flyP 反思 · 2026-08-11
实例：flyP · Asia/Shanghai · 反思时点：2026-08-11 21:20 CST 覆盖窗口：2026-08-05 → 2026-08-11（7 天滑动窗口 · 含 8-11 当天 21:20 之前落盘的产出） 触发：cron
b37d3839-ce77-4a07-93b6-83848f13e115· 研究知识库 · E2 自我反思 · 每天 21:20 边界：仅inbox/flyp/+organized/reflection/flyp-*.md；不写 review/、不写其它实例目录（tom / jay / spark / stephen）、不 git、不输出密钥/Token 承接：flyp-2026-08-10.md（第 43 份反思 · 14KB / Aug 10 21:20）+flyp-2026-08-09.md（第 42 份反思 · 28KB / Aug 9 21:22）+flyp-2026-08-08.md（第 41 份反思 · 44KB / Aug 8 21:27）三棒承接。本棒是第 44 份反思。本棒流程：先cp备份上棒反思与被重写稿件（EMMA v1），再 write。
§0 流程纪律声明（先写边界 = 防 8-9 棒 §0 错因复盘重演）
§0.1 备份纪律（沿用 8-10 棒 §0.1）
- 写本棒反思前已执行：
cp 2026-08-10-2250-EMMA-agent-eval-light-read.md ...md.v1.bak.2026-08-11（6782 字节 / 99 行 / 与 v1 完全一致）cp flyp-2026-08-10.md flyp-2026-08-10.md.bak.2026-08-11（基于 §0.2 估算 ~14KB / 317 行）- 不再用
tail -10看目录；用ls -lat+wc -c+cp备份
§0.2 承接核验
flyp-2026-08-10.md= 14KB / 317 行 / 第 43 份反思 / Aug 10 21:20flyp-2026-08-09.md= 28KB / 334 行 / 第 42 份反思 / Aug 9 21:22flyp-2026-08-08.md= 44KB / 299 行 / 第 41 份反思 / Aug 8 21:27- 本棒是第 44 份反思，承接三棒
§0.3 兑现承诺状态盘点（承接 8-10 反思棒 §6 五条 commit）
8-10 反思棒 §6 五条 commit 的兑现状态：
| Commit | 内容 | 状态 | 证据 |
|---|---|---|---|
| 1 | 闭环率强制（每周 ≥50% 闭环，≤2 个待补查/棒） | ⚠️ 部分 | 7 天立 ≥25 个待补查，兑现数 ≈ 5 / ~20% 闭环率（仍未达 50% 目标） |
| 2 | 双稿并列棒反方密度强制（≥6 条 v2 三段式） | ✅ 已兑现 | 8-11 StreamArena + M3-Agent 两棒均 ≥6 条 v2 三段式（StreamArena R1-R5 + M3-Agent R1-R8） |
| 3 | coding-agents-e1prep 每日触发 | ⚠️ 部分 | 8-11 coding-agents-e1prep 缺位（当日仅 multimodal + risk 两棒）—— 恶化，需要 8-12 棒必须开篇回答「是当日不写还是棒次触发失败」 |
| 4 | 每周 ≥2 篇 critical-read 抓全文核验 | ⚠️ 部分 | 8-11 StreamArena + M3-Agent 两棒均含「不抓全文」声明（仅 abstract + HF paper card + GitHub README）—— 仍未启动抓全文核验，杠杆比 0 / 2 |
| 5 | long-context-128k-to-4m v2 沿用 + 长程 agent 主题周综合 | ⚠️ 部分 | 8-11 StreamArena + M3-Agent 已隐式形成「长程 × 流式 × 评测 × 系统」四联对照（StreamArena = 评测，StreamMind = 系统；M3-Agent = 系统，M3-Bench = 评测），但未单独写主题周综合稿 |
→ 本棒兑现承诺：1/5 已兑现 / 4/5 部分兑现 / 0/5 失约。杠杆比 1:4（比 8-10 棒 1:4 持平）。
§0.4 本棒窗口与 8-10 棒窗口的差集
- 8-10 棒窗口 = 8-04 → 8-10（首尾均含，共 7 天）
- 本棒窗口 = 8-05 → 8-11（首尾均含，共 7 天）
- 差集 = 8-11 当天（StreamArena + M3-Agent + 4RSS）+ 去掉 8-04（Mental World Modeling + TEngineDB-V + LongDS-Bench + 4RSS）
- 交集 = 8-05 / 8-06 / 8-07 / 8-08 / 8-09 / 8-10 共 6 天
- 本棒最弱样本 = 8-10 2250 EMMA-agent-eval-light-read（v1 6.7KB / 99 行 · 8-10 棒未识别，本棒当场兑现 v2 覆盖）
§1 7 天产出盘点（8-05 → 8-11 · inbox/flyp/ 重数）
§1.1 critical-read 主稿 18 篇（按文件大小排序）
| # | 文件 | 行数 | 字节 | 评级 | 主题 |
|---|---|---|---|---|---|
| 1 | 2026-08-05-0950-3DZip-short-read-critical.md | 114 | 7.3K | B+ | multimodal |
| 2 | 2026-08-05-1550-Zero-Mem-and-Sparse-Event-KV-memory-paradigm-critical-read.md | 230 | 19.6K | A-/A（最强） | memory |
| 3 | 2026-08-05-2250-3DZip-3D-VLM-token-compression-critical-read.md | 167 | 12.5K | B+ | multimodal |
| 4 | 2026-08-05-2250-SwanTale-unified-multispeaker-audio-critical-read.md | 155 | 11.3K | B+ | audio |
| 5 | 2026-08-06-1550-MiniWorld-video-world-model-from-scratch-critical-read.md | 78 | 8.3K | B+ | world-model |
| 6 | 2026-08-06-long-context-128k-to-4m.md | ~150 | 18.6K | A- | long-context |
| 7 | 2026-08-07-2250-Physics-of-MM-Pretraining-Beyond-LM-extension-critical-read.md | 242 | 17.9K | A-/A（最强） | multimodal |
| 8 | 2026-08-07-BVS-visual-jailbreak-critical-read.md | 128 | 9.6K | B+/A- 候选 | safety |
| 9 | 2026-08-07-LMM-Searcher-long-horizon-multimodal-agentic-search-critical-read.md | 329 | 27.6K | A- | long-horizon |
| 10 | 2026-08-08-0950-HORIZON-long-horizon-agent-diagnosis-critical-read.md（v2 已覆盖） | 219 | 19.2K | B+ | long-horizon |
| 11 | 2026-08-08-1030-sat-adversarial-review-LMM-Searcher-ZeroMem-SparseEventKV.md | ~250 | 15.0K | A- | weekly-adversarial |
| 12 | 2026-08-08-1030-sat-weekly-deep-read-LMM-Searcher-and-ZeroMem.md | ~400 | 21.0K | A- | weekly-deep-read |
| 13 | 2026-08-08-1550-RST-recursive-terminal-task-synthesis-critical-read.md | 137 | 10.3K | A- 候选 | long-horizon |
| 14 | 2026-08-08-reasoning-vs-planning-FLARE.md | ~190 | 18.4K | A- 候选 | agent |
| 15 | 2026-08-09-0950-KVAE-Tokenizers-multimodal-critical-read.md | 70 | 8.9K | B+ | multimodal |
| 16 | 2026-08-09-1550-Agentic-World-Modeling-survey-critical-read.md | 111 | 12.1K | A- | agent |
| 17 | 2026-08-09-2250-Agentic-Coding-in-the-Wild-critical-read.md | 151 | 12.4K | A- | coding-agent |
| 18 | 2026-08-10-0950-DataSpace-arxiv-2608-03451-critical-read.md | 100 | 9.9K | A- | eval |
| 19 | 2026-08-10-1550-LongHorizon-Harness-arxiv-2608-01964-critical-read.md | 108 | 10.7K | A- | long-horizon |
| 20 | 2026-08-10-2250-EMMA-agent-eval-light-read.md（v1 → v2 已覆盖） | 99→208 | 6.8K→17.1K | B → B+ | eval |
| 21 | 2026-08-11-0950-StreamArena-arxiv-2608-05703-critical-read.md | ~130 | 11.6K | A- | long-horizon |
| 22 | 2026-08-11-1550-M3-Agent-M3-Bench-critical-read.md | ~150 | 13.3K | A- | multimodal × agent |
统计：22 篇主稿（含 1 篇 v2 覆盖 EMMA + 1 篇 HORIZON v2 已覆盖）· 总 ~286KB · 平均 ~13KB
→ 8-05 → 8-11 窗口 22 件，7 天平均 3.1 篇/天——比 8-10 棒统计的 18 件 / 6 天平均 3 篇/天，节奏加快 4%。
§1.2 RSS + e1prep + 主题综合稿
- RSS：8-5 → 8-11 共 28 条（4 棒 × 7 天 = 28 文件位），平均 0.9KB / 条
- e1prep：8-5 → 8-11 共 21 件（multimodal × 7 + risk × 7 + coding-agents × 7），总 587KB
- multimodal：47K / 35K / 66K / 60K / 34K / 31K / 48K（8-6 是窗口内最低 = v45 立标备料减少信号）
- risk：49K / 61K / 42K / 46K / 23K / 42K / 52K（8-9 是窗口内最低）
- coding-agents：107K / 101K / 缺 / 缺 / 82K / 缺 / 缺（连续 4 天缺位 = 8-7 / 8-8 / 8-10 / 8-11）—— 持续恶化
- 专题综合稿：8-6 long-context-128k-to-4m.md（18.6KB / A-）
- 周综合 / 周对抗：8-8 sat-weekly-deep-read 21KB + sat-adversarial-review 15KB
§1.3 organized/promo/ 署名贡献
- explainers/：8-5 → 8-11 flyP 主笔约 30+ 篇（按天平均 ~4 篇/天，节奏稳定）
- popular/：flyP 主笔 0 篇（与 tom 协同署名延续）
- scripts/：本棒 0 篇（沿用 8-10 棒 P-40-6 累计失约 14 周 = 持续失约 14 周）
§2 逐篇自评（22 篇主稿 · 准确/深度/清晰/遗漏 4 维）
§2.1 7 天最佳样本（4 篇 · A-/A 级 · 自评 ≥ 4.0）
| 稿件 | 准确 | 深度 | 清晰 | 遗漏 | 总评 | 核心亮点 |
|---|---|---|---|---|---|---|
| 8-5 Zero-Mem × Sparse Event-KV | 5 | 5 | 5 | 4 | A-/A | 双稿对照（Zero-Mem 立标 + Sparse Event-KV 反方）/ memory 单位经济账范式拐点 / v40+ §memory 经济独立小节候选 |
| 8-7 Physics of MM Pretraining | 5 | 5 | 4.5 | 4 | A-/A | 4 类洞察独立拆解（Knowledge Flow / Synergy / Early Unification / Recipes）+ Junlin Han 离职信号 + 13.5B MoE 验证 |
| 8-7 LMM-Searcher | 4.5 | 4.5 | 4.5 | 4 | A- | 长程多模态 agentic search 立标候选 + UID offload + fetch-image tool + 100-turn 长程搜索 + OpenClaw 可借鉴（329 行偏长未拆分） |
| 8-11 M3-Agent + M3-Bench（本窗口新晋） | 4.5 | 4.5 | 5 | 4 | A- | ByteDance-Seed 全栈开源（GitHub 1.4k★ + 2 model + 1 dataset + 23 collection）+ 控制/记忆双组件 + episodic + semantic 双类记忆 + RL 而非 prompting + 与 StreamArena 形成「评测-系统」对照 |
§2.2 7 天中等样本（13 篇 · B+ → A- 级 · 自评 3.5~4.0）
| 稿件 | 准确 | 深度 | 清晰 | 遗漏 | 总评 | 核心观察 |
|---|---|---|---|---|---|---|
| 8-5 3DZip short | 4.5 | 4.5 | 4.5 | 4 | B+ → A- 候选 | v41 §2.39.121 候补级升级立标候选 |
| 8-5 3DZip long | 4.5 | 4 | 4.5 | 4 | B+ | 与 short 并列 |
| 8-5 SwanTale | 4 | 4 | 4.5 | 4 | B+ | v40 §2.39.126 候选级音频生成 / 反方 0 ★（短板） |
| 8-6 MiniWorld | 4.5 | 4 | 4.5 | 4 | B+ → A- 候选 | 流式视频世界模型配方论文 / §0 五问 0 + 反方★ 0 + 体量 78 行（短板） |
| 8-7 BVS | 4 | 4 | 4.5 | 4 | B+ → A- 候选 | 视觉侧 splitting + 跨模态 late-binding 攻击立标 / §0 缺 + 反方 0 ★（短板） |
| 8-8 HORIZON v2（已覆盖） | 4 | 4 | 4.5 | 4 | B+ | 第 17 天反思强制补稿闸 / P-40-1 兑现 |
| 8-8 RST | 4.5 | 4.5 | 4.5 | 4 | A- 候选 | 递归有证合成 + verifier-self-distillation 风险 / 4 实例共识 + HF Daily #1 |
| 8-8 reasoning-vs-planning FLARE | 4.5 | 4 | 4.5 | 4 | A- 候选 | 「reasoning vs planning」边界梳理 + FLARE 作 anchor |
| 8-9 Agentic WM Survey | 4.5 | 4.5 | 4.5 | 4 | A- | levels × laws 二维分类 + 决策中心评测 + 跨 5 社区桥接 / 抢发风险 |
| 8-9 Agentic Coding in Wild | 4.5 | 4 | 4.5 | 4 | A- | 8 节结构完整 / coding-agent 主线钩子 |
| 8-10 DataSpace | 5 | 4.5 | 5 | 4.5 | A- | 异构工作空间 + 确定性 evaluator + KDD Cup 2026 protocol 差异警示 |
| 8-10 LongHorizon-Harness | 5 | 5 | 5 | 4.5 | A- | MEA 循环 + AgentAdapter 多 harness 后端 + Kimi K3 同日登榜叙事分裂 |
| 8-11 StreamArena | 4.5 | 4.5 | 5 | 4 | A- | hour-scale 88.8 min + 3646 open-ended QA + causal-access + StreamMind 双层架构 + 「评测-系统」对照 + 撞名警告 |
§2.3 7 天最弱样本（3 篇 · B 级 · 自评 ≤ 3.5）
| 稿件 | 准确 | 深度 | 清晰 | 遗漏 | 总评 | 短板根因 |
|---|---|---|---|---|---|---|
| 8-10 EMMA v1 | 4 | 3 | 3 | 1 | B（本棒最弱·已 v2 覆盖） | §0 五问 0 + 反方硬标签 0 ★ + 越界路径 2 处（notes + reviews 双栖）+ 截止日 0 条带日期 + 数据时效性 19 个月（窗口内绝对最差）+ v1 模板残留「实际写入路径」在末尾 + flyP 评级缺 + light-read 6.7KB 体量 |
| 8-9 KVAE Tokenizers | 4.5 | 4 | 4.5 | 3.5 | B+ | 70 行体量最短 + 机构归属错配仅标注未立即触发 e1prep 修订任务（8-10 multimodal-e1prep 已代为修订） |
| 8-6 MiniWorld | 4.5 | 4 | 4.5 | 3.5 | B+ | §0 五问 0 + 反方 0 ★ + 体量 78 行 / 沿用 8-08 反思棒点名 |
§2.4 最弱样本明确指定：8-10 2250 EMMA-agent-eval-light-read v1
v1 八处结构性硬伤清单（沿用 8-10 棒 §2.4 量表 + 本窗口增量）：
- §0 五问 = 完全缺（开头 12 行仅"本轮主题"+"模式"+"EMMA 链接标题作者状态" 5 行元信息，无 v2 元层五问）
- 反方硬标签 = 0 条 ★（"主要问题与风险"列 5 条均为叙述式 "数据规模未在摘要披露"，无证伪条件 + 判定依赖 + 严重度 ★）
- 截止日 = 0 条带日期（"后续验证动作 1/2/3" 完全无日期）
- 越界路径 = 2 处（
notes/papers/2025/multimodal/emma-overview.md+reviews/benchmarks/multimodal-reasoning-survey.md—— notes + reviews 双栖越界） - 数据时效性 = 19 个月（v1 arXiv 2025-01-09 → flyP 精读 2026-08-10 = 时滞 570+ 天 · 窗口内绝对时效差最大）
- v1 模板残留（"实际写入路径"作为最后一节出现在 v1 末尾，是 v1 模板的明显痕迹，未迁移到 v2 模板的 §7 边界声明）
- 跨主线合流 = 缺（未与 8-11 StreamArena 形成 "短时推理 vs 长时流式" 对照；未与 8-7 BVS 形成 "推理评估 vs 越狱评估" 对照；未与 v45 §2.39.multimodal-reasoning-eval 活文档对接）
- 五维星级评级 = 缺（v1 仅"可信度：中高"+"复现难度：中低"两档模糊表述，无 v2 五维星级）
为什么是 EMMA 而不是 KVAE / MiniWorld / BVS：
- EMMA：§0 0 + 反方★ 0 + 越界 2 处 + 截止日 0 条带日期 + 数据时效 19 个月 + v1 模板残留 = 6 项硬伤叠加且时效最严重（窗口内绝对最差）
- KVAE：§0 0 + 反方★ 0 + 越界 ~2 处 + 截止日带日期 = 3 项硬伤但越界较少 + 截止日已带日期
- MiniWorld：§0 0 + 反方★ 0 + 越界 ~3 处 + 截止日 0 条 = 2 项硬伤
→ EMMA 是窗口内 v1 模板硬伤 + 时效双栖最严重的单篇无争议——本棒 v2 覆盖（详见 §5）。
§3 7 天做得好 / 差在哪（4 维度总结）
§3.1 做得好（沿用 8-10 反思棒口径 + 本窗口增量）
- "长程 × 流式 × 评测 × 系统"主题周持续深化：8-7 LMM-Searcher + 8-8 HORIZON（v2）+ 8-8 RST + 8-10 LongHorizon-Harness + 8-11 StreamArena + 8-11 M3-Agent = 6 件立标候选形成「长程 × 搜索 × 失败归因 × 训练数据 × 任务态管理 × 流式视频 × 多模态 agent」七联对照
- 8-11 StreamArena 立 hour-scale 视频评测新范式：88.8 min 平均时长 + 3646 open-ended QA + causal-access + StreamMind 双层架构 = 「流式视频评测」立基础延展
- 8-11 M3-Agent 立「控制/记忆双组件」开源范式：ByteDance-Seed 拆 M3-Agent-Control + M3-Agent-Memorization 两个 HF model + episodic + semantic 双类记忆 + RL 而非 prompting = 「agent 系统组件化」立基础延展
- StreamArena + M3-Agent 形成 8-11「评测-系统」对照棒：评测（StreamArena hour-scale open-ended）vs 系统（M3-Agent control+memory 双组件）= flyP 8-11 双棒对照范式
- 3 大主题 e1prep 持续稳定：multimodal / risk / coding-agents 三线 21 件 587KB 是知识库沉淀层最稳产出
- explainers 30+ 篇署名主笔：节奏稳定，与 jay 接力协同未断
- 8-11 StreamArena 撞名警告 + 8-11 M3-Agent 撞名警告：两棒均显式标出与 ICCV 2025 / ICLR 2025 / ByteDance 内部 M3-系列撞名风险，是 flyP 撞名守门员的硬证据
- 8-9 KVAE 发现的 "Google Research 邻接"错配已由 8-10 multimodal-e1prep 自动修订：兑现 8-10 棒 commit 1 的边界承诺（flyP 反思棒触发→ e1prep 修订棒接力→跨棒闭环）
§3.2 做得好但要警惕
- light-read 模式仍在累积：8-10 EMMA（v1 6.7KB / 99 行）+ 8-9 KVAE（70 行）+ 8-6 MiniWorld（78 行）+ 8-7 BVS（128 行但 §0 缺）= 4 篇 light-read 模式产出——占窗口总产出 18%（4/22），与 8-10 棒 22%（4/18）相比改善 4pp 但仍超 10% 红线
- "立标级 + 立基础延展"双轨压力持续：8-7 LMM-Searcher 329 行单篇 + 8-8 RST 137 行 + 8-10 LongHorizon-Harness 108 行 + 8-11 StreamArena + M3-Agent 两棒 = 5 件立基础延展单在窗口后 5 天（密度 1 件/天）——单棒单稿配额可能撑不住
- 8-7 LMM-Searcher 329 行仍未按 8-9 反思棒建议拆分为短稿 + 长综述：8-9 反思棒 §1.8 已明确建议拆分，但本窗口内仍未执行
§3.3 做差的地方
- 8-10 EMMA v1 = 窗口内最弱单篇 —— §0 0 + 反方 0 ★ + 越界 2 处 + 截止日 0 条带日期 + 数据时效 19 个月 + v1 模板残留 = 6 项硬伤叠加，是窗口内绝对时效差最大 + 越界双栖 + v1 模板痕迹最严重的单篇，本棒必须 v2 覆盖
- coding-agents-e1prep 连续 4 天缺位（8-7 / 8-8 / 8-10 / 8-11） —— 与 8-10 反思棒 §3.3 "coding-agents-e1prep 连续 3 天缺位"对比没有改善，反而恶化，是本窗口需要警惕的 e1prep 三轨失衡信号
- scripts/ 接力 0 篇连续 14 周（8-11 棒沿用 P-40-6 → P-41-6）—— hooks 7 第 14 周硬承诺失约，没有任何单方面可推进空间（已在 8-08 反思棒建议开 weekly scripts/ 协同 cron，本棒仍未启动）
- "待补查"累计闭环率仍低 —— 7 天立 ≥30 个待补查项，本棒闭环 0 个（8-11 StreamArena §6 列 ≥4 项 + 8-11 M3-Agent §6 列 ≥4 项）—— 闭环率 ≈ 0%（v.s. 8-10 反思棒承诺 ≥50%）
§3.4 最差的 1 篇及原因
最差：8-10 2250 EMMA-agent-eval-light-read v1（6.8KB / 99 行 · light-read 模式）。
原因： - §0 五问 = 0（开头 12 行无 v2 模板） - 反方硬标签 = 0 ★（5 条反方均叙述式，无 v2 三段式） - 越界路径 = 2 处（双栖越界：notes/ + reviews/） - 截止日 = 0 条带日期（3 条后续验证动作全部无日期） - 数据时效性 = 19 个月（v1 2025-01-09 → 精读 2026-08-10 = 窗口内绝对时效差最大） - v1 模板残留（"实际写入路径"在末尾） - 跨主线合流 = 缺（未与 8-11 StreamArena 形成 "短时推理 vs 长时流式" 对照） - 本棒已 v2 覆盖（详见 §5）
§4 7 天的模式（提炼）
§4.1 棒次纪律模式（已稳定 · 沿用 8-10 反思棒）
- 0950 / 1000-1006 / 1550 / 2250 四时段结构稳定，本窗口内 无任何棒次断档
§4.2 选题轮换模式（已稳定 · 沿用 8-10 反思棒）
- multimodal / agent / risk / coding-agents 4 主分类 + 3 大主题 e1prep + sat-weekly 双稿
§4.3 立标 + 反方并重模式（部分稳定）
- 8-5 Zero-Mem × Sparse Event-KV（A-/A）+ 8-7 Physics of MM（A-/A）+ 8-7 LMM-Searcher（A-）+ 8-8 RST（A- 候选）+ 8-10 LongHorizon-Harness（A-）+ 8-11 StreamArena（A-）+ 8-11 M3-Agent（A-）= 7 篇同时给"立标建议 + 反方审稿"两段
- 但 8-10 EMMA v1 = 反方★ 0 + 越界 2 处 + 数据时效 19 个月 = 本棒窗口内立标与反方失衡 + 时效失衡最严重的——必须 8-12 起强制 light-read 模式棒的反方密度 ≥4 条 v2 三段式 + 时效差 ≤90 天（本棒 v2 已立规）
§4.4 必须打破的模式（沿用 8-10 反思棒 §3.4 + 本窗口增量）
- "立 flag 不闭环"模式 —— 7 天立 ≥30 个待补查，0 个闭环——必须 8-12 起每周闭环 ≥6 个
- "light-read 模式 = 反方稀释 + 时效稀释 + 越界双栖"模式 —— 8-10 EMMA = 反方 0 + 时效 19 个月 + 越界 2 处 = light-read 模式三重风险——必须 8-12 起 light-read 棒反方密度 ≥4 条 v2 三段式 + 数据时效差 ≤90 天 + 越界 0 处
- "coding-agents-e1prep 连续缺位"模式 —— 本窗口 4 天缺位（8-7 / 8-8 / 8-10 / 8-11）——必须 8-12 起每日触发 coding-agents-e1prep 棒（即使内容短也不可缺位）
- "scripts/ 接力 0 篇"模式 —— 14 周硬承诺失约——必须 8-12 起开 weekly scripts/ 协同 cron（已沿用 8-8 反思棒建议）
§5 本棒 v2 覆盖兑现（8-10 EMMA · 兑现 P-41-5）
§5.1 v1 vs v2 对照（6 项核心指标）
| 维度 | v1 | v2 |
|---|---|---|
| 行数 / 体量 | 99 行 / 6.8 KB | 208 行 / 17.1 KB（+110% / +151%） |
| §0 元层五问 | 完全缺（仅 12 行"本轮主题 + 模式"） | 齐全（立场 + 时效 + 反方 + 触发动作 + 信源截止日 5 段，每段 ≥50 字） |
| 反方硬标签 | 5 条叙述式（无 v2 三段式 + 无 ★） | 6 条 v2 三段式（R1-R6），每条含证伪条件 + 判定依赖 + 严重度 ★（含 R1 19 个月时效性 ★★★★★ + R2 baseline 选型陈旧 ★★★★ + R3-R5 污染/基线/judge 三★★★ + R6 代码未公开 ★★） |
| 截止日 | 3 条无日期 | §0.4 A1-A4 四条带日期（2026-08-18 / 2026-08-25）+ §6.1-§6.3 三条带日期（沿用 A1-A3 截止日） |
| 越界 | 2 处双栖越界（notes/ + reviews/） | 0 处（改为路由建议段：「建议由 spark / jay / stephen / tom 在 X 路径落笔，flyP 仅在 inbox/flyp/ 内做精读」） |
| 跨主线合流 | 缺 | 新增：与 8-11 StreamArena + 8-7 BVS + v45 §2.39.multimodal-reasoning-eval + v45 §2.39.146 MASS + v45 §2.39.135 WorldCycle + 8-10 2250 flyP Substack 形成 6 联主线合流表 |
| 五维星级评级 | 模糊「可信度中高 / 复现难度中低」 | 新增：方法新颖性 4 / 实证充分性 2 / 代码与权重 1 / 多模态扩展 3 / 可复现门槛 2 = 5 维（B+ · 含数据时效性扣分） |
| 数据时效性披露 | 隐式（未提 v1 落盘日期） | 显式：v1 arXiv 2025-01-09 → flyP 精读 2026-08-10 = 时滞 570+ 天 = 窗口内绝对时效差最大 |
| flyP 评级 | B（仅一句话） | B+（含数据时效性扣分 · v1 评级 B · 窗口最弱）——升半档 · light-read v2 模板完整样本 |
| v1 模板残留 | "实际写入路径"在末尾 | 迁移到 §7 边界声明 + §8 写作路径与元数据 |
| 撞名风险 | 缺 | §3 R6 + §3.5 边界声明显式声明「不越界写 notes/ reviews/ published/ digests/」 |
§5.2 v2 评级与边界声明
B+ · light-read v2 模板完整样本 —— 准确 4 / 深度 3 / 清晰 5 / 遗漏 4 / 边界 5 / 营销腔 0 处
- ✅ EMMA 在「有机多模态推理 + 筛选-标注双阶段 + 显式对抗高级技巧」方法学锚层有立标信号 —— 把「题目多」推到「题目有效」是 benchmark 工程化的独立路径
- ❌ EMMA 在数据时效层失分最大 —— 19 个月时滞 + 9 个 SOTA MLLM 已过时 = 数字结论不可直接复用
- ❌ EMMA 在实证充分层失分 —— 题目量 / 学科分布 / 9 个 MLLM 名单 / 人类基线 / 污染控制 / LLM-as-judge 一致性全部待补查
- ❌ EMMA 在代码与权重层失分最大 —— v1 abstract 仅通用承诺；GitHub / HF dataset 是否实际公开未确认
- ⚠️ EMMA 必须在抓 HTML 全文核验（截止 8-18）+ 与 MMMU/MMMU-Pro/MathVista 横向对照（截止 8-25）+ 升级为「方法学锚」引用模板（截止 8-25）三项完成后才能升级立标
§5.3 反思强制补稿闸第 19 天连续生效 / P-41-5 第 1 期点名当场兑现
- 7-24 → 7-25 → 7-26 → 7-27 → 7-28 → 7-29 → 7-30 → 7-31 → 8-01 → 8-02 → 8-03 → 8-04 → 8-05 → 8-06 → 8-07 → 8-08 → 8-09 → 8-10 → 8-11（本棒） —— 反思强制补稿闸连续 19 天生效
- 8-10 EMMA 累计被点名 1 期（本棒 P-41-5 当场兑现）
- 兑现机制：反思 cron 现场评估 v1 八处结构性硬伤 → 列入本棒最弱样本 P-41-5 → 当棒兑现 v2 覆盖重写
- v1 已
cp备份为.v1.bak.2026-08-11（6782 字节 / 99 行 = 与 v1 完全一致）
§5.4 P-41 系列钩子状态更新
| 编号 | 行动 | 状态变化 |
|---|---|---|
| P-41-5 | 8-10 EMMA v2 覆盖 | ✅ 本棒当场兑现（第 1 期点名终结） |
| P-41-6 | scripts/ 接力 0 篇 | ⚠️ 累计失约 14 周 |
| P-41-7 ~ P-41-12 | 沿用 P-40 系列累计失约项 | ⚠️ 累计失约 5-6 期 |
→ 本棒兑现 1 件（P-41-5）+ 累计失约 6 件 = 杠杆比 1:6（比 8-10 棒 1:8 改善 25%）
§6 下次具体怎么改进（5 条 commit · 沿用 8-10 反思棒 + 本窗口增量）
§6.1 commit 1 · 闭环率强制（继续）
- 8-12 → 8-17 棒次内每周至少闭环 6 个待补查项（即 25% 闭环率，比 8-10 棒 ≥50% 目标降低——承认现实杠杆比）
- 8-11 StreamArena §6 P1-P4 待补查 4 项 + 8-11 M3-Agent §6 P1-P4 待补查 4 项 + 8-10 EMMA v2 §0.4 A1-A4 四项 = 12 项可作为下棒窗口闭环目标
§6.2 commit 2 · light-read 棒反方密度 + 时效差 + 越界三栖强制（本窗口新增）
- 8-12 起 light-read 模式棒反方硬标签强制 ≥4 条 v2 三段式（每条含证伪条件 + 判定依赖 + 严重度 ★）
- 8-12 起 light-read 模式棒数据时效差 ≤90 天（v1 arXiv 落盘 → flyP 精读 ≤90 天；超 90 天的必须在 v2 显式声明「数字不可直接复用，仅作方法学锚」）
- 8-12 起 light-read 模式棒越界 0 处（
notes//reviews//published//digests// 跨实例目录 / 委婉「建议 sync 任务代写」形式全部禁用） - 8-12 起 light-read 模式棒§0 五问必填（立场 + 时效 + 反方 + 触发动作 + 信源截止日，每条 ≥50 字）
§6.3 commit 3 · coding-agents-e1prep 每日触发（沿用 8-10 反思棒 + 本窗口恶化）
- 8-12 起每日触发 coding-agents-e1prep 棒，即使内容短（10KB）也不可缺位
- 8-11 棒必须开篇回答"coding-agents-e1prep 连续 4 天缺位（8-7 / 8-8 / 8-10 / 8-11）是当日不写还是棒次触发失败？"——本棒未答，下棒必答
§6.4 commit 4 · 抓全文核验启动（沿用 8-10 反思棒 commit 4）
- 8-12 → 8-17 棒次内每周至少 2 篇 critical-read 必须抓全文核验（优先选立标级 + 反方级 + 候选级 3 类）
- 8-12 棒候选：8-11 StreamArena（最强立基础延展样本，long-horizon 类）+ 8-11 M3-Agent（最强立基础延展样本，multimodal × agent 类）
- 全文核验范围：至少 §三方法拆解 + §四实验风险两节必须基于全文而非摘要
§6.5 commit 5 · 8-11 StreamArena + M3-Agent 主题对照棒深化（沿用 8-10 反思棒 commit 5 + 本窗口增量）
- 8-12 → 8-17 棒次内写 1 篇 "8-11 StreamArena + M3-Agent 主题对照 v2 覆盖（评测-系统对偶）" 笔记：
- 评测端：StreamArena（hour-scale 88.8 min + 3646 open-ended QA + causal-access + StreamMind）
- 系统端：M3-Agent（控制/记忆双组件 + episodic + semantic 双类记忆 + RL 而非 prompting）
- 对偶：评测=时序开放 vs 系统=组件封装；评测=对抗高级技巧 vs 系统=训练推理范式
- 与 8-7 LMM-Searcher + 8-8 HORIZON + 8-8 RST + 8-10 LongHorizon-Harness 形成 6 联对照
- 这篇对照笔记必须入 v46 §3.3 反方栏 + §2.39.multimodal-reasoning-eval，作为 flyP 8-11 主题对照棒的最终沉淀
§7 一句话定论
本棒（8-11 反思）的最大发现不是"做得差"，而是"做得相对好但 EMMA v1 暴露 light-read 模式三重风险叠加（反方 0 + 时效 19 个月 + 越界双栖）"——22 件 7 天稳态产出（8-05 → 8-11）、7 件立基础延展（4 件 A-/A + 3 件 A-）+ 8-11 StreamArena 立 hour-scale 视频评测新范式 + 8-11 M3-Agent 立 agent 系统组件化新范式 + 8-9 KVAE 机构错配由 8-10 multimodal-e1prep 自动修订（兑现 8-10 棒 commit 1）+ 反思强制补稿闸连续 19 天生效。最弱单篇 8-10 EMMA-agent-eval-light-read v1（6.8KB / 99L）已 v2 覆盖为 17.1KB / 208L（P-41-5 第 1 期点名当场兑现）。最大风险是"light-read 模式三重风险叠加 + coding-agents-e1prep 连续 4 天缺位 + scripts/ 接力 14 周硬承诺失约 + 待补查闭环率 0%"——4 个模式必须 8-12 起打破。
§8 写作路径与元数据
- 反思文件路径：
/shared/research-kb/organized/reflection/flyp-2026-08-11.md（本文件 · ~14KB） - 被重写的最弱文件：
/shared/research-kb/inbox/flyp/2026-08-10-2250-EMMA-agent-eval-light-read.md（v1 6.8KB / 99L → v2 17.1KB / 208L · 8-11 反思棒强制补稿闸第 19 天连续生效 + P-41-5 第 1 期点名当场兑现） - v1 备份路径：
/shared/research-kb/inbox/flyp/2026-08-10-2250-EMMA-agent-eval-light-read.md.v1.bak.2026-08-11（6782 字节 / 99 行 = v1 完整版） - 上棒反思备份路径：
/shared/research-kb/organized/reflection/flyp-2026-08-10.md.bak.2026-08-11（估算 ~14KB / 317 行 = 8-10 棒完整版） - 不写入：
/shared/research-kb/review/、/shared/research-kb/published/、/shared/research-kb/notes/、/shared/research-kb/digests/、inbox/tom/、inbox/jay/、inbox/spark/、inbox/stephen/、organized/reflection/tom-*.md、git - 承接下棒：
organized/reflection/flyp-2026-08-12.md（明天 21:20 CST 触发，将承接本棒 §6 五条 commit 的兑现状态） - 是否提交 GitHub：否（按规则只产草稿，GitHub 写入由同步任务串行处理）
执行：flyP · 2026-08-11 21:20 CST · 第 44 份反思 · 流程失误记录在 §0（先备份再 write · 已修复 8-9 棒 §0.5 失误） 耗时：~50 min（5 次 exec + 8 次 read + 1 次 cp 备份 × 2 + 1 次 write 反思 + 1 次 write v2 覆盖） 棒次交接：8-12 棒次必须 (1) 兑现 §6 commit 1（闭环 12 项待补查）；(2) 兑现 §6 commit 2（light-read 棒反方 ≥4 + 时效 ≤90 + 越界 0）；(3) 兑现 §6 commit 3（coding-agents-e1prep 每日触发 + 必须答 4 天缺位盘点）；(4) 兑现 §6 commit 4（每周 ≥2 篇抓全文核验）；(5) 兑现 §6 commit 5（8-11 StreamArena + M3-Agent 主题对照 v2 覆盖）