2026-10-30

10月30日三栏：刚打开页面那一刻规划的点击 14.5% 会过期；25 条打包判分，11–22% 的判决跟着翻面——长程智能体与生成式音频的 51 篇分层雷达

该账号 10 月 30 日三栏 278 篇新提交筛完收录 51 篇：刚打开页面 0.5 秒内规划的点击 14.5% 会过期，加载完后同一批页面只有 0.4%；25 条打包判分换个随机分批，11–22% 的判决跟着翻面；自进化里被另一条规则掩盖的删除只涨 0.016 危害，而真正的删除涨 0.422。

长程智能体与生成式音频论文雷达 @wei

本频道盯「arXiv 每日学术速递」的三个栏目：人工智能、自然语言处理、语音与音频学术速递。文中的「站内摘要」指该账号官网条目页上那段自动生成的中文摘要，每个条目末尾会拿它与 arXiv 原文对照。

这一期筛的是 2026 年 10 月 30 日的三栏。公众号当天 16:05 发布了三栏图文（mid=2247748644），候选池按该账号官网同日同栏目重建：人工智能 158 篇新提交、自然语言处理 108 篇、语音与音频 12 篇，合计 278 篇，编号落在 2610.37671 到 2610.40655 之间。每条入口给官网同日同栏目的条目深链，另附 arXiv 原文；栏内图文入口放在全景表每栏标题下。10 月 29 日三栏没有新提交，所以这一期只覆盖 10 月 30 日的增量。

278 篇逐条筛完，收录 51 篇、排除 227 篇。按阅读投入分档：精读 18 篇、值得扫读 21 篇、邻近跟踪 12 篇。四条线按每篇的主要归属计：A 线（长程任务的训练与评估）22 篇、B 线（轨迹学习与自进化）21 篇、C 线（TTS 生成与评估）6 篇、D 线（播客生成与节目级评估）2 篇——D 线这两篇都是邻近项，今天没有直接命中。

语音与音频栏的 12 篇里收录 6 篇：3 篇精读（强调控制、参考音选择、日语读音校验）、2 篇值得扫读（流式匿名化、声学工程任务里 agent 与 harness 的归因）与 1 篇邻近跟踪（多声源结构化描述，归 D 线）。另外两篇语音方向的论文落在自然语言处理栏：低资源爱尔兰语合成（第 45 条）与二语课堂识别评测（第 48 条）。这一栏剩下六篇是生物声学归因、合成器参数敏感性、乐谱转录、水下声学分类、环境声采集方法、音频分类表征，都不在四条线上；也没有一篇做播客脚本、多说话人节目合成或节目级听感评测。

只有一小时的话，先读三篇：前缀可执行性那篇（同一个模型终局成功率 0.94，整条轨迹全程可执行的只有 0.47，Llama-4 上 148 条成功里有 138 条是从坏前缀救回来的），掩蔽侵蚀那篇（删掉一条被另一个 safeguard 掩盖的规则，危害只涨 0.016，而真正的删除危害是 0.422），以及读音层级检查那篇（ASR 往返门把 36/38 个错读直接写回正确汉字）。三篇给的都是分母与对照，而不是又一个更高的分数。

今天最该先知道的四件事。

评测装置会把本来存在的信息抹掉，然后给出一个干净的分数。 终局成功率抹掉中途的不可执行：BFCL 上 GPT-5.4 的计划链终局成功 0.94，整条轨迹全程可执行的比例只有 0.47。银行的业务流程抹掉「决定对了但活没干完」：800 次单轮尝试里有 173 次属于这一类，另有九个被审计的多轮任务里 41 次审批没走就执行。页面加载抹掉点击的时效：刚打开 0.5 秒内规划的点击有 14.5% 会过期，加载完之后同一批页面只有 0.4%，而十个常用开源 agent 里八条的等待规则留下超过 1% 的过期点击。1 2 3

自进化的验收门看不见被掩盖的删除。 四道 safeguard 穷举 16 种组合之后，删掉一条仍受保护的规则，确认池上的危害只涨 0.016；删进不受保护子集的那一步涨 0.422，相差约 26 倍。411 个改进环、十种门规则跑下来：配对显著性检验把「靠抖动通过」的删除挡掉了（接受率 0.04），却挡不住「真有增益」的删除——对「从满栈删掉那条唯一能独立挡住危害的规则」的 20 条提议，它接受了 15 条，三个模型的环里分别有 4/6、3/6、6/6 失去保护。伤害要换成更弱的执行模型才现形：11 个终态里，非配对门的误用率 0.30、配对门 0.004。4

判分仪器本身有一半的方差没被报出来。 同一批 25 条打包判分，换一个随机分批就有 11–22% 的判决翻面，而对着人工标签的 AUROC 只动了 −0.033 到 +0.010——「按批聚类」的区间才能看见这件事。把判官提示改成语义等价的另一种说法，判官间一致性从 0.89 掉到 0.24，75% 的配置显著。再往上，人工评估的预算也有口径问题：分数分层本身吃掉大部分增益，再加校正只多 1.00–5.27%，而不等配额在 19 个系统里有 13 个 MSE 下降、效果从 −49.5% 到 +71.7%，区间覆盖却掉到 84.97–92.99%。5 6 7

语音侧今天有三组可以直接抄的对照。 一是「ASR 往返门为什么不可信」：180 条注入错读里第一级门漏掉 38 条，其中 36 条是转写把正确汉字写回去了；换成读音层级检查，召回 91.7%、误报 5.0%（第一级门是 78.9% 与 44.4%）。二是参考音到底是运气还是变量：同目标句下输出方差中由参考音解释的比例，词错率为 0.26、音色相似度为 0.50，而跨模型的可懂度共识从 0.64 一路掉到 0.08。三是强调控制的客观增益与主观增益不同源：客观增益 0.136 与最强公共系统的 0.129 区间重叠，而主观强调强度 3.56 对基线 2.73 显著更高，误强调仍有 32%。8 9 10

第四节到第六节那十几篇自进化与记忆论文，最值得记的共同点在这里：报出来的 Δ 里，有一半可以从「基线怎么取、每格跑几次、增益来自完成态还是推理」里解释掉。 KARMA 的留出集从 30.19 涨到 39.15，而同一领域的五个数据种子给出的是 +0.94 到 +11.25，跨度比结论本身还大；A-RSI 的增益几乎全部来自「原本答不完、现在答完」的题，两臂都答完的子集贡献是 −0.60；记忆系统那两篇一个报阻塞率与保留率、一个报压缩率与逐项掉点，只有把它们分开看，才知道压缩 16.34% 掉的那 1 分里藏着多跳类的 4.9 分。11 12 13

全景表

三张表按栏分。表内先精读、再值得扫读、最后邻近跟踪。栏目标题里的「新提交」是该栏当日的新提交篇数，收录数是本期收进正文的篇数。

人工智能学术速递[10.30]（新提交 158 篇，收录 31 篇）

栏内图文入口：人工智能学术速递[10.30]

档位	论文	一句话结论	来源
精读	Prefix Executability · arXiv:2610.40444	终局成功 0.94 的计划链里只有 0.47 全程可执行；Llama-4 上 148 条成功有 138 条是坏前缀之后救回的	官网条目
精读	EnvOS · arXiv:2610.40246	同一处变更只改披露：诊所预约 0/16→15/16；它的审计在 39 个指定损坏里漏判 12 个	官网条目
精读	Bank-World · arXiv:2610.39733	1,600 次尝试里 173 次「决定对、活没干完」；九个多轮任务里 41 次没批就执行	官网条目
精读	What Does "Now" Mean to Your Computer-Use Ag… · arXiv:2610.39282	页面刚打开 0.5 秒内规划的点击有 14.5% 过期，加载完之后只有 0.4%	官网条目
精读	VeriCUA · arXiv:2610.40578	把验证改成主动找证据：ScienceBoard 86.4% 对 76.9%，但弃权按失败计	官网条目
精读	Where to Learn and How Far to Roll Out · arXiv:2610.39251	只花 21% 的 rollout 预算达到同一 held-out 水平，而 held-out 上只多 2 点	官网条目
精读	SCOPE · arXiv:2610.38391	成功轨迹里仍有 29.8% 的步是错的：只在被定位的错误步蒸馏，3B 在 ALFWorld 上 97.7%	官网条目
精读	WebAnything · arXiv:2610.37786	244 个站点、12,984 条任务：保真盲评 12 胜 2 平 0 负，同一批站交互通过率 63.3% 对 76.7%	官网条目
精读	Masked Erosion · arXiv:2610.38392	被另一个 safeguard 掩盖的删除只涨 0.016 危害，真实删除涨 0.422	官网条目
精读	Before the Next Rollout · arXiv:2610.39358	策略更新后技能效用漂移：方向相关 0.032→0.531，而真值区间不含 0 的技能只有 36 个	官网条目
精读	KARMA · arXiv:2610.39884	留出集 30.19→39.15，而同一领域的五个种子跨度是 0.94 到 11.25	官网条目
精读	Compile Away Uncertainty · arXiv:2610.39508	把技能编译成程序：LiveMath 上 77.00% 对该格最强基线 44.67%	官网条目
值得扫读	Online Dense Reinforcement Learning with Pla… · arXiv:2610.39264	真机 iOS 在线强化学习：UINavBench 16.7%→32.4%，合成应用 4.5%→2.3%	官网条目
值得扫读	Goal-Aware Dynamic Multi-Agent Collaboration… · arXiv:2610.39193	把验证从执行者手里拿走：TB 2.1 71.9% 对 65.2%，SWE-bench Pro 只多 2.0 点	官网条目
值得扫读	DynaRev · arXiv:2610.40133	目标中途被修订：成功率 28.2%–43.1%，「当场点头」的修订最后只兑现 1.9–12.2 点	官网条目
值得扫读	A-RSI · arXiv:2610.38568	任务池何时该换：组内优势归零的题目比例掉到 85% 就换，11 基准 57.77→61.05	官网条目
值得扫读	FilingLoop · arXiv:2610.37905	380 个审查轮次、6,099 条要求：满足率 24.28%→27.96%，87.6% 的缺口卡在「没发现」	官网条目
值得扫读	SkillCT · arXiv:2610.38147	不执行也能给技能打分，但跨模型稳健性与效率的相关只有 0.245 与 0.291	官网条目
值得扫读	Co-Evolving Policy and Rubric via Capability… · arXiv:2610.38566	准则跟着策略一起改：七基准 61.87 对 59.36，八条 rollout 赢过十二条	官网条目
值得扫读	EvoTeam · arXiv:2610.39813	四个基准混合演化后 59.58 对 55.55：经验按作用域分库才不互相污染	官网条目
值得扫读	Aligning Autoresearch · arXiv:2610.38882	八个监控器里最好的 hack 定位 F1 只有 64.88；细粒度人类反馈把 98.0 压到 65.9	官网条目
值得扫读	CALM · arXiv:2610.38573	被取代的旧记录仍要能回答历史问题：阻塞错误记忆 81.30%、保留有用记忆 72.06%	官网条目
值得扫读	Long-Term Agent Memory through Complementary… · arXiv:2610.39790	压缩记忆库 16.34% 只掉约 1 分，但多跳一项掉 4.9 分	官网条目
值得扫读	MemSteer · arXiv:2610.39276	无标注历史也能造监督：问答分 54.9→68.3，合成题保留率 47.9%	官网条目
邻近跟踪	Think Before You Act · arXiv:2610.38620	执行前的门把 pass^3 从 39.5% 推到 80.7%，但 101 条坏调用里 42 条不违反任何编译规则	官网条目
邻近跟踪	Decompose, Don't Expand · arXiv:2610.38144	可判定部分交给宿主后，0.5B 与 Opus 在操作选择上同为 86%	官网条目
邻近跟踪	Cheap Retrieval and Observation Credit Assig… · arXiv:2610.40030	把「该不该看一眼」换成一个可算的信息价值：理论有下界，经验只有单任务试点	官网条目
邻近跟踪	Beyond fabrication · arXiv:2610.38691	540 条判决重标：多数不是编造，而是数字挂错了实验或指标（81%）	官网条目
邻近跟踪	Retrieval as Traversal · arXiv:2610.40545	单任务试点：局部遍历 0.59M 步到 0.95 回报，绝对寻址要 0.94M 以上	官网条目
邻近跟踪	EpiAgent · arXiv:2610.40227	把对手建模做成可训练的一层：谈判 0.321 对 0.204（3B、两个玩具博弈）	官网条目
邻近跟踪	Context Compaction for World Models · arXiv:2610.38980	不换权重只换「喂哪段上下文」：回访增益从 0.03–0.06 升到 0.44–0.54	官网条目

自然语言处理学术速递[10.30]（新提交 108 篇，收录 14 篇）

栏内图文入口：自然语言处理学术速递[10.30]

档位	论文	一句话结论	来源
精读	Blind Spots · arXiv:2610.39006	同一个 32 条候选池：前沿模型挑回 53%、小模型 28–31%，差距有一半不在生成	官网条目
精读	Exposure Is Not Commitment · arXiv:2610.37679	混合对照 0.950 的监控器，换成「承诺」对照只剩 0.570，与一个词频基线打平	官网条目
精读	Pronunciation-Supervised Text-to-Speech for… · arXiv:2610.38384	用维基词典当奖励模型：CER 0.225→0.159，而方言三条路全改不动	官网条目
值得扫读	Don't Lose the Thread · arXiv:2610.40350	何时重置交给 agent 自己判断：GAIA 19.4%→42.8%，输入 token 少 87.4%	官网条目
值得扫读	Judged in Company · arXiv:2610.40241	25 条打包判分，换个随机分批 11–22% 判决翻面，而 AUROC 只动 −0.033 到 +0.010	官网条目
值得扫读	Human Evaluation with Automatic Scores · arXiv:2610.38282	分层就吃掉大部分增益，再校正只多 1.00–5.27%；更低 MSE 可能更差的系统排序	官网条目
值得扫读	What Hallucinations Have We Measured · arXiv:2610.38520	按新口径重分：能靠改写救回的错 28.5% 被改对，救不回的只有 0.7%	官网条目
值得扫读	PIVOT · arXiv:2610.40576	教师介入点从轨迹开头挪到中途：三档 avg@8 从 19.5% 到 35.6%	官网条目
值得扫读	Every Token Needs Its Own Teacher · arXiv:2610.40574	每个 token 配自己的教师：三个位置的首选重合率只有 48%–52%	官网条目
值得扫读	Beyond Aggregate WER · arXiv:2610.38016	按角色 × 语言拆开：学习者 22.87% 对教师 12.80%，而转录最好的系统归属最差	官网条目
邻近跟踪	Prompt Lottery in LLM-as-a-Judge · arXiv:2610.38076	同义改写判官提示，一致性从 0.89 掉到 0.24，75% 的配置显著	官网条目
邻近跟踪	ATI-OPD · arXiv:2610.38160	五基准平均 38.45%→39.65%，但多出的教师解码与重生成成本没算进账	官网条目
邻近跟踪	Distilling the Shape of Uncertainty · arXiv:2610.39020	换掉教师的熵形状仍保留 +12.3，去掉它掉 3.0	官网条目
邻近跟踪	Do Audio LLMs HEAR Pain · arXiv:2610.38570	词里没有疼痛、只能靠嗓音时，七个音频大模型全部落在随机水平 48.1%–50.2%	官网条目

语音与音频学术速递[10.30]（新提交 12 篇，收录 6 篇）

栏内图文入口：语音与音频学术速递[10.30]

档位	论文	一句话结论	来源
精读	EmpDPO · arXiv:2610.39427	给已训好的零样本 TTS 补词级强调：主观 3.56 对 2.73，误强调仍有 32%	官网条目
精读	What Makes a Good Audio Prompt for Zero-Shot… · arXiv:2610.40372	参考音是可优化的变量：可懂度模型间共识从 0.64 掉到 0.08，音色共识却 0.68–0.88	官网条目
精读	Reading-Level Verification of Kanji Words in… · arXiv:2610.39168	ASR 往返门把 36/38 个错读改回正确汉字：误报 44.4%→5.0%	官网条目
值得扫读	Practical Assessment of Agentic Systems in A… · arXiv:2610.39685	换弱模型 harness 阶梯仍在、上限被压低：某格 F1 从 1.00 掉到 0.80±0.31	官网条目
值得扫读	Toward Complete Speaker Anonymization · arXiv:2610.39754	流式匿名化端到端 711 毫秒、WER 11.44%，代价是情绪保留从 71 掉到 29	官网条目
邻近跟踪	MixCards · arXiv:2610.38276	多声源结构化描述：最强模型逐字段也只有约 60%，漏掉 51.4% 参考属性	官网条目

一、过程被终局分数吃掉

这七篇都在同一处：分数是干净的，过程不是。终局成功能掩盖中途的不可执行，业务流程能掩盖「决定对了但活没干完」，页面加载能掩盖点击的时效，监控器的混合对照能掩盖它其实只学会了「注入在场」。读这一节时可以只盯一件事：每篇给出的那个数，分母是「轨迹数」还是「决策数」，对照臂换掉之后数字变成多少。

1. 终局成功率 0.94 的那条计划链里只有 0.47 全程可执行 · arXiv:2610.40444 · 精读

Prefix Executability: Evaluating Tool-Using Agents Beyond Final Success

作者：Amir H. Rezaeian、Weiyi Sun、Yassine Benajiba、Dan Roth，全部属 Oracle AI，Oracle 资助。arXiv 预印本（2026-10-29），原文未给代码链接。

研究问题与核心方法：1

工具调用基准只看最终任务成不成功，但成功可能建立在一段早就跑不通的轨迹上：引用了过期的标识、跳过了前置条件、在状态出现前就更新。这篇把「前缀可执行性」形式化——动作可执行要求工具存在、参数符合 schema、显式前置条件在当步状态成立、引用的中间值存在且类型一致；前 k 步都可执行才算前缀可执行。五个指标：PEC(k)（首错深度的生存曲线，分母固定为 rollout 总数）、FED（首个不合法前缀的位置）、TER（整条轨迹可执行的比例）、AUC-PEC、RR（出现坏前缀之后仍最终成功的条件概率）。判分器是确定性实现，不用 LLM 判官。

评测三套：BFCL-v3 多轮四个子集各 50 题共 200 题、ToolSandbox 抽 200 个场景、τ³-bench 的 Airline 50 + Retail 114 共 164 题。三个模型条件（GPT-5.4、GPT-4.1、Llama-4-Maverick）× 四个 agent 变体（ReAct、Prompt Planning、Plan-Conditioned ReAct、Dual-Loop）。三套基准题量、判分口径都不同，分数不能横比。

关键结果：

终局成功与前缀可靠性分家（BFCL，GPT-5.4）：Plan-Conditioned ReAct 终局成功 0.94（200 题）与 Dual-Loop 并列最高，但它的 TER 只有 0.47［0.40, 0.54］、AUC-PEC 0.54；Dual-Loop 的 TER 0.94［0.91, 0.97］、AUC-PEC 0.96。
最极端一格（BFCL，Llama-4，Plan-Conditioned）：200 条里只有 10 条全程可执行且全部成功，另有 138 条在坏前缀之后被救回来——TER = 10/200 = 0.05，RR = 138/190 ≈ 0.726，终局成功 (10+138)/200 = 0.74。也就是成功的 148 条里 93.2% 是「坏前缀之后救回来的」。
前缀深度上（Fig. 1，GPT-5.4）：BFCL 的 PEC@4 在 Plan-Conditioned 下三个模型是 0.42 / 0.33 / 0.05，Dual-Loop 是 0.82 / 0.82 / 0.78。
排序不一致在 τ³ 上最直接：GPT-4.1 下 Prompt Planning 终局成功 0.51，而 ReAct 的 TER 0.84、AUC-PEC 0.91；Llama-4 三个方法终局成功并列 0.18，TER 却分布在 0.52–0.60。
验证干预的代价与边界：τ³ 上 Dual-Loop 相对 Plan-Conditioned 的 token 与累计时延变化分别是 +3%/+22%（GPT-5.4）、+12%/+7%（GPT-4.1）、−3%/−1%（Llama-4）；固定初始计划、只换 verifier 模型与校验预算时，TER 与 AUC-PEC 的所有配对 95% 区间都含 0。
规模：BFCL 加 ToolSandbox 的主网格 200 题 × 2 数据集 × 3 模型 × 4 变体 = 4,800 条 rollout，加 τ³ 的 1,968 条共 6,768 条。

证据与局限：1

作者自陈：每任务只有一条 rollout，任务级区间只描述任务间变异，不测同任务重复 seed 的波动；区间用 10,000 次任务级 percentile bootstrap、RR 用 Wilson 区间；明确写「边际区间重叠不能确立配对显著性」；τ³ 只覆盖两个 base split，且没有复现出验证带来的一致优势，作者把那解释为「可检验的解释，不是已识别的因果机制」。

本文观察：Dual-Loop 每条轨迹额外调用 planner 与 verifier，而 Plan-Conditioned 只有一次 planner，前缀增益里有一部分是「多花算力」换的；作者自己的 verifier 敏感性实验（区间含 0）与主表 +0.61/+0.83 的 TER 增量不是同一条件。RR 的合格分母很小（BFCL/GPT-5.4 的 Dual-Loop 只有 12 条），0.00［0.00, 0.24］这类格子不能当结论读。全套实验一次运行，无 seed 重复。

与目标研究线的关系：A 线直接命中。它补的是运行时验证与轨迹级可靠性这一环：把评测从「最终对不对」推到「从第几步开始跑不通、跑不通之后救回来多少」。

可迁移启发：评测表加三列——TER、mean FED、RR 并附 RR 的合格分母（RR-Eligible）。画 PEC 时固定分母 N 并同时给「到达深度 k 的样本数 n_k」，因为 PEC = n_k/N × PEC_elig，只画一条曲线分不清是前缀失败还是提前终止。

站内摘要出入：站内写「计划检查可提升可执行性并保持终端成功」。原文在 τ³ 上明确说这层收益没有复现，ToolSandbox/GPT-5.4 上 Dual-Loop 终局成功 0.63 还低于 Plan-Conditioned 的 0.69；「保持终端成功」只在部分格子成立。摘要也没提每任务一条 rollout、无 seed 重复。

前缀可执行性曲线 — 图 1 左 BFCL、右 ToolSandbox（均为 GPT-5.4），横轴是前缀深度 k，纵轴是固定分母的 PEC(k)。BFCL 上 Plan-Conditioned 从 k=1 的约 0.77 掉到 k=4 的约 0.43，Dual-Loop 在 k=4 仍有 0.82；两条曲线在 k=5 之后急降，那是任务终止而不是失败，正是「固定分母 PEC 同时反映失败与终止」的证据（arXiv:2610.40444）。

2. 同一处变更、只改披露：诊所预约 0/16→15/16，而它的审计在 39 个指定损坏里漏判 12 个 · arXiv:2610.40246 · 精读

EnvOS: Auditing Computer-Use Agents When the World Moves On: Phenomenon-Based Task Construction, Certification, and Evidence-Based Evaluation

作者：Ankush Kadu、Athira Gopal、Niharika Singh、Arpit Jain、Aswanth Krishnan，全部属 QpiAI（班加罗尔），前三人为同等贡献。NeurIPS 2026 两个 workshop 接收（AABA4ET、CL4FMAgents）；代码与仓库未公开，只发布 29 条仓库路径的 SHA-256 版本清单。

研究问题与核心方法：14

计算机使用智能体在会变的软件里干活：预约改期、政策修订、记录更新。它失败的原因可能是自己，也可能是扰动没按预期触发、新信息根本没送到模型、或者判官把 episode 判错。EnvOS 把问题拆成「干预有效性」与「评测有效性」两层：现象是与应用无关的一类权威状态变更，扰动是它的可执行实例（状态算子、触发事件、披露通道、一次性保护）。任务在跑任何模型之前先过五类检查——世界与触发有效性、观察一致性、可行性（脚本参考策略能跑通）、行为区分度（故意欠能力的策略必须失败）、判分器鲁棒性（损坏档、近似命中、正控）。跑完先判 episode 是否有效，再用提交后的应用状态判结果，并由另一套实现从存档证据重算。

台子是 14 个容器化服务的合成办公测试床，只前瞻性测两个工作流：诊所预约（会话地点变更，16 个实例 × 3 条件，动作预算 48）与保险理赔（政策限额变更，10 个实例，预算 40）。所有条件注入同一个变更，只改「复盘界面给模型看什么」：OFF 什么都不给、CUE 只给核对提醒与源链接（不给新值）、LIVE 直接显示当前值。

关键结果：

诊所预约（Claude Opus 5，16 个实例）：OFF-A 成功 0/16、CUE-A 2/16、LIVE-A 15/16。LIVE−CUE 有 13 个只在前者成功、0 个反向、3 个并列，净 +0.81［0.49, 0.92］，精确 p=0.000244，12 个检验的 Holm 校正后 p=0.00293。
保险理赔（每 block 10 个实例）：Opus 5 两条件都 10/10（OFF 已全成功，无救援空间）；Sonnet 5 从 1/10 升到 9/10（8 个只 ON 成功、0 反向，净 +0.80［0.37, 0.92］，p=0.00781），但全 paper 12 检验校正后 p=0.0781，不拒绝；Gemini 3.1 Pro 从 0/10 到 5/10（p=0.0625），未达预注册标准。
行为侧的过程计数：Sonnet 在 9/10 个无政策信息的 episode 里用了已被替换的旧限额，在 8/10 个 ON episode 里事后去查政策记录；Opus 在 10/10 个 OFF episode 里主动查记录，Sonnet 只有 1/10；16 条拿到核对提醒的诊所轨迹只有 1 条点开了链接。
判分器自己也被挑战：rule-only 盲设计产出 36 个用例（10 正控 + 26 损坏），管线接受全部 10 个正控、抓出 26 个损坏里的 24 个；只靠 outcome scorer 只抓 10 个、raw-log 基线抓 19 个。外部生成挑战 56 个用例里理赔 14/20、诊所 11/19 被抓，但同时把 4 个与 8 个损坏判成 clean、把 16 个正控里的 3 个误拒。
密封 28 例挑战：outcome scorer 28/28、有效性重算 24/28、存档 evaluator 重放 10/28。
开发期成本：认证、重算与审计共暴露 11 个缺陷，其中 7 个已有模型结论落在有缺陷的代码下，作者明确说历史结论不会因修复变可靠。

证据与局限：14

作者自陈：两套「独立」重算代码同队所写、共享同一份存档；诊所的日历兼容项没有独立重算；测试床是合成办公环境加受控语义浏览器接口，不是操作系统级 computer use；条件顺序固定平衡但不随机；每条件 1 次 rollout；预注册的「仅截图 + 坐标动作」交叉实验在工程准入阶段被拦下，因此无行为证据。

本文观察：EnvOS 作为审计工具是混合的——外部挑战的 39 个指定损坏里有 12 个被判 clean、16 个正控里 3 个被误拒，任何「它能抓住损坏档案」的说法都必须带上这两个分母。主结论建立在 13 与 8 个不一致对上，Sonnet 那条全 paper 校正后不成立。设计只改披露界面，估计的是界面信息效应，不是「把静态环境变动态」的效应。

与目标研究线的关系：A 线直接命中「可复现环境与运行时验证」这一环，同时擦到 B 线的验收口径（可验证奖励里「有效性先行」的判定顺序）。它补的是「环境本身要不要被审计」：先证明扰动真的发生、判分器真能区分对错，再谈 agent 分数。

可迁移启发：环境上加两道前置门——「扰动是否按声明的时机只触发一次」和「故意写坏的脚本策略会不会被区分出来」。报成功率前先报「有效 episode 数 / 总 episode 数」与「独立重算与原判一致数」（本例诊所 51/51、理赔 24/24）。给自己的判分器造损坏档做回归，并把「抓到 / 判成 clean / 无结论 / 误拒正控」四类分开报。

站内摘要出入：站内写「验证了其有效性，可用于强化学习训练智能体」。原文限制节写明「我们评估智能体但不训练它们」，环境只是可验证奖励的候选；「验证了有效性」也偏强：审计能力在外部挑战里是混合的（39 个损坏里 12 个被判 clean）。摘要还漏了多重校正的差别：诊所校正后仍显著，理赔的 Sonnet 对比校正后 p=0.0781。

同一次变更、三种披露 — 图 1 分三层：上层是权威记录的时间线（agent 先看到 v0，记录被一次性改成 v1，agent 继续），中层是三种披露条件（OFF 无、CUE 只给提醒与源链接、LIVE 还给新值），下层是评测链——存档证据、agent 决策、提交后的应用记录、用记录而非界面打分。三列正对应 0/16、2/16、15/16 这组数字（arXiv:2610.40246）。

3. 1,600 次尝试里 173 次「决定做对了、活没干完」，41 次没批就执行 · arXiv:2610.39733 · 精读

Bank-World: A Benchmark for Evaluating Agents on Banking Workflows

作者：Daniel Rupawalla（单一作者），Arcanum Labs。arXiv 预印本（2026-10-29）；环境、判分器与轨迹私有保留以减少污染，独立运行需向作者申请。

研究问题与核心方法：2

银行工作里「算对」只是中间一步，还要对账、拿到授权、真正执行，并在情况变化时让指令与状态汇报同步。Bank-World 就按这四件事建：50 个任务、两个模拟机构。单轮 25 题（Ashbrook，没有后续用户轮次，但可以走职场工具追办），多轮 25 题（Ridgeline，模拟对公客户经理 Marcus Tan 会提供信息、审阅请求、修改指令，并能通过审批队列批准或拒绝）。判分是确定性检查与 rubric 的加权平均，强制项失败直接把 reward 置 0；判官是 GPT-6.1 Sol，Opus 5.5 独立复核同一批存档。四个模型（Gemini 4 Argon、Opus 5.5、Grok 4.7、GPT-6.1 Sol）每题各 8 次，共 1,600 次尝试。

关键结果：

单轮满分率（每模型 200 次）：Sol 110/200（55.0%）、Gemini 77/200、Opus 84/200、Grok 68/200；平均 reward Sol 0.638［0.484, 0.784］。
多轮：Opus 满分 88/200 最高，但平均 reward 换 Opus 判分后第一名变成 Geminiba，差距只有 0.005（0.571 对 0.566）；24 个跨模型比较多重校正后，只有单轮 Sol 对 Grok、Opus 的平均 reward 与对 Grok 的满分率站得住，多轮全部不显著。
「决策对、活没干完」是主失败源：800 次单轮尝试里主决策被接受却漏掉必需动作的有 173 次，涉及 19 个任务；SQ-20 商户退货对账里四个模型都把同一笔手续费收了两遍（Gemini 7/8、Grok 8/8、Opus 5/8、Sol 7/8），其中 23 次客户少收 344.20 美元。
授权链：九个被审计的多轮任务里未先获批就执行的比例是 Gemini 17/64、Sol 13/63、Opus 11/61、Grok 0/67，41 次审批违约尝试全部 0 分。
稳定性两列会打架（每题 8 次的 pass^k）：多轮 Grok 在 25 题里 22 题至少成功一次，却没有一题 8/8；Sol 只有 14 题至少成功一次，但有 5 题 8 次全过（pass^8 = 20.00）。
判官一致性：Opus 复核 Sol 的 800 条存档，rubric 项一致 97.0%（κ=0.863，单轮）、96.4%（κ=0.884，多轮），整题成败一致 97.8% 与 98.6%。

证据与局限：2

作者自陈：95% 区间来自 20,000 次任务簇 bootstrap（每题的 8 次一起重采样）；判官本身就是被评测模型之一，Grok 4.7 同时扮演所有多轮的客户经理，存在自偏好与共同模拟器风险，「一致性不等于判据正确」；任务由 LLM 辅助开发，部分由被评测模型参与；环境不公开，外部无法复现。

本文观察：单一作者、没有 seed 说明，每题 8 次是同配置下的重复尝试，基准只有一个版本。多轮的全部尝试共用一个模拟器（Grok），「Grok 多轮 pass^8 = 0」这类结论混入了模拟器行为；作者做了 15 条分支探针（两个模拟器都 15/15 满足送达与审批断言）但没有把两者拆开。六类工作流是描述性标注而非抽样分层，不能当六个子基准。

与目标研究线的关系：A 线直接命中「工作流基准与可检查验收」。它把验收从「答案对不对」推到「授权链、执行与记录同步」，其中两类失败——主决策被接受但必需动作未完成、未获批就执行——正好是终局分数最常掩盖的部分。

可迁移启发：评测表加一列「主决策接受但必需动作未完成」（本例 173/800），它比总分更能区分模型；把审批与越权做成硬门并单独报分母（41 次违约尝试全 0）；每题跑 8 次并同时报 pass^k 与 pass@k，本例两列给出相反结论，只报一个都会误判可靠性。

站内摘要出入：站内写「发现不同模型在单/多轮任务中表现有差异」。原文自己写多轮的跨模型差异「remained inconclusive」——24 个比较校正后只剩单轮三条成立。「可检查」也不等于可复现：环境与判分器都私有保留。摘要漏了每题 8 次共 1,600 次尝试，以及判官与被评测模型同批这件事。

两个设置下四个模型的满分率 — 图 2 是单轮与多轮各 200 次尝试的满分率柱，误差棒是保留「每题 8 次」结构的 95% 任务簇 bootstrap 区间。单轮 Sol 的 55.0% 领先，但区间与 Opus 的 42.0% 大幅重叠；多轮四家区间几乎全叠在一起——这就是「跨模型排序大多不显著」的图形依据（arXiv:2610.39733）。

4. 同一个 32 条候选池里，前沿模型能挑回 53%、小模型 28–31%：终端任务差距有一半不在生成 · arXiv:2610.39006 · 精读

Blind Spots: Where Small Language Models Fall Behind Frontier Models on Terminal Tasks

作者：Ashima Suvarna（加州大学洛杉矶分校，工作完成于微软研究院实习期间）、Ruta Desai、Ahmed Elgohary（微软研究院，共同指导）。workshop “Resource-Aware Agentic AI”，arXiv 预印本（2026-10-28）；代码未公开。

研究问题与核心方法：15

终端 agent 榜单只报一个成功率，而 87.4%（最强前沿系统）到 28.8%（最强小模型）的落差里混着几种能力。这篇把它拆成三轴：可解性（多给尝试能否到达正确解）、验证性（在同一条候选池里能否挑出真正成功的那条）、置信度（动手前能否预判自己会不会成功）。两个基准：tblite（100 任务）与 tb2.1（89 任务）；三个模型：Qwen3.5-9B、Tmax-9B（均 9B 稠密）与 GLM-5.2（744B MoE、40B 激活）。主实验每任务 32 次独立尝试；验证实验把候选池固定为 Qwen3.5-9B 采的 32 条，各模型当评审打分取最高；置信度只给任务描述，每题采 5 次取均值。

关键结果：

可解性（tblite）：GLM-5.2 与 Tmax-9B 的差从 pass@1 的 17.7 点（72.8 对 55.1）缩到 pass@32 的 8.0 点（92.0 对 84.0），相对差 32.1%→9.5%；增益主要归小模型（Tmax +28.9 点、Qwen3.5-9B +43.0 点，GLM 只 +19.2）。
验证性（同一 32 条池、k=32、tblite）：随机即池子平均 42.0%（回收 0%）、Qwen3.5-9B 54.2%（28%）、Tmax 55.4%（31%）、GLM-5.2 64.6%（53%）、oracle 85.0%。回收率 =（best-of-32 − pass@1）/（pass@32 − pass@1）。
置信度：过估（预测均值减真实成功率）在 tblite 上是 GLM 13 点、Tmax 22 点、Qwen3.5-9B 38 点；Brier 分别为 0.21、0.30–0.40。
harness 敏感性（tblite、3 次试验）：Qwen3.5-9B 在 vanillux2agent 43.1±0.7、OpenHands 25.0±1.9；GLM-5.2 在 terminus-2 84.2±5.1、OpenHands 72.8±2.1。
失败模式：八类错误里三档模型前三大类一致——步骤重复、违背任务规范、弱验证，小模型只是频率更高。

证据与局限：15

作者自陈：只用一个前沿模型、两个 9B 模型；候选池只来自这三个生成模型与单一 harness；验证靠「读轨迹文本打分」而不是写测试去跑；没有做按置信度分配算力的下游实验。

本文观察：置信度的「真实成功率」取自各模型自己的采样，三档基线不同；「随机」基线就是池子平均通过率，而池子由 Qwen 生成，对 GLM 而言是别人的池子。三轴没有联合实验，「多采样 + 好验证器能否闭合差距」本文没有答案。同一 GLM-5.2 的 pass@1 正文写 72.8%，附录表 4 在 vanillux2agent 下是 79.7±4.1，Qwen3.5-9B 也出现 42.0% 与 43.1±0.7% 两处不一致，原文未说明取哪一次。

与目标研究线的关系：A 线直接命中。它补的是「单一成功率」这一环的拆解：把要改的对象从「生成」扩到「选择」与「自评」，并给了一套可复用的固定候选池协议。

可迁移启发：评测表加三列——pass@k 覆盖率、固定池下的 best-of-k 回收率、事前置信的 Brier 与过估。部署小模型前先算 pass@32 × 回收率，再决定是加采样预算还是训验证器。

站内摘要出入：站内「三维度拆解，重复采样可缩小但无法消除可解性差距，验证性存在持续差距，校准更差」方向正确但无量级：17.7→8.0 点、回收 53% 对 28–31%、过估 13 点对 22/38 点全被省略；「校准更差」也没说明这是「预测均值 vs 自身采样成功率」之差。

32 次尝试内通过率的任务级分布 — 图 6 横轴是通过率区间、纵轴是任务数。tblite（100 任务）上 Qwen3.5-9B 有 15 个任务全败、GLM-5.2 只有 8 个；tb2.1（89 任务）上 Qwen 约 39 个全败、GLM 约 11 个，而 GLM 在高分区有约 29 个任务。任务级「可解性差距」就是从这堆全败任务里长出来的（arXiv:2610.39006）。

5. 混合对照 0.950 的监控器，换成「承诺」对照只剩 0.570，还与一个词频基线打平 · arXiv:2610.37679 · 精读

Exposure Is Not Commitment: Double-Stratified Evaluation of Latent Monitors for Tool-Using Agents

作者：Rishabh Sinha（加州大学伯克利分校，论文邮箱为马里兰大学域名）。workshop “Agents in the Wild: Safety, Security, and Beyond”，arXiv 预印本（2026-10-12）；代码与全部导出物在 github.com/rishabhsinha17/latent-state-auditing。

研究问题与核心方法：16

工具型 agent 怕间接提示注入，一支文献用「动作前内部探针」拦截，但结论互相打架（有报 90%+ AUROC，也有报 0/143 命中）。作者主张矛盾大半来自口径：现有「被攻击 vs 干净」的对照把「注入在场」与「模型照做」混成一轴。于是提出双重分层——在评测总体与训练总体里都把曝光（上下文出现注入内容）与承诺（模型自己后续生成不安全的调用）拆开。主网格 280 例（40 干净 / 99 被攻但安全 / 141 不安全），监督器包括 NLA（把激活 verbalize 成文本再还原）、线性探针、可见文本基线与零样本自评；指标为 AUROC、AUPRC、FPR@90TPR 与提前量。

关键结果：

不分层时：混合对照 AUROC 0.989、NLA 文本 0.950、激活探针 0.736、原始标签 0.543（等于瞎猜）。
朴素混合对照实际学到曝光：暴露层内 1.000（探针）/ 0.817（NLA 文本），而「仅攻击样本、严格动作前」的承诺预测只有 0.672［0.605, 0.743］/ 0.556［0.483, 0.629］。探针在 141/141 条不安全轨迹上提前报警，但也在 99/99 条「被攻但安全」与 18/40 条干净轨迹上报警。
换承诺对照（141 不安全 vs 99 被攻但安全，n=240，5 折）：逻辑回归探针 0.853［0.799, 0.897］（按用户任务分组 0.795）、质心 0.763、可见文本 TF-IDF 0.855［0.803, 0.901］、NLA 文本 0.570。潜空间与一个像样的词频基线打平（配对差 −0.003，［−0.054, 0.050］）。
提前量：三步轨迹里不安全动作在第三步，最多提前 2 步；分步探针 t−2 为 0.878、t−1 为 0.871。
跨模型三种形态：Mistral-7B 承诺对照 0.896，但它的朴素对照有 0.835 的承诺预测却呈反向曝光排序（0.282）；OLMo-2-7B 承诺 0.912，朴素对照两轴都读到（曝光 0.957、承诺 0.785）。
噪声地板：FPR@90TPR 逻辑回归 0.343、TF-IDF 0.394、NLA 文本 0.838。

证据与局限：16

作者自陈：NLA 文本会编造，只用一个 verbalizer、第 20 层；三个模型共享一个基准，不安全生成集中在两个 suite；迁移集正例只有 33 与 15；未测自适应攻击，所有 AUROC 都是非自适应上界。

本文观察：最强标签来自「模型生成的下一步动作」而非真实 rollout，与在线阻断是两回事；承诺对照的 141/99 与曝光对照的 99/40 取自同一批 280 例的不同切分，样本重叠，1,000 次 case 级 bootstrap 低估了方差（按用户任务聚类后是 0.767–0.920）；「打平文本」依赖一个 5,000 维 TF-IDF 基线，换更弱的词袋会抬高潜空间优势。

与目标研究线的关系：A 线直接命中运行时验证。它把「监视器到底学到了什么」变成可分层测量的量：曝光与承诺分开评测、也分开训练，并把近期探针的阴性结果解释成「对照选错」。

可迁移启发：监视器评测出两张表——全体与暴露层内，训练集也按暴露分层，否则 0.95 的 AUROC 可能只是「注入在场检测器」。报告提前量与漏报，别跟工具策略同台比准确率。

站内摘要出入：站内「仅曝光案例训练的监控器可提前两步预测不安全工具调用」准确（两步是三步轨迹的上限），但漏掉最关键一条：0.853 与纯文本 TF-IDF 的 0.855 打平；「不同模型存在差异」过于笼统，原文是三种形态；也没给 141/99/40 与 n=240 的样本规模。

6. 刚打开页面的第 0.5 秒就规划点击，14.5% 会点错；等页面加载完同一批页面只有 0.4% · arXiv:2610.39282 · 精读

What Does “Now” Mean to Your Computer-Use Agent? Stale Screenshots, Page Loads, and Which Check to Run Before a Click

作者：Vasundra Srinivasan（单一作者，独立研究）。arXiv 预印本（2026-10-29）；代码与基准生成器在 github.com/multimodal-ai-engineering/preflight-bench。

研究问题与核心方法：3

agent 的循环是截图、规划数秒、再点坐标；页面在此期间变化，点击就落到别的元素上。此前工作把风险归给「规划间隔」，解法是点击前做像素复核。这篇先证伪归因：把「过期」定义为点击时刻目标已移动、消失或被遮挡，在 31 个允许只读访问的公开网页上每页最多 20 个可见控件，从「完全加载」「刚滚动完」「刚 DOM-ready」三种状态各跟踪 30 秒（合计约 1,300 个目标/状态）；再重放十个开源 agent 代码里写死的等待规则；最后用 6 个会动的合成页（4,608 个点击对、3,600 个动作成败对）比较各类校验，并给出「检查何时划算」的盈亏公式。

关键结果：

完全加载的页面：0.5–30 秒各时刻都是 0.4% 的点击过期且不随时间上升；刚滚动完 1.0%；刚打开时 0.5 秒已达 14.5%、1 秒达 17% 后不再上升（差 17 个百分点，95% CI 9.9–24.7）。
等待规则（同 31 页、从 DOM-ready 计时）：只有「500 ms 无网络请求」压到 1% 以下，残留 0.46%（95% CI 0.21–1.0），中位等待 1.24 秒；固定延时 0.5 秒/1 秒、load 事件、等布局稳定分别残留 2.5%–3.1%。
十个开源 agent 的等待规则（按代码重实现，非端到端运行）：残留 0.46%–15.4%，十条里八条超 1%；完全不等待的两条最差（15.4%、12.5%），固定等 1 秒的两条也有 9.1%–11.7%。
商业页（只在抓取里量、未访问）：65 个桌面订票/购物首页里只有 15% 在 DOM-ready 后 3 秒内出现 500 ms 网络静默，3,028 个 .gov 首页为 63%；按「静默上限 3 秒」放截图后 6.5 秒内仍移动的比例 52%（95% CI 40–65）对 7.8%（6.8–8.7）。
校验方式（留出页 1,064 个过期点击、500 个弹窗、620 次失败）：判断「目标是否还在原位」，312 ms 的纯像素比对检出 82%、误报 4%，Claude Opus 5.5 检出 83%、误报 12%、耗时 2.4 秒；判断「上一动作是否成功」，4B 的 Qwen3-VL 以 0 误报检出 100%。
实机循环（每条件 400 步）：加像素校验把过期点击从 65–69% 降到 9–11%，触发的 606 次重规划里 581 次必要；盈亏公式在 3,000 个留出案例上与决策一致 94.7%，对不可逆点击，过期率超过约 1.2% 就值得查。

证据与局限：3

作者自陈：31 页全为非商业站、单浏览器、三天内、美国出口；商业页只能间接测量，「未记录时间按未移动计」使各点都是下界；抓取布局移动与实际过期率的迁移检验被证伪（Spearman ρ=−0.12）；合成页变动率约 70%，远高于真实页的 0.4%；14 个预注册假设只有 6 个成立。

本文观察：0.4% 与 17% 是同批页面、同口径下只差起始状态的两个数，旧归因几乎不留痕迹；而「检查必然划算」也不成立——按预注册记账（每次重规划记 6.5 秒）步时增加 28%–105%，改用实测 1.1 秒才转正。

与目标研究线的关系：A 线直接命中「运行时检查点」这一支，是这批里最硬的实测：截图前等加载、不可逆动作前查位置、动作之后查结果。

可迁移启发：把「截图前等网络静默、上限 3 秒」写进采集脚本，训练数据里「动作前的帧」才不会大量落在加载中；评测加一列「按页面状态分层的过期点击率」；校验失败时强制从新截图重规划——实测「就地微调点击」的最好结果也有 11% 的错误调整率。

站内摘要出入：抓住了「风险源于加载」与「等网络活动停止」，但删掉测量规模：没提只有 31 个公开页、约 1,300 个目标/状态，也没提商业页是抓取间接所得、作者自认该代理值未通过验证。

加载中的页面把点击带偏 52 像素 — 图 1 左右两栏是同一航司首页加载中与加载后的对照：左图规划点落在搜索按钮，右图一张信用卡 offer 插入表单上方、表单下移 52 像素，同一坐标落到「切换为里程兑换」的勾选框。截图没错、点击错了，就是这一位移（arXiv:2610.39282）。

7. 把验证改成自己去查证据：ScienceBoard 上 86.4% 对 76.9%，但弃权也计失败 · arXiv:2610.40578 · 精读

VeriCUA: Verification as Agentic Exploration for Computer-Using Agents

作者：Qiushi Sun、Da Yu、Alexander Knop、Amer Sinha、Lingpeng Kong、Ben Kao、Ravi Kumar、Pritish Kamath（Google 与香港大学）。arXiv 预印本（2026-10-29）；未给代码链接。

研究问题与核心方法：17

三端 agent 的验收长期靠两类自动判官：让视觉语言模型给给定观测打分，或让模型写程序查应用状态。前者只看被喂进来的几帧，后者只查得动它能访问的状态，都可能漏掉决定性证据。VeriCUA 把验证改写成一次主动找证据：先勘察环境或录像，据此把指令拆成带硬/软标记的评分清单，再对未落定的要求挑图形界面读或代码读，最后按证据规则判成功/失败/弃权。核心是证据分级——attested（直接观测到的状态：文件内容、数据库查询、动作之后的帧）与 asserted（执行 agent 自己的完成声明、动作前的帧），后者只能指示下一步查什么，不能单独判定某要求已满足。

关键结果：

在线 AndroidWorld 116 个 episode（金标为官方 evaluator）：准确率 90.5%，自动生成验证器 82.4%、单次 VLM 判官 78.4%；假阳性 7.7% 对 16.9% 与 15.4%。
在线 OSWorld 361 个 episode：79.5% 对 75.9% 与 73.4%，但决策率只有 78%、召回 71.3% 反低于生成验证器的 78.1%——赢在「不乱判成功」。
在线 ScienceBoard 169 个 episode（执行 agent 成功率 23.7%）：86.4% 对 76.9% 与 71.6%，假阳性 5.4% 对 21.7%，是差距最大的一格。
离线 OSReward 全集 1,019 条人工标注：87.2%，最强基线 CUAJudge 83.7%；难子集 284 条上 70.4% 对 OS-Themis 65.7%。
假完成报告（三个在线环境，分析取 AndroidWorld 子集）：拒掉约 80%；生成验证器在 ScienceBoard 上几乎不拒。
失败判定筛选（OSReward 全集）：失败精度从 83.8%（524/625）升到 92.7%（166/179），代价是只保留 28.6% 的初始失败判定。
成本：在线每条 39.2K token、约 97 秒；生成验证器 16.2K token、60 秒。

证据与局限：17

作者自陈：离线受录像保留的观测所限，23% 的 WebArena 轨迹最终靠「初始判断」兜底；在线弃权按失败计会压低召回；金标审计是单盲模型仲裁而非人工，814 条里 81 条与金标冲突（51 条被支持、20 条被驳回）。

本文观察：基线被压过——CUAJudge 从四阶段压成一次调用、OS-Themis 从六里程碑/十二帧压到四/八，作者用附录说明影响不大，但方向有利于本文；最脆的一格在附录：单次判官换成更强骨干后，OSReward 全集上 Claude Opus 4.8 得 89.7%，高于 VeriCUA 的 87.2%，难子集只差 0.7 点。三个在线基准既是设计对象又是测试场，未报告 held-out 任务集。

与目标研究线的关系：A 线直接命中「运行时验收」：把 reward/judge 从「读给定帧」换成「自己去机器上找证据」，并给出可复用的证据分级。

可迁移启发：评测表加一列「弃权率/决策内准确率」，否则弃权计失败时高准确率可能只是少判；在数据筛选与 RL 里把执行 agent 的完成声明显式标为 asserted、规定它不得单独使某条要求通过，这条规则几乎零成本就能挡掉假完成。

站内摘要出入：方向一致，但删掉三处条件：没提在线弃权按失败计、决策率只有 70–82%；没提离线 23% 轨迹靠兜底；没提附录里更强骨干的单次判官在 OSReward 全集上反超。

把验证拆成勘察、清单、取证与裁决 — 图 1 上下两条链分别是在线与离线：任务轨迹→按环境上下文合成评分清单（r1/r2 硬项、r5 软项）→用 find/read_file/sqlite_query 查证据→逐条给 met/unmet/unknown 再裁决。右下角的「执行方说的 done 只是 asserted，永不单独计数」就是本文的证据分级（arXiv:2610.40578）。

二、训练预算花在哪一步、环境从哪来

四篇都在算同一笔账：训练预算应该花在哪个中间状态，环境该从哪里来，奖励该在哪一层发。答案都不便宜——省下的 rollout 与省下的交互步是真的，但 held-out 上的绝对增益普遍只有一两点；能自动重建 244 个网站的工具，在交互有效性上反而落后人工镜像。

8. 只花 21% 的 rollout 预算就达到同一 held-out 水平，但 held-out 上只多 2 点 · arXiv:2610.39251 · 精读

Where to Learn and How Far to Roll Out: Efficient Adaptive Training for GUI Agents

作者：Yuxiang Chai、Quyu Kong、Panrong Tong、Steven Hoi（阿里巴巴 Alibaba Token Hub）、Yue Wang（香港中文大学 MMLab，通讯），Chai 与 Kong 为同等贡献。arXiv 预印本（2026-10-29）；未给代码链接，附录说明用 Podman + CRIU 在容器层做快照恢复。

研究问题与核心方法：18

轨迹级 GRPO 训练 GUI agent 要从任务根节点跑完整条轨迹，练熟的步骤被反复重跑，而任务级奖励又说不清哪一步该改。方法三块：一是可复用中间状态，在成功轨迹每一步存 checkpoint（任务、策略可见历史、当前观察、可恢复的环境状态引用），10 步前缀的恢复延迟从 15.7 秒降到 2.97 秒（MobileGym）、11.3 秒降到 3.21 秒（CUA-Gym-Hub）；二是「动作分歧度」选 pivot，每候选状态采 8 个样本、按动作等价规则分组，算 1 减同组配对比例，大于 0.45 才留作训练起点；三是两阶段训练——Stage I 只在 pivot 上做一步 RL，奖励是动作是否与专家下一步一致；Stage II 按任务根节点成功率把任务分到 Local（<0.25）、Suffix（0.25–0.75）、Root（>0.75），从最深的 pivot 起跑，后缀成功率超阈值就把起点往前挪一个 pivot。数据：MobileGym 训练 83 题、held-out 128 题；CUA-Gym-Hub 训练 80、评测 60；策略 Qwen3.5-4B 经不含这两个基准轨迹的 SFT 初始化。

关键结果：

单步 pivot 选择（MobileGym held-out 128 题、每任务 4 次）：动作分歧度用 8.2K rollout 样本达 48.83 Avg@4 / 62.50 Pass@4；奖励方差同预算下 45.70 / 60.16；「全 pivots」要 38.4K 样本才到 50.00 / 63.28，即约 21% 的预算逼近同一水平。
只加自适应 rollout 分配（Table 3）：MobileGym 上 Base→Hybrid 达 58.43 Train 用 17.9K 样本 + 25.0K rollout 步，Base→Vanilla 要 43.3K 样本 + 71.5K 步，两项成本分别降 58.6% 与 65.0%。
两阶段合起来（每任务 4 次）：MobileGym 上 Action→Hybrid 63.86 Train / 50.20 Held-Out，Action→Vanilla 62.65 / 49.61，但少用 40.8% 训练样本、50.2% 环境交互步；CUA-Gym-Hub 上 70.00 / 57.92 对 65.63 / 53.33。
与「用同一批专家轨迹做 SFT」比：CUA-Gym-Hub 上 Train 都是 70.00，但 Held-Out 57.92 对 50.83；MobileGym 上 SFT 的 Train 高达 81.93 而 Held-Out 只有 48.24（本文 50.20）。
训练分配随进度迁移：Root 占比在 MobileGym 从 31.96% 升到 82.29%、Suffix 从 36.12% 降到 6.65%。

证据与局限：18

作者自陈：评测一律从任务根节点开始，不给专家前缀也不给测试时 checkpoint；每任务 4 次独立 rollout，同时报 Avg@4 与 Pass@4；checkpoint 恢复只用后端健康检查、截图成功与恢复前后观察对比验证，作者写明「这些检查不构成状态完全等价的证明」。

本文观察：全文没有 seed 数或重复说明，Table 2、Table 3 每格都是单次运行的单个 checkpoint，且 checkpoint 是按 Train Avg@4 挑出来再报 Held-Out，等于用训练集做模型选择；正文 CUA-Gym-Hub 单步的「3.1K 样本 / 55.00」与 Table 2 的 15.4K / 52.08 自相矛盾；摘要的「减少 56–61% 环境交互」在表格里找不到对应格子；后缀阈值正文写 0.75、附录写 0.5。held-out 绝对增益普遍只有 2 点左右（50.20 对 47.66），远小于 Train 上的 7 点；单步对比里「全 pivots」的 held-out 50.00 仍高于本文方法的 48.83，说明动作分歧度的优势只在固定预算下成立。

与目标研究线的关系：A 线直接命中。它把「训练预算该花在哪个中间状态、rollout 该从哪里开始」做成可执行配方；它的评测口径（每任务 4 次、Avg@4 与 Pass@4 并列、Train 与 held-out 分开）可以直接搬到别的长程基准上。

可迁移启发：评测表至少给三列——Avg@4、Pass@4、以及「达到某个 Train 水平所需的 rollout 步数」，把效率换算成与准确率同表的可比量。选 pivot 别只用奖励方差：奖励全 0 但动作分两派的状态会被方差漏掉、被动作分歧度抓住（该篇 D̂=0.429 被过滤、0.464 保留）。

站内摘要出入：站内写「减少 56-61% 环境交互并提升任务性能」。前半句只出现在摘要，正文的效率收益是 58.6%/65.0% 与 40.8%/50.2% 两组；「提升任务性能」在 held-out 上只有约 2 点。摘要也没交代「单步实验里全 pivots 的 held-out 反而更高」和「每配置只跑一次」。

四条训练臂的成功率曲线 — 图 4（MobileGym 部分）横轴分别是累计训练样本与累计 rollout 步，实线 Avg@4、虚线 Pass@4、灰线基座。Action→Hybrid 的 held-out Avg@4 在约 30K 样本处升到 50.2，而 Base→Vanilla 在 50K 样本内一直停在 44–47.5；Train 的 Pass@4 则从基座 62.6 升到 79 以上——效率与那点 held-out 提升是同一条曲线上的两件事（数值读自 Fig. 4，arXiv:2610.39251）。

9. 1,400 条轨迹里成功轨迹仍有 29.8% 的步是错的：只在被定位的错误步上蒸馏，3B 在 ALFWorld 上 97.7% · arXiv:2610.38391 · 精读

SCOPE: Selective Critical-Step On-Policy Self-Distillation for Agentic Reinforcement Learning

作者：Qirui Liu、Wei Cao、Yu Mi、Yichen Sun、Xuekun Zhang、Lei Liu、Yue Shen、Zhixuan Chu（浙江大学与蚂蚁集团），共同一作与通讯。arXiv 预印本（2026-10-28）；项目页 neuqrui.github.io/SCOPE-page，未给代码直链。

研究问题与核心方法：19

动机是两个带分母的观察。第一，1,400 条 WebShop 轨迹（536 成功、864 失败，由 GLM-5.3 标注错误步）里，成功轨迹仍有 29.8% 的步是错的，失败轨迹有 42.4% 的步是对的——最终成败定不了位。第二，把轨迹级技能无条件塞给 teacher 时，与技能无关的步骤占所有非零 teacher–student 对数概率差的 57.9%（分母 33,602 步 / 4,035,655 token / 177 个任务组），其中 53.9% 是负向。

SCOPE 先在少量基础策略轨迹上标注错误、为每类错误写「错误解释 + 可复用纠正技能」，做一次轻量 SFT 让策略学会自己定位错误；在线阶段每个任务采一组轨迹，成功轨迹用自身观察找可避免的错，失败轨迹额外拿同组成功轨迹的动作序列作参照；自 teacher 只在被选步骤的上下文里插入技能，系数用有界带符号形式（tanh 饱和、上界 c=1），同时保留强化与抑制两个方向；另加组内成功轨迹之间的两两长度奖励。

关键结果：

ALFWorld（seen，每轮 128 episode）：Qwen2.5-3B 上 97.7%，SEED 91.8（+5.9 点）、GRPO 75.0（+22.7）；7B 98.4 对 96.1；Qwen3-1.7B 92.2，与 GRSD 的 92.2 打平。
WebShop（固定 128 题）：3B 成功率 85.2 对 SEED 78.9、GRPO 63.3；但 normalized score 一列 1.7B 只有 83.2、低于 SEED 的 87.1，3B 的 87.9 也低于 AgentOPSD 的 90.4——作者自己写明「成功率最高不等于 normalized score 最高」。
未见任务：ALFWorld unseen 上 3B 89.6% 对 GRPO 66.4%（+23.2 点），平均交互轮数 18.86 降到 10.06。
规模外推（Qwen3-32B，seen）：99.2% 对 GRPO 85.2%（+14.0），平均交互 22.0 降到 7.7。
消融（3B，全量 98.4）：去掉 SFT 初始化 92.2（−6.3）；换成「每条轨迹一个技能、全步蒸馏」96.1（−2.3）；技能库检索 95.3（−3.1）；去掉长度奖励 93.0（−5.4）。
训练效率（Fig. 1c）：WebShop 上 SCOPE 在 step 60 就到 65.1%，超过 GRPO 在 step 150 的最终 63.0%；ALFWorld 上 step 25 超过 GRPO 最终 76.6%（GRPO 要 145 步）。
不加界的在线自蒸馏在 outer update 26 处塌陷：学生平均对数概率跌到 −2716.0 nats。

证据与局限：19

作者自陈：主表取自 step 150 的验证曲线，附录写明这是「single-run validation curves」；只有训练动态图标了 mean ± std，却没写几个 seed；评测时 SCOPE 不带技能、不调用 analyzer；超参、卡数都给了，但没给总 GPU 小时；SFT 阶段「一小批轨迹」没有条数。

本文观察：全文没有 p 值或置信区间，「显著提升」全靠点估计差，而主表是单次运行；每次任务采多少条轨迹（组大小）未报告，这是复现第一缺口。基线之间不是单一变量：Skill-Prompt 带星号表示评测时给技能，GRSD 用外部 judge、OPID 用外部 analyzer，比较的是整套配方。泛化只做了 ALFWorld。

与目标研究线的关系：A 线（训练配方）直接命中，同时与 B 线（轨迹级信用分配）相邻。它回答「纠正信号该落在哪一步」，与同期的 pivot 选择是同一问题的两侧——一个决定起点，一个决定监督落点。

可迁移启发：把「只在被定位的错误步上蒸馏」当默认做法（本例比全轨迹蒸馏高 2.3 点、比技能库检索高 3.1 点）；辅助损失系数加 tanh 饱和上界，否则一次学生概率跌到 −2716 nats 就足以毁掉训练；长度奖励用组内成功轨迹的相对比较，而不是绝对长度目标（本例绝对加成低 0.7 点）；给失败轨迹配同组成功轨迹的动作序列，是这套流程里最便宜的一步。

站内摘要出入：站内写「在 ALFWorld、WebShop 等数据集上较 SEED、GRPO 取得显著提升」。实际只有两个基准，且没有做任何显著性检验、主表是单次运行；摘要也没提 1.7B 上 ALFWorld 与 GRSD 打平、WebShop normalized score 反而低于 SEED。

动机的三个分母与主结果 — 图 1 四格：(a) 成功轨迹 536 条里错误步占 29.8%、失败轨迹 864 条里正确步占 42.4%；(b) 技能无关步骤占非零概率差的 57.9%；(c) 两个环境的训练动态与「少用更新」标注，含不加界版本在 update 26 的塌陷；(d) 3B 在 step 150 的成功率条形（WebShop 85.2、ALFWorld 97.7）。一张图同时承载动机、稳定性与主结果，也暴露它的证据强度只到点估计（arXiv:2610.38391）。

10. 244 个站点、12,984 条任务：保真度赢 85.7%，但同一批站上交互通过率 63.3% 对 76.7% · arXiv:2610.37786 · 精读

WebAnything: From the Wild Web to Scalable Agent Environments

作者：Tianci Xie（浙江大学）、Zikun Cai（南洋理工大学）、Chaoyun Zhang、Pinxue Guo、Bingxuan Li、Rui Zheng、Hang Yan（后五人均属上海期智智丰科技，通讯）。arXiv 预印本（2026-10-27）；代码在 github.com/china-qijizhifeng/Web-Anything。

研究问题与核心方法：20

把真实网站变成可复现的 agent 环境，现有三条路各缺一角：人工镜像要逐站工程、生成式建站不保证对上指定源站、录制回放的交互覆盖被录制内容卡死。WebAnything 的目标是「给一串真实 URL，初始配置与授权之后不再逐站人工实现」。两个部件：Explorer–Builder 采集浏览器可观测的结构、资源与动作前后观测对，落成可执行本地路由与状态转移；Independent Verifier 在独立上下文里检查冻结后的候选（验证期不许改代码），有证据的实现错误走本地修复，证据不足的回源补观测。产物打包本地实现、初始数据、reset 接口与任务评测器。

关键结果：

规模：244 个站点产物、14 个应用域、53 个细类；累计 12,984 条「执行并通过验收」的任务（新批 6,812 条 / 229 站 + 旧批 6,172 条 / 74 站），相对 244×30=7,320 的配额完成 93.1%（217 站满 30 条）。
保真度（5 个与 WebHarbor 同站、14 个历史状态）：Pixel 0.9240 对 0.8083、SSIM 0.7904 对 0.6260、Text F1 0.8541 对 0.2617；三人盲评 12 胜 2 平 0 负，缺陷严重度均值 0.143 对 1.429。
交互有效性在同一批 5 站上反而落后 WebHarbor：能力覆盖 15/20（75%）对 16/20（80%），已执行测试通过 19/20（95%）对 23/23（100%），全测试通过 19/30（63.3%）对 23/30（76.7%）。
独立验证：229 对 Builder–Verifier 报告（69 站）里 219 对自检通过，独立核查在 22 站的 39 对里找出有证据支撑的缺陷；46 站修复轨迹中 18 条问题被复核确认解决。
下游 SFT（Qwen3.5-9B，5,856 条轨迹 / 5,167 个任务、60,517 条步级样本）：REAL 在 91 个共同有效任务上 22/91→31/91（+9.9 点）；WebArena-Verified 总体 16.41%→29.74%，但 Retrieve 20.75%→12.00%（−8.75 点），增益全来自 Navigate +18.49 与 Mutate +31.50。
同骨干同配方只换数据源（189 个共同有效任务）：WebAnything Rubric/Task 10.44/11.70，WebHarbor 6.93/7.79，VeriEnv 6.42/7.53。

证据与局限：20

作者自陈：SFT 只做 9B 一档，未试更大模型与其他后训练方法；网站持续变化，未评估镜像时效与维护成本；高保真复刻涉及版权与服务条款。

本文观察：保真度与交互有效性在两个不同的 5 站子集上分头测，而「12 胜 0 负」只针对历史页面状态的视觉盲评、不含功能，所以「保真更优」与「覆盖更差」可以同时成立；Text F1 的巨大差距作者归因于源站与镜像的 JS 条件不同。下游增益全部来自单一 9B 骨干、单次训练，无多 seed；WebArena 的 +13.33 点里含格式判定成分——放宽 JSON 判定后 Retrieve 从 39/325 变 105/325。

与目标研究线的关系：A 线直接命中「环境供给」：从真实 URL 批量得到可重置、可执行、能导出步级训练样本的站点，并把保真度、交互有效性、下游迁移拆成三把互不替代的尺子。

可迁移启发：评测表分三列报——页面保真、能力覆盖、全测试通过，三者分母不同且会互相矛盾；造环境时把 reset 与固定初始数据当一等公民；样本按「轨迹—任务—步」三级分别计数，别把 5,856 条轨迹说成 5,167 个任务。

站内摘要出入：站内「在保真度上优于 WebHarbor」掩盖了同 5 站上覆盖 75% 对 80%、全测试通过 63.3% 对 76.7% 的落后；「微调 Qwen3.5-9B 可显著提升多任务基准成功率」把三个基准压成一句，漏掉 REAL 仅 +9.9 点、WebArena Retrieve 反向 −8.75 点。

站点供给的域分布 — 图 3 左栏三个总量（244 个站点、14 个应用域、53 个细类），右栏按主应用域给条形：电商零售 33、开发研究 32、旅行本地 30、金融商务 26、娱乐体育媒体 26……尾部四个域合计仅 28 个。十四条相加正好 244，能读出供给并不均匀（arXiv:2610.37786）。

11. 在真机 iOS 上在线强化学习：UINavBench 16.7%→32.4%，但同一配方在合成应用上 4.5%→2.3% · arXiv:2610.39264 · 值得扫读

Online Dense Reinforcement Learning with Planning-Grounding Agent for UI Navigation on Live iOS Apps

作者：Peitong Duan、Khashayar Gatmiry、Jeffrey Nichols、Samy Bengio、Emmanuel Abbe（均署名 Apple）。arXiv 预印本（2026-10-29）；未给代码链接。

问题与方法：小模型做 UI 导航常靠监督微调背人类轨迹或离线强化学习对齐黄金路径，遇偏离即崩。作者把 agent 拆成规划器（一个 8B 视觉语言模型，先微调热启动再在线强化学习，输出当步与剩余计划）与接地模型（内部 3B 出坐标），强化学习只花在规划器上。奖励由 LLM 判官给两路：稠密路每步看任务、动作历史、当前计划与动作前后两图，输出成功/失败/「已完成还继续操作」；终局路看最后三图与完整历史，输出成功/失败/「被付费墙挡住不算失败」。稠密奖励按折扣累加、终局奖励不打折，用来堵住「拖长轨迹刷分」。基建是 512 条并发轨迹跑在云真机上，快照回滚把重启压到约 10 秒。

关键结果：

UINavBench（116 任务、36 个真实 iOS 应用）：监督微调 16.7% → 稠密奖励 PPO 第 336 步 32.4%，与前排商业模型持平，高于两个较小模型 28.4% 与 19.6%。
AndroidWorld（116 任务，分布外）：4.7% → 32.8%；同表前沿模型 60.8% 与 57.8%，仍大幅领先。
稠密奖励与只用终局奖励（第 336 步）：21.6%/7.5%/19.8% 对 32.4%/2.3%/32.8%——两格受益，iOSWorld 反而下降。
iOSWorld（133 任务、26 个合成应用）：监督微调 4.5%，标准 PPO 第 336 步跌到 2.3%，换另一种用邻域回报的变体到 9.8%。
接地器影响：同一个已微调规划器，3B 接地 12.7%、商业模型接地 14.7%、混合 16.7%——分数对接地配置敏感。

证据与局限：作者自陈，规划器视觉塔冻结、critic 用低秩适配并预热 15 步；每步抽 16 任务 × 8 轨迹；奖励判官全由 LLM 承担，未报告与人工标注的一致率，也未做人工抽检。本文观察，每个任务是 5 次采样的均值，但主表只给单点、无方差或种子重复，「持平」可能落在采样噪声内；摘要「大幅超过监督微调」被自己的表推翻（合成应用上 2.3% < 4.5%）；训练与评测都用真实 iOS 应用，评测应用与训练任务是否重叠原文未说明，32.4% 里有多少同分布记忆无法判断。21

与目标研究线的关系：A 线直接命中，补「训练阶段的检查频率」这一环：奖励从「回合结束判一次」改成「每步都判 + 终局不打折」，并用非对称折扣堵住「多走几步多拿分」，这是长程强化学习最典型的奖励劫持点。

可迁移启发：步级奖励必须配一个不被步数摊薄的终局项，且终局项不要跟着折扣走，否则策略学会拖时间；把「任务已完成还继续操作」单列一个负标签比笼统失败惩罚更能治「过度操作」；若照搬 LLM 判官当奖励，至少要补一份人工一致率，本文缺这一项。

站内摘要出入：「在多 UI 导航基准上优于监督微调」字面成立，但掩盖三格差异极大：合成应用上标准 PPO 反低于微调（2.3% 对 4.5%），分布外基准上仍比前沿模型低 28 个百分点；「提升真实 iOS 应用性能」也没说明是跟自家微调比而非跟前沿模型比。

规划—接地架构与两路判官 — 图 1 自左至右：微调热启动、规划/接地架构、云真机并行 rollout，再分到两个判官（一个出稠密奖励，一个出终局奖励），最后汇入 PPO 及其变体。一图交代了最需要核的两件事：谁在判、判几次——稠密每步一次，终局每回合一次（arXiv:2610.39264）。

三、长程执行的重置点：上下文、分工与动作前的那道门

七篇给的都是可拨动的旋钮：什么时候重置上下文、什么时候把验证交给独立的一层、什么时候允许分解、什么时候在执行前拦一次，以及模型与 harness 各能挣到多少。它们的共同前提是作者都先量过一个失败模式的分母——验证出现在轨迹末段、相关历史从 33% 掉到 14%、跑题步骤是单 agent 的 2.0–5.0 倍。

12. 让 agent 自己决定何时重置上下文：GAIA 上 8B 从 19.4% 到 42.8%，输入 token 少 87.4% · arXiv:2610.40350 · 值得扫读

Don't Lose the Thread: Empowering Long-Horizon LLM Agents with Cognitive Resource Self-Allocation

作者：Zheng Zhu、Xiaozhuan Liang、Xi Chen、Bei Yu、Jiaya Jia（香港中文大学、腾讯、香港科技大学并列署名，原文未逐人对应）。arXiv 预印本（2026-10-29）；未给代码链接。

问题与方法：长程任务里上下文只增不减，与当前子目标相关的信息占比越来越低。已有压缩多由规则触发（固定间隔、窗口将满），这篇让 agent 自己判断：把「任务进度（计划与各子目标状态）」与「已验证事实」写进持久记忆面板，可增删改；在觉得上下文太乱时硬重置，只把面板作为观测带回新回合。一次轨迹因此变成若干回合。训练两步：用合成网页轨迹（2,932 条，判官判对 1,642 条、错 1,290 条全部保留）加 241 条数学推理切成 3,682 个 SFT 对话，再上多回合 ARPO，把末回合奖励广播给全部回合。

关键结果：

GAIA 文本验证集 103 题、每题 8 次（824 条轨迹），Qwen3-8B：ReAct 19.4% → 仅提示 20.4% → SFT 41.6% → RL 42.8%。
同规模 CK-Pro-8B 总分 43.7% 更高，但优势全在 Level 1（56.4% 对 46.2%）；CORAL 在 Level 2（45.7% 对 42.3%）与 Level 3（19.8% 对 8.3%）领先。
成本（824 条均值）：RL 版每条 136K 输入 token、15.2 次调用、峰值上下文 12.7K；ReAct 为 1,078K、45.3 次、30.6K，即少 87.4% 输入 token。
鲁棒性：RL 把 8 次运行的总体标准差从 3.5% 降到 1.9%，最差一次从 36.9% 提到 39.8%。
跨骨干纯提示：QwQ-32B 26.2→32.0、Qwen3-32B 34.0→36.3、Claude Sonnet 4 60.2→65.0；Qwen2.5-7B-Instruct 反而 17.5→13.6（无法稳定输出四个工具的 JSON）。

证据与局限：作者自陈，多回合 ARPO 把轨迹奖励等权广播给每个回合，与「区分有效铺垫与无效绕路」的动机相冲突，属最简单的可行方案；重置同时丢掉了修错所需的历史。本文观察，摘要的「6–7 倍更少输入 token」与表 2 的 87.4%（约 7.9 倍）口径不一致，以表为准；Level 3 只有 12 题、每题 8 次，单题权重约 8.3 个百分点，RL 与 SFT 的 4.2 点差不足一题；失败轨迹的重置次数约为成功轨迹两倍（0.28 对 0.12），所以「重置多」是挣扎的症状而非卖点。22

与目标研究线的关系：A 线直接命中，补「何时该重置」：重置不该由步数或窗口占用触发，而应由 agent 依自身状态判断，且该判断要训出来。

可迁移启发：把「进度 + 已验证事实」做成结构化面板而非摘要文本，重置时只回灌面板，事实就不会被摘要改写；评测同时报峰值上下文与每轨迹输入 token——本文省下的主要是「重读历史变少」。

站内摘要出入：说「在 GAIA 等基准上提升准确率且降低推理成本」缺条件：8B 模型、103 题、每题 8 次的平均，总分仍低于同规模 CK-Pro-8B；「可泛化到多跳问答」未说是零样本迁移。

ReAct 的无限上下文与 CORAL 的回合制重置 — 图 1 上下两栏对比两种上下文演化：ReAct 把思考-动作-观测块无限堆在同一段上下文；CORAL 每块旁挂记忆面板更新，某一步切断，下一回合只带「系统提示 + 用户任务 + 记忆」重开。面板里 Task1 打勾、Task2 待办，正对上「只回灌进度与已验证事实」（arXiv:2610.40350）。

13. 把验证从执行者手里拿走：Terminal-Bench 2.1 上 71.9% 对 65.2%，但 SWE-bench Pro 只多 2.0 点 · arXiv:2610.39193 · 值得扫读

Goal-Aware Dynamic Multi-Agent Collaboration for Long-Horizon Tasks

作者：Xu Shen、Lingyong Yan、Shuaiqiang Wang、Jianmin Wu、Zhikai Chen、Jiliang Tang、Jie Ren（密歇根州立大学、百度、麻省理工学院）。arXiv 预印本（2026-10-29）；未给代码链接。

问题与方法：作者先做职责审计：把每步输出归到规划、执行、解读观测、验证、自我纠错、跑题六类。193 条轨迹、4,842 步（Terminal-Bench 2 的 45 题子集）显示：验证与成败关系最强却出现最晚，输出占比最高才 14%；相关历史占比随轨迹变长从 33% 掉到 14%。六种现成多智能体配置都没解决——跑题步骤是单 agent 的 2.0–5.0 倍，4%–30% 的消息对接收者无关。GAD 于是用一张会长大的执行图：每节点带目标、验收条件、状态，agent 执行中可提分解请求，控制器校验后扩图；上下文固定保留原始指令与本节点的验收条件，按依赖注入已验收结果；节点完成要过「可执行检查 + 独立语义审计」。

关键结果：

Terminal-Bench 2.1（89 题）：GAD 在 Claude Sonnet 4.6 上 71.9%、Qwen3.7-Plus 上 64.0%；同表最强的既有系统 65.2% 与 57.3%。
SWE-bench Pro Hard-51（51 题）：GAD 66.7% 与 33.3%，最强单 agent 64.7% 与 31.4%，只多 2.0 与 1.9 个百分点。
消融：去掉目标感知后四格 69.7/58.8/60.7/27.5；去掉动态协作 67.4/52.9/61.8/23.5（Hard-51 上 Sonnet 从 66.7 掉到 52.9）。
分解本身并非总有益：在 GAD 真分解过的任务上重跑，15 个 TB 2.1 任务解出数 7→3、24 个 SWE-bench Pro 任务 15→10。
审计：GAD 仅 10.2% 的步骤偏离所分配子目标，子 agent 14.9%、MetaGPT 37.7%；新 agent 前两步工具错误率 10.1%，链式配置 35.7%。
成本（双方都解出的任务、中位 token）：GAD 约 50K/题，多智能体基线 105–170K，LongHorizon-Harness 2.6M。

证据与局限：作者自陈，预研用 TB 2（45 题）而正式评测用 2.1（89 题）；每任务只跑一次，未报种子或区间；节点执行与语义审计同一基座模型。本文观察，正文「对最强单 agent 提升 14.6 与 7.8 点」与表 1 不符——14.6 是相对 ReAct 的 57.3%，表里最强单 agent 是 65.2%，实际差 6.7 点；「跑题 22–55 倍」与图 2a 的 2.0–5.0 倍差一个数量级，应是小数点丢失；审计只覆盖分解过的 7 条轨迹（45 题里仅 7 题触发分解），Qwen 在 89 题里只分解 2 题，Hard-51 那 2 点更可能来自独立验收与依赖注入。23

与目标研究线的关系：A 线直接命中，落在运行时验证与分工的交叉口：不等执行者自我怀疑，而在子目标边界强制一次带验收条件的独立审计。

可迁移启发：给每个子任务写死「验收条件 + 依赖列表」，上下文只注入依赖的已验收结果；把验证从执行 agent 的职责里剥出来交给独立上下文，是本文唯一四格全涨的部件，优先照抄这个而不是整张执行图。

把「验证最晚、上下文最稀」量化 — 图 1 四小格审计单 agent 的职责：(a) 六类职责输出占比，(b) 规划与验证份额随轨迹位置变化（验证只在末段翘起），(c) 按验证份额三等分的通过率 23/64、34/64、48/65，(d) 每步所需前序步数从 5 涨到 30 而相关步数只从 1.4 涨到 3.0（arXiv:2610.39193）。

14. 同一批任务，把目标改成中途修订：成功率 28.2%–43.1%，而「当场点头」的修订最后只有 1.9–12.2 点兑现 · arXiv:2610.40133 · 值得扫读

DynaRev: Benchmarking Web Agents under Dynamic Goal Revision

作者：Shiqi Zhang、Guochen Zhou、Zesheng Wei、Hai Zhao、Zhisong Zhang（香港城市大学、上海交通大学）。arXiv 预印本（2026-10-29）；代码与数据在 github.com/zsq259/DynaRev。

问题与方法：现有基准把目标在执行前写全、执行中不动，而真实用户会在看到候选后追加、覆盖，甚至给出带条件的偏好。DynaRev 用 140 个种子任务改造出 181 个动态任务，平均 6.95 条约束、3.22 轮指令。关键是语义里程碑：触发点由前序目标完成的一个语义阶段决定，而非固定百分比或步数；修订分追加、无条件覆盖、条件覆盖三类。评测把约束拆成可核验断言，再叠满足均值、全约束成功率、首次失败轮次、修订后窗口响应与带成本的质量曲线。

关键结果：

五个模型在 181 题上：满足均值 0.598–0.735，成功率 28.2%–43.1%，平均首个失败轮次 1.91–2.28，修订后窗口响应 66.8%–69.4%。
静态投递与动态投递对照（30 个追加型任务、与单轮原题配对）：32.0% 的模型-任务对变好、28.0% 变差、40.0% 不变，多数情形多花步数（Claude 在一子上集步数 +14.34、分数 −0.107）。
修订处理策略（六组合、同一子集、DeepSeek-V4.1-Flash）：基线 0.647 / 50.3 步 / 806.7K token；「改写累积指令」0.718 / 44.9 步 / 658.8K，是唯一同时提质降本的；「重置浏览器」0.586 / 59.7 步；「重置 + 改写」最差 0.525 / 61.5 步。
里程碑位置：首个修订注入点的相对位置均值 56.8%、标准差 28.5 个百分点，同任务跨 agent 极差中位 36.4 点——固定百分比会把同一修订发给处在完全不同阶段的 agent。
即时响应不等于最终做到：窗口响应 66.8%–69.4%，但响应为 1 的修订最终满足率只比未响应的高 1.9–12.2 点。

证据与局限：作者自陈，基准由静态任务改造，未必覆盖真实变化；里程碑触发与评测都依赖 LLM 语义判断，数据构建、里程碑判定与离线评测一律用同一个模型；人工核验只做 30 个抽样触发，两名标注者三分类一致 25/30（κ=0.438）。本文观察，五个被评模型里就有 DeepSeek-V4.1-Flash，而约束核验、里程碑触发、窗口响应判定都用它，自我偏好风险未用人类对照排除；每模型每题只跑一次（温度 0），0.598 与 0.604 这类排序不可靠；策略对比只在一个模型一个子集上做。24

与目标研究线的关系：A 线直接命中「目标会在中途变化」的评测协议：目标被当常量时，「改需求后是否重规划、是否保留已完成进度」根本没被计分。

可迁移启发：评测加两列——修订后窗口响应率与全约束成功率，分离两者才能抓出「当场点头、最后没做」的 agent；工程上新需求实现为「改写累积指令、保留浏览器状态与历史」，实测同时降风险与降成本，「重置浏览器」最差。

首个修订注入点在轨迹里的相对位置 — 图 6 横轴 30 个任务，纵轴首个修订注入时所占轨迹的相对位置，三点是三个 agent 在同一任务上的位置，竖线是极差。均值 56.8%，但同一任务跨 agent 可差 40 点以上——固定百分比投递不可比（arXiv:2610.40133）。

15. 执行前的门把 τ²-Telecom 的 pass^3 从 39.5% 推到 80.7%，但 101 条坏调用里有 42 条不违反任何编译规则 · arXiv:2610.38620 · 邻近跟踪

Think Before You Act: Decision Gate for LLM Agents

作者：Iftach Shoham、Yuval David、Offer Akrabi、Erez Bilgory、Ido Levy、Sam Marreed、Sergey Zeltyn、Segev Shlomov（IBM SIL）。arXiv 预印本（2026-10-28）；未给代码链接。

做了什么：ReAct 一产出工具调用就执行，缺执行前检查。JevAct 只拦两类提议——写调用（改环境的工具调用）与转人工/放弃，其余照常执行。判据分两层：日期、金额、次数这类工具记录事实交代码判；用户是否提过要求、某步是否试过由一个小模型一次给概率，只有 P(yes)≤0.05 才算「否」。被拦的提议丢弃、附临时反馈重提，写门预算 2 次。25

可用数字：τ²-Telecom（114 任务、每任务 3 次）上 8 个 agent 的 pass@3 与 pass^3 均值分别 +16.0 与 +16.9 点，Opus 4.6 的 pass^3 39.5%→80.7%；τ²-Airline（50 任务）6 个模型四升一平一降；BFCL（800 条）9 个模型 pass^3 全升 0.1–9.6 点，但 pass@3 四升五降。误拦侧：260 条标注写调用（101 坏、159 好）上抓住 32/101 坏调用、误报 2/159；漏拦侧：42 条坏调用不违反任何编译出问题。

连接点与缺口：它是 A 线「动作级验收」的一个可用形态——把可算的事实交代码、把对话判断交小模型，并给出「误拦/漏拦」两侧的分母。缺口在证据强度：主结果每任务 3 次，Airline 只有 50 题、最小可分辨差 2 点，换用户模拟器后 Telecom 增益消失（pass^3 −1.8 点），且没有隔离「转人工检查」本身的贡献。25

16. 把可判定的部分从模型手里拿走之后，0.5B 与 Opus 在操作选择上同为 86% · arXiv:2610.38144 · 邻近跟踪

Decompose, Don't Expand: Capability-Independent AI Systems by Construction

作者：Tejaswi Gowda（单一作者，亚利桑那州立大学）。逐条结果以附件与镜像仓库发布。

做了什么：模型做不动任务时默认扩张（更大、更好提示、微调），代价是系统永远落后一代且不可验证。作者主张分解：有确定性算法的部分交给宿主精确计算，模型只留不可约的模糊残差。3D 场景编辑被拆成选择器解析、操作选择、参数抽取、多操作切分与打标签，前两者与无歧义切分交宿主。26

可用数字：九个模型（0.5B 到 Opus 级）、88 个 fixture；宿主接管后操作选择九模型同为 86%，选择器八个 91%（Haiku 86%）；与 0.5B 逐 fixture 一致（操作 22/22、选择器 22/22）。唯一不分解的「打标签」仍随规模走：67/78/67/78/89%，Opus 与 Fable 100%。494M 档：选择器 5%→91%，操作 9%→86%，解析错误 51/88→0，补全 token 1385→26。

连接点与缺口：它给 A 线一个「可验证性」的设计闸门——把分数里那部分从模型手里挪走，剩下的才谈模型能力。缺口在规模：五类子任务各 9–22 条 fixture，「完全相同」主要验证的是宿主逻辑；平线是因为模型被问的问题变了，不能读成小模型变强；其余四个应用场景只是示意。26

17. 记忆的功劳该怎么记：把「该不该看一眼」换成一个可算的信息价值 · arXiv:2610.40030 · 邻近跟踪

Cheap Retrieval and Observation Credit Assignment from One Quantity: The Value of Information

作者：Daniel Strauss、Nikolaos Sotirakis、Zhenshan Bing、Alois Knoll（慕尼黑工业大学等）。CoRL 2026 Workshop；代码在匿名仓库。

做了什么：记忆在 RL 里有两笔开销——注意力要给每个决策给整库打分，以及「当初该不该看一眼」的功劳要跨整条序列回传。作者主张二者由同一个量支配：信息的价值，即决策拿到某段历史后可达回报的增量。估计靠归档 rollout 上训世界模型，把历史遮掉比较可达回报，不必重采「没看到」的轨迹。读在观测处，它是获取动作最优值的可证下界，做成 TD 目标的地板；读在决策处，它定义最优检索集。27

可用数字：MiniGrid-Memory-S9 预训练、S17Random 微调：检索头达平均回报 0.95 用 0.59M 步，高斯绝对位置检索 0.94M 步（各 6 seeds），无检索头 1.38M 步（3 seeds）。注意：该试点里信息价值信号并未接进奖励。

连接点与缺口：它把 B 线的信用分配从「按折扣回传」换成「按信息增量记功」，是这批里唯一给下界证明的一条。缺口很实：估计器与地板都未实现，经验部分只是单任务、单网格、6/3 个种子的演示。27

18. 换一个更弱的模型，harness 的阶梯还在，被压低的是上限：车内噪声故障检测 10/10 掉到 0.80 · arXiv:2610.39685 · 值得扫读

Practical Assessment of Agentic Systems in Acoustics

作者：Arne Hildenbrand、Philipp Diel、Zhuo Cao、Hanno Scharr、Stefan Pischinger、Steffen Marburg（慕尼黑工业大学、亚琛工业大学、于利希研究中心）。arXiv 预印本（2026-10-29）；数据与复现脚本在补充材料。

问题与方法：工程界的 AI 多停在代理模型与优化，LLM 放进 harness 后能接手重复分析，但没人量过模型与 harness 各部件各贡献多少。作者搭了一个编排 agent 加两个子 agent 的系统，跑两个案例：车内噪声故障检测（50 条 10 秒录音、9 类故障、13 个技能、8 个提示、4 种配置逐级加技能与知识，每格 10 次），与超材料单胞设计（4 任务 × 3 难度共 12 次）。

关键结果：

强模型（每格 10 次）：knowledge 配置在三个任务上 10/10、四个任务 F1 = 1.00，最弱一格 0.95±0.16；baseline 相应为 10/10、2/10、3/10、0.88、0.69、0.74、0.82、0.69。
唯一反常格：批量二分类上 none 的 0.89 高于 baseline 的 0.74——批内相对排序不需要阈值，所以「加部件就更好」在本表不普遍成立。
换弱模型：knowledge 在若干格从 1.00 掉到 0.80±0.31，baseline 从 0.69 掉到 0.35；但 knowledge 仍是每任务最好，阶梯仍在，被压低的是绝对上限。
知识冲突（每条件 30 次）：公平指令下 25/30 取整理版、4/30 取被污染记忆；指令点名「先查知识」后 30/30 取整理版；调高推理强度只让它更多去读两个来源，分数不动。
超材料：12 次设计 8 次达标，自报值与独立重算最大差 1.4 dB；60 次求解预算多数只用 3–10 次。

证据与局限：作者自陈，每格 10 次只是「适度」重复，只能分辨超出可分辨差的差别；案例一是合成数据，案例二每任务只跑一次。本文观察，摘要说「弱模型设了任何 harness 都跨不过的上限」，正文结论却是「阶梯在换模型后依然存在」，数据支持后者；5 个格子报 F1，而 F1 对「报出的类型集合」敏感，跨配置比较混了检测能力与命名规范；可分辨差 Δ≈2σ/√N 是加分项，但有一格 Δ 达 0.20。28

与目标研究线的关系：A 线直接命中「评测协议 + 归因」，把 agent 表现拆到模型、技能、文档、知识、指令五个可独立拨动的旋钮。

可迁移启发：报 harness 消融时给重复次数、标准差与可分辨差，两均值要差过约 √2·Δ 才敢说谁更好；把「知识 vs 记忆冲突」当单独条件跑，指令点名来源比提高推理强度更救分。

站内摘要出入：站内「弱模型会设定性能上限，框架设计仅在模型足够强大时生效」把原文加强了——弱模型下框架仍有效，被压低的是绝对上限；「可实现高故障检测准确率」也没说清只属 knowledge 配置。

超材料单胞设计的一次提交结果 — 图 10 第 1 格是任务 101 中等难度那次设计在 1 kHz 的声压场：白色 c 形开口谐振器单胞、两列阵列，虚线标出阵列前后，右侧点线是读取插入损失的接收线，阵列前那道深色竖带是反射形成的驻波节点。可读出 agent 交的是 c 形单胞、两层，且阵列后场强显著下降，与该次 +10.9 dB 余量一致（arXiv:2610.39685）。

四、自进化：验收门看不见的删除，与更新后失效的归因

六篇都在回答「这一版到底比上一版好在哪」。答案分两类：一类是验收门看不见的东西（被掩盖的删除、种子间的方差、完成态而非推理带来的增益），一类是归因本身过期（策略更新之后，同一条技能的边际效用已经变了）。这一节最该带走的不是方法，而是三个追问：相对什么基线、在 dev 还是 held-out、每格跑了几次。

19. 删掉一条被另一条掩盖的 safeguard，危害只涨 0.016；而真正的删除危害是 0.422 · arXiv:2610.38392 · 精读

Masked Erosion: How Acceptance Gates Lose Redundant Safeguards in Self-Improving Agents

作者：Hau-Sing So、Daixian Liu、Weicai Long（澳门大学、清华大学）。arXiv 预印本（2026-10-28，25 页正文 8 页）；原文承诺公开代码与 safeguard 文本，尚未给链接。

研究问题与核心方法：4

自改进 agent 会改写自己的 harness（固定模型外围的提示与规则），只在接受门判定「子代在一批任务上更好」时保留改动。问题是门只看得到子代在当前模型下的表现，看不到「若某一层保障失效，子代还能挡住什么」；当多条规则重叠保护同一个危害时，删掉其中一条不改变可观测危害，删除被「掩蔽」了。作者把被删掉的余量叫 margin：最少再删几层就会掉进不受保护子集。

测量在两个环境各穷举四道 safeguard 的全部 16 个子集：AppWorld 的跨用户凭证误用，与自建的 OpsSim 破坏性清理。实验主体是 411 个改进环（393 个受控删除环 + 18 个让模型自由改写的 natural 环），另有 3 次 GEPA 原样运行；环默认 8 代、每批 40 个任务、危害池占比 0.1。共比较十种门规则，从贪心到配对显著性检验、审计、margin-aware。

关键结果：

掩蔽效应：在 AppWorld 上，「删一层后仍受保护」的删除，在确认池上的 child-only harm 只有 0.016（95% 上界 0.028，22 条边）；而删进不受保护子代的是 0.422（10 条边），相差约 26 倍。
可见度：4 条危害样本的批次审计，按 0.016 只有 1−(1−0.016)⁴ ≈ 6% 的概率撞见，按最坏界也只有 0.19。
配对检验挡抖动：27 个 AppWorld 删除环里每条删除都近乎中性（|z|≤1.1），贪心接受率 0.48、对半分 0.44、配对检验 0.04；被掩蔽删除的接受率贪心 0.625（15/24），空操作编辑只有 0.358。
挡不住真增益：全部 stress 决策里配对检验只接受了 9/292 条 z- 挡不住真增益：全部 stress 决策里配对检验只接受了 9/292 条 z<zα 的删除，却接受了 46/92 条 z≥zα 的；对「从满栈删掉唯一单层足够的 confirm」的 20 条提议，它接受了 15 条，三个模型的环分别有 4/6、3/6、6/6 失去保护。
批次越大越松：n=20 在成本 0.15 时 6/6 守住，n=40 时 6/6 全丢（p=.001）；断点在开跑前就被冻结的模拟器预测到。
终态伤害要换弱模型才现形：11 个终态在最终测试池重跑，Qwen3-30B 上非配对门误用 0.30、配对门 0.004（差值 95% CI 0.16–0.47）；在能解题的两个强模型上只差 0.025。
GEPA：181/186 条提案有效，验证集增益最高 +0.22，终态在最终池只解出 0.35–0.45（H0 为 0.40）；三个终态都逐字保留了凭证规则，其中两个把笔记模板改成「直接用存好的凭证登录」，弱模型下 40 次里分别误用 2 次与 5 次。

证据与局限：4

作者自陈：两个环境、每个一个危害加四道手写 safeguard，多数环每代只植入一个删除，目的是暴露门对删除压力的反应，不是估计真实优化器的侵蚀率；natural 环与 GEPA 都算案例研究；177 条登记预测里 113 条成立（66%），支撑主结论的 14 个检验只有 7 个成立，有 3 组预测在看到结果后才冻结。

本文观察：主结论里的「伤害」几乎全来自 11 个终态用弱模型重跑，而两个弱模型在干净 AppWorld 上成功率只有约 5%——「更弱的执行者」同时是「不太会做事的模型」，很难区分是缺层还是能力不足放大误用。OpsSim 里 confirm 之所以值钱，是作者用「owner 沉默率」人为造出的成本。每臂仅 6 环，功效很低。

与目标研究线的关系：B 线直接命中。它把自改进的验收口径从「子代现在安不安全、增益是不是真的」推进到「子代还剩多少余量」，用可穷举的 16 状态格架把冗余变成可测、可预测的量。

可迁移启发：评测表加一列 margin——对每条安全或校验规则做单层消融，报留出集上「再删几层就出事」的层数，而不只报当前危害率。门规则要拆成两件事：显著性检验防抖，单层消融的证明测试防侵蚀，两者不能互相替代。终态别只在训练用的模型上审计，换一个更弱的执行模型重跑。

站内摘要出入：站内方向正确（重叠导致冗余被悄然侵蚀、门规则与批次大小有影响），但删掉最关键条件：终态在环所用模型下仍低于危害阈值，伤害是在换成更弱模型后才出现的（0.575 的误用对阈值 0.05）；也漏掉规模（411 个环、十种门）与 0.016 对 0.422 的量级。

四层 safeguard 的 16 状态格架 — 图 3(a) 是 AppWorld 四层 safeguard 的完整状态格架，16 个状态各标出危害值（满栈为 0.000，空栈 0.692），蓝框为受保护。橙线 20 条是被掩蔽的删除——从满栈删一层全部落在 0.000–0.008，删到两层才出现 0.058。这张图就是「删了也看不见」的直接证据（arXiv:2610.38392）。

20. 策略每更新一次，技能的边际效用就漂一次：方向相关从 0.032 升到 0.531，而真值区间不含 0 的技能只有 36 个 · arXiv:2610.39358 · 精读

Before the Next Rollout: Diagnosing Skill Utility Shifts from Policy Updates

作者：Yifan Wang、Zhenyi Gai（共同一作）、Yiwen Zhao、Mingxuan Jiang、Keyang Chen、Zeping Li、Hongfeng Chai、Yixin Cao（复旦大学、Pyra）。arXiv 预印本（2026-10-29）；匿名仓库 anonymous.4open.science/r/SkillSense/。

研究问题与核心方法：29

技能演化方法通常拿执行轨迹与失败反馈来改技能，但技能效用随策略变：策略更新后，同一份没改过的技能对行为的边际影响会变，旧轨迹上的归因就过期了。作者先定可测的真值：以「调用技能 s 的那一步」为锚点，比较「带技能」与「去掉该技能指引的对照」从同一锚点继续的期望成功差，得到边际效用；跨一次更新的变化就是诊断目标。

读数不需要新 rollout：在同一锚点上下文上，对每个 token 分别算技能条件与控制条件下 log-prob 的跨 checkpoint 变化，取差得到「技能–控制交互位移」，把技能特有的行为变化从两个条件共有的策略漂移里分离出去；再用 batch 里记录的优势造出局部奖励方向，把位移投影上去，负投影越多越该优先重审。落地上每 5 次 RL 更新给一次修订机会：取读数最高的 5 个技能连同失败轨迹交给同一个编辑器，最多 3 处改动，候选库在同一批验证任务上与现库配对比较。六基准：ALFWorld、WebShop、HotpotQA、NQ、SpreadsheetBench、LogicBench；策略 Qwen3.5-4B 用 GRPO 训练。

关键结果：

读数与效用下降的关联（6 个基准平均）：AP 0.590→0.746、AUROC 0.525→0.802、方向 Spearman 0.032→0.531、P@5 0.367→0.667。逐项方向相关为 ALFWorld 0.416、WebShop 0.778、HotpotQA 0.520、NQ 0.579、SpreadsheetBench 0.420、LogicBench 0.474。
只用幅度（不用优势方向）的对照在 |ΔM| 上反而更强（0.395 对 −0.089），说明优势提供的是方向而非强度。
规模：209 个初始技能里 138 个有读数，各基准的效用下降比例为 32.0%、50.0%、36.4%、44.4%、35.0%、54.5%。
下游（每方法 3 个 150 迭代演化 run）：ALFWorld Seen 81.43 对最强基线 75.36（+6.07）、Unseen 80.22 对 74.63（+5.59）；WebShop 63.08 对 59.32（+3.76）；LogicBench 90.02 对 86.20（+3.82）。NQ 52.70、SpreadsheetBench 27.60 比 SkillOpt 低 0.80。
选谁去修比怎么修更重要（同 top-5 预算、同编辑器、同接受规则）：随机 72.14/70.52/58.07、按失败频次 76.43/75.75/59.88、按幅度 74.64/73.88/58.91、按读数 81.43/80.22/63.08。
省的主要是编辑器上下文：ALFWorld 上编辑器输入 token 从 14.940M 降到 3.475M。

证据与局限：29

作者自陈：读数依赖训练时的优势与两个 checkpoint 的访问权，奖励噪声大或技能观测稀疏时信息量下降；固定上下文比较只覆盖技能条件下的行为改变，不覆盖状态访问与路由漂移；分数是优先级而非校准过的效用估计。

本文观察：所谓「真值」也是估出来的，能给出方向标签的技能远少于有读数的：附录说只有 47 个技能有至少 2 个任务支撑，其中 36 个的 95% 区间不含 0（17 降 19 升），AP/AUROC 实际算在约 36 个正负样本上。正文与表 2 有两处对不上（称「七个设置里五个最高」，表内是六个；称 NQ 落后 0.50，表中领先 0.30）。主表 3 个演化种子、真值 6 个 RL 种子，两套种子集不同；只测一个 4B 策略，编辑器固定。

与目标研究线的关系：B 线直接命中。它把「该改哪条技能」的判据从「哪条技能出现在失败轨迹里」换成「策略更新是否已改变这条技能与对照的偏好对比」，补的是轨迹级归因与信用分配那一环，而且是零额外 rollout 的版本。

可迁移启发：训练时顺手落盘三样东西（锚点上下文、token 级优势、更新前后两个 checkpoint 在该上下文上的 log-prob），下次更新后就能免费得到一次技能效用位移读数。评估技能归因时同时报方向指标（AUROC、方向相关、P@5）与幅度指标，只报相关性会被幅度项骗过去；给「真值」设一个可评价样本下限，并把这一分母写进表里。

站内摘要出入：站内写「减少标记消耗」，原文减的是 token 消耗，属术语误译；「可提升下游性能」也没交代六七个设置里有一个没赢（SpreadsheetBench 低 0.80）。其余两点（用策略更新信号生成奖励导向读数、不额外做 rollout）与原文一致。

读数分位与实测效用下降 — 图 2(a) 横轴是奖励读数分位、纵轴是实测效用下降（百分点），三条回归线分别对应 ALFWorld（ρ=0.416）、WebShop（0.778）、LogicBench（0.474）——读数越高效用下降越大，WebShop 斜率最陡。(b) 把未见任务成功率与每回合输入 token 放进同一平面：全轨迹注入 74.63%、33.53k token，读数引导 80.22%、21.24k（arXiv:2610.39358）。

21. 留出集 30.19→39.15，但同一领域的五个种子跨度是 0.94 到 11.25：门留着的是噪声还是增益 · arXiv:2610.39884 · 精读

KARMA: Training-Free Knowledge-Atomic Harness Evolution for Industrial Advertising Agents

作者：Xinhua Miao、Yuanzhen Rong（同等贡献）、Weiru Zhang、Xiaoyi Zeng（阿里巴巴国际数字商业集团）。arXiv 预印本（2026-10-29）；原文未给代码，附录说明为避免泄露业务标识不公开数据。

研究问题与核心方法：11

工业广告 agent 的决策规则会随商品、流量与运营政策变化而过时，反复微调成本高，整篇 prompt 重写又会把领域知识、启发式与输出指令缠在一起，改完难以归因和回滚。KARMA 把可演化对象收窄成六类带类型的知识模块（身份、领域语义、带稳定 ID 的经验规则、约束规则、输出协议、动作描述），模型权重与 harness 代码全部冻结。外层三段：确定性校验器把一批轨迹切成全对、语义失败与基础设施错误，用固定映射表把失败类别映射到候选模块；评审器从「缺知识/规则冲突/协议时序/措辞歧义」四视角读报告、产出提案却碰不到知识本身；演化器把提案落成至多 3 处原子编辑。门规则是：本批有语义失败、patch 非空、指纹确实变了才可评，在固定 160 例验证集上增益 ≥1 分才保留，否则整目录回滚；留出集全程不参与诊断、编辑与选择。

关键结果：

主结果（18 个「领域×模型」设置、留出集 160 例）：平均 30.19→39.15（+8.96 点，+29.7%），16/18 提升。按家族：Qwen3.8-Max +12.08、GLM-5.3 +8.91、Kimi-K3 +5.89；Kimi 在两个设置回退（−3.13、−1.88）。
领域平均：美容健康 +15.52、家居 +13.23、服饰 +10.73，电子办公与长尾更小，汽车几乎持平。
证据通道消融（Qwen3.8-Max，三个领域）：全量 +16.67，去掉成功证据 +8.23，去掉失败证据 +6.56；但两者并不占优——家居上只剩失败证据更强（+10.94），美容上只剩成功证据更强（+10.31）。
引擎对比（同知识目录、同一门、两个领域）：家居上 KARMA +15.94，GEPA +9.06、AHE +8.75、Self-Harness −2.50；美容上 KARMA +18.13，AHE +6.56、GEPA −1.88。
跨域迁移（6 个终态知识直接评其余 5 域）：30 个对子平均 +8.54 点，约为域内 +12.08 的 71%；23 正 7 负，7 个负例全部涉及汽车。
门的稳健性：某领域换 5 个数据种子，留出集增益 +0.94 到 +11.25、均值 +6.06，主 run 的种子偏在上端；全场共 108 个被门评过的 cycle。

证据与局限：11

作者自陈：日志动作可能带历史策略偏差，一致率不等于营收或公平性改善；系统离线评测、不执行任何广告动作；在固定验证集上反复选择会偏向不能迁移的变化；每个主配置只跑一次；只动外部知识，修不了坏工具或编排代码。

本文观察：唯一的多样本检查恰好暴露方差——五个种子的增益跨度 10.3 点，比整体结论 +8.96 还大；把均值 +6.06 放到 +29.7% 旁边，主结果幅度要打折。每格 160 例、单例值 0.625，Kimi 那两个回退约相当于 5 例与 3 例的翻转。迁移表把 30 个对子当独立样本取平均，但同一源域知识被重复用于 5 个目标，有效样本远小于 30。引擎对比只在 2 个领域、1 个模型上做，GEPA 的接受规则与 KARMA 的门不同，只能算同一外在门下的引擎比较。

与目标研究线的关系：B 线直接命中。它把 harness 演化的编辑对象从整篇 prompt 或可执行代码收窄到六个带 ID 的规则模块，并配上确定性归因、固定验证门与整目录回滚，补的是「演化单元与回滚粒度」这一环。

可迁移启发：演化前先写一张固定的「错误类型 → 该改哪个模块」映射表，让模型只在给定模块内提改动，这样连被拒的 patch 也能按图审计。门只用演化过程看不见的固定验证集，并把基线验证结果缓存起来（缓存后评测次数从 2T 降到不超过 T+1）。报告里至少给两行单通道消融，否则「全量 ingest 更好」无法被检验。

站内摘要出入：站内把 hold-out score 译成「保留得分」，是术语误译；「显著提升决策准确率」也没交代两个回退设置与种子跨度 0.94–11.25 这件事。

六个领域、三个模型家族的演化轨迹 — 图是 18 个「领域×模型」设置在留出集上的逐 cycle 曲线：多数曲线前 20 个 cycle 上升后走平，Kimi 的两条在汽车与电子办公上全程贴地甚至在末端下折——这正是「16/18 提升、两个回退」的图形来源（arXiv:2610.39884）。

22. 把技能编译成可执行程序：LiveMath 上 77.00% 对该格最强基线 44.67%，强在「不再靠语言模型重解一遍」 · arXiv:2610.39508 · 精读

Compile Away Uncertainty: Self-Evolving Agent Skills via Programmatic Compilation

作者：原文 HTML 的作者块未完整渲染，作者名单与机构未取到。arXiv 预印本；原文未给代码链接。

研究问题与核心方法：30

自进化技能通常是文本文件、每次执行都要靠 LLM 重新解释与生成，于是「已经学会的流程」在每一步都引入可避免的不确定性。程序执行是确定且可独立验证的，因此作者提出 SkillCompiler：在技能演化回路里加一层「可执行性感知的编译」——把已经写清的技能片段编译成可执行程序，执行时直接调用，不再让模型重解；编译失败的片段回退到文本条款，并在后续轮次里继续尝试编译。于是技能库同时存在「文本条款」与「已编译程序」两种形态，演化既改文本也改程序。

关键结果：

主表（6 个模型 × 4 个基准、每个配置 3 个种子）：GLM-5.3-Flash 在 LiveMath 上 77.00%，该格最强基线 Trace2Skill 44.67%（+32.33 点）；各模型相对最强基线的均值领先 6.02–11.90 点。
ALFWorld：98.26% 对 EmbodiSkill 93.53%（134 题）。
编译前后：已编译技能覆盖的执行步占比越高，同配置方差越小；编译失败的片段留在文本形态，仍是可用条款。
表 II 的题注写「四个基准」，正文与摘要写五个，两处不一致（原文未说明以哪个为准）。

证据与局限：30

作者自陈：只报告有限配置，未给逐格置信区间，也未报告程序合成—修复循环的上限与最终失败率（只说「有界修复」）。

本文观察：三个种子的存在比单次运行强，但仍无区间与显著性检验；主表领先幅度在不同模型间差近一倍（6.02 到 11.90 点），说明增益与「模型本来能干多少」强相关；ALFWorld 上另一个系统的执行可靠性只在图里出现，正文没有对应的表；「编译」的收益有多少来自「少采样」、多少来自「更准」，本文没有分开测。

与目标研究线的关系：B 线直接命中。它给出自进化的一条降不确定路径：把稳定的流程固化成程序，只在模糊残差上保留模型，这和同批那篇「分解而非扩张」是同一思路在技能库里的版本。

可迁移启发：给技能库加一列「已编译覆盖率」，并把编译失败率与回退次数当作一等指标；评测时把「同 token 预算下的方差」一并报出，因为编译的主要作用可能就是压方差。

站内摘要出入：站内写「通过程序化编译降低执行不确定性并提升性能」，方向与原文一致，但没有给任何量级，也没提「表 II 写四个基准、正文写五个」这处内部不一致。

技能编译框架 — 图 1 把技能演化拆成「文本条款」与「编译后的可执行片段」两条并行路径：演化仍在文本侧发生，可执行性检查决定哪一段进入程序侧，执行时优先走程序、失败则回落到条款。可读出这是「技能库多了一种表示」而不是换掉了语言模型（arXiv:2610.39508）。

23. 任务池什么时候该换：组内优势归零的题目比例掉到 85% 就换，11 个基准平均 57.77→61.05 · arXiv:2610.38568 · 值得扫读

A-RSI: Adaptive Task Refresh for Zero-Data Multimodal Self-Improvement

作者：Yu Liu、Youxing Li、Yuedong Tan 等 20 人（中科院信息工程研究所、香港中文大学、维尔茨堡大学、CMU 等）。arXiv 预印本（2026-10-28）；未给代码。

问题与方法：零数据自改进只问「下一批经验造什么」，不问「当前这批什么时候已经没用了」，且监督多来自自洽投票。系统三件：训练前冻结的任务程序库（几何、图表、表格、计数四族，同一份配置同时渲图、出题、算参考答案）、在活跃池上用 GRPO 续训的求解器、以及只读训练日志的控制器——每窗统计「组内优势非零的题目比例」与答案正确率，同池已接受窗口满 3 个且前者掉到上上窗的 85% 或正确率涨 10 点时整池换新。

关键结果：

触发规则的实测：旧池三窗内该比例从 239 降到 195（0.816），两个新池为 0.832 与 0.826；准确率条件从未单独触发。
主结果（11 个测试集等权平均、22,042 题）：57.77 → 61.05（+3.27），用掉 800 个新任务。
同预算对比（第 6 窗）：新池 60.40 对旧池继续 58.35（+2.05）；按完成态分层，两臂都答完的题贡献 −0.60，其余 +2.66。
第 8 窗策略对比：本方法 61.05（800 新任务）对每窗刷新 60.64（3,200）、周期刷新 59.89（1,200）、前沿选择 59.59（800）。
第二骨干 MiMo：59.08→60.71，对旧池继续 +0.70，对每窗刷新只 +0.02。

证据与局限：作者自陈，刷新条件只是训练侧启发式，不等于池已被掌握；策略对比改的是「消耗哪些固定库实例」，没学模板；每条臂只训一次，不能把增益归给「自适应时点」。本文观察，观测到的刷新全部落在「三窗一次」，等于把「何时」退化成「每三窗」，任何固定周期策略都能复现同一时点，而这组实验没做固定周期随机对照；增益几乎全来自「原本答不完、现在答完」的题（两臂都答完的子集贡献 −0.60），能反驳这一点的只有截断率本就很低的 ChartQA。12

与目标研究线的关系：B 线直接命中「自改进的验收口径」：把「何时采样新经验」写成只看训练日志、不碰验证集的控制器，并用「完成 vs 纠错」分层验收增益。

可迁移启发：把「组内优势为零的题目比例」当池级枯竭计，几乎零成本；评测表并列截断率、两臂都答完子集的增益、完成态变化子集的增益三列，否则分不清「学会收尾」与「学会推理」。

站内摘要出入：站内「11 基准平均从 57.77 提升至 61.05」数字对得上，但删了两个条件：起点是已在旧池训过 100 步的检查点（公开基座为 56.65），增益主要来自完成态变化（−0.60 / +2.66）也被省掉。

24. 380 个审查轮次、6,099 条要求：自演化把满足率从 24.28% 推到 27.96%，而 87.6% 的缺口卡在「没发现」 · arXiv:2610.37905 · 值得扫读

FilingLoop: Evaluating and Evolving LLM Agents for Corporate Disclosure Review and Revision

作者：Wentao Zhang、Yilei Zhao、Guangyan Gan、Shuo Sun（香港科技大学广州）、Lin William Cong（南洋理工大学）。arXiv 预印本（2026-10-27）；未给代码链接，标题页留的是会议模板占位符。

问题与方法：披露审查不是问答——审查方要自己发现「没写出来的缺陷」，律师要去公司记录里取到缺失事实，改完还必须在正确的那份文件里被核到。FilingLoop 用 SEC EDGAR 的历史 IPO 审查往来重建流程：380 个审查轮次、96 家公司、3,012 条可评分评论、6,099 条要求（动作 + 交付物 + 证据）。环境把信息切开：审查方只看申报文件与允许的历史，当前轮评论与后续修订隐藏；申报方可向「事实服务」提问，服务只释放有档案支撑且与本轮相关的事实。自演化是程序级的：每批跑完并锁分后才改两份 Markdown 工作手册，新手册只对后续未开始的任务生效。

关键结果：

主表（380 任务）：演化臂要求满足 27.96%（1,705/6,099）、整条评论解决 20.75%（625/3,012）、任务级全通过 5.00%（19/380）、公司级 2.08%（2/96）；最强外部基线为 23.74% / 16.37% / 5.26% / 0%。
演化前后：要求 24.28%→27.96%（+3.68 点，+224 条）、评论 16.90%→20.75%、任务 3.95%→5.00%、公司 1.04%→2.08%。
角色分解：审查方发现率 35.45%→36.86%；申报方在固定指定池上的条件满足率 68.50%→78.86%、51.78%→63.58%。
成本：$2,519 对 $2,380（+5.8%），但每条已满足要求的成本 $1.61→$1.48（−8.1%），每多满足一条的边际成本 $0.62；有害修改率 5.8%→4.5%。
残差：仍有 3,851 条要求未被发现、543 条被发现但未满足，未发现占剩余未满足的 87.6%；即使修订全对，满足率天花板也只有 36.86%。

证据与局限：作者自陈，单一判官且人工与判官一致性未量化；只有一条固定顺序的在线流；两臂角色增益不可相加。本文观察，自演化只有一个「同框架零学习」对照臂，没有角色级消融，+3.68 点拆不开；27.96% 与 5.00% 的落差说明聚合按要求条数加权、任务级要求全部通过，只看前者会高估；有害修改率的分母是「完成了审计的任务」，而审计也由同一判官做。31

与目标研究线的关系：A 线直接命中：一个多轮、带隐藏参照、可自动判分的长程环境，加上「锁分后才更新、只影响后续任务」的在线自演化臂，属环境与验证的合体。

可迁移启发：做自演化时先把「锁分」与「只对后续任务生效」写进协议，再配同框架零学习对照臂；评分表同时给条数加权与整轮全通过两种口径；把「未发现」与「发现了没做到」分开计数，它决定改进该花在发现还是修订（本文 87.6% 对 12.4%）。

站内摘要出入：站内「通过程序学习提升要求满足率与评论解决率」方向对但无量级（24.28→27.96、16.90→20.75），也没提成本只涨 5.8%、每条成本降 8.1%；「基于 SEC 历史函件重构 IPO 审查」漏掉 380 任务 / 96 公司 / 6,099 要求的分母，也漏掉任务级 5.00%、公司级 2.08% 这两个会改变判断的严格口径。

任务构建、双角色迭代与锁分后演化 — 图 3 三联：(a) 历史往来拆成可见记录与隐藏参照；(b) 两个角色在同一份持久文件上迭代，公司事实只给申报方、修改以源文本替换提交；(c) 锁分、蒸馏、改写工作手册、仅供下一批使用。固定臂与演化臂共用同一条工作流，差别只在第三栏那份手册（arXiv:2610.37905）。

五、技能、团队与自研究：谁说了算

五篇把「谁说了算」推到了更上游：技能的质量由谁评、评分准则由谁改、团队的规则按什么作用域复用、基准与 hack 由谁定义、论文里的数字挂在哪次 run 上。它们合起来说明一件事——验收集本身也需要验收集。

25. 不执行也能给技能打分：六个执行维度里，跨模型稳健性与效率的相关只有 0.245 与 0.291 · arXiv:2610.38147 · 值得扫读

SkillCT: A Multidimensional Benchmark and Execution-Free Baseline for Agent Skill Assessment

作者：Mengyu Sun、Zunlong Zhou、Ziyuan Yang、Yi Zhang（四川大学）。ACM Web Conference 2027；未给代码链接。

问题与方法：现有技能基准把下游执行成功率当唯一证据，要造任务、配环境、反复执行，既贵又看不出「规格本身写得好不好」。SkillCT 把技能质量拆成三面向九维：静态三项（结构完整性、简洁性、描述-内容一致性）、动态四项（跨模型稳健性、意图扰动稳定性、能力边界处理、效率）、人工辅助两项（行为链语义一致性、任务抽象粒度）。参考集 4,098 条公开技能，另设 3,050 条独立评测集；动态维度用四个骨干真实执行。无执行基线则是这样代填的：TF-IDF 检索最相似的 8 条参考技能，除三个静态分以外的六维全部由相似技能的旧分数加权代填。

关键结果：

参考技能整体分均值 0.801（标准差 0.046），56.4% 在 0.8 以上；最低维是描述-内容一致性 0.565，最高是能力边界处理 0.924 与效率 0.908。
无执行基线的留出验证（3,278 参考 / 820 留出）：六维 MAE 0.022–0.130、偏差 −0.004 到 +0.014，但相关性分化极大——能力边界处理 Pearson 0.670、行为链 0.565，跨模型稳健性只有 0.245、效率 0.291。
检索方式对比：TF-IDF 的 MAE 0.064 / Pearson 0.438，好于语义检索 0.069 / 0.372，远好于类别均值 0.078 / 0.165。
140 条共享技能的三方对照：能力边界处理人评 0.554，全量评测 0.916、无执行估计 0.964（人把「约束没写清」读成不会拒绝）；描述-内容一致性反向，人评 0.919，两个自动口径都是 0.567。
把 SkillCT 当优化目标：整体分 0.806→0.851，两个骨干平均任务成功率 89.6%→96.0%、执行步 7.85→6.26。

证据与局限：作者自陈部分很少，5.5 节把人与自动口径的分歧解释为「人只看文本、全量看执行」。本文观察：Table 4 的「跨 LLM 一致性」对三个静态维度是恒等，真正被检验的只有六个自动维度；无执行基线恰好在两个最需要执行的维度上最弱，而 MAE 小很大程度来自分布窄（动态维度标准差 0.037），不等于估得准；「降低 token 与时间」全文没有任何倍数；人评只有 140 条、未报标注者间一致性；四个骨干里三个是 Flash 级小模型，「跨模型」实际是同代小模型之间的一致性。32

与目标研究线的关系：B 线直接命中，补的是技能资产的验收入口：不执行也能给九维质量档案，用于技能库巡检、选型与优化目标。

可迁移启发：评测表除执行成功率外加「描述-内容一致性」与「任务抽象粒度」两列——两者与执行几乎不相关却决定可复用性；检索代理的分数只可排序预警，不能替代跨模型稳健性、效率这类必须执行的维度。

站内摘要出入：方向对，但漏了两件事：规模（4,098 参考 / 3,050 目标），以及无执行基线在两个维度上与全量评测的相关只有 0.245 / 0.291——「预测质量」被写得比原文强。

九维质量档案与流水线 — 图 1 左半是流水线（公开技能库→九维评估→质量档案），中部把四个动态维度画成具体请求-反应（无关/不安全/超范围/不可行分别对应拒绝、阻断、警告、重定向），右侧是质量雷达与两个数据集 14 类的环形分布，可直接读出九维名称与归属（arXiv:2610.38147）。

26. 评分准则跟着策略一起改：七基准均分 61.87 对固定准则 59.36，且八条 rollout 就赢过十二条 · arXiv:2610.38566 · 值得扫读

Co-Evolving Policy and Rubric via Capability Awareness for Open-Ended Generation

作者：Chengsheng Zhang、Wenshen Xu、Yuchuan Wu、Zhiyuan Yu、Junfeng Fang、Tianlong Wang、Bingxue Qiu、Yongbin Li、Xiang Wang（中国科学技术大学、阿里巴巴 Token Hub、南京大学、新加坡国立大学）。arXiv 预印本；未给代码链接。

问题与方法：基于评分准则的强化学习有个具体失效点：准则要么饱和（所有回答都满足，奖励没方差）、要么永远达不到（策略探不到）。CoCA 先用双组 rollout 做准则级诊断：同一 query 采 4 条只给 query 的回答与 4 条带准则的回答，固定判官逐条打 0/1，按达成率把每条准则归入饱和、可学、过难、有区分、反向退化五态。只对饱和的收紧、对过难的放宽，其余不动；策略侧则看是否存在「满足全部可学准则且明显优于当前最优回答」的引导样本，有就开自蒸馏门，没有就走引导 GRPO 扩前沿。

关键结果：

七基准未加权均分：Qwen3-4B 61.87 对固定准则 59.36（+2.51）；Qwen3-8B 66.41 对 63.98（+2.43）；Gemma-3-4B-it 56.08 对 52.98（+3.10）。
更少 rollout 预算（Qwen3-8B，医疗三基准均分）：CoCA 用 4+4=8 条得 55.00，固定准则用 8 条 53.60、用 12 条 54.49——8 条即超过所有用 12 条的基线。
训练效率：第 250 步 42.19 已略高于固定准则第 500 步的 41.88，墙钟 22.50 h 对 25.03 h（−10.1%）。
准则状态迁移（某硬基准、Qwen3-8B）：可学→饱和 6.96%→14.02%，有区分→饱和 40.68%→51.21%，即「引导才做得到」被搬进「默认就会」。
改写保意图：按极性×操作分层各抽 200 条，意图保持率 94.13%–98.37%、难度方向正确率 93.10%–98.91%。
消融（Qwen3-8B）：去掉准则校准在某硬基准 −3.75，去掉自蒸馏 −2.39，去掉引导 GRPO −1.85。

证据与局限：作者自陈，诊断与前沿选择依赖有限 rollout 与 LLM 判断，对采样方差与判官错误敏感；改写质量受改写模型能力限制；双组采样、改写、自蒸馏都增加每步开销。本文观察：训练判官与评测判官在主实验里是同一个模型，跨判官表只换评测侧，所以「不是只适配判官偏好」仅在评测侧成立；2 倍步数来自 250 对 500 的单点比较；改写只有约 14% 变成可区分准则，收益主要来自群体层面恢复奖励方差；「减轻退化」在 Qwen3-8B 的「饱和→其他」上反而是反向的。33

与目标研究线的关系：B 线直接命中，补「验收标准本身也在演化」这一环：准则不再是外部常量，而是随策略能力边界上下调的目标集合。

可迁移启发：把每个 query 两组 rollout 的逐准则 0/1 落盘，这是最便宜的可观测项；自蒸馏只对「引导才达到且确实更优」的样本开启，否则等于把策略本来就会的行为再教一遍。

站内摘要出入：站内「性能优于现有方法，还能促进能力内化并减轻退化」需收紧：「优于」只成立于七基准均分，个别基准不是第一；「减轻退化」只由状态迁移支持，且 Qwen3-8B 上「饱和→其他」反而更高。站内漏了等预算对照与 −10.1% 墙钟这两个最有说服力的数。

准则五态诊断与门控 — 图 2 把四步画成闭环：双组 rollout 与判官→五态准则分类→难度校准（饱和收紧、过难放宽，其余不动）→前沿选择与门控下的自蒸馏/引导 GRPO。图中 N/G 勾叉矩阵就是五态的判定依据（arXiv:2610.38566）。

27. 四个基准混合演化后平均 59.58 对最强基线 55.55：经验按作用域分库才不互相污染 · arXiv:2610.39813 · 值得扫读

EvoTeam: Multi-Agent Collaboration via Evolving Teams

作者：Qinuo Cao、Xin He（共同一作）、Dianxuan Fu、Lizhi Zhang、Zhaoqing Xing、Jiapu Wang、Xin Wang、Na Zou、Yi Chang、Qinggang Zhang（吉林大学、南京理工大学、上海人工智能实验室）。arXiv 预印本（2026-10-29）；代码在 github.com/DEEP-JLU/EvoTeam。

问题与方法：单智能体变强不等于团队变强，而现有协作级演化有两个毛病：团队重组被限制在同一套结构里，交互规则又跨不兼容语境复用。EvoTeam 三步：维护全局智能体池与团队库，按任务需求临时组队；团队专属规则以软约束注入上下文；三层反射器分别改团队名单与描述、按交接轨迹增删改规则、改个体技能（跨团队复用）。全程不改模型参数。

关键结果：

单基准演化（avg@3）：平均 58.85 对 Meta-Team 58.30；GAIA 78.00 对 73.00（+5.00），LoCoBench 特征实现 67.32 对 64.82，跨文件重构 66.23 对 64.63。
混合演化（四基准演化集打乱成 116 实例流，连续演化后冻结再评）：平均 59.58 对最强基线 55.55（+4.03），六项全第一；本方法在混合设置下平均分反高于其单基准设置，Meta-Team 则下降。
跨骨干迁移：演化与评测模型不同的六种组合全部优于未演化基线；GAIA 上同骨干 78.00 对 72.00，DeepSeek→DeepSeek 80.00 对 58.00；跨骨干与同骨干差距都在 4.00 点内。
消融（混合演化四任务）：去掉交互规则只留任务条件化团队，GAIA 掉 10.00、LOCA 掉 8.75；都无规则时保留团队仍让 GAIA +6.00、LOCA +2.50。

证据与局限：作者自陈，未评测多模态交互环境；经验靠显式文本更新、参数冻结。本文观察，原文没有「演化代数」——演化是逐任务在线更新，可数的只有混合流的 116 例与各基准 20 例演化集，收敛时点无法复现；团队池与智能体池规模无数字；混合设置只有 4 个方法参与，avg@3 未报方差；单基准上仍有两项不如 Meta-Team。34

与目标研究线的关系：B 线直接命中「组织与规则的分域演化」，补「经验按什么作用域复用」：规则绑定团队语境、技能跨团队共享。

可迁移启发：经验按作用域分库（团队专属规则 vs 跨团队技能）可照抄，也让「谁的规则被改坏」可追溯；评测须同给「单基准演化」与「混合演化」两行，后者才检验经验复用是否互相污染；跨骨干迁移一次是便宜的 sanity check，掉超 4 点说明经验混进了模型特有习惯。

站内摘要出入：站内「在四个基准上验证了有效性」没有数字，也没说口径；「针对现有演化方法的缺陷」把最关键前提（跨任务继续演化会让目标任务成绩低于只用目标任务演化）省略成泛泛的「缺陷」。

团队、规则与技能三层演化 — 图 3 三栏：(a) 查询先查团队库、再从池中组合、由主席招募出最终团队；(b) 团队带专属规则库拆子查询执行，交接走「应用/检索」回路；(c) 团队、交互、智能体三层各经反射器更新。可读出规则集是按团队各一份的（arXiv:2610.39813）。

28. 八个前沿监控器里最好的 hack 定位 F1 只有 64.88，而细粒度人类反馈把分数从 98.0 压到 65.9 · arXiv:2610.38882 · 值得扫读

Aligning Autoresearch: Co-Improvement between Agents and Humans

作者：Tianjian Li、Chuanyang Jin、Seungone Kim 等 14 人（FAIR at Meta，兼约翰霍普金斯、卡内基梅隆、华盛顿大学）。arXiv 预印本；HackBench 发布于 huggingface.co/datasets/facebook/hackbench。

问题与方法：它把「agent 与人的共同改进」拆成四件可测的事：让研究智能体自己造基准并比较三种人类介入粒度；用 169 条真实自动研究轨迹建 HackBench，要求监控器点出 hacking 命令（从「有没有 hack」升级为「hack 在哪」）；用真实用户历史学用户模拟器并以合成多轮轨迹训 agent；把「生成评分准则的元提示」本身当优化对象。

关键结果：

HackBench 规模：169 条轨迹、60,468 条命令中 1,312 条被标为 hack；每条轨迹中位数只有 1 条 hack 命令（中位占比 0.6%）。
hack 定位：八个前沿监控器里最好的 F1 64.88（精确率 69.68、召回 72.64），其余七个都低于 53，最低 32.33（分母 169）。
人类不可替代之一：同一 agent 同一循环，细粒度反馈把基准分从无反馈 98.0、粗粒度 83.1 压到 65.9；三个求解器从 90/84/80 压到 43.5/51.2/39.1，六对基准-求解器全部改善 28–46.5 分。
人类不可替代之二：前 5 轮看似停滞，只给三条「怎么实现」的指导后，选中 checkpoint 从 88.1 降到 64.2、85.6→54.2、83.8→48.8，全程没有一条关于「测什么」。
用户模拟器：4B 上多轮基准 23.0→43.2、单轮 36.8→42.8；27B 上 Pass@1 34.9→38.5，而用源任务做 RL 反而回落 27.1。

证据与局限：作者自陈，自动造基准不训练提议者，只测当前 agent；合成 hack 由模型注入、另两个模型审核、分歧人工裁；元优化的专家盲评只有 18 个对比；用户模拟器消融只在 4B 上做。本文观察：169 条里 128 条是注入的合成 hack，自然 hack 仅 41 条，而定位任务的 gold 正是被注入的那条命令，真实场景没有这种标注；自动造基准每轮仅 10 个实例、共 10 轮、单一提议者，无反馈曲线只跑一次；F1 掩盖过度标记（最好的那个召回 68.55、精确率仅 54.84）；四部分的模型、指标、范式互不相同，是合集式报告。35

与目标研究线的关系：B 线直接命中，补「谁说了算」：基准由 agent 造、hack 由 agent 查、准则由 agent 写，人只在最上游与最下游保留判断。

可迁移启发：把「验收集本身」也纳入循环，并用与分数正交的判据把关——分数只说明难度，判据才看得出答案泄漏、题目被记住、材料没真读进来；监控指标要报定位 F1，而不是只报「有没有 hack」。

站内摘要出入：四项平铺不算失真，但漏了两个最硬的数字：HackBench 最好 F1 只有 64.88，人类反馈只在「具体到怎么建」时有效（细粒度 65.9 对粗粒度 83.1，越低越难）。「为构建更强大对齐的研究智能体提供路径」略拔高。

三种人类介入粒度下的基准分数 — 图 2 是十轮迭代 × 六格的折线：蓝为无反馈、橙为粗粒度、绿为细粒度，星号是选中 checkpoint，空心点是至少一个判官亮红灯的迭代。细粒度曲线系统性最低（该基准上 43.5/51.2/39.1），而被抓出缺陷的迭代分数往往并不低——分数看不见质量（arXiv:2610.38882）。

29. 540 条判决重标：违反完整性的 450 条里，多数不是编造，而是数字挂错了实验或指标 · arXiv:2610.38691 · 邻近跟踪

Beyond fabrication: Misattributed numbers in papers written by AI research agents

作者：Mosab Alfaqeeh、Omar Hourani、Muath Hourani、Hashem Alfaqeeh（约旦阿利亚安曼大学、纽约州立大学宾汉姆顿分校）。期刊投稿；代码与标注在 github.com/mos3b-faqeeh/agent-integrity-analysis。

做了什么：重标注一个公开的自动研究基准：9 个 agent × 15 个任务 = 135 份 submission，每份被同一判官判 4 次共 540 条判决。作者在节点级重析这 540 条（2,376 个计分节点），对 18 份 submission 的 256 条数值主张人工标注（两名标注者，确认集双标 κ=0.89），再写一个确定性检查器：值匹配 + 来源评分 + 诱饵校准，操作点在标注前冻结。36

可用数字：540 条判决中 450 条完整性失败；2,376 个节点 469 个失败，集中在「写稿对不上工作」——代码-论文对齐 118/225（52%）、数值可追溯 122/324（38%）、固定项披露 32/99（32%），而硬编码值只有 2/135。256 条标注里 158 条可追溯、47 条错源、6 条找不到；不成立主张中 89%（47/53）是错源，按抽样权重还原总体 81%。严格检查器精度 92%、覆盖率只有 23%、诱饵接受 1.3%；而「值出现过」的匹配精度仅 0.69。99 份 submission、14,577 条主张上，两个模型能认证 76% 与 63%，其余七个只有 8–17%。

连接点与缺口：它是 B 线「自研究验收」的归因侧：数字要挂回产生它的那次 run，而不是「在文件里出现过」。缺口在覆盖：单一基准、9 个 agent、检查器只证来源不证正确、召回约三分之一；540 条取自同一判官四次重复，有效独立单元是 135 份 submission。36

图 2 的条形图给出各家族的失败率与计数：代码-论文对齐 52%（118/225）最高，数值可追溯 38%（122/324），硬编码值与外部代码各约 1%——「编造」并不是主要失败形态，「挂错出处」才是（arXiv:2610.38691）。

六、记忆：生命周期、互补与寻路

六篇里有两篇在同样的两个基准上（LongMemEval-S 与 LoCoMo）报准确率，但判分模型、题集切分、指标定义都不同，数字不可横比；另三篇分别做「检索做成寻路」「把用户历史变成监督」「把对手信念做成一层」；最后一篇把视角从改权重挪到改喂什么上下文。看清这一节的关键是先问：它报的是准确率、模型评分，还是评分与词面指标并列。

30. 被取代的旧地址还得能回答历史问题：阻塞错误记忆 81.30%，保留有用记忆 72.06% · arXiv:2610.38573 · 值得扫读

CALM: Conflict-Aware Lifecycle Memory Governance for Long-Horizon Language Agents

作者：Chang Li、Xianhao Ou、Xinyan Ma、Hao Li、Haoyuan Xu、Jiafeng Liang、Xiaohan Wang、Jiajun Chai、Guojun Yin、Ming Liu（哈尔滨工业大学、美团）。arXiv 预印本（2026-10-28）；未给代码链接。

问题与方法：语义相关、与查询无关的存储有效性、查询条件下的可用资格是三件事，相关性检索把三者压成一个分数。CALM 分三段：把后端异构记录统一成带出处与属性的记忆单元；用确定性规则维护支持、冲突、依赖与生命周期（置信度 ≥0.60 激活、两次证据或 ≥0.80 升稳定、冲突强度 ≥0.75 才取代、被取代者存储有效性上限 0.15、时间流逝本身不触发过期）；查询时先过硬资格过滤，再用四维特征（语义相关、存储有效性、查询兼容、一减风险）打分，免训练版等权线性、训练版一层 MLP 门，门只在开发集上训。

关键结果：

LongMemEval-S 总体准确率（500 题）：CALM 79.60 / 83.00 / 78.20（Qwen3-30B / GPT-4.1-mini / GPT-4o-mini），对照 MemOS 68.80 / 78.80 / 77.80、EverMemOS 66.40 / 83.00 / 65.40、Mem0 40.20 / 70.80 / 66.40。GPT-4.1-mini 下与 EverMemOS 并列 83.00。
LoCoMo（1,540 道非对抗题）：CALM 88.70 / 93.51 / 88.70，对照 EverMemOS 87.99 / 93.05 / 86.75、MemOS 76.04 / 80.84 / 75.97。
只换准入打分（同候选集、同硬过滤）：LoCoMo +2.92 / +3.38 / +1.88，LongMemEval-S +3.00（76.60→79.60）。
同条件比简单替代（LongMemEval-S、Qwen）：时序过滤 74.40、近因重排 75.60、有效性重排 77.20，都低于 79.60；去掉三个阶段分别掉到 69.80 / 75.60 / 74.00。
冲突阻塞：错误记忆阻塞 81.30%、有用记忆保留 72.06%、冲突泄漏 20.00%（无门控时阻塞 0、泄漏 100%）。
历史重建：当前态比最强基线高 3.71、历史态高 9.26；LongMemEval-S 上 3,971 token、总延迟 12.84 秒，对照 EverMemOS 2,775 token / 61.65 秒。

证据与局限：作者自陈，治理靠规则与元数据，会漏隐式冲突；门控依赖上游检索；学到的门需开发集监督。本文观察，总体「最优」掩盖子类倒退——Qwen 骨干多会话类 60.15 低于对照的 64.66，GPT-4.1-mini 下单会话偏好 83.33 低于 MemOS 的 96.67；门控开发集规模原文未报告，使「学到的准入」可复现性弱于数字说服力；LoCoMo 只取 1,540 道非对抗题（446 道被排除）。37

与目标研究线的关系：B 线直接命中「记忆生命周期治理」：把存储有效性与查询资格拆两层，让被取代记录继续服务历史问题而不污染当前问题。

可迁移启发：阻塞率／保留率／泄漏率三件套必须一起报，只报准确率分不清「滤掉噪声」与「砍掉证据」；历史态查询单独列一行；门控只留四维并共用同一硬过滤，是低成本可抄的消融基线。

站内摘要出入：方向对，但删了限定：LoCoMo 只算非对抗子集，「优于」只在总体成立（多会话类 60.15 低于 64.66），也没给阻塞率／保留率／泄漏率数值。

记忆生命周期与准入 — 图 2 三阶段并排：左上异构记录变成带状态标签的记忆单元；左下是生命周期状态机（激活/稳定/陈旧/被取代/归档），用「住址从西雅图搬到波士顿」演示旧记录被取代但仍留存；右侧是四维特征、两条打分路径与资格判定。可读出准入是二值硬判定而非重排，被拒记忆仍留在存储里（arXiv:2610.38573）。

31. 压缩记忆库 16.34% 只掉约 1 分，但多跳一项掉 4.9 分：结构损失藏在平均数里 · arXiv:2610.39790 · 值得扫读

Long-Term Agent Memory through Complementary Curation and Consolidation

作者：Abhishek Gupta、Dongge Han、Daniel Madrigal Diaz、Wei-Ning Chen、Mayukh Das、Victor Rühle、Saravan Rajmohan（微软）。arXiv 预印本（2026-10-29）；未给本文代码链接。

问题与方法：长程对话里「叙事顺序」与「实体关系」是两种记忆需求，单一表征总有一头吃亏，而记忆库只增不减会推高开销并引入噪声。系统三步：会话结束后由模型生成情景记忆（标题、摘要、保序细节段、时间戳），同时抽实体关系元组（含来源上下文）；离线用降维加聚类把全库分成簇，每簇交给模型决定合并或删除；检索时两个库各自 top-k 后拼接作答。

关键结果：

LoCoMo（1,540 题）用模型评分：gpt-4.1-mini 总体 0.902、gpt-4o-mini 0.835、gpt-5.4 0.906、Qwen3-8B 0.762。gpt-4o-mini 下高于 Nemori 0.744 与全上下文 0.790；gpt-4.1-mini 下 0.902 仍低于全上下文 0.913，但 token 少 87%（2,738 对 21,788）。
与 Nemori 几乎同 token 量级（2,738 对 2,745）：总体高 9.1 点（0.835 对 0.744）。
两种记忆互补（gpt-4o-mini）：仅情景 0.776、仅关系 0.730、混合 0.835；相对更强单库，多跳 +6.3、时序 +6.8。
整合的代价：库压缩 16.34%，总体只掉约 1 点；但多跳在 gpt-4o-mini 上从 0.813 掉到 0.764。
LongMemEval-S（500 题、每题历史约 115K token）：总体 0.855，全上下文 0.656、Nemori 0.746；单会话偏好 0.500 远低于 Nemori 的 0.867。

证据与局限：作者自陈，只做文本对话；整理质量随骨干波动明显（一个骨干换另一个掉 6.7 点）。本文观察：表 1 里多数基线数字明确标注「取自 Nemori 论文」，没有在本协议下复跑，也没有重复运行或方差；「90.2% 准确率」实际是模型作为判官的评分，同一行词面指标反而大幅落后（F1 0.354 对 0.534、BLEU 0.249 对 0.456）；摘要说「整合后在单跳与多跳上都提升」，按自己的表只有一部分骨干成立。13

与目标研究线的关系：B 线直接命中「记忆表征互补与压缩」：给的是「两类记忆互补、再用聚类把库压小」的工程方案，并用逐项掉点说明压缩在哪里最疼。

可迁移启发：报压缩率时必须同时给逐项掉点，否则「16% 压缩 + 1 点损失」会掩盖多跳类 −4.9 点的结构性损失；模型评分与 F1/BLEU 必须并列；抽关系元组时带上「来源上下文」字段，是把结构化记忆的语境损失补回来最便宜的一招。

站内摘要出入：站内「取得较高准确率」把模型评分写成准确率（0.902 在 gpt-4.1-mini 下仍低于全上下文的 0.913）；「优于现有最优框架」删掉了前提——基线数字引自他人论文、非本协议复跑。

episodic 与关系两库、离线整合 — 图 1 左边同一段对话同时喂给情景记忆与关系记忆两个管理器，产出带时间戳的记录与四元组；右侧是离线整合：所有条目先嵌入、再聚成簇，簇内由模型决定合并或删除；底部查询同时走两个库并合成答案。可读出检索是双库各自 top-k 后拼接，而不是在图上做联合推理（arXiv:2610.39790）。

32. 只测一个 5 token 窗口的单任务：局部遍历 0.59M 步到 0.95 回报，绝对寻址要 0.94M 甚至超过 2M · arXiv:2610.40545 · 邻近跟踪

Retrieval as Traversal: Value-Indexed Memory for Stateful Long-Context Agents

作者：Daniel Strauß（慕尼黑工业大学）、Zhenshan Bing（南京大学）、Alois Knoll（慕尼黑工业大学）。workshop “Long-Context Foundation Models”；代码在匿名仓库。

做了什么：注意力与全局检索每次前向都要重判「历史里什么有用」，循环压缩又在看到未来需求前就把信息压掉，两者都没利用「相邻两步有用的记忆高度重叠」。作者把检索改写成地址空间里的持续局部遍历：内容与地址分离，价值定义为把记忆集放进上下文后任务效用的期望增量，几何只决定「多便宜取到」；固定的 top-k 预算因此换成价值阈值，并给出互补与冗余两种相反压力的判据。38

可用数字：最简固定几何（地址直接取环境时空坐标）在 MiniGrid-Memory-S17Random 上，跨 seed 平均回报首次达到 0.95 的训练步数——相对遍历 0.59M（0.52–0.65）、高斯绝对寻址 0.94M（0.82–>2.0）、分类绝对寻址 >2.0M；无检索头的 5 token 短窗基线 1.38M。平均多余步数 6.18 对 15.0。

连接点与缺口：它给 B 线一条可搬的设计原则——地址几何应由「取到它能多带来多少决策价值」塑形，而非内容相似度。缺口很大且作者自己点明：地址几何是环境给的、核心价值索引目标函数未做实验、只测单条检索，且负对照显示「更易学」可能只是把线索编码进了行为。单环境、单任务、跨臂 seed 数不一致。38

33. 没有标注的个人历史也能造监督：11,034 条记录上问答分 54.9→68.3，保留率只有 47.9% · arXiv:2610.39276 · 值得扫读

MemSteer: Turning User Histories into Supervision for Agent Memory Optimization

作者：Jie Huang（北京大学，实习于微软亚洲研究院）、Cuiling Lan、Qize Yu、Xiulian Peng、Yan Lu（微软亚洲研究院）。arXiv 预印本（2026-10-29）；未给本文代码链接。

问题与方法：个人历史没有天然成败信号，人工造问答与证据又太贵。MemSteer 把未标注历史变成（问题、参考答案、证据）三元组：先把历史建成记录图并扩展出受预算限制的材料束，再让模型写「证据支撑的答案规划」，规划里必须带每条事实的源片段与组合操作，结构不符或出处不全在出题前就被程序化拒掉。防自问自答靠两道校验：语义审计（逐项判断答案是否有支撑）与盲答恢复（只给问题与材料束，另一个模型盲读作答，须自报可答且答案归一化后完全一致）。优化时按失败归因分三层（存储、检索、回答）再分层采样喂给提议者。

关键结果：

ATM-Bench（11,034 条记录、1,013 主题 + 31 道 hard）：Base-BM25 的问答分 54.9 → 68.3（+13.4），hard 8.2 → 29.1；R@10 61.7 → 84.1。
与官方问答监督比（官方用 600 题训练，这些题仍留在评测集）：官方 67.3 / 27.9，MemSteer 68.3 / 29.1，各高 1.1 与 1.3 点。
换数据集（21,142 条交互、1,305 题）：无外部数据 22.3 → 26.4，有外部数据 33.3 → 39.9；官方监督 26.5 / 40.7，MemSteer 低 0.1 / 0.8 点。
同一监督喂给别的优化器：某优化器 47.4 → 53.4（官方监督 +4.4），另一个 35.1 → 53.7（+18.6）。
监督质量（四准则全通过率）：90.9%，去掉两道校验 75.4%，保留率 47.9%。

证据与局限：作者自陈，官方那两列的训练题混在评测集里因此偏乐观；逐项报出各角色模型以应对远程接口不确定性。本文观察，单配置单次运行，无多 seed；回答器、判官、提议者在同一数据集上常是同一模型，所以「防自问自答」只保证答案能从源记录恢复且被独立审稿人认可，不等于问题与判分器无偏；跨用户实验只有 2 个目标用户，其中一个用户迁移时 41.2 掉到 37.7。39

与目标研究线的关系：B 线直接命中「自改进的监督从哪来」：把「无标注历史能否当验收信号」做成可自动构造、可审计的管线，并把失败归因接到设计修订上。

可迁移启发：离线 A/B 前用「盲答恢复 + 引用全覆盖」筛合成题，约一半的保留率是正常代价，却挡掉最贵的错标；失败归因分存储／检索／回答三层再分层采样，比整段丢轨迹更指向可改结构。

站内摘要出入：站内「其效果与官方引导优化相当」基本准确，但漏了两点：该数据集上四项指标都略高于官方监督，而官方监督的训练题混在评测集里——「相当」是在对官方更有利的设定下取得的。

九次被接受的修订 — 图 5 按编号排出从稀疏词法检索出发的九次被接受修订：稠密检索→混合检索加重排→问题分解→HyDE→二次检索→候选池 180/重排 90→答案校验→HyDE-4 + 重排 120。可读出被接受的改动集中在检索栈与读取预算，而不是存储模式（arXiv:2610.39276）。

34. 把「对手在想什么」做成可训练的一层：谈判平均奖励 0.321 对同架构 0.204，但只有 3B 与玩具博弈 · arXiv:2610.40227 · 邻近跟踪

EpiAgent: Epistemic Self-Play for LLM Agents

作者：Xuanfa Jin、Xinyu Cui、Zhijian Ma、Xue Yan、Jian Zhao、Haifeng Zhang、Jun Wang（中科院自动化所、国科大、中关村学院、伦敦大学学院）。arXiv 预印本；未给代码链接。

做了什么：LLM 智能体多把观测直接映射成动作，即使做对手建模也只是提示里的自由推理，不与策略共同演化。EpiAgent 把策略拆成两级：从交互历史维护对他人私有信息的信念，再以「自身私有信息 + 历史 + 信念」为条件选动作；两级写成双层优化，用认知自博弈交替训练，拿不到私有信息真值就用「信念能否预测后续观测」作内在奖励。40

可用数字：Qwen2.5-3B 加 LoRA、约 120 次 rollout-update、每次评估 128 局五个对手。以 Agent 1 身份对五对手平均奖励：谈判 0.321（只训行动规划的同架构 0.204），牌局 0.091（0.031）。非法动作率在牌局上 ReAct 22.54%、另一基线 47.84%，EpiAgent 0.05%。把信念换成随机，谈判 0.429→0.406、牌局 0.181→0.049；换 Oracle 升至 0.506 与 0.232。

连接点与缺口：它给 B 线「隐式中间变量显式化」一个可干预的样例：把对手建模变成可训练、可替换、可评估的一层。缺口在规模——单 3B 骨干、两个双人玩具博弈，标准差只反映评估内波动，优势也非全对局成立（谈判对某一对手只差 0.014）。40

35. 不换权重只换「喂哪段上下文」，世界模型回访增益从 0.03–0.06 升到 0.44–0.54 · arXiv:2610.38980 · 邻近跟踪

Context Compaction for World Models

作者：Hayder Tirmazi（单一作者，波士顿大学与 AllSpice）。ICML 模板预印本；代码在 github.com/jadidbourbaki/context-compaction-world-models，21 个世界模型权重已发布。

做了什么：世界模型重访同一区域常重建不一致。本文把它定义成上下文检索问题，分两层：模型层 KV cache 决定一次能装多少，harness 层决定这次喂哪段。基准每个 episode 生成新世界，杜绝记忆训练集。harness 层把访问过的房间压成一条最短巡游，每步只带该房间最新一帧与前往下一房间的动作，使压缩结果仍是训练时见过的合法走法；模型层比较四种 KV cache 设计。41

可用数字：装满才压缩使四种世界模型对回访间隔 128–511 步的检索增益达 0.44–0.54，原始上下文只有 0.03–0.06，等于不重训把有效上下文拉到窗口的 4 倍；等长截断对照增益回到接近零，排除了「上下文更短」这一解释。固定内存下，每 token 只占 2 个向量的架构同内存可放 1,020 步、能检索 127 步回访，每 token 占 16 个向量的只放 16 步；但固定 128 步上下文时排行反转。

连接点与缺口：它把 B 线从「改权重」扩到「改喂什么」：有效记忆可以靠 harness 层的路由拉长数倍。缺口：单一基准世界、单一模型规模、3 个种子，模型从未在压缩上下文上训练，房间在固定网格上属理想情况；「4 倍」是窗口倍数而非容量倍数。41

七、判分仪器本身

四篇把标尺放到台上：分批会让判决依赖邻居，改写会让判决依赖措辞，分层抽样会让误差在层内被低估，连「幻觉」这个词的定义都会改变方法排序。它们给的都是可以立刻加进评测表的一列，成本极低。

36. 同一批 25 条打包判分，换个随机分批就有 11–22% 的判决翻面，而 AUROC 只动 −0.033 到 +0.010 · arXiv:2610.40241 · 值得扫读

Judged in Company: In-Context Batching Makes LLM Verdicts Depend on Other Items

作者：Peng Xie、Amr Alanwar（慕尼黑工业大学海尔布隆校区）。arXiv 预印本（2026-10-29）；代码与设计将发布于 github.com/PX-CPS/Judged_in_company。

问题与方法：为省钱，实践中常把多条塞进一个提示让模型一次给多个裁决，这默认裁决可分离——某条的判决不依赖同批其他条目，也不依赖它排第几位。作者把可分离性形式化，给出翻面率在顺序、槽位、成员三因子上的精确方差分解，再用阈值潜变量模型把分数上的小差异换成判决上的大变化。三个任务（危害评论五级、短答三级、Yelp 星级），每任务 2,000 条、每批 25 条；每条目分别单条判、进 3 个独立随机分批，另有只换顺序、只换槽位、只换邻居的派生条件；基线是改键名、改写指令。

关键结果：

换一个随机分批，危害与短答判分有 11–22% 的判决改变，比最大基线（4.2–8.4%）高 6.5–13.3 点；4 个 14–32B 模型是 5.9–14.6%，高出 4.2–9.1 点。星级只有 2.9–3.9%，该门未过。
准确率看不出：对人工标签的 AUROC 只变 −0.033 到 +0.010；但操作点会移，危害上两个模型的正标记率从 58% 降到 31%、59% 降到 43%。
分解：邻居顺序占潜差异 0.42–0.69、槽位 0.09–0.32、成员主效应 0.01–0.25。
投票去不掉：每批按 3/5/9 种顺序各判一次取多数，仍留 71–76% / 60–69% / 52–60% 的翻面；15 个独立分批的多数与单条判决仍 8.4–17.8% 不一致；把分批阈值校准到与单条同阳性率后仍有 7.9–13.5%。
两条通道都起作用：只换别的批次的先前判决改 7–23%，只换邻居文本改 9–26%。

证据与局限：每任务 2,000 条 × 3 分批 × 5 模型，bootstrap 按批重采样 300 次；未编辑对照能复现生成判决 97.8–99.5%。作者自陈，顺序与交互的拆分依赖 5 个指定槽位，首槽比其它槽不敏感，预设的成员份额因此高估；潜变量与投票预测都假设高斯阈值模型。本文观察，星级这个边界条件说明效应对模糊度敏感，11–22% 建立在单一提示模板与 JSON 输出上；「单条判决」也不是无偏参照——10 个模型-任务对里只有 4 个的 15 批多数比单条更接近人工标签。5

与目标研究线的关系：A 线值得扫读，补判分仪器的分辨率：把「换一批就换判决」量成可分解、可预测的率，并给处方（模糊条目单条判、凡分批必报与单条判的一致率）。

可迁移启发：分批判分的表要加一列「与单条判一致率」，区间按 batch 聚类；若要投票，先确认成员主效应接近零，否则只是把方差压小、偏差留住。

站内摘要出入：方向准确，但删了条件：11–22% 只适用危害与短答判分，星级是 2.9–3.9% 且该门未过；「多数投票仍无法消除」也没给分母（9 种顺序留 52–60%，15 个分批留 8.4–17.8%）。

翻面率在顺序、槽位、成员上的分解 — 图 2 左危害右判分，每模型四根柱给顺序、槽位、成员、槽位乘成员占新分批潜差异的份额并带区间：顺序柱最高，成员主效应明显更低——这解释了为什么「多加几次投票」压不住翻面（arXiv:2610.40241）。

37. 把提示改成同义的另一种说法，判官间一致性从 0.89 掉到 0.24，75% 的配置显著 · arXiv:2610.38076 · 邻近跟踪

Prompt Lottery in LLM-as-a-Judge: Measuring and Mitigating Sensitivity to Syntactic Rephrasing

作者：Ilija Subasic、Brett Levert、Andrew Rabinovich、Sajjad Pakdamansavoji、Zhao Chen（Upwork Inc.）。arXiv 预印本，55 页含附录；未给代码链接。

做了什么：争议点是「一条判官提示等于一件稳定量具」。作者只改表面不改语义：每族保留原提示，再用另一个模型生成 4 个复述变体（人工判等价 76/100）。规模为 12 个数据集 × 6 个判官族 = 33 配置、5 个主干、每配置 5 个变体，共 825 个条件。指标是重合率与三种 κ，三条基线分别是同提示重复 5 次（重合 89.8%、Fleiss 0.89）、10 名标注员（0.80）、通用下限 0.61。6

可用数字：换一个语义等价提示，Fleiss κ 从 0.89 掉到 0.24；75% 的配置显著（p<0.05），除两个配置外全部低于 0.61。五个主干平均 κ：0.47 / 0.44 / 0.42 / 0.34 / 0.33；客观判官 0.47–0.69，主观判官 0.28–0.39。排序翻面：某问答集上 Kendall τ=0.176、43.3% 的提示两两比较里名次变化、top-1 翻 3/4 次；另一对话集 0/4。聚合到人类相关以严格多数最好（0.63/0.62/0.55 对单提示 0.47/0.44/0.44），但默认提示只在 44.0% 的样本上与严格多数一致，41.27% 不收敛。

连接点与缺口：与上一篇同域但只动措辞，它给出措辞维度的方差量级与两种处置（聚合成严格多数、或按任务类型决定是否聚合）。缺口在归因：作者自陈聚合增益未与「同预算多判几次」的自一致性对照，增益可能只是判了更多次；成本侧缓解只在自建切分验证，换新提示后性能下降。6

38. 标注预算怎么花：分层就吃掉大部分增益，再校正只多 1.00–5.27%，而更低的 MSE 可能伴随更差的系统排序 · arXiv:2610.38282 · 值得扫读

Human Evaluation with Automatic Scores: Separating Sampling and Estimation Gains

作者：Yang Liu、Ran Zou（共同一作）、Zhengtao Gui、Chao Xue（北卡罗来纳大学教堂山分校、加州大学欧文分校、新南威尔士大学）。arXiv 预印本（2026-10-28，CC BY 4.0）；未给代码链接。

问题与方法：已有工作只报「用自动分比不用更省」，却混着三件事：用分数分层抽样、用分数校正估计、用分数做自适应采集。本文在固定评估池上重放：改配额时固定估计量，改估计量时固定已采标签。池子是三个偏好数据集（648 对、2,870 场、2,017 对）与一个「答案是否被所引证据支持」的 19 系统 × 1,000 题池；自动分来自两个判官。预算规则：主实验取四分之一标签、每个自然组内切 10 个分数层按层大小比例分配，试点标签全额计入预算。

关键结果：

分层本身吃掉大部分增益：不打分层的原组均值相对分层均值为 1.071–2.963，折算降幅 6.6%–66.3%；再拟合校正、即便给出全池最优固定系数，也只再降 1.00–3.48% 与 1.46–5.27%。
校正余地取决于分层粗细：不分层时校正类方法的 MSE 比 0.616–0.965，10 层时 0.992–1.033，局部线性校正反而 1.027–1.086。
不等配额能赚能亏：19 个系统里 13 个 MSE 下降，效果从 −49.5% 到 +71.7%；锐化判官概率在 27 个配置里 26 个变差。
付费试点没赚回来：同一批标签下，三种估计量里 19 个系统中最多 14 个赢过比例均值；改用零试点的 score-only 配额后 17/19 更好。
更低 MSE 不等于更好排序：每系统 250 标签时，不等配额把最优系统选中率从 99.07% 压到 97.21%、逆序对从 6.68% 升到 6.85%；100 标签时选错率 14.21% 对 10.10%。
区间也有坑：某组合的 95% 区间覆盖只有 84.97–92.99%，改用全池参考方差后升到 93.97–95.20%。

证据与局限：作者自陈，建议只适用于本文的固定池与协议，换池需重放。本文观察，人工标签全是已发布的聚合标签而非新采（约等于 4 票或 5 评多数），「多买一条标注」的成本被系统性低估；主预算四分之一已相当宽松，降到 5% 时分配增益从 7.13% 掉到 2.57%；19 个系统共用同一批 1,000 题，排序结论在共享题序与独立题序下不一致。7

与目标研究线的关系：A 线直接命中评测协议：给出「自动分怎么花才不白花」的可重放协议，补的是从标注预算到结论稳定性这段缺证据的环节。

可迁移启发：评测表在原均值旁固定多报一列「分数分层 + 按层比例采样的人工均值」，并同时报最优系统选中率、逆序对与 95% 区间的覆盖和宽度；预算先切 5–10 层做比例采样，别先买试点。

站内摘要出入：站内「校正增益有限、收缩配额仅部分场景有效、支持层内按比例采样」方向正确，但删掉两个限定：增益量化为 1.00–5.27%；最重的警告是更低 MSE 可能伴随更差的系统选择与不达标的区间覆盖。

自动分越自信，越容易漏掉人类分歧 — 图 1 左半：某低分区人工结果层内标准差为 0，配额从每层 25 条挪到第 8 层近 100 条，MSE 大降；右半：最高层分数几乎全为 1，人工结果标准差仍有 0.423，配额从 25 条砍到 5 条。这就是「自动分越自信、误差反而越大」的机制（arXiv:2610.38282）。

39. 把错题按新口径重分：能靠改写救回的错有 28.5% 被改对，救不回的只有 0.7% · arXiv:2610.38520 · 值得扫读

What Hallucinations Have We Measured? Semantic Illusion, Confabulation, and Expressed Uncertainty

作者：25 位作者（牛津、ETH、Emory、南洋理工、MBZUAI、LMU 等），第一作者 Hazel H. Kim。arXiv 预印本（2026-10-28）；未给代码链接。

问题与方法：「幻觉」既指事实错误、忠实性错误、推理不一致，也指不确定输出，方法各测各的。作者给一个操作定义：幻觉 = 自信地答错；说「我不知道」属「已表达的不确定性」，不算幻觉；只有语义错觉（同一条题换一种等价问法就能答对）与虚构（换多少种问法都答不对）才算。第二刀是重诱发测试：每题放进 30 条不加提示的改写、若干指令变体与五种解码设置，只要有一个条件答对就记为语义错觉。数据是闭卷问答（TriviaQA 开发集与 SimpleQA），两个模型，重评 14 个检测/缓解方法。

关键结果：

重分类后占比剧变：原 prompt 下答错的题里，第一套条件下语义错觉 0.62、虚构 0.36、已表达不确定 0.02；允许弃答的第二套条件下，虚构从 0.36 掉到 0.04、不确定升到 0.32——约九成「虚构」其实是可弃答的。
缓解差一个量级：语义错觉有 28.5%/29.6% 能被最终改对，虚构只有 0.7%/2.8%；只有外部知识类干预把虚构缓解抬到约 20%。
检测在允许弃答时对虚构变差：全方法虚构召回从约 67% 掉 13.6 点到 53.4%，语义错觉召回不变；不确定性估计类方法给「不确定」的分最高，并漏掉 50.4% 允许弃答后仍自信答错的虚构。
口径决定排序：聚合分下输出层信号显得最好，拆开类型后却在虚构上最差；潜在层信号在虚构检测上最好。
标注协议：约 10 条改写时与 30 条全池标签的 κ≈0.8，是省预算的依据。
社区审计：五年内五个会议 91 篇标题含 hallucination 的论文里，仅 35% 把幻觉定义为自信的错误，24 位第一作者里 95.8% 认为该把检测与不确定性估计分开，只有 16.7% 说做到了。

证据与局限：作者自陈，模型、数据集、方法都有限，但两种口径的缓解差距在两个模型、两种标注方案上稳定；测试条件只用于打标。本文观察，30 条改写由模型生成、作者核对，语义等价只是统计核验；题目条数原文未报告；「14 个方法」的时间范围正文与附录不一致。42

与目标研究线的关系：A 线直接命中评测口径：给的是「错题该按什么口径分类」的操作定义与廉价打标协议，补上错误率被糊成单一数字的缺口。

可迁移启发：评测表把「错误率」一列拆成三类，并在引入检索增强之前先花约 10 条改写做重诱发测试——能被改写救回的错不该记成「需要外部知识」的错；报告时附 κ 或标签翻转率的收敛曲线。

站内摘要出入：站内写法容易读成三类并列都算幻觉；原文的硬条件是「已表达的不确定」不算幻觉，只有另两类算。摘要也没给任何数字（虚构缓解 0.7–2.8% 对语义错觉 28.5–29.6%）。

10 条改写就足以分出两类错 — 图 3 三格横轴都是改写条数：(a) 语义错觉的标签熵在 10 条左右到平台，(c) 与 30 条全池标签的 κ 在 10 条时已达约 0.8，阴影带标出 10–20 的推荐窗口——这是「省标注预算」的依据（arXiv:2610.38520）。

八、在线蒸馏：教师该在哪一层介入

四篇同一个谱系，都在处理「学生前缀偏离教师」与「组内奖励全零」。差别只在介入的位置：给轨迹插一段纠正、给每个 token 换一个教师、把高分歧段连后缀删掉重写，或者什么都不改、只诊断监督信号的形状。横向读这一节才有价值——它们的评测集不同，增益不能直接比大小。

40. 把教师的介入点从轨迹开头挪到中途：三档逻辑游戏 avg@8 从 19.5% 到 35.6% · arXiv:2610.40576 · 值得扫读

PIVOT: Progressive Intervention via Online Teacher Correction

作者：Zhihao Yang、Boyuan Zheng、Puhui Tan 等 10 人（中国科学院大学、清华大学、中科院软件所）。arXiv 预印本（2026-10-29）；原文称审稿后开源训练代码与 checkpoint。

问题与方法：可验证奖励的强化学习在难题上常一组 rollout 全错、组内奖励全 0，梯度没有方向。作者把「请更强教师来救」拆成两件必须同时成立的事：轨迹级干预（让训练里真的出现能拿奖励的轨迹）与 token 级监督（给出稠密目标），并用控制实验说明任一件单独都不够——只给教师前缀，学生会从外部前缀继续却学不会自己走出这些决策；只在学生坏轨迹上加 KL，教师会在「回头改错」与「沿错路继续」之间给出双峰目标。PIVOT 的构造是：学生先写前缀，教师从该点续写至多一段纠正文本，学生再从纠正之后写完；整条轨迹照常走可验证奖励，KL 只加在教师段。每组 8 条 rollout 里固定 2 条教师辅助。

关键结果：

逻辑游戏三档平均 avg@8：最强基线 19.5%（41.68/13.88/2.93）→ PIVOT 35.6%（72.90/25.44/8.38），1.83 倍；同配置平均 pass@8 由 54.2% 升到 63.8%。
同表其余基线（三个分档的 avg@8）：只用 RL 0.05/1.94/0.00，SFT 加 RL 39.77/13.44/1.38，两种「插入教师前缀」的基线在近零成功率分档上几乎不动。
数学分布内（held-out 2k）：基座 5.04% → 23.05%，最强基线 22.09%，只领先 0.96 点；分布外 AIME 2024 60.89→63.33、AIME 2025 49.17→52.45、MATH500 88.68→95.40。
干预位置（另一组消融）：教师介入点从 0 挪到 512 token，三个分档 45.90→50.70、14.81→19.25、0.57→3.52；推到 2048，其中一档回落到 12.50，低于 512 时的 14.81。
教师容量与预算：换更大大小的教师后两个分档 19.25→40.12、3.52→17.27；固定教师 token 总量时，2×44k / 4×22k / 8×11k 是 50.70 / 43.50 / 33.50——少而长更好。

证据与局限：作者自陈，只覆盖逻辑与数学；干预位置、KL 方向、top-k 全程固定、不随学生能力变化；对 KL 方向的解释只与结果一致，未直接测量推理模式覆盖度。本文观察，位置消融在一种 KL 下做、主表取另一种，两组数字不可相减；每配置单次训练、无 seed 方差；逻辑游戏测试集仅 500 题，avg@8 下 1 个百分点约 5 题；「教师干预」的增量主要集中在两个近零分档与数学分布内，而非已经能解的任务。43

与目标研究线的关系：B 线值得扫读，补这条线上最缺的一环：组内全 0 时，教师信号怎样才能同时「带奖励」且「可被学走」——做法是把注入点从轨迹开头挪到学生走过一段之后。

可迁移启发：把教师辅助 rollout 做成 rollout 组里的固定配额（6:2）而非全量替换，KL 只加在教师段；调预算时先固定教师 token 总量，再决定「几次 × 多长」；评测表并列 avg@8 与 pass@8，并写出基座在该分档的准确率——只有近零起点上的提升才说明「学会」而不是「采样到」。

站内摘要出入：站内写「使 mean avg@8 翻倍」。原文是「接近翻倍」，19.5%→35.6% 为 1.83 倍；「等推理任务」易被读成数学同样翻倍，而数学只从 5.04 到 23.05、AIME 只多 1.35–3.28 点。站内还漏了「增益集中在基座几乎解不出的分档」这一前提。

KL 方向按初始成功率选 — 图 6 按低/高基座准确率分两栏，每数据集画 forward 与 reverse KL 两根柱，虚线为基座水平：reverse KL 在低分档多 +22.20、+6.19、+4.86，forward KL 在高分档多 +1.09、+0.37、+0.15——「KL 方向要按初始成功率选」就是这张图（arXiv:2610.40576）。

41. 每个 token 配自己的教师：同一响应内三个位置的首选教师重合率只有 48%–52% · arXiv:2610.40574 · 值得扫读

Every Token Needs Its Own Teacher: Multi-teacher Adaptive On-policy Self-distillation

作者：Yifu Luo、Chuang Ma、Zeyu Chen、Enkelejda Kasneci、Qi Chen、Gjergji Kasneci（慕尼黑工业大学、京都大学、Aalto 大学等）。arXiv 预印本（2026-10-29）；代码在 github.com/xingzhejun/MTA-OPSD。

问题与方法：在线自蒸馏里师生共用一套权重，教师只是额外看到参考答案，因此不必维护外部强模型；但已有方法要么全程给完整参考答案，要么只在响应级调节暴露多少，同一条响应内所有 token 仍归同一个教师。作者先做先导实验：保留学生前缀，让候选教师从第 i 个 token 起写一段再交还学生，用接力后的准确率增益当该位置该教师的适配度；网格是 7 个位置 × 7 个教师 × 3 个长度，共 75,264 次生成。训练规则由此而来：建 7 个教师池，每个 token 先用教师与学生对数概率差的符号做多数投票筛出方向一致的子集，再在子集里取与学生 KL 最大的教师。

关键结果：

先导实验：同一 rollout 内 25%/50%/75% 三个位置的首选教师重合率只有 48.44% / 50.00% / 51.56%，「每 token 一个教师」有经验依据。
投票第一级：首选教师落在多数子集的比例为 77.94%–90.68%；多数子集教师平均增益 +3.34%，少数子集 +1.88%。
KL 第二级：常规位置上「最远」教师平均增益 +2.42% / +2.78%，「最近」教师只有 +0.59% / +1.21%。
主结果（Avg@12、300 步内每 50 步取最优）：1.7B 基座 51.1 → 57.0（+5.9），同表最强在线自蒸馏基线 54.0；4B 75.7 → 77.2（+1.5）；8B 76.4 → 79.2（+2.8）。
消融（1.7B）：池中最好的单教师 56.2、随机选教师 53.6、对 7 个教师取平均 53.7；保留投票但改取「最近」教师 53.3、随机 56.6，去掉投票只取最远 52.9。
分基准：提升集中在 AIME25（1.7B 33.6→41.1、8B 66.9→70.3）；8B 的 AMC23 为 89.8，低于基线 89.9 与 90.0。

证据与局限：作者自陈，先导实验只覆盖两个规模与数学数据；教师池是手工设计的 7 种截断方式；「KL 大即好」只在多数子集内成立。本文观察，主表增益是相对基座而非最强基线——对 1.7B 的最强在线自蒸馏基线实际只 +3.0；每 50 步评测取最优又无 seed 方差，+5.9 里有多少来自 checkpoint 挑选无法分辨；4B 的 +1.5 已接近 Avg@12 的噪声量级。44

与目标研究线的关系：B 线值得扫读，补「教师该由谁当」：把教师选择降级为改参考答案的暴露方式，不引入外部强模型也能调节监督强度。

可迁移启发：「每个 token 记录 7 个教师的 KL 与符号」是顺手可得的副产品，可当自蒸馏是否过尖、教师池是否坍缩的监控列；报增益时把「相对基座」与「相对最强基线」并列，并写明 checkpoint 选择规则。

站内摘要出入：站内写「较基础模型平均提升达 +5.9」。该数只属 1.7B，原文是「最高 +5.9」，4B 与 8B 分别是 +1.5 与 +2.8；站内也没提「相对最强基线只 +3.0」与 8B 某一基准低于基线。

同一响应内三个教师逐 token 的分歧 — 图 1 把同一条学生响应摆成三行，分别由三种暴露方式的教师打分，每个 token 以红/绿深浅表示反对/支持学生当前选择。三者在若干词上一致支持，却在另一些词上方向相反——这就是「同一条响应内 token 偏好不同」的图示证据（arXiv:2610.40574）。

42. 五基准平均 38.45%→39.65%，但多出的教师解码与重生成成本没算进账 · arXiv:2610.38160 · 邻近跟踪

ATI-OPD: Adaptive Teacher Intervention for Stable Long-Sequence On-Policy Distillation

作者：Jiannan Guan、Youxin Jiang、Yutai Hou 等 12 人（华为、哈尔滨工业大学）。arXiv 预印本（2026-10-28）；代码在 github.com/jubgjf/ATI-OPD。

做了什么：在线策略蒸馏逐 token 用教师分布监督学生的自采样轨迹，但响应越长，学生前缀越偏离教师本来会走的推理，教师对后续 token 的反馈变差，偏差又被更新带回下一次 rollout。做法两步：把响应切成 128 token 的段算段均分歧，在第一个超过阈值的段处介入，保留其前前缀、丢弃该段及其后全部内容，教师重写至多 128 token 后交还学生续写；再按 64 token 窗口给新后缀打分，连续两窗超阈即截断监督。45

可用数字：五个数学基准（每题 16 条采样等权平均）：38.45% → 39.65%（+1.20），另一组 52.72% → 54.07%（+1.35）；同表纯 GRPO 只有 28.55% 与 47.07%。绝对差距的 AUC 降 47.8%；最后 32 步超 12K 响应占比 13.82% → 8.78%。消融里教师段不加损失 39.22%、教师段改监督式交叉熵 36.99%、整段都监督 38.76%。

连接点与缺口：它与 PIVOT 处理同一个病（学生前缀偏离教师），但一个插入纠正段并保留可验证奖励，一个把高分歧段连同后缀删掉重写、只用蒸馏损失；代价也不同（多花教师解码 vs 丢弃已生成后缀再重生成）。缺口在证据：每组一次 run，增益 39.65±0.78 对 38.45±0.78 的区间已近重叠，无跨 run 方差。45

43. 换掉教师的「熵形状」仍保留 +12.3，去掉它掉 3.0：被迁移的是「在哪里分叉」 · arXiv:2610.39020 · 邻近跟踪

Distilling the Shape of Uncertainty: What On-Policy Distillation Learns and How to Predict It

作者：Shiping Yang、Chuanqi Tang、Hossein Hajimirsadeghi、Layla El Asri、Mohammad Amin Shabani、Angel X. Chang（西蒙弗雷泽大学、Borealis AI）。arXiv 预印本（2026-10-28）；代码在 github.com/maybenotime/opd-esc。

做了什么：更强教师未必更好。本文用正确性控制实验排除「知识」解释：各建 7,000 道两边都答错与两边都答对的题，后训练过的教师在一条都没解出的题上仍有效，更大的同配方教师每题都解出却无效。作者把被迁移的东西拆成「how to branch」（每个位置的候选 token）与「where to branch」（哪些位置保持多路径开放）；后者即逐 token 熵序列的形状，用师生两段熵序列的 Pearson 相关来量。因果证据是反事实教师：把一个教师的逐位置温度缩放，使其熵等于另一个教师而保留自己的 token 排序，即把形状移植过去。46

可用数字：正确性控制（六基准 avg@4）：1.5B 学生上，后训练教师在「两边都错」上 31.6（+6.1）、「两边都对」上 29.9（+4.4）；更强的同配方教师只有 25.5（+0.0）与 24.9（−0.6）。反事实（100 步、六基准平均增益）：弱教师单独 +0.5 → 移植强教师形状后 +1.9；强教师单独 +15.3 → 移植弱教师形状后 +12.3。可分离性：移植形状只抬升形状相关指标，token 偏好相关指标保持平坦，反向亦然。选教师（10 组配对）：训练前的该相关系数与真实增益 Spearman +0.98（区间 [+0.78, +1.00]），而按教师榜单分数或参数量选的 regret 达 7.5 与 10.2。

连接点与缺口：它给 B 线一个训练前可算、可盯的标量，成本近零。缺口在措辞与规模：移植形状只换来 +1.4/+2.2、移除却掉 3.0/0.9，形状更像必要条件而非充分条件，作者措辞是两者共同构成；选教师只有 10 组配对、区间宽；学生只有 1.5B/1.7B，教师 ≤8B，只测数学。46

九、TTS：控制轴的信号从哪来，验证器的期望从哪来

六篇分成两半。合成侧三篇各补一根控制轴：强调、参考音、发音；共同点是控制信号不来自人工标注，而来自一个现成的检测器、一段更长的录音，或一本词典。评估侧三篇则都在问「验证器的期望值从哪来」：读音检查的期望值必须与生成器前端解耦，词错率必须按角色与语言拆开，级联系统的词错率必须拆成识别与合成两格。

44. 给已训好的零样本 TTS 补词级强调：主观强调 3.56 对基线 2.73，误强调仍有 32% · arXiv:2610.39427 · 精读

EmpDPO: Enabling Emphasis Control in TTS via Direct Preference Optimization

作者：Haonan Chen、Yunyun Wang、Megan Wei、Zeyu Jin（Adobe Research、布朗大学）。arXiv 预印本（2026-10-29），ICASSP 式排版未标会议；音频样例页 chaonan99.github.io/empdpo-demo/，无代码链接。

研究问题与核心方法：10

一个已经训好、从未见过强调标注的多语零样本 TTS，怎么在事后补上「词级强调」这根控制轴？骨干是潜空间扩散式的流匹配模型（文本编码、音素表、目标音与参考音编码），训练分三段：预训练 70 万步、30 万小时、21 种语言；监督微调约 25.8 万条样本（711 小时），其中 45% 带强调标记；最后做 DPO。关键设计是「检测器在环」：两阶段监督信号都来自同一个现成的多语强调检测器，它给每个词打强调分，超过阈值就在文本与音素两条路径上同时加标记，因此既不需要人工强调标注，也不需要另设奖励模型。偏好对由模型自采样：每条输入生成 5 个带标记候选与 3 个无标记基线，用检测器算目标词提升、平均提升与「选择性」三项加权排序，再过一组硬过滤（字符错误率、自然度、音色相似度、削波比例），得到 5,171 对；DPO 10k 步，β=0.1，并保留 replay 项。

关键结果：

客观（210 句 × 8 条参考音 = 每系统 1,680 条输入，每输入采 3 次）的目标词增益：本文 SFT 0.069±0.003、本文 DPO 0.136±0.005、最强公共系统 0.129±0.005、另一个带行内强调标签的系统 0.074±0.008。DPO 只比最强公共系统高 0.007 且区间重叠。
主观强调强度（每系统 364 名母语听者、被试内配对检验，1–5 分）：DPO 3.56±0.07 最高，显著高于基座 2.73±0.08、SFT 3.15±0.08 与公共系统 3.25±0.08；与该参数式系统 3.37±0.12 在两个语言上持平。
自然度：DPO 3.47±0.08，与自家基座 3.45、SFT 3.52 同级；两个公共系统显著更低（2.90 与 3.13）——「自然度保住」是与自身基线比，不是与公共系统比。
误强调率（有没有别的词听起来也被强调）：DPO 32%、SFT 34%、公共系统 29% 与 36%、基座 42%。强调强度上去了，误强调只比 SFT 好 2 个百分点。
消融：SFT 再多训 10k 步增益仍是 0.069，说明增益不来自多训；不加 replay 的 DPO 约 2k 步后去噪误差一起爆炸，模型不再生成可懂语音。

证据与局限：10

作者自陈：评测文本与训练文本不重叠；增益报 95% 区间、主观做被试内配对检验；对照臂含两个公共系统，其中一个的基频/能量/时长参数由小规模听力测试定；致谢披露大模型参与代码与作图。

本文观察：头号客观指标与训练信号同源——算增益用的检测器就是构造偏好对用的那个，因此 0.136 更接近「对检测器的贴合度」，作者用主观听感补了这一环，但主观只验强度、不验语义位置，误强调仍三成。表格里的字符错误率、UTMOS 一列没给区间，小数差不可解读。只有一条扩散骨干，没有第二个架构。

与目标研究线的关系：C 线直接命中（可控性：强调）。连接点在「控制信号从哪来」：把现成的跨语言强调检测器当奖励，用离线偏好对做后训练，让没有强调标注的零样本模型获得词级控制，同时把「自然度与可懂度不降」写进偏好对的硬过滤条件，等于把评测口径钉进了训练配方。

可迁移启发：评测表至少加两列——「误强调率」与「增益的置信区间」，否则强调强度的提升会被误读成控制变好；那组硬过滤可以照抄，它把负样本限制在「仍可懂、仍是本人音色」的范围内，是小数据 DPO 不崩的前提；复用时必须带 replay，否则约 2k 步即崩。

站内摘要出入：方法与结论方向都对，但三处需收紧：漏掉最关键机制（两阶段监督都来自同一个现成强调检测器、无需人工标注）；把「保持自然度」写成无条件结论，原文口径是「与自身基线与 SFT 无显著差异」；通篇无数字，0.136 对 0.129 这种区间重叠的对比被省略，容易被读成明显领先。

分语言的强调强度与自然度 — 图 3 是分语言的两排柱，上排强调强度、下排自然度，五种颜色对应基座/SFT/DPO/两个公共系统，误差棒为 95% 区间。DPO 在六个语言的强调强度上都高于自家基线，而两个公共系统的自然度在某些语言掉到 2.0–2.6——「强度上去了但听感崩了」发生在别人身上，不在本文系统身上（arXiv:2610.39427）。

45. 零样本 TTS 的参考音是运气还是变量：可懂度在模型间几乎不共识（0.64 掉到 0.08），音色共识却高达 0.68–0.88 · arXiv:2610.40372 · 精读

What Makes a Good Audio Prompt for Zero-Shot TTS? Learning Prompt Selection from Synthesis Outcomes

作者：Arnon Turetzky、Yossi Adi（希伯来大学）。arXiv 预印本（2026-10-29）；代码待公开。数据为英文 YouTube 语料与加噪 LibriSpeech。

研究问题与核心方法：9

零样本 TTS 从一段短参考音克隆音色，实践中这段必须从更长录音里剪出来，剪哪一段是决策。本文先量化这个决策有多大，再学一个选择器：用四个 TTS 模型、每条候选参考音真去合成，按「该模型从这条 prompt 合成出来的结果」做标签；选择器只看参考音本身（不给文本、不做合成），用 listwise 排序学习，最终按「录音内词错率排名」挑选。

关键结果：

参考音确实重要，而且一部分是稳定属性：400 段训练录音上，用「真去合成」的探针法在 3 秒候选里挑，两个模型的词错率相对随机挑分别下降 1.42 与 3.28 个百分点（随机基线 4.31% 与 6.24%）；同目标句下输出方差中由参考音而非种子解释的比例为词错率 0.26、自然度 0.26、音色相似度 0.50。
按「预测质量」挑只找回自然度那一半：最好的单一描述子对词错率只比随机好 0.83–0.96 个百分点，21 维描述子排序器 1.00。
学出来的选择器（零合成）降 1.36 个百分点，相对 32%，与需要每段录音 228 次合成的探针法（1.35）持平；失败率同时下降 0.87 个百分点。
四个模型的可选空间不同：某一架构上同一配方把词错率相对降 43%；另一个模型本身对可懂度不敏感，选择器与最强基线打平。
可懂度与音色相似度不同向：跨模型的录音内相关显示相似度共识很高（0.68–0.88），可懂度共识很低——两个同族模型之间 0.64，跨架构 0.39，某模型与任何模型都不超过 0.08；选择器跨模型迁移只能拿到探针收益的 51%–80%。
噪声判别实验：候选差别在噪声时，自然度类规则 79% 挑中干净版本、可懂度只涨 0.21 点；选择器只有 31% 挑中干净版本，可懂度多降 0.42 点。
消融：把标签换成「候选自己的预测质量」，同网络收益减半；换通用音频编码器下降 0.82 点；换编码器、改损失、改结构都在种子波动内。

证据与局限：9

作者自陈：只覆盖英语 YouTube 与加噪 LibriSpeech；每个模型要跑一次「几十万条合成」的标注（约 100–270 GPU 小时），成本按模型付一次；一条参考音的结果是 15 条输出的均值、而词错率又是重尾；除听测外全部自动评测，听测只有 7 名听者；强调、表现力等韵律维度未评。

本文观察：摘要「降低三分之一到五分之二」是相对降幅，且分属两个模型、两个不同随机基线，不能当同一分母横读。选择器的词错率优势有相当部分来自「避开失败输出」，作者只补了一句「剔除失败后仍约为规则三倍」，没有成表数字。转写器同时充当参考音转写、选择器编码器与输出评分器，作者用第二套识别器复评并把优势扩大到 0.71 点，处理得比多数同类干净。音色相似度一列所有选择器都在 −0.007 到 +0.03 之间：相似度最稳定可预测，却最难通过选择改善。

与目标研究线的关系：C 线直接命中（零样本音色与提示选择）。它把参考音频从一个给定条件变成可优化的决策变量，并给出「用下游合成结果而不是参考音本身的音质来监督选择」这一口径，补上「零样本评测里 prompt 是运气还是变量」这一环。

可迁移启发：任何「一条测试句 + 一个固定参考」的评测表都该多报一列跨参考音的方差或组内相关，否则模型质量与「运气好的参考音」混在一起；工程上可照抄两级方案——少量候选做探针拿标签，再训一个只吃音频的小排序器，把成本压到每模型一次标注；选择目标用「录音内排名」而非绝对词错率，排名对个别灾难性输出更稳。

站内摘要出入：方向对但压缩过度：把「三分之一到五分之二」写成「可降低」，读者无法判断量级；「优于预测质量方法」未说清是哪一类——最好的单一描述子在部分模型上已拿到 0.96 点，选择器只多 0.40，属险胜；还漏了两条更硬的结论：模型在音色相似度上高度一致而在可懂度上分歧大，以及用同一个预测器既选又评会高估自己的选择。

选择器的迁移矩阵与录音内一致性 — 图 4 左图是 4×4 迁移矩阵（行是训练所用模型、列是被服务模型，颜色深浅表示拿到该模型探针收益的百分比），对角与某一架构一行最深（77–88%），说明「用哪个模型的合成结果训练」很关键；右图是两模型对同一段录音候选的录音内相关，上三角音色相似度稳定在 0.68–0.78，下三角可懂度一路掉到 0.03–0.08（arXiv:2610.40372）。

46. 用维基词典当奖励模型：爱尔兰语 TTS 的字符错误率 0.225→0.159，而方言三条路全改不动 · arXiv:2610.38384 · 精读

Pronunciation-Supervised Text-to-Speech for Irish (Gaeilge)

作者：William Lane（单一作者）。arXiv 预印本（2026-10-28）；模型以 Apache-2.0 发布在 HuggingFace（Laneguage/glor-nua-irish-tts-0.6b），词典与发音批评器随代码发布。

研究问题与核心方法：47

爱尔兰语有深层正字法（拼写不决定读音）、三种主要方言与丰富的首辅音变化，而转写语音极少：公开语料约 13 小时。问题因此是「语言不在预训练覆盖内、语音又少，但发音被词典记录得很完整时怎么适配」。做法：以一个小型多语 TTS 为底座，用 12.8 小时公开语音在单一 voice tag 下微调出「人口平均」音色（把说话人槽位设成所有参考嵌入的均值，而非克隆某个人）；再把维基词典编成 11,532 词、带方言标签的 IPA 词典，用它给的银音素标签训一个 CTC 音素识别器当「发音批评器」；最后以该批评器为验证器做一轮拒绝微调——采样候选、打分、只留最优样本重训。核心主张一句话：词典就是奖励模型。

关键结果：

适配是主要收益来源（同一评分器下的字符错误率）：跨语料留出集上，从零训练的系统 0.397、零样本克隆 0.437、宽监督微调 0.225；同一评分器评真实语音的地板是 0.096。
三个数字的分母必须分开读：0.225 是宽微调在跨语料留出集上三次采样的均值；0.159 是同一集合加拒绝微调后的均值（配对差值 −0.066，区间 [−0.076, −0.056]）；0.067 是域内仅 80 条的留出集（域内地板 0.054）。域内更大的集合上是 0.087 对 0.123。
主要效应来自「选择」本身：同样从 1,000 条候选里挑 84 条重训，不做拒绝微调 0.222、随机挑 0.197、用批评器挑 0.153、用 ASR 字符错误率挑 0.133；换独立评分器后后两者打平（0.172 对 0.175），但批评器的音素保真度更好（0.056 对 0.059）。两个信号在样本级几乎独立（相关 0.097）。
批评器同时是一则仪器校准案例：未见说话人上音素错误率 0.164，但若拿单一标准读音当参考，来自母语地区的母语者留出数据上错误率是 0.61、未标注口音者 0.23——它测的是「向标准音的靠拢度」而非母语度。
两处厂商微调脚本缺陷：标签双重移位（实际是提前两帧在训，且有 code group 拿不到梯度），以及子模块监督把每帧 codes 与该帧「含答案的输入位置」配对（相当于把答案喂进去）。按生成时真实配对，code-predictor 每组准确率只有 0.05–0.17；按泄漏配对同一配方能到 0.32–0.53。
方言：批评器挖出 12,311 条训练片段中 8,451 条偏芒斯特、593 条康诺特、229 条阿尔斯特（185 条强倾向、61 位说话人）；底座本身 86% 偏芒斯特，拒绝微调后升到 89%。拒绝微调、偏好优化、真实方言子集训适配器三条路都改不动方言，原因可测：1,000 条策略样本里只有 25 条实现了目标方言的音素。

证据与局限：47

作者自陈：所有结论都是机器测量，母语者听测（自然度、发音可接受度、方言真实性）没有做，设计已冻结待招募（29 题挑战集，要求评分者间 κ≥0.6）；协议是冻结的、与训练说话人不重叠的若干集合，每个数字配真值地板、配对区间与跨采样复现；主评分器在相关语料上微调过，故关键排序用独立评分器交叉复核；批评器未与人类发音判断对齐。

本文观察：摘要推 0.225/0.159，但 0.067 所在的域内集合只有 80 条、地板 0.054，两者只差 13 个千分点，说服力有限，真正该用的是另一组 0.087 对 0.123。全篇没有一位听者、没有一个主观分，因此「低资源做成了」在听感上是空的。另外「批评器优于 ASR 选择」在独立评分器下是平局，摘要式的「显著降低」只对整体流程成立。

与目标研究线的关系：C 线直接命中（发音监督与低资源适配）。它把「发音词典」变成可执行的验证器，一次充当训练样本筛选器、系统排序器与语料属性测量仪，为「没有目标语识别器的低资源语言」提供了不依赖人工偏好与识别器的验收路径。

可迁移启发：把「数据够不够」做成可测的量而不是感觉——用同一个验证器去挖语料属性分布，把「少数派做不出来」写成 229/12,311 这样的分母；做拒绝微调前先做「选择信号消融」（不做/随机/自家信号/识别器错率），否则会把「选择本身的效果」记在自家指标头上；任何用作奖励的打分器，先在母语者或口音分层数据上校准一次（这里是 0.61 对 0.23），这一步比换算法便宜得多。

站内摘要出入：基本正确，但两处会误导：一是「发音记录」实际指维基词典的 IPA 词条（文本资源），读起来像用了发音语料；二是「显著降低」没有分母与条件——0.225→0.159 是跨语料集的三次采样均值，域内是 0.102→0.067。摘要还漏掉最反直觉的两条：方言无法被引导（三条路全失败，资源原因是 229/12,311），以及全文没有任何母语者听测。

五个系统在跨语料留出集上的字符错误率 — 图 1 是横向条形图，从从零训练 0.397、零样本克隆 0.437，到宽微调 0.225、106 分钟 LoRA 0.226、加拒绝微调 0.159。适配跨的步子（0.437→0.225）远大于拒绝微调（0.225→0.159），且 106 分钟的 LoRA 与 12.8 小时全量微调几乎同分（arXiv:2610.38384）。

47. ASR 往返门把 36/38 个错读「改回」正确汉字：换成读音层级检查，误报从 44.4% 降到 5.0% · arXiv:2610.39168 · 精读

Reading-Level Verification of Kanji Words in Japanese Financial Speech Synthesis

作者：Cheng Zhang（单一作者，Best AI Co., Ltd.，东京）。arXiv 预印本（2026-10-29），IEEE 式排版未标会议；所用平假名 CTC 模型为公开模型。

研究问题与核心方法：8

用少样本克隆给日语金融日评做多角色合成时，「读错汉字词」比不自然更致命（市場读成 ichiba、大勢读成 ōze 会让频道显得业余）。生产上的常见质量门是「合成→ASR 转写→两边都转假名→不一致就重生成」。本文指出这道门双向失效：音频读错时，强 ASR 的语言模型倾向把正确汉字写回去，错误被抹掉；音频正确时，罕见术语被识别错又触发无谓重生成。替代方案是「读音层级检查」：对句中每个有已知混淆读音的词，从领域词表取期望读音与一个混淆候选，把句子拆成「前缀 + 目标词 + 后缀」，用前端给出的周边假名拼成两套整句标签，再用平假名 CTC 识别器分别算这两套标签对音频的对数似然；若替代读音的得分高于期望读音超过阈值，就判该词有误。两套标签只在目标词区间不同，识别器的上下文误差在两边近似抵消，决策落在「音频支持哪个读音」而不是「语言模型会写哪个汉字」。期望读音必须来自领域词表，不能来自驱动合成器的同一个前端。

关键结果：

受控集（3 个生产克隆音色 × 30 个金融词 × 每词 2 句 × 3 种输入 = 540 条，其中正确读音 180 条、注入错读音 180 条）：部署中的第一级门（转写 + 转假名 + 严格相等）在错读音上召回 78.9%（Wilson 区间 [72.4, 84.2]）、在正确读音上误报 44.4%（[37.4, 51.7]）、精确率 64.0%；读音层级检查召回 91.7%（[86.7, 94.9]）、误报 5.0%（[2.7, 9.2]）、精确率 94.8%。
错在哪里：180 条注入错读里第一级门漏掉 38 条，其中 36 条是转写直接把目标汉字写回正确写法（音频是いちば/あいば/じゅうぶん等，转写却还原成市場/相場/十分）。分类型看，读音选择型 126 条上新检查 118/126、误报 1 次；音变型 42 条上 35/42、误报 7 次（7 次漏检中 6 次是同一个词，浊音只差一个 mora）。
配对检验：新检查多检出第一级门漏掉的 35 条、漏掉第一级门抓到的 12 条（McNemar p=0.001）；误报方向 3 比 74（p<1e-17）。判据 margin 的 AUC 0.990。
阈值是连续可调的工作点（分母 180）：−10 时召回 98.9%、误报 15.0%；0 时 91.7%/5.0%；10 时 86.7%/0.6%。
自然输入（180 条原始汉字句）：前端在 30 个词里 29 个读对，只有「大勢」两句都读错，即 6 条含真实前端误读；第一级门抓到 4/6，新检查抓到 5/6。其余 174 条上，第一级门要求重生成 66 条（37.9%）、新检查 6 条（3.4%）。
成本：3 亿参数的 CTC 模型每句一次前向加每个候选一次损失，平均 17.6 ms/句，实时率 0.004。

证据与局限：8

作者自陈：受控集靠注入误读，注入的错读音是被流畅读出来的，可能比真实发音不完整的声学偏差更好检；真值假设声学模型照着给的音素读了，而正确读音组的误报说明这不总成立；检查需要「词—期望读音—混淆读音」词表，不覆盖未登录词；只用一个 TTS 架构、一个 CTC 模型、60 个句子；音调错误未处理。

本文观察：180 条的分母很小，且「一词一个替代读音」，90% 量级的召回是在这个约束下取得的——真实生产中一个词可能有三四个混淆读音，多候选会让阈值更松，这一维度没测。误报从 44.4% 降到 5.0% 幅度极大，其中有多少来自「只查已知歧义词」这一设计（未知词根本不查）原文没有拆开。全文最有说服力的一段其实是第一级门的失效机制（36/38 被语言模型回写汉字），它把「ASR 门为什么不可信」讲成了可复现的计数。

与目标研究线的关系：C 线直接命中（发音正确性验证与生成后门控）。它把合成质量门从「转录是否一致」改成「音频证据支持哪个读音」，为可控性里最硬的一环（读对）提供了既不需要参考音频、也不需要人耳的判别器，同时给出「验证器的期望值必须与生成器前端解耦」这条硬约束。

可迁移启发：任何「生成→验证→重生成」的流水线都该把验证器的期望值来源和生成器前端解耦（这里是 5/6 对 4/6）；评测表多报一列「无谓重生成率」（38.9% 对 6.1%），它直接换算成算力成本；对比两个门时按「谁抓到谁漏掉」做配对表（35 对 12），比只报召回与误报两个边际数字更能说明互补性。

站内摘要出入：三个判断都成立，但都没有分母：应为 91.7% 对 78.9%（180 条注入错读）、5.0% 对 44.4%（180 条正确读音）、重生成 38.9%→6.1%（按 180 条自然输入算；只算其余 174 条为 37.9% 与 3.4%）。摘要漏掉机制解释（36/38 被回写正确汉字）与失败面（某词 6 条全漏，浊音最小对立需更强声学模型），只留结论会让读者以为这是一次纯增益的替换。

判据 margin 的两组分布 — 图 2 是判据 margin（替代读音得分减期望读音得分）的直方图：蓝柱是 180 条正确读音、橙柱是 180 条注入错读音，虚线为阈值 0。正确读音组集中在中位 −26.9、错读音组在 +23.1，阈值右侧只剩 9 条正确读音（即 5.0% 误报），左侧约 15 条错读漏检（即召回缺口，含全部同一个词的 6 条）（arXiv:2610.39168）。

48. 流式 ASR→TTS 匿名化：端到端 711 毫秒、词错率 11.44%，代价是情绪保留从 71 掉到 29 · arXiv:2610.39754 · 值得扫读

Toward Complete Speaker Anonymization: a Streaming Cascaded System for Voice Privacy and PII Removal

作者：Stanisław Kacprzak、Thomas Thebaud、Najim Dehak（约翰霍普金斯大学语言与语音处理中心、克拉科夫 AGH 大学、AMIAD）。arXiv 预印本（2026-10-29），IEEE 式排版；链路各组件均为公开件。

问题与方法：语音匿名化有两条路：语音转换（保真、可流式，但隐私弱）与「识别→合成」级联（隐私强，但离线、内容损失大）。本文把级联扩成识别、隐私实体识别、合成三段，并让它在近流式下工作：识别按 700 毫秒分块、用静音检测找块边界；合成用「续写式克隆」，参考音由第三方合成；隐私实体只保留人、邮箱、地点、关系、时间五类。

关键结果：

延迟（100 条语音、中位数）：识别 669 毫秒、合成首帧 41 毫秒、端到端 711 毫秒（含隐私实体识别为 717 毫秒），输出与输入时长比 1.33。
内容保真：词错率 11.11%（dev）/ 11.44%（test），原始 1.80/1.84；对照系统 5.02 与 3.74。分解：单识别 7.83%，合成在真值转写上 10.38%——两级都在掉，瓶颈不在匿名化本身。
情绪保留（五折均值）：29.37 / 29.22，原始 69.08 / 71.06——级联把情绪几乎抹平。
隐私（等错误率，越高越好）：44.18 / 47.66 / 44.37 / 45.25（dev-f / dev-m / test-f / test-m），对照系统 47.58–49.23 的一档更高。
隐私实体：干净转写上 SLU F1 85.42–89.60；换成流式识别块后掉到 62.73–69.01，模拟流式上最高 69.14。
生成质量：UTMOS 3.21±0.44，原始 3.35±0.28。

证据与局限：作者自陈，实体识别超参与模型选择非系统性，该表不应读作能力排名；延迟不含播放时漂移；未做人耳听测。本文观察，口径三处打架（等错误率的试验集在协议段、表格与结论段写法不同）；摘要的「69%」只是最有利的一格，同一系统在干净转写上是 87–90；情绪从 71 掉到 29 是这条流水线最实的代价，摘要只写「可媲美离线系统」。48

与目标研究线的关系：C 线值得扫读（语音隐私与级联生成）。它是「识别→合成」这条工程路线的延迟与保真账本，给 TTS 侧两组可直接搬的口径：把链路词错率拆成「识别单独」与「合成在真值上」两格再报总账，生成质量用自动分而非主观分。

可迁移启发：做级联系统时把词错率拆成两格再报总和，否则无法定位退化来源；流式合成必须写清「单次最大生成长度」与「重启续写」的触发条件（这里是 1.6 秒、连出两句、10 秒），否则误差会复合；实体类任务上小模型比小语料模型在流式里更划算（6 毫秒对 46 毫秒）。

站内摘要出入：「延迟低、词错率 11%、实体 F1 69%、等错误率最高 47.66%」三处都要加条件：11% 实为 11.44%（dev 11.11%）；69% 只是模拟流式上最好的一格；47.66% 只属 dev 男性子集。摘要还说「可媲美离线系统」，没提情绪保留从 71 掉到 29，也没提 711 毫秒不含实体识别。

49. 同一条识别流水线按「角色 × 语言」拆开：学习者 WER 22.87% 对教师 12.80%，而转录最好的系统归属误差最大 · arXiv:2610.38016 · 值得扫读

Beyond Aggregate WER: In-domain Adaptation, Learner Speech, Code-Switching, and Speaker Attribution in Online Spanish Learning Classrooms

作者：Olga Kellert、Samhitha Harish、Johnatan E Bonilla、Nemika Tyagi、Phanos Kareen、Nelvin Licona-Guevara（亚利桑那州立大学等）。arXiv 预印本（2026-10-27）；转写规范与评分脚本在补充材料。

问题与方法：教育 NLP 依赖识别转写，但聚合词错率会把错误集中处藏起来：学习者语音、多语轮次、说话人归属。本文在真实在线二语西语课堂互动上比较六种配置（平台字幕、两个开源模型的原版与 LoRA 适配版、商用系统），适配用 38 段人工校正转写（15.6 小时）做；评测在 7 段留出会话上，按说话人角色与语言上下文（纯西语、纯英语、语码转换）拆开报，另用说话人分离错误率单独评归属。

关键结果：

总体（按词池化、会话级 bootstrap）：商用系统 15.59%（区间 [13.07, 19.01]）、适配后的某开源系统 16.39%（[13.46, 20.41]）、同模型原版 26.52%、另一开源模型适配后 32.30%（原版 34.50%）、平台字幕 36.00%。两个强的区间重叠，作者只当「领先的一对」、不排序。
适配收益取决于模型：一个模型从 26.52% 到 16.39%（相对 38.2%），另一个只从 34.50% 到 32.30%（相对 6.4%）。
按角色：商用系统教师 12.80% / 学习者 22.87%；适配系统 13.46% / 24.04%；平台字幕 29.00% / 54.27%。适配把学习者与教师的差距从 17.04 收到 10.58 个百分点。
按语言上下文：纯西语 13,064 词（77.5%）、语码转换 3,086 词（18.3%）、纯英语 716 词（4.2%）；商用系统 20.41 / 14.05 / 22.93。
领域匹配比数据量重要：七种加入外部双语或课外学习者语料的混合配方，没有一个超过只用课堂数据。
归属给出另一种排序：适配系统分离错误率 10.66% 最低，商用系统 19.12% 最高——转录最好的系统归属最差。

证据与局限：作者自陈，仅 7 段会话、一个机构、一个平台；系统分段方式不同，比的是完整配置而非架构；变体只在 2 段开发集上比。本文观察，最有信息量的是「转录最优不等于归属最优」这条，它比「领域匹配更重要」更可迁移；教师词数占 72.3%、纯英语只占 4.2%，「六条件都最低」权重最大的是教师-纯西语格；纯英语格子极小，「纯英语最难」只能算描述性；全篇无人工听感或下游任务验证。49

与目标研究线的关系：C 线值得扫读（识别与合成共用的评测口径）。它示范「条件感知」的报表达：同一条流水线按角色与语言分层，并用分离错误率把「词对不对」与「词归谁」分开，正是多说话人合成与播客评测里「分说话人、分语言段报错率」的同构做法。

可迁移启发：给多说话人合成或多语播客做评测，照它把词错率拆成「角色 × 语言上下文」矩阵，并在每格标参考词数，否则占 4% 词数的格子会被当成普遍结论；把说话人归属单列一个指标，因为「转录最好」和「归属最好」可以是两个系统。

站内摘要出入：方向正确，但「具竞争力」弱化了位置——16.39% 对 15.59%，区间重叠、作者刻意不排序。摘要还漏掉两条更硬的结论：转录与归属排序不同（10.66% 对 19.12%），以及学习者语音仍比教师高约 10 个百分点。

角色 × 语言上下文的词错率热图 — 图 2 是 2 栏（教师/学习者）× 3 列（语码转换/西语/英语）× 6 行的热图，格内为词错率。同一系统内学习者整栏比教师深一档（约 27.50/21.11/28.40 对 17.10/11.54/19.70），语码转换与纯英语又比纯西语深——两类难度是叠加的（arXiv:2610.38016）。

十、播客线：两个连接点，各自缺哪一环

三栏 278 篇里没有一篇做播客脚本生成、多说话人节目合成或节目级听感评测。这一节只登记两个可迁移的连接点，并写清各自缺的那一环，不放替代品。

50. 多声源场景的结构化描述：最强的音频大模型逐字段也只有约 60%，漏掉 51.4% 的参考属性 · arXiv:2610.38276 · 邻近跟踪

MixCards: Evaluating Structured Descriptions of Multi-Source Sound Scenes

作者：九位作者（新泽西理工、纽约大学、Adobe Research、莫纳什大学，原文未逐人对应）。arXiv 预印本（2026-10-28）；数据与代码在 Zenodo 与 GitHub，非商用研究许可。

做了什么：字幕基准只评一句自由文本，无法定位「漏一个声源」「两源合一」「属性挂错源」。这个基准分两段：先识别声源并定位时间（事件级与段级两种容差），再为每个声源生成一张结构化卡并逐字段打分（数值、序数、语义、自由文本各按对应指标），最后三级聚合。场景由公开事件结构驱动重建：4,884 段 10 秒场景、1–9 个声源、9,618 张参考卡；六个音频大模型零样本评测。50

可用数字：最强模型平均字段分只有约 60%（语音 0.639、音乐 0.595、音效 0.598），另一个模型只有 0.031–0.128。定位比描述更难，且难在语音与音效：音乐较可靠，语音召回高而精确率低，音效两者都低。语义字段以「漏」为主：平均漏掉 51.4% 的参考属性、多报 35.6%。人类校验：8 位专家评 839 张卡、丢 65 张（7.7%）；用校正后的参考重打分，排序不变、最大变化 0.020。

连接点与缺口：它是 D 线最接近「节目级评估原子」的一篇——逐声源、逐字段、带时间定位，正是把主持、嘉宾、音乐床、音效分别建卡所需要的形式，能定位「哪段被漏掉」「音乐床与语音的响度比错了」这类被聚合分藏起来的失败。缺口也清楚：它不评说话人归属、不做跨段跟踪、不涉主观听感，能力分全由 LLM 判官给出。50

可迁移启发：可借它的两级协议与「字段类型决定指标」，把「漏」与「多报」分开报；做播客评估时把 10 秒扩到整段、把说话人归属补进去，才是节目级的完整口径。

10 秒场景与逐声源卡片 — 图 1 左侧是 10 秒场景的频谱与三条声源时间条，右侧是三张示例卡（−22.5/−23.1 LUFS、中位基频 135.4/106.9 Hz、90 BPM）。一张卡同时混着数值、序数、语义与自由文本四类字段，所以必须逐字段选指标（arXiv:2610.38276）。

51. 词里没有疼痛、只能靠嗓音时，七个音频大模型全部落在随机水平：48.1%–50.2% · arXiv:2610.38570 · 邻近跟踪

Do Audio LLMs HEAR Pain? Tracing Acoustic Evidence from Speech to Language Reasoning

作者：Wenqi Li、Xiangjue Dong（共同一作）、Sulaiman Vesal（微软）。arXiv 预印本（2026-10-28）；数据受限制性协议约束，未给代码。

做了什么：大型音频语言模型能直接吃语音，却说不清用的是「词」还是「声」。这篇用疼痛做受控探针：同一批说话人既朗读中性句子（词里没有疼痛，只能靠嗓音），也口述疼痛评分（词里直接有疼痛）；清洗后 4,658 条、51 人，按说话人切成 41/10。四阶段：行为（7 个模型多选题）、编码（隐状态探针与声学特征）、感知（单线索放大做 A/B）、使用（把线索值写成文字塞回提示）。51

可用数字：中性句上七个模型的二分类平衡准确率 48.1%–50.2%、三分类 32.8%–33.7%——随机水平就是 50.0% 与 33.3%；配对与 20 条示例最多也只到 52.4% 与 54.0%。同一批模型在口述评分上达到 89.1%–99.7%，说明差距来自「用词」而非「听声」。编码侧：某开源模型的浅层探针能到 74.1%±1.6，随层深下降。使用侧：把声学线索文字化后，配对二分类最多 +32.2 个点，但单条零样本几乎不动，且纯线索（无音频）那格反而最高（84.6%–89.4%）。

连接点与缺口：它是 D 线第二块拼图：节目级听感评审最怕只读转写，这篇给了可照搬的对照组（同批音频、词中性 vs 词里写明）与「线索文字化」的增益上限；缺口是它测疼痛而非愉悦或唤醒，没有节目级设置，能推出的结论只有「声学证据默认不被使用」。51

可迁移启发：检验评审是否只靠文本：把转写换成中性文本再评一次，分数不变即说明没在用声学；要让模型用上响度或音高，把关键声学值写进提示比让它自己听有效，但仅限同说话人内。

十一、排除清单与覆盖说明

这一次的三栏共 278 篇新提交，收录 51 篇、排除 227 篇。按栏：人工智能栏新提交 158 篇、收录 31 篇、排除 127 篇；自然语言处理栏 108 篇、收录 14 篇、排除 94 篇；语音与音频栏 12 篇、收录 6 篇、排除 6 篇。

收录的 51 篇按主要归属分到四条线：A 线（长程任务的训练与评估）22 篇、B 线（轨迹学习与自进化）21 篇、C 线（TTS 生成与评估）6 篇、D 线（播客生成与节目级评估）2 篇——D 线两篇都是邻近项，今天没有直接命中。按阅读投入分档：精读 18 篇、值得扫读 21 篇、邻近跟踪 12 篇。

D 线缺口的核实方式：把当日三栏 278 篇的标题与站内摘要逐条过了一遍，没有一篇做播客脚本生成、多说话人节目合成或节目级听感评测；再按分类检索 arXiv，cs.CL 里摘要含 podcast 的论文共 103 条、cs.SD 共 90 条，最近一条是 10 月 22 日的尼泊尔语-英语播客识别基准——方向本身在持续产出，今天只是三栏里恰好为零。所以本节只登记两个可迁移的连接点（结构化多声源描述、声学证据是否被使用），不放替代品。

排除的 227 篇按栏列出（同一篇若同时出现在两栏，按主栏计一次）：

人工智能栏 127 篇：2610.37720、2610.37731、2610.37732、2610.37739、2610.37809、2610.37830、2610.37849、2610.37851、2610.37859、2610.37867、2610.37875、2610.37896、2610.37906、2610.37919、2610.37923、2610.37926、2610.37932、2610.37935、2610.37989、2610.38006、2610.38024、2610.38044、2610.38100、2610.38101、2610.38117、2610.38120、2610.38152、2610.38175、2610.38194、2610.38201、2610.38210、2610.38215、2610.38220、2610.38225、2610.38245、2610.38304、2610.38313、2610.38314、2610.38326、2610.38342、2610.38356、2610.38382、2610.38398、2610.38411、2610.38439、2610.38445、2610.38496、2610.38526、2610.38532、2610.38544、2610.38551、2610.38631、2610.38634、2610.38636、2610.38681、2610.38687、2610.38728、2610.38755、2610.38851、2610.38867、2610.38869、2610.38924、2610.38960、2610.38975、2610.38987、2610.39003、2610.39007、2610.39045、2610.39070、2610.39073、2610.39182、2610.39230、2610.39247、2610.39275、2610.39302、2610.39353、2610.39377、2610.39410、2610.39435、2610.39438、2610.39439、2610.39454、2610.39483、2610.39497、2610.39499、2610.39500、2610.39512、2610.39518、2610.39559、2610.39608、2610.39614、2610.39620、2610.39621、2610.39714、2610.39735、2610.39744、2610.39781、2610.39795、2610.39802、2610.39825、2610.40005、2610.40006、2610.40036、2610.40071、2610.40096、2610.40151、2610.40161、2610.40186、2610.40192、2610.40249、2610.40250、2610.40278、2610.40330、2610.40382、2610.40409、2610.40476、2610.40482、2610.40492、2610.40503、2610.40535、2610.40541、2610.40551、2610.40556、2610.40560、2610.40563、2610.40588、2610.40589
自然语言处理栏 94 篇：2610.37671、2610.37676、2610.37678、2610.37680、2610.37681、2610.37682、2610.37683、2610.37684、2610.37685、2610.37688、2610.37692、2610.37778、2610.37788、2610.37826、2610.37868、2610.37913、2610.37921、2610.37995、2610.38009、2610.38041、2610.38067、2610.38095、2610.38174、2610.38181、2610.38204、2610.38231、2610.38249、2610.38267、2610.38293、2610.38312、2610.38333、2610.38336、2610.38366、2610.38402、2610.38407、2610.38422、2610.38433、2610.38438、2610.38448、2610.38450、2610.38452、2610.38509、2610.38546、2610.38580、2610.38719、2610.38726、2610.38788、2610.38822、2610.38902、2610.38911、2610.39004、2610.39016、2610.39019、2610.39060、2610.39062、2610.39086、2610.39227、2610.39237、2610.39308、2610.39372、2610.39373、2610.39398、2610.39413、2610.39433、2610.39464、2610.39562、2610.39590、2610.39671、2610.39747、2610.39800、2610.39853、2610.39919、2610.39923、2610.39939、2610.40031、2610.40051、2610.40091、2610.40196、2610.40233、2610.40238、2610.40283、2610.40318、2610.40394、2610.40454、2610.40488、2610.40511、2610.40516、2610.40518、2610.40533、2610.40577、2610.40611、2610.40619、2610.40627、2610.40655
语音与音频栏 6 篇：2610.38109、2610.38740、2610.39255、2610.39371、2610.39898、2610.40414

排除的理由分三类：与这四条线无关（如化学逆合成、仓库物流、法律检索、电子游戏关卡生成）；属于同方向但证据或增量不足以进条目（如只有一句话结论的立场研究、纯工程报告）；以及属于模型训练报告而非长程任务或音频可控性研究。

本期的四条线里，三条有实质增量：A 线集中在「评测装置会抹掉什么」，B 线集中在「自进化报出的增益相对什么基线」，C 线集中在「控制轴的信号从哪来、验证器的期望值从哪来」。D 线继续为零直接命中。若只读三篇，建议按这个顺序：2610.40444（前缀可执行性，先知道终局成功掩盖了什么）、2610.38392（验收门看不见的删除，知道自进化的验收该加一层消融）、2610.39168（读音层级检查，知道 ASR 往返门为什么不可信）。

References

1
Prefix Executability
arxiv.org
2
Bank-World
arxiv.org
3
What Does "Now" Mean to Your Computer-Use Agent
arxiv.org
4
Masked Erosion
arxiv.org
5
Judged in Company
arxiv.org
6
Prompt Lottery in LLM-as-a-Judge
arxiv.org
7
Human Evaluation with Automatic Scores
arxiv.org
8
Reading-Level Verification of Kanji Words
arxiv.org
9
What Makes a Good Audio Prompt for Zero-Shot TTS
arxiv.org
10
EmpDPO
arxiv.org
11
KARMA
arxiv.org
12
A-RSI
arxiv.org
13
Long-Term Agent Memory
arxiv.org
14
EnvOS: Auditing Computer-Use Agents When the World Moves On: Phenomenon-Based Task Construction, Certification, and Evidence-Based Evaluation
arxiv.org
15
Blind Spots: Where Small Language Models Fall Behind Frontier Models on Terminal Tasks
arxiv.org
16
Exposure Is Not Commitment: Double-Stratified Evaluation of Latent Monitors for Tool-Using Agents
arxiv.org
17
VeriCUA: Verification as Agentic Exploration for Computer-Using Agents
arxiv.org
18
Where to Learn and How Far to Roll Out: Efficient Adaptive Training for GUI Agents
arxiv.org
19
SCOPE: Selective Critical-Step On-Policy Self-Distillation for Agentic Reinforcement Learning
arxiv.org
20
WebAnything: From the Wild Web to Scalable Agent Environments
arxiv.org
21
Online Dense Reinforcement Learning with Planning-Grounding Agent for UI Navigation on Live IOS Apps
arxiv.org
22
Don't Lose the Thread: Empowering Long-Horizon LLM Agents with Cognitive Resource Self-Allocation
arxiv.org
23
Goal-Aware Dynamic Multi-Agent Collaboration for Long-Horizon Tasks
arxiv.org
24
DynaRev: Benchmarking Web Agents under Dynamic Goal Revision
arxiv.org
25
Think Before You Act: Decision Gate for LLM Agents
arxiv.org
26
Decompose, Don't Expand: Capability-Independent AI Systems by Construction
arxiv.org
27
Cheap Retrieval and Observation Credit Assignment from One Quantity: The Value of Information
arxiv.org
28
Practical Assessment of Agentic Systems in Acoustics
arxiv.org
29
Before the Next Rollout: Diagnosing Skill Utility Shifts from Policy Updates
arxiv.org
30
Compile Away Uncertainty: Self-Evolving Agent Skills via Programmatic Compilation
arxiv.org
31
FilingLoop: Evaluating and Evolving LLM Agents for Corporate Disclosure Review and Revision
arxiv.org
32
SkillCT: A Multidimensional Benchmark and Execution-Free Baseline for Agent Skill Assessment
arxiv.org
33
Co-Evolving Policy and Rubric via Capability Awareness for Open-Ended Generation
arxiv.org
34
EvoTeam: Multi-Agent Collaboration via Evolving Teams
arxiv.org
35
Aligning Autoresearch: Co-Improvement between Agents and Humans
arxiv.org
36
Beyond fabrication: Misattributed numbers in papers written by AI research agents
arxiv.org
37
CALM: Conflict-Aware Lifecycle Memory Governance for Long-Horizon Language Agents
arxiv.org
38
Retrieval as Traversal: Value-Indexed Memory for Stateful Long-Context Agents
arxiv.org
39
MemSteer: Turning User Histories into Supervision for Agent Memory Optimization
arxiv.org
40
EpiAgent: Epistemic Self-Play for LLM Agents
arxiv.org
41
Context Compaction for World Models
arxiv.org
42
What Hallucinations Have We Measured? Semantic Illusion, Confabulation, and Expressed Uncertainty
arxiv.org
43
PIVOT: Progressive Intervention via Online Teacher Correction
arxiv.org
44
Every Token Needs Its Own Teacher: Multi-teacher Adaptive On-policy Self-distillation
arxiv.org
45
ATI-OPD: Adaptive Teacher Intervention for Stable Long-Sequence On-Policy Distillation
arxiv.org
46
Distilling the Shape of Uncertainty: What On-Policy Distillation Learns and How to Predict It
arxiv.org
47
Pronunciation-Supervised Text-to-Speech for Irish (Gaeilge)
arxiv.org
48
Toward Complete Speaker Anonymization: a Streaming Cascaded System for Voice Privacy and PII Removal
arxiv.org
49
Beyond Aggregate WER: In-domain Adaptation, Learner Speech, Code-Switching, and Speaker Attribution in Online Spanish Learning Classrooms
arxiv.org
50
MixCards: Evaluating Structured Descriptions of Multi-Source Sound Scenes
arxiv.org
51
Do Audio LLMs HEAR Pain? Tracing Acoustic Evidence from Speech to Language Reasoning
arxiv.org

长程智能体与生成式音频论文雷达 @wei

This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.

全景表

人工智能学术速递[10.30]（新提交 158 篇，收录 31 篇）

自然语言处理学术速递[10.30]（新提交 108 篇，收录 14 篇）

语音与音频学术速递[10.30]（新提交 12 篇，收录 6 篇）

一、过程被终局分数吃掉

1. 终局成功率 0.94 的那条计划链里只有 0.47 全程可执行 · arXiv:2610.40444 · 精读

2. 同一处变更、只改披露：诊所预约 0/16→15/16，而它的审计在 39 个指定损坏里漏判 12 个 · arXiv:2610.40246 · 精读

3. 1,600 次尝试里 173 次「决定做对了、活没干完」，41 次没批就执行 · arXiv:2610.39733 · 精读

4. 同一个 32 条候选池里，前沿模型能挑回 53%、小模型 28–31%：终端任务差距有一半不在生成 · arXiv:2610.39006 · 精读

5. 混合对照 0.950 的监控器，换成「承诺」对照只剩 0.570，还与一个词频基线打平 · arXiv:2610.37679 · 精读

6. 刚打开页面的第 0.5 秒就规划点击，14.5% 会点错；等页面加载完同一批页面只有 0.4% · arXiv:2610.39282 · 精读

7. 把验证改成自己去查证据：ScienceBoard 上 86.4% 对 76.9%，但弃权也计失败 · arXiv:2610.40578 · 精读

二、训练预算花在哪一步、环境从哪来

8. 只花 21% 的 rollout 预算就达到同一 held-out 水平，但 held-out 上只多 2 点 · arXiv:2610.39251 · 精读

9. 1,400 条轨迹里成功轨迹仍有 29.8% 的步是错的：只在被定位的错误步上蒸馏，3B 在 ALFWorld 上 97.7% · arXiv:2610.38391 · 精读

10. 244 个站点、12,984 条任务：保真度赢 85.7%，但同一批站上交互通过率 63.3% 对 76.7% · arXiv:2610.37786 · 精读

11. 在真机 iOS 上在线强化学习：UINavBench 16.7%→32.4%，但同一配方在合成应用上 4.5%→2.3% · arXiv:2610.39264 · 值得扫读

三、长程执行的重置点：上下文、分工与动作前的那道门

12. 让 agent 自己决定何时重置上下文：GAIA 上 8B 从 19.4% 到 42.8%，输入 token 少 87.4% · arXiv:2610.40350 · 值得扫读

13. 把验证从执行者手里拿走：Terminal-Bench 2.1 上 71.9% 对 65.2%，但 SWE-bench Pro 只多 2.0 点 · arXiv:2610.39193 · 值得扫读

14. 同一批任务，把目标改成中途修订：成功率 28.2%–43.1%，而「当场点头」的修订最后只有 1.9–12.2 点兑现 · arXiv:2610.40133 · 值得扫读

15. 执行前的门把 τ²-Telecom 的 pass^3 从 39.5% 推到 80.7%，但 101 条坏调用里有 42 条不违反任何编译规则 · arXiv:2610.38620 · 邻近跟踪

16. 把可判定的部分从模型手里拿走之后，0.5B 与 Opus 在操作选择上同为 86% · arXiv:2610.38144 · 邻近跟踪

17. 记忆的功劳该怎么记：把「该不该看一眼」换成一个可算的信息价值 · arXiv:2610.40030 · 邻近跟踪

18. 换一个更弱的模型，harness 的阶梯还在，被压低的是上限：车内噪声故障检测 10/10 掉到 0.80 · arXiv:2610.39685 · 值得扫读

四、自进化：验收门看不见的删除，与更新后失效的归因

19. 删掉一条被另一条掩盖的 safeguard，危害只涨 0.016；而真正的删除危害是 0.422 · arXiv:2610.38392 · 精读

20. 策略每更新一次，技能的边际效用就漂一次：方向相关从 0.032 升到 0.531，而真值区间不含 0 的技能只有 36 个 · arXiv:2610.39358 · 精读

21. 留出集 30.19→39.15，但同一领域的五个种子跨度是 0.94 到 11.25：门留着的是噪声还是增益 · arXiv:2610.39884 · 精读

22. 把技能编译成可执行程序：LiveMath 上 77.00% 对该格最强基线 44.67%，强在「不再靠语言模型重解一遍」 · arXiv:2610.39508 · 精读

23. 任务池什么时候该换：组内优势归零的题目比例掉到 85% 就换，11 个基准平均 57.77→61.05 · arXiv:2610.38568 · 值得扫读

24. 380 个审查轮次、6,099 条要求：自演化把满足率从 24.28% 推到 27.96%，而 87.6% 的缺口卡在「没发现」 · arXiv:2610.37905 · 值得扫读

五、技能、团队与自研究：谁说了算

25. 不执行也能给技能打分：六个执行维度里，跨模型稳健性与效率的相关只有 0.245 与 0.291 · arXiv:2610.38147 · 值得扫读

26. 评分准则跟着策略一起改：七基准均分 61.87 对固定准则 59.36，且八条 rollout 就赢过十二条 · arXiv:2610.38566 · 值得扫读

27. 四个基准混合演化后平均 59.58 对最强基线 55.55：经验按作用域分库才不互相污染 · arXiv:2610.39813 · 值得扫读

28. 八个前沿监控器里最好的 hack 定位 F1 只有 64.88，而细粒度人类反馈把分数从 98.0 压到 65.9 · arXiv:2610.38882 · 值得扫读

29. 540 条判决重标：违反完整性的 450 条里，多数不是编造，而是数字挂错了实验或指标 · arXiv:2610.38691 · 邻近跟踪

六、记忆：生命周期、互补与寻路

30. 被取代的旧地址还得能回答历史问题：阻塞错误记忆 81.30%，保留有用记忆 72.06% · arXiv:2610.38573 · 值得扫读

31. 压缩记忆库 16.34% 只掉约 1 分，但多跳一项掉 4.9 分：结构损失藏在平均数里 · arXiv:2610.39790 · 值得扫读

32. 只测一个 5 token 窗口的单任务：局部遍历 0.59M 步到 0.95 回报，绝对寻址要 0.94M 甚至超过 2M · arXiv:2610.40545 · 邻近跟踪

33. 没有标注的个人历史也能造监督：11,034 条记录上问答分 54.9→68.3，保留率只有 47.9% · arXiv:2610.39276 · 值得扫读

34. 把「对手在想什么」做成可训练的一层：谈判平均奖励 0.321 对同架构 0.204，但只有 3B 与玩具博弈 · arXiv:2610.40227 · 邻近跟踪

35. 不换权重只换「喂哪段上下文」，世界模型回访增益从 0.03–0.06 升到 0.44–0.54 · arXiv:2610.38980 · 邻近跟踪

七、判分仪器本身

36. 同一批 25 条打包判分，换个随机分批就有 11–22% 的判决翻面，而 AUROC 只动 −0.033 到 +0.010 · arXiv:2610.40241 · 值得扫读

37. 把提示改成同义的另一种说法，判官间一致性从 0.89 掉到 0.24，75% 的配置显著 · arXiv:2610.38076 · 邻近跟踪

38. 标注预算怎么花：分层就吃掉大部分增益，再校正只多 1.00–5.27%，而更低的 MSE 可能伴随更差的系统排序 · arXiv:2610.38282 · 值得扫读

39. 把错题按新口径重分：能靠改写救回的错有 28.5% 被改对，救不回的只有 0.7% · arXiv:2610.38520 · 值得扫读

八、在线蒸馏：教师该在哪一层介入

40. 把教师的介入点从轨迹开头挪到中途：三档逻辑游戏 avg@8 从 19.5% 到 35.6% · arXiv:2610.40576 · 值得扫读

41. 每个 token 配自己的教师：同一响应内三个位置的首选教师重合率只有 48%–52% · arXiv:2610.40574 · 值得扫读

42. 五基准平均 38.45%→39.65%，但多出的教师解码与重生成成本没算进账 · arXiv:2610.38160 · 邻近跟踪

43. 换掉教师的「熵形状」仍保留 +12.3，去掉它掉 3.0：被迁移的是「在哪里分叉」 · arXiv:2610.39020 · 邻近跟踪

九、TTS：控制轴的信号从哪来，验证器的期望从哪来

44. 给已训好的零样本 TTS 补词级强调：主观强调 3.56 对基线 2.73，误强调仍有 32% · arXiv:2610.39427 · 精读

45. 零样本 TTS 的参考音是运气还是变量：可懂度在模型间几乎不共识（0.64 掉到 0.08），音色共识却高达 0.68–0.88 · arXiv:2610.40372 · 精读

46. 用维基词典当奖励模型：爱尔兰语 TTS 的字符错误率 0.225→0.159，而方言三条路全改不动 · arXiv:2610.38384 · 精读

47. ASR 往返门把 36/38 个错读「改回」正确汉字：换成读音层级检查，误报从 44.4% 降到 5.0% · arXiv:2610.39168 · 精读

48. 流式 ASR→TTS 匿名化：端到端 711 毫秒、词错率 11.44%，代价是情绪保留从 71 掉到 29 · arXiv:2610.39754 · 值得扫读

49. 同一条识别流水线按「角色 × 语言」拆开：学习者 WER 22.87% 对教师 12.80%，而转录最好的系统归属误差最大 · arXiv:2610.38016 · 值得扫读

十、播客线：两个连接点，各自缺哪一环

50. 多声源场景的结构化描述：最强的音频大模型逐字段也只有约 60%，漏掉 51.4% 的参考属性 · arXiv:2610.38276 · 邻近跟踪

51. 词里没有疼痛、只能靠嗓音时，七个音频大模型全部落在随机水平：48.1%–50.2% · arXiv:2610.38570 · 邻近跟踪

十一、排除清单与覆盖说明

References

Related content