本期从 arXiv recent 的 2026 年 8 月 19 日分组精选十篇论文；所选论文详情页的 v1 版本日期主要为 2026 年 8 月 18 日。阅读目标不是替读者下结论，而是把值得继续精读、复现或跟踪的信号拆成方法、条件、证据和限制。

本期判断：今天的共同信号不是模型又多了一项能力，而是系统开始把「记忆何时打开、工作空间哪个版本有效、动作如何映射到世界、指令是否真的执行」写成可检查的接口。下面先看四篇头条，再按认知模型、多模态、具身智能、AI4Science、Infra、Agent、应用体系和 Benchmark 展开。

头条

一、别把一次自我改进当成能力：智能体的记忆可能放大随机性 从方差、任务顺序与欠规范看自我改进智能体的脆弱性

认知提取

论文摘要

• 论文重新评估 Agent Workflow Memory 和 ReasoningBank 两类文本记忆自我改进方法，实验覆盖 WebArena、VisualWebArena 和 SCUBA；三个基准分别包含八百一十二、九百一十和二百六十七个任务。原文
• 每种设置重复运行三次，并报告平均 pass@1、标准差以及最佳与最差运行差距；骨干模型和记忆构建模型均为 GPT-5-mini。
• 论文的核心问题是：固定任务顺序是否偷偷提供了由易到难的课程；任务描述和环境能力不明确时，记忆是否会生成无法执行的策略。
• 原文 HTML 提供了图一至图四以及表一至表九的章节入口，但未提供可直接复用的独立图片资源；因此本条保留可核验的原始表格数字和图表入口，不用生成图替代原图。图表入口

核心方法

• 重复运行协议：每个方法—领域组合运行三次，用最佳—最差差距观察单次结果是否掩盖了路径依赖。
• 顺序扰动：除默认任务顺序外，加入两种随机打乱顺序，检验自我改进是否依赖隐含课程。
• 记忆干预：在 ReasoningBank 记忆中分别加入评分标准与反馈、环境动作反馈、更加明确的环境约束提示，观察欠规范能关闭多少性能损失。
• 错误传播分析：人工检查「API」「用户确认」和 Haversine 距离估计等错误策略如何写入记忆，并在后续任务中被再次检索。

实验成果

• 二十四个「方法—领域」组合中，有十七个约百分之七十一出现方差上升；其中十一个组合的相对方差增幅超过百分之五十。原文
• 自我改进后的最高标准差为百分之四点二八，最高最佳—最差差距为十点四二个百分点；WebArena Map 的 ReasoningBank 差距为八点二六个百分点。
• 三次运行平均 pass@1 中，无记忆、AWM、ReasoningBank 在 WebArena 上分别为百分之五十四点八、百分之五十四点一和百分之五十六点三；ReasoningBank 的一点五个百分点提升对应的非配对 t 检验 p 值为零点二三。
• 默认顺序下，ReasoningBank 的总体平均提升约一点五个百分点；随机顺序下，摘要报告约四点五个百分点的下降，八种比较中有六种明显下降。
• 加入规格和环境信息后，干预合计只关闭约百分之三十一的性能下降；欠规范是原因之一，但不是全部原因。

总结与反思

• 结果总结：论文的强信号不是某个记忆方法更高，而是自我改进的评价必须同时报告方差、任务顺序和环境规格。
• 局限性：每个设置只运行三次，研究也只覆盖三个网页基准、两类记忆方法；欠规范干预仍有约百分之六十九的下降无法解释。
• 前沿见解：记忆系统的第一道护栏可能不是更强的检索器，而是版本、来源和可执行性检查。

二、知识工作代理先要知道自己改的是哪个版本：StagedWorkspace 让解析视图和原生文件绑定 StagedWorkspace：面向知识工作代理的版本化工作空间

认知提取

论文摘要

• 论文提出 workspace-state contract：每个解析记录、原生工件、审阅差异和提交物都必须明确对应到演化中的某个工作空间状态。原文
• 解析记录同时绑定源文件路径和内容哈希；文件变化后，对应解析缓存标记为 stale，并只对变化文件异步重新解析。
• OfficeQA Pro 包含约六百九十七份 Treasury Bulletin PDF、百零四个文档问题和二十九个实时证据问题；APEX-Agents 包含三十三个工作世界和四百八十个任务。
• 固定工具预算为二百五十次调用，比较 Dual、Artifact-only 和 Parsed-only 三种视图条件。

核心方法

• 三类状态：原生工作空间记为当前权威状态，解析缓存支持搜索和证据定位，差异状态记录初始工作空间与当前版本之间的变化。
• 哈希同步：每轮工具操作后扫描沙箱；哈希未变的文件复用解析缓存，哈希变化的文件进入 stale 状态并异步刷新。
• 审阅日志：文本使用行级 diff，电子表格使用行级和单元格级变化，幻灯片使用幻灯片级变化，不支持的二进制文件退化为前后预览。
• 三臂消融：Dual 同时提供同步的原生和解析视图；Artifact-only 只提供原生文件；Parsed-only 只提供解析缓存。

实验成果

• OfficeQA Pro 上，SW-Agent 使用 Dual 视图时，GPT-5.4、Gemini 3.1 Pro、Gemini 3 Flash 的 Pass@1 分别为百分之六十四点七、百分之六十三点九和百分之五十七点八；相对更受限的单视图，提升八点三至十二点一个百分点。原文
• APEX-Agents 上，GPT-5.4 Nano 的 SW-Agent Pass@1 为百分之二十五点零，平均 rubric score 为四十二点一；相对已发表结果分别高八点一和十六点六点。
• Dual 在每个被测模型上的点估计都最高；相对单视图条件，APEX 平均 rubric score 提升四点七至九点二个百分点。
• 运行成本并不为零：OfficeQA 上三种模型双视图运行延迟为六点一、十点三和十五点三分钟，工具调用为三十点四、二十五点九和三十九点八次。
• 论文在五十七个文件编辑任务上做成对审阅轴消融；可见 diff 时的观察得分更高，但摘录没有展开该消融的完整分数。

总结与反思

• 结果总结：StagedWorkspace 把工作空间版本变成实验变量，Dual 视图在两类知识工作基准上都更有利。
• 局限性：APEX 排除了二十八个依赖外部 EDGAR API 的任务；异步刷新仍存在短暂 stale 窗口，不支持的二进制格式也没有细粒度 diff。
• 前沿见解：未来的知识工作代理需要提交「证据版本、编辑版本和最终版本」三者一致的工作产品，而不只是一个看起来正确的答案。

三、长上下文的关键不是硬塞更多 token：MoNe 把记忆容量按片段逐层写入 MoNe：面向高效长上下文推理的模块化神经记忆

认知提取

论文摘要

• MoNe 插接到冻结的预训练 Transformer，不重新训练主干；上下文预处理复杂度为 O(N)，查询成本相对于上下文长度为 O(1)。原文
• 论文使用 Qwen2.5-0.5B-Instruct，主干窗口为三十二 K，MoNe 训练上下文最多四 K，评估扩展到一百二十八 K。
• 评测覆盖 S-NIAH、MK-NIAH 和 Frequent Word Extraction，并与完整 ICL 和分块 RAG 比较。
• 额外参数开销为百分之六点四；一百二十八 K 时，MoNe 的计算量和峰值显存相对 ICL 约降低百分之八十。

核心方法

• 冻结主干：每个 Transformer 层挂接一个使用 SwiGLU MLP 的快速权重记忆模块，主干参数保持不变。
• 局部更新：每个五百一十二 token 片段生成 key 和 value，通过关联记忆损失只更新当前层的快速权重，不把梯度传回其他层。
• 记忆查询：问题 token 经过查询投影后生成记忆 token，再用冻结的 key/value 投影把记忆转换成注意力项，与问题自身的标准注意力拼接。
• 长序列复用：同一个记忆状态可以被多个查询复用；新片段到来时增量更新，不必重新读取过去全部 token。

实验成果

• 一百二十八 K 时，MoNe 在 S-NIAH、MK-NIAH、FWE 上分别达到零点九六、零点九四和零点九六；ICL 分别降至零点二八、零点零零和零点二三。原文
• MoNe 在四 K、八 K、十六 K、三十二 K、四十八 K、六十四 K、九十六 K 和一百二十八 K 上保持相对平稳，而 ICL 在主干窗口之外明显退化。
• 仅使用最后十六层时，MK-NIAH 在四 K、六十四 K、一百二十八 K 上为一点零零、零点八八和零点七零；仅使用最后八层时，六十四 K 与一百二十八 K 降至零点一五和零点零二。
• 默认片段长度五百一十二能从四 K 训练上下文推广到一百二十八 K；片段长度一百二十八和二百五十六在超过十六 K 后快速下降。

总结与反思

• 结果总结：MoNe 以少量模块化参数把测试时学习、长上下文压缩和查询复用接在一起，效率与检索保持率同时改善。
• 局限性：容量调度按上下文位置而非信息重要性决定；长上下文任务主要是合成检索和词频抽取，尚未证明复杂跨文档推理。
• 前沿见解：长上下文模型的下一场竞争，可能是把记忆预算按信息生命周期分配，而不是继续只扩展窗口上限。

四、机器人世界模型不必绑定关节空间：Hydra-0 用像素动作流连接不同实体 Hydra-0：面向通用世界建模与控制的动作流

认知提取

论文摘要

• Hydra-0 使用 action flow 表示机器人、物体或人手表面点的像素轨迹，前向模式预测动作造成的视频后果，逆向 WAM 模式从期望物体流预测兼容的机器人运动。原文
• 训练数据来自 DROID、ABC-130k、MolmoAct2、EgoDex、Deform360、XVLA-Soft-Fold 和 H1-Fold-Clothes，共一百七十八万八千七百零七个 episode，过滤后保留一百五十六万五千六百三十四个窗口、约二千二百零一点七小时。
• 每个窗口重采样到四百八十 p、十六 fps、八十一帧；部署时仍需 Isaac Lab 控制器、机器人几何、相机内外参和深度缓冲构造可执行动作流。
• 训练冻结视频骨干，只训练 patch embedding 和 rank-64 LoRA；每个 chunk 使用四步去噪，并通过 KV cache 做自回归 rollout。

核心方法

• 动作流构造：训练视频用密集点跟踪和 grounded mask 分离机器人、夹爪、人手与物体；部署视频用控制器和物理仿真生成带运动学含义的像素轨迹。
• 四种条件模式：Embodiment 使用机器人或人手轨迹，Object 使用物体未来轨迹，All 同时使用全部轨迹，None 用于条件 dropout。
• 运动条件注入：从初始图像 latent 采样轨迹起点特征，沿像素轨迹传播，并用可见性和 presence gate 在 DiT patch embedding 前注入。
• 逆向 WAM：输入人类示范迁移得到的期望物体流，世界模型推断兼容的机器人运动 latent，目标机器人 action head 再映射为可执行动作；该模式仍需要目标机器人配对 rollout。

实验成果

• 相比 action-conditioned Cosmos 2.5 baseline，机器人运动误差降低百分之九十点四，物体运动误差降低百分之六十点一六。原文
• RoboLab 五个策略的 replayed success rate 与 reference success rate 之间 Pearson 相关系数为零点九六；零点九六是相关性，不是百分之九十六的成功率。
• 论文展示跨单臂、双臂、人手、手持夹爪和 humanoid 数据的组合，以及从人类示范到机器人动作的零样本组合；给定原文提取没有提供每个真实机器人任务的绝对成功率。
• 误差改善依赖可见表面点、相机标定和开环固定轨迹；遮挡、标定偏差或实时接触修正会改变部署条件。

总结与反思

• 结果总结：Hydra-0 让动作流成为连接世界建模、开环评估和机器人控制的共享接口。
• 局限性：部署仍依赖运动学 grounding，逆向控制只是 proof-of-concept，开环相关性不能等同于闭环操控能力。
• 前沿见解：机器人基础模型的统一动作空间，可能不是关节坐标，而是能被相机观察和物理仿真共同解释的中间运动。

认知模型

五、Agent RL 的最小接口是模型调用，而不是重写整个 harness：Agent Lightning v1.0 Agent Lightning v1.0：走向 Harnessed Agentic RL

认知提取

论文摘要

• 训练时继续由 harness 负责上下文、工具和环境；endpoint/proxy 只捕获每次 LLM 调用的 token 级请求—响应，不要求重写 Agent loop。原文
• 一个 rollout 可能因 retokenization、子 Agent 分支、上下文摘要而拆成多个训练样本；论文主张 advantage 应按 rollout 计算，而不是按拆出的样本计算。
• 论文将框架控制在约三千五百行代码，并验证通用 instruction-following agent、search agent 和 coding agent。
• coding agent 使用约六 K 训练样本和 Qwen3.5-9B，在 SWE-bench Verified 上从百分之四十一点八提升到百分之五十六点四。原文

核心方法

• Best-effort sequence merging：只有相邻调用满足精确 token 前缀关系才合并；前缀不一致时关闭当前样本并开启新样本，牺牲复用率以避免 off-policy prompt。
• Rollout-level advantage：同一 rollout 拆成多少样本不应改变 GRPO group 的 baseline；如果一个奖励为一的 rollout 拆成三个样本，sample-level baseline 会被样本数量扭曲。
• 动态 loss 归一化：论文比较 token-mean、seq-mean-token-mean 和 rollout-mean，指出样本数量不应无意中改变某条 rollout 的优化权重。
• 轻量控制面：harness 可在 Kubernetes 集群中直接运行，训练后端负责动态样本数、负载均衡和 rollout 到样本的映射。

实验成果

• Qwen3.5-9B 在 SWE-bench Verified 上由 RL 前百分之四十一点八提升到 RL 后百分之五十六点四，绝对提升十四点六个百分点；论文称训练使用六 K 样本和 modest compute。原文
• coding-agent 运行中，只有百分之三十六的 rollout 最终保持为单个训练样本，每条 rollout 平均产生二点四个训练样本；这说明线性样本假设与真实 Agent 轨迹差异很大。
• 论文没有在当前原文摘录中完整披露 GPU 型号、训练时长、loss normalization 最终实现以及 search agent 的逐项结果；读者复现时不能只复制百分之五十六点四这个终点数字。

总结与反思

• 结果总结：Agent Lightning v1.0 的工程信号是把 RL 接口放到模型调用边界，尽量不破坏现有 Agent harness。
• 局限性：训练系统看不到 harness 和环境的潜在状态；token boundary drift、工具格式化和动态样本数仍会影响 credit assignment。
• 前沿见解：Agent RL 的基础设施比较，应该同时报告模型、harness、环境和样本切分策略，单看模型 checkpoint 已经不够。

多模态

六、图像生成的高分辨率计算不必平均分配：AViTS 按时空重要性选择 token AViTS：面向高效动态分辨率生成的自适应时空 token 选择

认知提取

论文摘要

• AViTS 在低分辨率 denoising 后收集 image-to-text attention 和 latent step variance，以 Top-K 方式选择优先上采样的 token。原文
• Stage 1 低分辨率去噪，Stage 2 选择性上采样，Stage 3 完整分辨率 refinement；主要机制发生在推理/采样阶段。
• 实验覆盖 FLUX.1-dev、Qwen-Image-Edit 和 FLUX.1-Kontext-dev；FLUX.1-dev 使用 NVIDIA A800，其余模型使用 NVIDIA H20。
• 在 FLUX.1-dev 的 DrawBench 上报告 ImageReward、CLIP Score、延迟、FLOPs 和 NFE；论文还报告与蒸馏模型结合时最高十四点七六倍加速。原文

核心方法

• 空间分数：对 image-to-text attention 在 head 和文字 token 上聚合；FLUX 的 fused joint attention 需要通过 hook 取 Q/K 并重建对应 attention。
• 时间分数：对多个 diffusion timestep 的 token latent 计算跨步方差，突出仍在变化、需要精细处理的区域。
• 融合排序：分别 min-max 归一化 attention 和 variance，以权重 alpha 融合，再用微小高斯扰动打破并列。
• 混合分辨率序列：优先 token 正交上采样，低重要性 token 暂留低分辨率；重新注入坐标绑定噪声后继续 denoising。

实验成果

• FLUX.1-dev、三十 NFE 配置：延迟八点二一秒，相对五十 NFE baseline 为三点一四倍加速，ImageReward 为一点零一零四，CLIP Score 为三十二点四七六。原文
• 十八 NFE 配置：延迟四点七三秒、延迟加速五点四五倍、FLOPs 加速四点八零倍，ImageReward 为零点九九五九，CLIP Score 为三十二点三六一。
• FLUX.1-schnell 的十四 NFE 配置达到七点零六倍延迟加速和六点三四倍 FLOPs 加速；九 NFE 时达到九点七八倍，但 ImageReward 相对下降百分之五点三三。
• 方法仍需在 Stage 3 对剩余 token 做完整分辨率 refinement；多 timestep latent 和 attention map 的收集、以及 fused attention hook 都会带来工程成本。

总结与反思

• 结果总结：AViTS 把动态分辨率从统一放大改成基于语义和变化率的分配，速度—质量权衡比单纯减少 NFE 更可解释。
• 局限性：效果依赖 alpha、rho、收集步数和各阶段步数；极端加速仍会掉质量，Qwen-Image-Edit 和 FLUX.1-Kontext-dev 的完整结果表在当前摘录中没有展开。
• 前沿见解：生成模型的稀疏化正在从静态剪枝转向「什么时候、哪个区域值得继续算」的采样调度。

具身智能

AI4Science

七、物理约束不是训练时硬塞进去：Flow Matching 能量在采样时接入 PDE 残差 已知物理约束下的 Flow-Matching 能量组合

认知提取

论文摘要

• 论文令速度场为标量势函数的梯度，并从势函数导出时间相关能量；已知 PDE 残差作为额外能量项加入采样目标。原文
• EnergyPC 在 Flow ODE 的 predictor 后加入 ULA 或 MALA corrector，实验覆盖 Poisson、Helmholtz 和 Burgers 字段。
• 终端总能量还可用于 OOD 检测；观测似然加入后，可用于 PDE 解场重建和系数场反演。
• 原文报告整体上能降低 PDE residual 和 spectral distance，但当前可访问摘录没有恢复各任务完整数值表，因此只引用图中可读的逐面板残差。

核心方法

• 势函数 Flow Matching：用势函数梯度生成速度场，训练仍采用标准 Flow Matching 回归目标；势函数同时提供数据驱动能量。
• 物理能量组合：总能量由数据能量与 lambda_t 乘以 PDE 残差平方构成；高噪声阶段将物理权重调低，因为此时残差不稳定。
• EnergyPC：predictor 之后执行 Langevin corrector；ULA 直接接受 proposal，MALA 再用 Metropolis—Hastings 校正离散化偏差。
• 后验与 OOD：把观测误差项加入总能量形成后验目标，并在低噪声终端用总能量作 OOD 分数。

实验成果

• Burgers 图中，四个残差面板的 Data 数值分别为零点零零零一二一、零点零零零四、零点零零零四六六和一点三一乘十的负五次方；EnergyPC-MALA 对应为零点零零零二八四、零点零零零五零三、一点八八乘十的负五次方和零点零零零八三一。原文
• 图中 ODE、EnergyPC-ULA、EnergyPC-MALA、ODE+ULA、ODE+MALA 和 annealed sigma-gated 方法的残差呈现不同空间结构，说明「加物理项」不是对每个样本逐格保证更低残差。
• 论文声称总能量在多种 corruption 上比单独数据能量或物理残差更适合 OOD 排序；当前摘录没有提供每种 corruption 的 AUROC 数值。
• 物理后验采样需要额外 MCMC 步骤，步长、corrector 次数、终端最小噪声和 lambda 调度都会增加复现敏感度。

总结与反思

• 结果总结：论文提供了一个把数据先验、PDE 残差和观测似然组合到同一采样能量中的统一接口。
• 局限性：有限训练时势函数不一定等于真实边际密度；总能量也不一定是 Flow 的真实中间边际，终端时间还存在数值不稳定。
• 前沿见解：AI4Science 生成模型的下一步不是只追求样本逼真，而是让样本的物理可行性、分布校准和 OOD 分数共享同一个可审计对象。

Infra

八、模型会执行目标 PTX 指令，不等于它真的优化了 GPU：PTXBench 把 kernel 评测拆成三道门 PTXBench：用架构专属 PTX 评测与适配 LLM GPU kernel 优化

认知提取

论文摘要

• 每个实例固定参考算子、workload、GPU 架构和目标 PTX 指令族；模型从零生成带 inline PTX 的 CUDA kernel，并保留多轮编译、运行、修复反馈。原文
• 评测覆盖 NVIDIA H100 与 B200，任务包括 GEMM、MHA-Fwd、MHA-Fwd-Causal、MHA-Bwd 和 MHA-Bwd-Causal。
• 目标指令成功需要同时满足功能正确、SASS 中存在目标指令族，以及 Nsight Compute 报告正的 predicate-enabled thread count。
• Fixit SFT 用失败 kernel、编译或运行反馈和 teacher 修复构造数据；基础模型为 Qwen3.6-27B，比较七种 s0—s6 recipe。

核心方法

• 三道检查：功能检查输出 shape、dtype 和数值；静态 SASS 检查目标指令族；动态 Nsight Compute 检查目标指令是否真的被执行。
• 性能协议：每次计时先 warmup 十次，再测五十次并取中位延迟；speedup 定义为参考延迟除以候选延迟。
• 架构知识包：每条轨迹提供约二十 K 至三十 K token 的架构参数、PTX wrapper、layout、同步和一致性契约。
• Fixit 适配：repair teacher 生成修复 kernel，reasoning teacher 生成解释，学生模型学习从失败状态到修复结果的映射；失败样本只从适配前 checkpoint 收集一次。

实验成果

• H100 上，Claude Opus 4.8 的目标指令正确率在 GEMM、MHA-Fwd、Fwd-Causal、MHA-Bwd、Bwd-Causal 上分别为百分之九十四点八、九十点六、七十五点零、七十九点二和四十四点八；B200 上对应为八十点二、三十八点五、三十二点三、十点四和未报告。原文
• B200 GEMM 中，Gemini 3.1 Pro 的最高 speedup 为 cuBLAS 的零点八九二倍，Claude Opus 4.8 为一点零一二倍；执行新指令不等于超过前沿库。
• Gemini 3.1 Pro 仅给架构参数时目标指令正确率为百分之零；加入 PTX 模板后为百分之十九点八，再加入架构契约后为百分之三十八点五。
• 目标指令指标是二值执行检查，不代表指令利用率或有效工作量；没有任何被测模型在完整任务集上持续达到前沿库性能。

总结与反思

• 结果总结：PTXBench 把 GPU kernel 优化从代码生成题改成可执行、可测量、可审计的系统题。
• 局限性：评测只覆盖 H100、B200、固定 workload 和有限模型；适配数据来自适配前 checkpoint，可能遗漏适配后出现的新错误。
• 前沿见解：面向硬件的 Agent 评测应该把「是否触发目标机制」和「是否带来端到端收益」强制拆开。

Agent

应用体系

九、表格预测不必把三千二百八十个示例全塞进 prompt：ARASH 按局部性和难度分配 shots ARASH：面向表格预测的自适应检索与示例选择

认知提取

论文摘要

• ARASH 的三阶段是局部性感知聚类、基于难度的 shot 预算分配、查询路由与检索策略选择；基础模型以 TabPFN 为主，也测试 LLaMA 3.2、Qwen 2.5 和 FLAN-T5。原文
• 数据使用 OpenML-CC18 和 Combo 集合，训练—测试按八十比二十划分，随机种子为四十二，主实验使用 NVIDIA GeForce RTX 4090。
• 当 cluster 局部性高且标签纯度高时，ARASH 使用局部 kNN；局部性高但纯度低时使用 DPP；局部性低时混合局部—全局检索或全局 DPP。
• 如果选中示例的标签完全一致，系统进入 Direct mode，不调用表格基础模型；否则进入 TFM mode。

核心方法

• 局部性画像：用数据规模、维度、PCA 各向异性和 Hopkins 统计量决定聚类方法，候选包括 KMeans、GMM、Birch、HDBSCAN 和层次聚类。
• 难度分数：把 cluster 的归一化标签熵和一点减去纯度求平均，难度越高，分配的 shots 越多。
• 查询路由：查询先进入 cluster，再根据全局局部性和当前纯度选择 kNN、DPP、混合检索或全局 DPP。
• 预算控制：shots 下限不低于 cluster 内不同标签数，上限不超过 cluster 样本数，并受模型 token 长度约束。

实验成果

• 摘要报告：结合 TabPFN 后，ARASH 在准确率相近的情况下将 prompt 长度减少一千二百六十一点五倍，内存使用减少二点五六倍。原文
• 四个合成区域中，Full-context 使用三千二百八十个 demonstrations；ARASH 分别使用六、十九、十三和五十八个示例，准确率为百分之九十六点二五、百分之九十五点零、百分之九十三点零和百分之五十点五。
• 固定 kNN 使用三十二个示例时，四个区域准确率为百分之九十六点二五、百分之九十三点零、百分之九十二点六和百分之四十四点零；低纯度区域中，DPP 带来的多样性是主要增量。
• 局部纯度足够高时，Direct mode 可以跳过 TFM 推理；但聚类阈值、类别不均衡和固定数据划分会影响跨数据集稳定性。

总结与反思

• 结果总结：ARASH 让表格 in-context learning 同时适配局部结构、标签难度和 token 预算。
• 局限性：全局局部性分数是数据集级常数，不能随每个查询更新；聚类和阈值选择仍带启发式色彩。
• 前沿见解：应用系统的检索器不只应回答「找哪些示例」，还应回答「这次查询值得花多少示例预算」。

Benchmark

十、文档多模态推理的难点不只是 OCR：BEAR-Bench 用双语企业与学术页面测试多跳理解 BEAR-Bench：面向多模态模型的双语企业与学术推理基准

认知提取

论文摘要

• 基准包含一千张文档页面图像和一千个人工编写 QA；商业领域五百三十二张，科学领域四百六十八张；俄语六百一十八题，英语三百八十二题。原文
• 文档覆盖财务报告、投资者演示、流程图、组织结构图、数学物理公式、科学图表和学术多栏页面；九百四十题带有二至十步以上的粗粒度推理深度标注。
• 零样本评测只提供页面图像和问题，温度为零点六；开放权重模型在 H100 和 L40 服务器运行，专有模型通过 OpenRouter 调用。
• 主要结果由 GPT-4o 作为语义等价判题器，二百条分层抽样中与人工判断一致率为百分之九十九。

核心方法

• 双语双领域构造：从企业与学术页面中筛选含有图表、公式、代码或流程图的高视觉密度样本，再由人工编写页面内可验证问题和答案。
• 多跳约束：问题要求表格汇总、跨年度比较、图表趋势解释、公式与图形联合推理或流程图路径追踪，答案不得依赖外部领域知识。
• 质量控制：八个专有 VLM 检查异常样本，人工审核删除错误或含歧义标准答案；质量抽查报告标准答案质量百分之八十四点四、问题质量百分之九十点九。
• 错误诊断：人工检查一百五十条错误回答，再归纳为空间误定位、计数/聚合、OCR/视觉属性、图表数值提取和语义/推理五类。

实验成果

• Overall 最佳为 Qwen3.5-397B-A17B 的百分之七十五点四，Gemini 3.1 Pro 为百分之七十五点一；Business 最佳为 Gemini 3.1 Pro 的百分之七十九点五，Science 最佳为 Qwen3.5-397B-A17B 的百分之七十二点二。原文
• Gemini 3.1 Pro 的英语准确率为百分之八十三点零，俄语为百分之七十点二；Qwen3.5-397B-A17B 的英语为百分之八十一点九，俄语为百分之七十一点四，语言差距没有被大模型规模消除。
• Qwen3.5-9B 的图像缩小倍率从一倍到四倍时，准确率从百分之四十九点六下降到百分之四点七；原文正文的原始分辨率数字写作百分之四十九点三，与表四的百分之四十九点六存在轻微不一致。
• Qwen3-VL-8B-Instruct 加显式 CoT 后从百分之二十五点四升到百分之三十九点一；Qwen3.5-9B、Qwen3.5-4B 的 CoT 结果反而分别下降零点三和一点四个百分点。

总结与反思

• 结果总结：BEAR-Bench 把文档图像中的语言、布局、图表和公式推理放到同一个双语评测里，当前最强模型也只达到约四分之三正确率。
• 局限性：只有英语和俄语，任务以单页 PNG 为主，主结果依赖 GPT-4o 判题；标准答案质量抽查也不是百分之百。
• 前沿见解：多模态模型的下一道门槛不是把页面看得更清楚，而是把页面中的多个证据连接成可复核的推理链。

阅读优先级

• 先读方法与系统边界：StagedWorkspace、MoNe、Hydra-0、Agent Lightning v1.0。四篇分别覆盖版本状态、记忆调度、动作接口和 Agent RL 训练边界。
• 再读评测与资源约束：自我改进智能体脆弱性、PTXBench、BEAR-Bench。它们共同说明，单次成功、目标指令命中和视觉回答正确都不能替代完整协议。
• 最后看迁移与应用：AViTS、已知物理 Flow Matching、ARASH。三篇把预算调度分别带到扩散采样、科学生成和表格预测。