 结论与阅读建议：建议精读，重点看 register 的训练目标与块预算消融。要搬去别的骨干时，先确认隐藏状态通道能不能在后训练阶段被压出功能。
• 入口：栏目正文 · arXiv

6. State of Thought Enables Endogenous Reasoning（arXiv:2609.16055，直接命中·大语言模型与基础模型）

• 研究问题：长上下文里哪些历史片段此刻有用、推理到什么时候该停，能不能交给一个极小的内部状态控制器来判断。
• 改动位置（维度）：只改推理期控制，用一个 582 个参数的控制器决定激活哪段历史证据与何时停止；骨干权重与训练数据不动。
• 核心方法机制：从模型内部读出四维「动力学—几何」状态，用这个状态条件化证据激活与停止决策，形成一条内生推理回路；控制器规模极小，可在冻结骨干上直接接入。
• 关键定量结果（含比较对象与口径）：3 个骨干 × 16 个数据集。Llama-3.1-8B 上相对最强非本方法基线的域级提升在 +6.8 到 +15.9 个百分点之间；效率表里本方法 223.9 个 token、9.8 秒，采样与搜索基线 472.7 个 token、29.0 秒。原文未报告种子、重复运行与显著性检验。
• 证据强弱与复现边界：方法与消融值得读，成本条件很吸引人。引用数字要格外小心：摘要里的 1.34×、1.62×、1.76×、2.51× 在正文找不到定义；62.6%/44.6% 与正文的 52.6%/66.4% 属于不同基准与聚合层级；官方实现尚未发布，仓库目前只有说明文件。
• 对目标研究线的连接点：直接命中推理期控制与长程任务评估。可搬的是一条成本极低的证据激活回路，适合放在已有骨干之上做后置优化。
• 结论与阅读建议：建议扫读方法与消融，暂不引用摘要数字；等官方实现放出后再回来核对。
• 入口：栏目正文 · arXiv

7. When Should LLMs Abstain? Chain-of-Self-Questioning for Selective Risk Control（arXiv:2609.17516，直接命中·大语言模型与基础模型）

• 研究问题：模型什么时候该弃答；如果让它在作答前先自问一遍，能不能把「答了但是错」的比例压下来，同时保住覆盖率。
• 改动位置（维度）：只改提示层与门控决策，模型权重不动；新增覆盖率、弃权构成与丢失价值三个口径。
• 核心方法机制：在提示里插入一段自我提问链，让模型先判断自己能不能答对，再按阈值 τ 决定作答或弃答；同时构造一个有依据的变体，把弃权判断锚到可核对的信息上。
• 关键定量结果（含比较对象与口径）：TruthfulQA 多选 817 题、11 个模型、17 种条件，τ=0.90。无条件错误承诺率从链式思考基线的 13.1% 降到 8.9%（−4.22 个百分点，相对 −32.1%）；已回答题目的准确率从 86.9% 升到 89.7%，覆盖率 87.6%。配对单侧 Wilcoxon p=0.00049，效应量 d_z=1.44，六项配对效应全部 11/11 同向，bootstrap 10,000 次。弃权 100.5 题里只有 31.3% 对应链式思考确实答错的题，另外 68.7% 属于本来答得对却被弃答。
• 证据强弱与复现边界：本组评测设计最规范的一篇，统计口径可以直接抄。三处要一起读：89.7% 是条件准确率，必须与 87.6% 覆盖率同时出现；链式思考基线本身并不比直接回答更好（86.9% 对 87.2%）；「丢失价值」这一口径提醒弃权的代价。代码以 MIT 许可发布完整实现，包版本 0.2.1 已可安装。
• 对目标研究线的连接点：直接命中长程任务评估里的选择性评估与推理期控制。凡是做分级交付、人工复核队列的系统，这套覆盖率—错误承诺率—丢失价值的三角可以照搬。
• 结论与阅读建议：建议精读，重点看阈值扫描、弃权构成与丢失价值三张表。
• 入口：栏目正文 · arXiv

轨迹学习与自进化：改动落在哪一层，没动的那一端有没有冻住做对照

1. Spurious Tool Use: When RL Agents Learn the Wrong Reason to Act（arXiv:2609.16268，直接命中·大语言模型与基础模型）

• 研究问题：强化学习智能体学会调用工具，是因为任务真的需要，还是因为动作序列里出现了与正确性无关的表面对齐线索。
• 改动位置（维度）：改奖励信号（加入决策级的工具必要性定价）与训练数据（注入无关线索），基座、架构、工具接口与强化学习算法都不动。
• 核心方法机制：在合成环境里给训练样本注入与任务无关的线索（网页编号、答案标签等），观察智能体是否把它们当作调用工具的理由；再在奖励里加入「这一步是否真的需要工具」的决策级判定，看虚假调用是否被压下去。
• 关键定量结果（含比较对象与口径）：Qwen2.5-7B、GRPO、1,000 条合成样本、30 步训练、每条件单种子。注入网页编号线索后，GSM8K 上的虚假搜索调用率升 39.2 个百分点（0.9%→40.1%），DeepMath 升 19.9 个百分点；答案标签线索带来 +21.7 与 +9.5。补上必要性奖励后，虚假调用回落到 0 到 0.3 个百分点，准确率维持。线索与正确性的相关性从 100% 降到 70% 以下时，效应基本消失。
• 证据强弱与复现边界：机制干净、复现成本低，是本组最容易重做的一篇。外推要收着：1,000 条样本、30 步、单一 7B、单种子；必要性标签由语言模型判官给出，会压制防御性调用，而论文没有做判官噪声的敏感性分析；结论限于合成环境。论文声明录用后开源，目前没有公开仓库。
• 对目标研究线的连接点：直接命中轨迹学习与自进化，兼跨长程任务评估。这条「奖励没定价的行为会被学掉」的证据，与此前跟踪的奖励黑客表征探针属同一条线。
• 结论与阅读建议：建议扫读，重点看线索注入与必要性奖励的消融表。凡是让智能体自由决定要不要用工具的强化学习训练，都该先跑一次这个虚假调用率。
• 入口：栏目正文 · arXiv

2. Smarter by the Moment: Environment-Driven Dynamic Policies for Continual LLM Improvement（arXiv:2609.16800，直接命中·大语言模型与基础模型）

• 研究问题：在只能拿到每一步对错反馈、又不许改权重的场景里，模型怎样靠外部经验持续变强。
• 改动位置（维度）：只改推理期提示与外部记忆，把检索到的成功与失败案例蒸馏成可执行策略再注入提示；权重、训练与奖励都不动。
• 核心方法机制：每次作答后，把该步的二元对错与案例检索结果一起送进一个策略合成模块，产出不超过 5 条可执行自然语言策略写回记忆库，下一步作答前注入提示；策略在批次内冻结，避免同批内自我强化。
• 关键定量结果（含比较对象与口径）：7 个模型 × 6 个基准 = 42 个配置，对 Self-StreamICL 取胜 29/42。分段看，Spider 的配对 Wilcoxon p=0.016、CoSQL p=0.031 显著，BIRD p=0.078、HotpotQA p=0.547、DDXPlus p=0.938、DS-1000 p=0.734 不显著；收益集中在文本到 SQL（21 个配置里胜 18）与 HotpotQA（7 个配置里胜 5）。固定种子 42、温度 0，未报告多轮方差与置信区间。
• 证据强弱与复现边界：这是本组评测协议最完整的一篇：42 个配置、配对检验、独立划分，还诚实列出 13 个未取胜的配置。限制也写在其中：方法依赖每一步干净的二元对错反馈，真实部署里这种信号最难拿到；部分配置低于基线；未报告重复运行。论文没有公开代码与数据。
• 对目标研究线的连接点：直接命中自进化与推理期控制。可搬的是「把轨迹蒸馏成少量可执行策略」这条低成本回路，以及按批次冻结策略以抑制自我强化的做法。
• 结论与阅读建议：建议精读，重点看策略合成模板、批次冻结机制与 42 个配置的逐格结果。
• 入口：栏目正文 · arXiv

3. Rewarding Reasoning, Not Answers: Fixing and Bounding Test-Time Reinforcement Learning on Medical QA（arXiv:2609.16660，直接命中·其他/综合 NLP）

• 研究问题：测试时强化学习（只用无标签样本、靠答案一致性给自己发奖励）在医学多选题上会崩，崩在哪里，怎么修，修到多小模型就不划算了。
• 改动位置（维度）：改奖励信号（把答案一致性换成步骤分取最小值，再叠加格式门）与权重（测试时自训练）；模型结构、答案空间与标签都不动。
• 核心方法机制：先做诊断，证明崩溃源于答案空间结构——自由作答场景里，多数投票与最优选择之间存在 +0.246 的「保护间隙」，多选题里只有 +0.001；随后把轨迹奖励改成对步骤级过程奖励模型输出取最小值（保证每一步都达标），再加一个格式门过滤无效输出。
• 关键定量结果（含比较对象与口径）：无标签、N=16 采样。Llama-3.1-8B 的 avg@16 从 0.635 升到 0.740（+10.5 个百分点），覆盖四个数据集；maj@16 从 0.683 升到 0.749。聚合方式上，取最小值比取平均高 8.5 个百分点，而取平均比基座还低 0.9 个百分点。对照专用医学模型（最强约 0.665）与通用模型（QwQ-32B 0.741、GPT-4o-mini 0.744、Gemini Flash 2.0 0.801）。单次运行，未报告种子、显著性与置信区间。
• 证据强弱与复现边界：诊断干净、消融完整，还给出了一条能力边界：约 4B 以下不划算（Qwen3-1.7B 上最佳采样 0.633 高于本方法 0.614）。边界同样要说清：只验证了一个领域专用过程奖励模型，说明这套方法依赖领域过程模型；单次运行，多张表之间的 0.5 到 1 个百分点差异不稳；数据集规模未报告。
• 对目标研究线的连接点：直接命中长程任务训练与评估里的测试时自训练，兼跨步骤级信用分配。取最小值这种「每一步都要达标」的聚合方式，可以搬去任何用过程奖励做轨迹评分的场景。
• 结论与阅读建议：建议精读，重点看答案空间保护间隙的诊断与三种聚合方式的对照表。
• 入口：栏目正文 · arXiv

4. Towards Scalable RLVR: Multimodal Instruction Following Data Synthesis and Distillation（arXiv:2609.16059，直接命中·大语言模型与基础模型）

• 研究问题：可验证奖励的强化学习受限于高质量指令跟随数据的规模，能不能先大量合成、再按几个可计算的信号蒸馏到可负担的规模。
• 改动位置（维度）：改训练数据（合成加三步蒸馏加划分）与奖励信号（规则验证器），模型结构与强化学习算法不动；另建一个同源评测集。
• 核心方法机制：用生成式约束协议批量合成多模态指令跟随样本，再按样本密度、难度与「强化学习可学习性」三个信号做三步蒸馏，把 50 万条压到 90,838 条；随后在蒸馏集上做监督微调与可验证奖励强化学习。
• 关键定量结果（含比较对象与口径）：Qwen3-VL 4B/8B/32B，四个基准平均、3 次运行均值±标准差。8B 上：基座 77.4，监督微调 80.5（+3.1），强化 85.5（+8.1），两者叠加 86.6（+9.2）；4B 增益 8.16、32B 增益 8.52 个百分点。数据压缩 82% 之后，三档模型的四基准平均提升仍有 8.16 到 8.52 个百分点，训练效率约 3 倍。只做监督微调时，通用视觉能力下降 12.3 个百分点，强化学习才把它拉回。
• 证据强弱与复现边界：代码与数据真开源：代码仓库含监督与强化两套流程，数据集页有训练、测试、示例与图像压缩包（约 1.97GB，Apache-2.0 许可），是本组复现条件最好的一篇。引用时注意两件事：「四个基准」里含作者自建的 MIFS-Eval 与纯文本 IFEval，外部多模态基准实际只有两个；SFT 与 RL 的取舍必须一起读，否则会把通用能力的丢失算成收益。
• 对目标研究线的连接点：直接命中训练数据与流程，兼跨可验证奖励。三步蒸馏的筛选信号可以直接搬去做任何自建指令数据的削减。
• 结论与阅读建议：建议扫读；要自建多模态指令数据或做数据削减的团队可以精读蒸馏与消融两节。算力门槛（128 张加速卡）要有预期。
• 入口：栏目正文 · arXiv

5. The Imitation Game: When LLMs Learn to Reason Like Programs via Code-Centric Reasoning Data Synthesis（arXiv:2609.16076，直接命中·大语言模型与基础模型）

• 研究问题：如果推理链条以可执行代码的形式长出来，过程奖励能不能直接从代码插桩里读，而不必再训一个外部过程奖励模型。
• 改动位置（维度）：改训练数据（代码中心四阶段合成）与奖励信号（代码插桩奖励），网络结构、分词器与强化学习算法不动。
• 核心方法机制：让模型把问题解成可执行程序，再用四个阶段合成训练数据；奖励取该程序在参考代码上插桩测得的执行覆盖比 r=k/K，作为过程级奖励替代人工标注的步骤分。
• 关键定量结果（含比较对象与口径）：Qwen3-4B 上做 GRPO：通用推理均值 +3.8、数学 +4.8 个百分点；AIME 从 15.6 升到 28.3；细粒度任务 MazeBench 从 22.0 升到 40.0。奖励消融里，插桩奖励 +5.0/+3.8，二元奖励 +3.6/+2.7，PRM800K 只有 +1.2，Math-Shepherd 在数学上 −1.4。单次运行，无种子、重复与置信区间。
• 证据强弱与复现边界：思路与消融扎实，代码仓库可访问（四阶段代码、提示与示例，约 0.48MB），但没有包含论文所称的 11.4 万条数据本体；奖励消融同时改变了奖励形式与判官模型两个变量，不能把差异全归给插桩；原文还有两处口径矛盾（数据量计数、表格里的模型标注）。方法前提也是限制：必须有可执行且可插桩的参考代码，换到没有执行参考答案的任务就不成立。
• 对目标研究线的连接点：直接命中轨迹学习与自进化里的过程信用分配，兼跨训练数据合成。任何有单元测试或可执行判定的任务，都可以照这套思路自造过程奖励。
• 结论与阅读建议：建议扫读，重点看四阶段合成流程与奖励消融表；引用增益前先确认比较对象是同协议的哪个基线。
• 入口：栏目正文 · arXiv

6. TIAO: Token Importance-Aware Policy Optimization for Text Summarization（arXiv:2609.16748，直接命中·文本生成、摘要与编辑）

• 研究问题：序列级的奖励把整条输出当成一个整体，哪些 token 真正决定了结果，能不能只在这些 token 上更新策略。
• 改动位置（维度）：只改信用分配，把序列级优势按 token 依赖度重加权，并把更新限制在重要性居前 40% 的 token 上；奖励函数、策略网络与生成流程都不动。
• 核心方法机制：对源文档做随机掩码，观察输出分布变化来估计每个 token 对源信息的依赖程度，据此重加权轨迹优势并生成更新掩码，让策略更新集中在关键 token 上。
• 关键定量结果（含比较对象与口径）：CNN/DailyMail、UniEval 四维总体分、Qwen2.5-7B 基座：本方法 0.960，基座 0.879，GRPO 0.922，HVO 0.943，DAPO 0.909；掩码比例 20%、50%、80% 对应 0.959、0.960、0.957，对超参不敏感。单数据集、单基座、单次运行。
• 证据强弱与复现边界：机制简单、代码完整（实现、配置与脚本都可访问，未含权重），是本组最容易搬的一篇。证据强度有限：多数结论建立在 0.02 到 0.05 分的分差上，表里报告的标准差是四维分数之间的差异，不是跨运行方差，用它当稳定性证据会误读；对照的 GPT-4 与 PEGASUS 分数引用自其他论文，不是同协议重跑。原文的「媲美 GPT-5-nano」实为大幅超越该模型，引用时按实际数字写。
• 对目标研究线的连接点：直接命中 token 级信用分配。长程轨迹里同样可以问：哪些步骤真正决定了结果，能不能只在这些步骤上更新。
• 结论与阅读建议：建议扫读，重点看掩码比例的敏感性曲线；把它当一个可迁移的信用分配骨架，而不是一组可引用的分数。
• 入口：栏目正文 · arXiv

7. ViCo: Visual-oriented Coding with Self-Reflection for Chart Replication（arXiv:2609.16014，邻近跟踪·大语言模型与基础模型）

• 研究问题：让模型照着图表把绘图代码写出来，多轮「画—看—改」的反思轨迹怎样才能训得稳，视觉保真用什么信号来评。
• 改动位置（维度）：改奖励信号（自建基于视觉感知模型的奖励）、信用分配（把反思步与编码步分开分级）与训练数据（搜索自监督暖启动轨迹）。
• 核心方法机制：先用蒙特卡洛树搜索做自监督暖启动，拿到可用的多轮轨迹；再用反事实多步强化学习比较「有这一步」与「没有这一步」的差异，把优势分别派给反思步与编码步；最后用自建视觉奖励替代专有模型判官。
• 关键定量结果（含比较对象与口径）：8B 模型在三张基准上：RealChart2Code 通过率 98.8%（基座 86.6），ChartMimic 定制化通过率 100.0%，Plot2Code 通过率 99.1%；复杂布局的视觉分仍是 1.2（满分 10），加一段推理期外挂流程后升到 7.6。消融里去掉反事实基线，通过率从 98.8% 掉到 47.1%。自建视觉奖励与人工判断的相关性在简单布局上 ρ=0.724、复杂布局 0.458（200 个样本）。
• 证据强弱与复现边界：机制有价值、消融做得细，但引用要等：项目仓库目前只有一个说明文件，没有可运行代码、数据或权重；对照分数引自其他论文，不是同协议重跑；复杂布局的视觉瓶颈并未被训练解决，缓解依赖推理期外挂；无多种子与置信区间。作者列名还有一处元数据问题（六位作者在 arXiv 元数据里被合并显示为五位）。
• 对目标研究线的连接点：邻近跟踪。可搬的是「反思步与编码步分级给优势」这一条，以及用自动视觉奖励替代专有判官的成本思路。
• 结论与阅读建议：按连接点取用，等代码放出后再回来核对数字。
• 入口：栏目正文 · arXiv

多说话人接口与证据型智能体：谁在什么时候说，证据算不算数

1. ECHO: A Matched-Contrast Benchmark for Context-Sensitive Turn-Taking in Full-Duplex Dialogue（arXiv:2609.17360，邻近跟踪·对话系统与智能体）

• 研究问题：全双工对话里，助手听到一句插话该接还是该让；把一个动作放到不同上下文里，同一句话的正确答案会不会变。
• 改动位置（维度）：只改评测，用配对对照把「同一段插入文本、不同前序上下文」组合成对照，并给出三个惩罚常数动作策略的指标。
• 核心方法机制：锁定插入文本，独立改写前序上下文并分别重新合成语音，形成「同文本、不同标签」的配对；标签分附和支持、纠偏夺轮与话题旁白三类；指标包括配对准确率、附和支持保话轮率与让出率，专门惩罚「一律让出」或「一律抢话」的常数策略。
• 关键定量结果（含比较对象与口径）：266 组对照、549 条实例，构成 300 对可比较的对（每角色 183 条实例、每类对照 100 对）。文本参考打断正确率 90.71%、附和保话轮 86.34%；被测系统 Lychee-FD 打断 98.91% 而附和保话轮只剩 1.09%，是典型的让出偏向；三个让出偏向的系统整体准确率最高只有 35.70%。原文无种子、无重复、无显著性检验与置信区间。

• 证据强弱与复现边界：这是本批唯一给出上下文敏感话轮决策完整接口与配对指标的论文，指标设计可以直接抄。归因要收着：标签与声学渲染共变（打断的起始强调与音量、助手轨道的淡出），配对对比因此混入了声学线索；每角色 183 例、无置信区间；论文声明会公开音频、文本、标签与配对元数据，但正文与摘要页都没有地址，目前取不到。
• 对目标研究线的连接点：邻近跟踪，与播客生成线的接口在「多说话人轮次与附和」这一层。它衡量的是对话系统中的话轮决策，节目级制作与评估所需的另外几层（选题、脚本、成片质量）不在它的范围。
• 结论与阅读建议：建议精读指标定义与配对设计；要建全双工对话或双人节目的话轮策略，这是目前最完整的对照口径。
• 入口：栏目正文 · arXiv

2. RoleBreak: Benchmarking Long-Horizon Role-Playing Robustness in Spoken Dialogue（arXiv:2609.16614，直接命中·语音语言联合与音频文本）

• 研究问题：口语对话里长期维持一个人设很难，失败发生在第几轮，声音层面的情感表达能不能同时被量化。
• 改动位置（维度）：只改评测，新建长程角色扮演基准，给出首次失败轮指标与独立的声音情感打分维度。
• 核心方法机制：为每个角色建立人设标准与安全标准，逐轮核对；把「首次违反人设的轮次」与「首次违反安全约束的轮次」作为长程指标；再让一个语音情感模型独立给输出音频打分，检验长程对话里的情感衰减。
• 关键定量结果（含比较对象与口径）：9 种系统配置（全双工、全模态、级联三种形态）、310 个角色、6,688 轮、11,743 条标准、1,856 轮情感目标，平均对话 21.57 轮。最强的级联系统：人设 80.3，首次人设失败发生在平均第 10.4 轮；安全 71.7，首次安全失败第 11.6 轮；声音情感 14.1。九个系统的输出情感全部低于 14.7。用户声音情感的受控实验显示，换个用户声音会让交互指标波动 ±4.2、人设 ±5.6、安全 ±4.5。原文无种子、无重复、无显著性检验。
• 证据强弱与复现边界：本组工程完成度最高的基准：数据集与代码都可访问（数据集刚上架，取用时要记快照时间），人设标准的验证一致性 94.55%。三处限制要说清：用户输入是语音克隆合成的，没有覆盖真实口语韵律与口音变异；评判依赖单一语言模型判官与两个自动情感模型，没有做人工对齐；单次运行，10.4 与 11.6 这两个轮次不宜当精确阈值；情感维度全部低于 14.7，接近地板效应。
• 对目标研究线的连接点：直接命中长程任务评估，兼跨语音与音频生成侧。它是本批唯一同时给出长程鲁棒性时序指标与声音情感维度的基准。
• 结论与阅读建议：建议精读，重点看人设与安全两套标准的构造、首次失败轮的定义与声音情感打分口径。
• 入口：栏目正文 · arXiv

3. DiaWhisper-DPO: Role-Attributed Transcription of Clinical Interviews via Failure-Mined Preference Optimization（arXiv:2609.16661，直接命中·大语言模型与基础模型）

• 研究问题：多人对话的转写要先回答「这句话是谁说的」，能不能把角色归属做进输出本身，并用模型真实的解码失败来构造训练信号。
• 改动位置（维度）：改输出结构与训练目标（角色 token 序列化加训练期帧级辅助头，用真实解码失败构造偏好对）；主干权重通过低秩适配更新，其余冻结。
• 核心方法机制：把说话人角色写成特殊 token 串进输出序列，训练期再加一个帧级四分类头辅助角色归属；偏好对不靠人工标注，而是用「连续重复八个相同 token」作为失败判据，从模型自己的真实失败里取负例、真值取正例，再做直接偏好优化。
• 关键定量结果（含比较对象与口径）：与三个共享同一说话人启发式与对齐器的级联基线比较。DAIC-WOZ 测试 29 个会话：角色准确率 0.973、说话人分离错误率 0.119（最强基线 0.431，相对低 72%）、字错率 0.048；PDCH-HAMD 测试 26 个会话：角色准确率 0.757、字错率 0.505，反而略高于基线的 0.489。逐对改善在两个数据集上分别是 87/87 与 78/78 个「会话—种子」配对；合成负例的方差是真实失败的 18 倍；置信区间来自 2,000 次会话级 bootstrap。
• 证据强弱与复现边界：本批唯一给出「角色归属加时间戳」端到端做法与失败挖掘偏好对构造的论文，机制可复述。边界要前置：双人对话里的医生一侧是合成音频（真实访谈者音频未发布），0.973 这一数字不能外推到真实录音；PDCH 上字错率略逊于基线；重叠语音只有一个打断标记，原文没有报告交叠比例，也没有交叠子集上的分离错误率；全文没有任何公开代码、权重或数据入口。
• 对目标研究线的连接点：直接命中轨迹学习与自进化（用真实解码失败当负例的自进化回路），并支撑多说话人转写这一接口层。节目级制作与评估不在它的范围。
• 结论与阅读建议：建议精读失败挖掘与消融两节；把它当接口方案，不要引用其重叠语音结论——那部分没有量化结果。
• 入口：栏目正文 · arXiv

4. Diagnosing the Fact-Grounding Gap in Multi-Hop Question Answering（arXiv:2609.17043，直接命中·信息抽取、检索与问答）

• 研究问题：多跳问答错在哪一步：检索没找到，还是找到之后没提取出来；两者的补救方式是否相同。
• 改动位置（维度）：只改诊断口径，把每一次跳的步骤事实存在性与失败类型分开计数；另训一个分类器做定向再检索，用于验证诊断的可用性。
• 核心方法机制：对每一次跳的步骤判定「支撑该步的关系事实是否真实存在于语料」，把失败分成检索失败、提取失败与事实齐全三类；再用一个二分类器预测哪些步骤需要重新检索，只对这些步骤干预。
• 关键定量结果（含比较对象与口径）：主分析 6,401 个跳步骤（每一次跳算一步）：检索失败 30.7%、提取失败 27.3%、支撑事实齐全 42.0%，按逐题计分的事实可答率是 49.1%；提取失败占全部逐步缺陷的 47%。分类器 F1 0.785；MuSiQue 准确率：基线 51.9%，定向干预升到 55.6%（每次标记覆盖 50% 的步骤、平均 1.32 次调用），每一步都干预得到 54.6%，三跳任务上全体干预比基线低 2.1 个百分点。判官与人工一致率 92.0%，κ=0.840。成本写得具体：A100 租用约 80 美元、API 约 100 美元。
• 证据强弱与复现边界：本组口径最完整的一篇：分母、检验（McNemar）、一致性系数与成本硬件齐备，代码与人工标注表公开（Apache-2.0）。三处细节要带着引用：27.3% 与 47% 分属不同分母；「关系事实在全语料缺席 97.7%」依赖答案串检索且未人工抽检；分类器只在 MuSiQue 上训练，另一数据集上虽标记了 54.1% 的步骤却没有增益。
• 对目标研究线的连接点：直接命中长程任务评估与步骤级信用分配。这套「先分清是找不到还是没用上」的诊断，可以直接搬到任何多步检索型智能体。
• 结论与阅读建议：建议精读，重点看三类失败的判定规则与定向干预的调用预算表。
• 入口：栏目正文 · arXiv

5. Lit3R: Retrieve-Relate-Read for Evidence-Grounded Question Answering over Scientific Literature（arXiv:2609.16912，直接命中·信息抽取、检索与问答）

• 研究问题：科学文献问答既要在单篇里找到证据，也要跨篇把相关论文串起来，检索与阅读怎样组合最省力。
• 改动位置（维度）：改检索与阅读的工程组合：双路排名融合、伪相关反馈与论文到论文的邻域扩展，再分篇阅读后跨篇综合。
• 核心方法机制：一路排名锚定问题，一路排名做论文之间的扩展，两路用倒数排名融合并加伪相关反馈重排；阅读分两段，先单篇抽取，再跨篇综合成答案。
• 关键定量结果（含比较对象与口径）：验证集 55 题（26 单篇、29 多篇）上候选召回@50：多篇题从 0.647 提到 0.940，全量从 0.814 提到 0.968；官方测试集 71 题单次提交：论文级 F1 0.992、证据级 F1 0.737、多选题 1.000、表格单元格准确率 0.309，榜单第 4 名。原文未报告种子、重复运行、显著性检验与置信区间。
• 证据强弱与复现边界：管线组件可移植性强、代码可访问（含运行手册、配置、源码与测试），是本组工程上最容易抄的一篇。定量结论要降级使用：测试集只有 71 题且是单次提交，0.992 与 1.000 这两个数字不能当作强弱依据；表格单元格只有 0.309，说明表格类是明显短板；同一批 55 题既用来调参又用来分析。方法不需训练，但含多轮语言模型调用与两个 8B 模型，成本未报告，且榜单上只给出自己的名次，没列出对手分数。
• 对目标研究线的连接点：直接命中长程任务训练与评估里的证据接地与迭代检索，属于推理期控制回路的工程实现。
• 结论与阅读建议：建议扫读；要做文献型检索增强问答的团队可以直接用它的检索融合与两段阅读结构。
• 入口：栏目正文 · arXiv

6. RiskChainBench: A Benchmark for Obfuscated Platform Message Restoration and Evidence-Grounded Web Investigation（arXiv:2609.16900，直接命中·多模态语言处理）

• 研究问题：反诈类调查要把被混淆的消息还原，再去网页里找出证据；这两步的失败容易互相掩盖，能不能分开评、再合成一个端到端结论。
• 改动位置（维度）：只改评测协议：把恢复与调查两段任务分开计分，再用冻结的离线门控把两段串起来，并记录首次失败发生在哪一层。
• 核心方法机制：600 个网站、3,600 条被混淆消息，恢复任务的正确目标地址决定调查任务的入口；调查阶段用固定的网页视图，判断证据是否被正确使用；门控把上游恢复结果冻结后传给下游，从而把两段错误归因分开。
• 关键定量结果（含比较对象与口径）：入口 Top-1 在 35.19% 到 95.22% 之间（最高的模型 95.22%），网页决策准确率 26.3% 到 62.8%，门控后端到端 16.7% 到 60.8%，门控损失 0.7 到 32.3 个百分点；首次失败里执行失败占 31.9%，决策后类型错误只占 0.9%。区间是 2,000 次网站级 bootstrap 的 95% 区间，不含重跑方差；每对只跑一条轨迹。
• 证据强弱与复现边界：协议设计与失败归因质量高，31.9% 与 0.9% 的对比说明大部分失败发生在工具执行而不是推理判断，这一点对上线设计很有用。主要限制是入口缺失：论文声明发布基准、协议与可重置沙箱，但正文与摘要页都没有地址，目前无法复现；另外每对只跑一条轨迹，执行失败里模型能力与环境稳定性分不开；门控损失完全由上游入口成绩决定，端到端分数更像对恢复能力的再计分。
• 对目标研究线的连接点：直接命中长程任务评估里的失败归因与证据约束，兼跨可重置沙箱的环境建设。
• 结论与阅读建议：建议扫读协议与失败归因两节，暂不引用具体百分比。
• 入口：栏目正文 · arXiv

7. PaperDoctor: Evidence-Grounded and Actionable Feedback for Scientific Papers in Progress（arXiv:2609.16995，直接命中·其他/综合 NLP）

• 研究问题：让智能体给进行中的论文提意见，怎样保证每条意见都带着证据，并且在有限的预算内只在必要处做复现。
• 改动位置（维度）：改工作流与输出契约：表层筛查、类型化验证、选择性复现三层，加上「观察—证据指针—建议」的固定输出结构。
• 核心方法机制：第一层做形式与引用的表层筛查；第二层按问题类型做可验证的核查；第三层只对高优先级主张跑实验复现，并记录哪些主张最终跑到了命令。每条发现都要求附证据指针，没有证据的意见不计入。
• 关键定量结果（含比较对象与口径）：30 篇进行中论文（25 名研究生）、1,299 条发现，作者逐条评估：证据接受率 70.6%，逐篇均值 68.5%；验证层被拒比例 11%，表层筛查 27%；实验设计类发现接受率 81%、图表类 42%。40 篇稿件对照里带证据的发现比例：人类评审 45.2%、某智能体评审 2.2%、本方法 100%。复现层：每篇 43.8 条主张中 14.5 条进入计划，其中 18.0% 可运行，平均 5.1 条返回通过或警告，47.0% 从未跑到命令。唯一统计量 r=+0.29、p=0.12（n=30）。
• 证据强弱与复现边界：框架与失败归因有实操价值，入口可访问（项目页与代码仓库都在），是本组少数能自己试的一篇。三条限制：30 篇论文由作者本人评估，属自评，与「稿子是否真的改好」之间还有距离；复现层的分母不统一，47% 从未跑到命令这一条说明执行环境本身是瓶颈；对照里人类一方的带证据比例按不同粒度统计，双方发现数量差异大。
• 对目标研究线的连接点：直接命中长程任务评估与自进化的 harness 演化。它的三层结构正好是本频道一直在跟踪的「成本分层加选择性执行」范式。
• 结论与阅读建议：建议扫读；要做论文或文档审阅型智能体的团队，可以把它的输出契约直接抄下来。仓库没有许可证，商用前要确认。
• 入口：栏目正文 · arXiv

8. Benchmarking Factual Robustness of LLMs via Multi-conversation Persuasion（arXiv:2609.16777，邻近跟踪·大语言模型与基础模型）

• 研究问题：模型在一轮对话里守住了正确答案，多轮之后还会不会守住；攻击者带着记忆、目标没有记忆时，说服是不是更容易奏效。
• 改动位置（维度）：只改评测设定（目标侧无状态、攻击侧带记忆）与攻击侧的控制回路，目标模型不动。
• 核心方法机制：把多轮说服建模成非对称的马尔可夫决策过程，攻击者维护跨会话状态、目标每次只看到当前轮；再按信息量递增地做五组消融，从随机攻击到完整的诊断驱动攻击。
• 关键定量结果（含比较对象与口径）：CounterFact-Strict 50 题、每题 8 轮，攻击者、目标与判官都用 DeepSeek-Chat。说服留存率 PSR@8：无记忆随机基线 96%（48/50），单一策略 94%，两类诊断驱动方案 92% 与 90%，完整方案 90%；命中轮里属于说服的比例，最简基线 84.7%，完整方案 78.6%。原文无种子、无重复运行、无显著性检验与置信区间。
• 证据强弱与复现边界：机制与「复杂性悖论」这一现象值得知道，但证据不足以支撑定量引用：50 题、8 轮、单模型族，96% 与 90% 只差 3 题；命中判定用字符串归一化匹配加否定过滤，与语言模型判官的一致性没有报告；论文批评的「拒绝惯性」机制没有被直接测量。代码仓库可访问，含许可证与数据目录。
• 对目标研究线的连接点：邻近跟踪，与长期记忆的一致性维护相邻。对做多轮记忆型助手的团队，它提示了一个需要单独测量的失败模式：目标侧无记忆时，正确答案会被反复消磨。
• 结论与阅读建议：按连接点取用，把「无状态目标 + 有状态攻击者」当作一个评测设定搬走，不要引用那 6 个百分点的差距。
• 入口：栏目正文 · arXiv

9. EviScope: Paired Counterfactual Evidence Diagnostics for Faithful and Efficient Grounded Language Models（arXiv:2609.17081，邻近跟踪·信息抽取、检索与问答）

• 研究问题：答案对了就能说明模型真的用上了提供的证据吗；把证据成对替换，能不能把「答对但没接地」这类失败暴露出来。
• 改动位置（维度）：只改评测协议与提示层，用成对反事实证据干预构造四元组，检查证据、动作与答案三者是否一致。
• 核心方法机制：对同一问题给出成对的证据条件（支持、冲突、无关、缺失），比较模型在各条件下的动作与答案，用一致成功与一致失败的四元组计数代替单纯准确率。
• 关键定量结果（含比较对象与口径）：40 个问题 × 4 个证据条件 = 160 项，3 个模型 × 2 种提示 = 960 次生成。Qwen2.5-7B 上，显式证据—动作门控对朴素检索的一致成功分 0.15 对 0.50（McNemar p=0.00052）；Llama-3.1-8B 上 0.10 对 0.375（p=0.0074）；Gemini 3.5 Flash 上两臂联合成功率 0.944，只有 1 个四元组不一致（p=1.0）。统计用 10,000 次配对 bootstrap（种子 42）与精确 McNemar，无重复运行。
• 证据强弱与复现边界：配对反事实证据干预是可以直接借走的评测范式，尤其适合检查「检索到了但没用」。规模限制了它的结论：40 个问题、3 个模型、无公开工件与四元组清单；高能力模型上已接近饱和，区分力不足；片段级支持标签没有外部验证；那些百分比只能当方向。原文没有任何代码或数据入口。
• 对目标研究线的连接点：邻近跟踪，与长程任务的证据接地评测相邻。它给出的负结果值得记：加一层显式证据门控，在两个本地模型上都不如朴素检索。
• 结论与阅读建议：按连接点取用，重点看四元组一致性的计数方式。
• 入口：栏目正文 · arXiv

缺口与核验说明