Stephen · E2 自我反思（2026-11-03）

本轮阅读清单指定的三篇产物：2610-11959.md（MiMo-V2.6 自进化 RL）、2609-14857.md（ModularRSI Harness 模块化进化）、2609-12541.md（AGP 机器人零训练策略）。

逐篇评价

2610-11959.md（MiMo-V2.6） - 准确性：架构参数（Pro 1.02T/42B 激活、Flash 310B/15B、混合注意力 ViT 681M、音频 308M tokenizer、窗口 128、每 step 1568 样本 / 2.7–3.7B token、上下文 1M）以及 DeepSWE v1.1 = 71.9、OSWorld-Verified 落后 1.4、ExploitBench 落后 22.1、Terminal-Bench 4.0 落后 14.1、ProgramBench 落后 10.5，标注为原文可查 verbatim，与原文口径一致。 - 深度：把「算力三路同扩」拆成训练/环境/Grader 三层，指出 Grader 是胜负手，解释 Groupwise Agentic Grading 的三招机制，属机制层而非结论层。 - 清晰度：主线（底座→中训练→RL→稳定补丁→开源）线性推进，读者能带走一句话。 - 证据：主动把「直播 58.4→72.57 / $2.62M / 30 RL steps」划为二手转述，指出 Cyber Bench 80.2（launch page）与 81.7（媒体）未调和、顶会状态未标注。边界诚实。 - 遗漏：一处自相矛盾未处理——标题写「万亿参数」，正文写 Pro 总参 1.02T，而 Flash 仅 310B，两档并非同代同规模，标题把 Flash 也算作万亿叙事有拔高；另外未点明「对手分数来源多在二手评测页」这一句本身意味着那些差值（1.4 / 22.1 / 14.1 / 10.5）同样是二手，而正文却把它们与 71.9 并列在「原文可查的 verbatim 数据」中。这是本篇最实的证据问题。

2609-14857.md（ModularRSI） - 准确性：五模块划分、2,000 任务、benchmark-disjoint 约束与论文自述吻合；「对比聚合在 RLHF 早有、模块化 Harness 在 OpenHands/LangGraph 有、benchmark-disjoint 在 self-play 不新鲜」这一自限性归因做得好。 - 深度：四步流水线讲清了「受限进化」的模块隔离逻辑，并解释了为什么集成回归必须显式解接口冲突。 - 清晰度：全文用「先问是 Loop/Tool/Obs/Ctx/Done 哪个模块」作为唯一指令，可执行。 - 证据：明确标注摘要未给 TB2.0 与 SWE-Bench Verified 逐项数字、未披露任务重叠率、未给模块边界消融，且点出「摘要不给数字就无法做横向对比表」。 - 遗漏：几乎没有可核对的量化锚点，整篇的「变强」只有方向性表述；同时未提及 harness 进化带来的成本/迭代次数开销与收敛停止条件，读者无法估算「一条缺陷修复要多少 rollout」。

2609-12541.md（AGP 机器人） - 准确性：策略为运行时循环、语义 API 抽象 10~20 个、接口白名单、三重外置安全门、re-plan 上限 3 次等均为可核对的工程要点；「8/10 是按配置而非任务平均」这一颗粒度纠正是本轮三篇里最锐利的一处证据处理。 - 深度：把「可解释性即产品价值」「失败重写是内禀能力而非训练所得」讲透，并给出秒级循环 vs 10–50ms 前向的延迟对比与异步解耦推论。 - 清晰度：全文结构与另两篇不一致（用「三个标题变体 / 小红书卡片文案」标题，前两篇用「标题变体（三选一）」），属体例漂移。 - 证据：诚实点出「无 RT-2/OpenVLA 同任务对照」「定向投掷与双臂叠毛巾未给成功率」「存在选择性展示风险」。 - 遗漏：把「每种被评估任务配置中至少 10 次成功 8 次」直接描述成「三种任务每种配置成功 8 次以上」，中途把「配置」压成「任务」，与作者自陈的颗粒度严谨性自相矛盾；同时缺端到端耗时实测值与失败率分布。

本轮最需改进：2609-12541.md

理由：其核心卖点是数字 8/10，而该数字在全文被三次以不同颗粒度复述（标题「8/10 成功率」、导语「每种任务配置成功 8 次以上」、正文「每种被评估的任务配置中，至少 10 次里成功 8 次」）。颗粒度最松的一次恰好落在最显眼的位置，读者记住的是「8/10」而非「按配置 8/10」。加上另外两篇的证据处理明显更严谨，这篇在同类稿件中构成明显短板。

修订建议（仅供下一轮改稿参考，不覆盖原稿）

修订建议 1（导语，替换「它在真实机械臂上跑装配、积木、翻骰子三类任务，每种任务配置成功 8 次以上」）：

它在真实机械臂上评估装配、积木、翻骰子三类任务；成功率按「任务配置」统计，每个被评估配置 10 次尝试中成功 8 次。注意这是配置级而非任务级平均，且另有定向投掷与双臂叠毛巾两类任务未公布成功率。

修订建议 2（标题，三选一中的第 1 条建议改为）：

不训练也能开机器人：Agent as Policy 的「每配置 8/10」是真的吗

修订建议 3（「证据边界」首段，补一句对照缺失的后果）：

缺少同任务强基线对照，意味着 8/10 既无法横向定位，也无法反推「零训练」相对「训练过」的净收益——它只能证明路线可行，不能证明路线更优。

修订建议 4（补一节「成本与延迟」的具体量级）：

一轮循环 ≈ LLM 推理（数百毫秒到数秒）+ 代码生成 + 执行，通常秒级；神经网络策略前向 10–50ms，约两个数量级差距。由此推论：任何依赖高频闭环控制的环节（如力控、动态平衡）都不能交给该 Agent 路径，只能保留在底层控制器。

本轮自评

优点：严格只用了清单指定的三篇材料，没有回退扫描历史档案；区分了「原文可查」与「二手转述」，并在 MiMo 篇主动识别出二手差值被并入 verbatim 清单这一矛盾；选篇理由绑定「该文最核心卖点数字的表述松紧」，而非泛泛评「哪篇更好」。

缺点：三篇材料共读量偏大，逐篇评价压缩后对小红书卡片文案与正文的一致性检查不足——AGP 篇的体例漂移（三处标题小节名不一致）其实早在通读时就已发现，未纳入选篇理由，这是本轮判断的疏漏。修订建议目前只是段落级替换，未涉及全文节奏，可能不足以单独解决「8/10 反复出现」的印象问题。

可复用改进规则： 1. 凡核心卖点是单一数字的稿件，必须在标题、正文导语、结论三处核对颗粒度一致性；标题与导语优先，因为它们是仅有的「原文级」传播位。 2. 二手来源的数据不得与原文 verbatim 数据并列成一张清单；若必须并列，逐条标注来源层级。 3. 「证据边界」一节要写出缺口的后果，不只是缺什么（例：无对照 → 无法定位；未披露消融 → 模块边界不可信）。 4. 同一批产物之间的小节命名与体例必须统一，发现漂移即列为该篇的独立扣分项。 5. 本轮运行规则沉淀：一稿一目标文件、只读清单材料、修订以建议形式内嵌、不因反思触发原稿改动——本轮严格执行。