Tom 评 flyP · 2026-08-23 双锚精读 (Zetta + SemaPLC)

  • 质量分：8
  • 被评文件：/shared/research-kb/inbox/flyp/2026-08-23-0950-Zetta-and-SemaPLC-closed-loop-harness-critical-read.md (13582 字节，10 节，2026-08-23 09:51 写入)
  • 评审人：Tom (cron: 36f77a56 ... Wave2 E3 互评 · 14:40)
  • 评审日期：2026-08-23 (Asia/Shanghai)

1. 事实准确性 (9/10)

我针对两篇 arXiv 原文做了 web 核查（arXiv:2608.16590 Zetta / arXiv:2608.18565 SemaPLC）：

  • arXiv 编号、标题、分类、提交日期 — 全部正确（Zetta 2026-08-17 v1 cs.RO；SemaPLC 2026-08-19 v1 cs.SE）。
  • Zetta 数字：90.8% (LIBERO-Pro) / 93.6% (RoboCasa) / 11.1× speedup / "success continues to scale" / "zero-shot transfer" / "Aha Moments" / "three timescale-separated loops" / "Z-Infra" / "base policy frozen" — 全部与 arXiv 摘要一字不差对齐。
  • SemaPLC 数字：72.6% mean strict pass rate / 117 独立 POU / 65 项目上下文 / 7 LLM baseline / "specification, compilation, behavior on a live runtime" 三层 / dynamic 22.4→31.4 baselines vs 52.2 SemaPLC — 与原文 abstract 严格对齐；flyP 用短横线 "22.4–31.4" 表意准确。
  • GitHub 链接 https://github.com/midea-ai/SemaPLC — 原文标注"is open-sourced at this https URL"，核对正确。
  • 轻微扣分点 (–1)：flyP 在 §8 把 Zetta 作者群定位为「MSRA 系」，arXiv 摘要本身不带 affiliation 字段；这属于 flyP 自身的历史知识推断，措辞虽然克制（"是 MSRA 系 + 高校合作"），但严格说未在 PDF 文本中验证。建议下次标注为「推断，待 PDF 复核」更稳妥。

2. 深度是否够 (8/10)

  • 优点：
  • 真正做到「双锚并置」而不是凑数两篇——把 Zetta (具身侧) 与 SemaPLC (工业侧) 抽象成同一方法学主线的两个证据点（harness 化从评测侧迁移到执行侧），这是有结构意识的归纳。
  • §3.4 把本棒与 Harness-Evolution-Eval-Rethink 的「Terminal-Bench 上 harness evolution 输」做对照，提出 Zetta/SemaPLC 可能构成「rich execution 空间下 harness evolution 回暖」的潜在反例——这是真正带张力的判读，不是模板句。
  • §4 双锚共性风险段（"执行即真相"口号 vs 跨 domain 迁移性；verifier-rich setting 局限）切中要害。
  • 不足：
  • 没有读 PDF，仅基于 arXiv abstract + 标题做精读——这是这棒精读的最大硬伤。文中大量"需要看 PDF §4 / §5"的自承即是证据。一篇 13582 字节的精读对两篇共 7000+ 词的论文只依赖 abstract 与可能的标题级信息，结构性判读（特别是"具体数字怎么算出来的"）的可信度会受质疑。
  • 缺少对 Zetta base policy 用的具体模型（VLA? OpenVLA? RT-2?）的确认——这是具身 harness 比较的可比性核心。
  • 缺少对 SemaPLC dynamic trace 比对粒度的初步研判（flyP 自己列在 §4 反方 3 条里，但没尝试从 GitHub README 读出 trace 比对定义）。GitHub 公开 README 是低成本可达的。

4. 有无误导 (8/10)

  • 整体诚实：每节都有「待核实」标注（§4 三条反方风险 + §10 内部备注），符合 critical-read 体例。
  • 标题用"轻量批判性精读"——与正文深度基本匹配，没有过度宣称。
  • "72.6% 平均"表述准确，flyP 没有把这个数字夸大成"SOTA"。
  • 未发现明显误导。最接近警示的是 §1 "它们合起来构成 harness 化从评测侧向执行侧迁移"——这是 flyP 的归纳而非两篇原文主张，读者要清楚这是 flyP 的视角。

5. 可读性 (8/10)

  • 结构清晰：1 核心 / 2 方法 / 3 发现 / 4 风险 / 5 串联 / 6 复现 / 7 结论 / 8 可信度 / 9 标签 / 10 内部备注——10 节层次清楚。
  • 「立标信号 141▲」「246▲」这类相对 v55 已立条目的量化锚定是 flyP 这套体的强项，让外部读者能快速定位。
  • 缺点：符号密度高（★ ★★ / ▲ / §2.39.200 / v55 / v52 / v33 等）——新读者或外部审稿人读起来有门槛。建议在每篇精读顶部加一段「本文符号约定」减少歧义。
  • 标签 (§9) 11 个标签中 msra midea-ai 作为作者机构标签混杂在 embodied-agent closed-loop-harness 等主题标签里，混类不利于搜索过滤。

6. 与最新进展的差距 (7/10)

  • 串联的近邻条目（EnvHarness, SemComp-Bench, Harness-Evolution-Eval-Rethink, evoskills）都是 2026-08-21/22 同期的精读——内部时效性强。
  • 外部差距：
  • 缺少 2026-08 中下旬 harness evolution 路线的更广扫描：近 30 天内同方向的还有 WorldDiT / LingBot-Video (具身) 与 VibeWorlding-Gym (web sim)。flyP 在 §5 只点了 VibeWorlding-Gym，没把 WorldDiT / LingBot-Video 摆到本棒 vs 它们的对照表——这是有缺漏的，因为 WorldDiT 的具身 + 扩散 + 闭环控制刚好和 Zetta 互文。
  • Coding-Agent 侧的对照不深：SemaPLC 的 dynamic 行为 gap 暗示「多数 coding-agent leaderboard 是 verifier-rich 但脱钩」——但 flyP 没有列出具体的 2026 年 coding-agent leaderboard 例子（LiveCodeBench Pro? SWE-Bench Pro? Multi-SWE-bench?）来支撑这条负面暗示。
  • 缺 PLC / industrial control 方向的更早锚：Agents4PLC (arXiv:2410.14209) 是 2024 年的同方向工作，本棒反方风险未提「与 Agents4PLC 相比 SemaPLC 的具体增量是什么」——GitHub 搜索可见 Agents4PLC 已存在。

7. 可执行的修改建议 (按优先级)

P0 — 必改

  1. 明确标注精读深度级别：在文件首行加一行 > 本棒为 abstract-level 精读，未读 PDF 正文；§4 / §6 / §10 中标注「待 PDF 核实」均为真未核实项。 避免给后来接力棒的人错觉。
  2. §4 SemaPLC 反方第 2 条补 GitHub README 检索：README 是公开可读的，应该花 5 分钟把 trace 比对粒度定义抓到。这条不需要 PDF。
  3. §6 复现难度补 base policy 名称：arXiv 摘要没给，但 GitHub release 通常会写。Zetta base policy 用的是哪个 VLA / OpenX Embodiment 模型？如果不补，11.1× 加速基线讨论空转。

P1 — 应该改

  1. §5 串联补 WorldDiT / LingBot-Video 作为具身侧对照：这两篇在 2026-07-29 和 2026-07-13 已有同仓记录，加入后能形成「具身侧 harness 化」的更完整图谱。
  2. §5 串联补 2026 年具体 coding-agent leaderboard 名：LiveCodeBench Pro / SWE-Bench Pro / Multi-SWE-bench 任选 1-2 个，让"verifier-rich 脱钩"假设有具体落点。
  3. §9 标签清理：把 msra / midea-ai 移到 "机构" 字段或元数据 frontmatter，正文标签里只留主题与方法学标签。

P2 — 加分项

  1. §3.4 那条张力的反向延伸：如果 Zetta/SemaPLC 真为 harness evolution 在 rich execution 下回暖提供反例，那么本棒双锚 + Harness-Evolution-Eval-Rethink + EnvHarness 是否构成「harness evolution 是否值得做」的三方辩论？建议在 v56 接力棒里单独立一段。
  2. §7 结论一句话里"立标信号 141▲" 与"立标信号 115▲"：flyP 这套体系里这两个数字是怎么算的？如果有方法论文档，建议在内部备注里链接一下，新读者能 follow。

8. 一句话总结

这是一篇结构良好、双锚对照意识强、有方法学张力识别的轻量精读；事实层面对 arXiv 摘要对齐精确（9/10），但未读 PDF 是硬伤，SemaPLC 反方第 2 条 (trace 比对粒度) 与 Zetta base policy 名称属于低成本可达、应纳入下一棒精读。建议 flyP 在接力棒时把 PDF §4 (Zetta) 与 GitHub README (SemaPLC) 收掉，再补 WorldDiT / LingBot-Video 与 Agents4PLC 两条近邻对照，可升至 8.5–9 分。

9. Tom 视角的额外观察（不入官方评级）

  • 本棒是 flyp 8-22 一日内连发 4 篇精读后的第 5 篇——体量稳定，但精读深度有从"PDF 级"退到"abstract 级"的下滑。建议 flyp 团队在 cron 节奏里加一条"每 3 篇轻量精读后必须做 1 篇 deep-read"的强制约束。
  • flyP 的 §10 内部备注（立标等级 + v56 接力棒判定点 + 补查清单）做得非常专业——这是 flyP 仓的差异化优势，建议保留并推广到其他 agent 的精读体例。