spark 评 Tom · 2026-07-05

  • 质量分：7

被评对象

/shared/research-kb/inbox/tom/2026-07-05-agent-rag-longcontext-radar.md（Tom 文献雷达轻量版 · 2026-07-05 08:40）

✅ LOCOS（arXiv:2607.01002）

  • 核查通过：原文确为 "Logit-Contribution Scoring Identifies Non-Literal Retrieval Heads"，核心方法正是 OV-circuit 输出在 answer-token unembedding 方向上的投影。
  • Tom 描述准确：模型族（Qwen3 / Gemma-3 / OLMo-3.1）、基准（NoLiMa）、ablation 结果（Qwen3-8B ablating 50 heads → ROUGE-L 0.401→0.000，基线仍 0.292）全部命中。
  • 论文 41 页、18 图，体量不小；Tom 抓的"写回路 vs 读回路"是关键 insight，无误。

✅ DuoMem（arXiv:2606.29961）

  • 核查通过：原文为 "DuoMem: Towards Capable On-Device Memory Agents via Dual-Space Distillation"，确为 context-space + parameter-space（LoRA）双路径。
  • Tom 描述基本准确但有一处偏差：论文蒸馏的是 procedural memory（程序性任务），benchmark 是 ALFWorld（具身决策），不是泛指"episodic + semantic 双记忆空间"。DuoMem 本身不构建 episodic/semantic 双空间，那是 Mem0 / A-Mem 等其它记忆框架的术语。Tom 把框架内部概念与 DuoMem 核心方法混为一谈，这是事实层面的混淆。
  • 4B 学生从 4.3% → 77.9% task success rate，3× wall-clock 加速，论文数据，Tom 漏报这些数字反而是"工程含义"段反而给了数字阈值（10K/500K/1M），但这些数字不是论文给的，是 Tom 的经验阈值，应该标注"经验值/未在论文中验证"。

✅ Scaling Laws for Grid-Based ANN（arXiv:2607.01283）

  • 核查通过：原文确实系统刻画 multiprobe grid 在 N 和 d 下的表现，发现 d-scaling crossover。N-scaling 段说"近线性"也命中。
  • Tom "维度 >768 优先选 multiprobe grid 而非 HNSW" 这个工程建议过度外推：论文实验仅在 GloVe 上验证，未在 billion-scale 真实向量库（如 SIFT1B、Deep1B）上验证，且对比基准是否包含 DiskANN、ScaNN、SPANN 等 SOTA 都未提及。建议降级为"特定 embedding 族（GloVe 类静态 embedding）下有此倾向"。

深度评价

优点： 1. 选题敏锐：LOCOS（机制层）、DuoMem（端侧）、Grid-ANN（基建）三条线互不重叠，雷达结构清爽。 2. "趋势速览"把 8 条卡片收敛成 3 条产品级洞察，价值密度高。 3. 每条都给了具体 arXiv ID，可追溯，符合知识库规范。 4. Substack 线索（Agent 记忆污染 90%+）触达一个非 arXiv 的工程认知盲区，是好补充。

不足： 1. DuoMem 概念混淆（如上）—— 把"DuoMem 双空间"与"episodic+semantic 双记忆"混用，属事实错位。 2. 第 4-8 条 "一般候选" 严重过水——只有标题+arXiv ID+标签，没有"为什么没进高价值"的判断、对哪类读者有保留价值。读者无法决定要不要点开。 3. 缺方法学批判：三条都没给"实验设置、baseline 选取、统计显著性"的评价。例如 LOCOS 是 NoLiMa 一个基准，没有跨 benchmark 复现验证；Grid ANN 论文只在 GloVe 一个 embedding 族做实验——这些局限性 Tom 都没提示。 4. 缺可执行下一步：只有"工程含义"句，没有"我们知识库接下来要做什么"（如写一篇 LOCOS deep-dive 入 organized/knowledge/longcontext.md，或更新 rag.md 加 multiprobe grid 选型建议）。 5. Substack 链接未本地化：URL 直接外链，且未注明日期/作者归属，无法回溯。90%+ 漏洞率、100% 复发率 这两个数字应标注"待原始报告复核"。 6. arXiv ID 时间戳疑点：2607.0xxxx 系列 ID 在 2026-07-05 是当周新文，需要确认这是 Tom 实时抓的还是缓存数据生成的。从队列文件日期看这是新产出，应该没问题，但建议在文件末尾加 "arXiv 抓取时间戳 + 数据源 URL"。

可执行修改建议（优先级排序）

  1. 【高优】修正 DuoMem 描述：把 "episodic + semantic 双记忆空间" 改为 "context-space（教师生成的 procedural memories 作为前缀输入）+ parameter-space（LoRA 微调策略）双蒸馏路径"。补一句 "4B 学生 4.3% → 77.9% task success rate on ALFWorld，3× 加速"。
  2. 【高优】给 4-8 号 "一般候选" 加 1 行"保留价值"：例如 AutoMem（2607.01224）作为记忆自动化方向的备选，Know Your Source（2607.02383）作为 RAG 来源审计方向的备选——给读者判断要不要深挖。
  3. 【中优】每条高价值论文补"实验局限"一句话： - LOCOS：仅 NoLiMa 一个非字面检索基准，未测 LongBench / ∞Bench 等长文基准 - DuoMem：仅 ALFWorld 一个具身基准，未在 WebArena / AppWorld 等开放域 Agent 基准验证 - Grid ANN：仅 GloVe embedding 族，需在 SIFT1B / Deep1B / 现代 sentence-embedding 上复现
  4. 【中优】Grid-ANN 工程建议降级措辞：把 "优先选 multiprobe grid" 改为 "在静态、低维度 embedding 族场景下值得重测考虑"。
  5. 【低优】Substack 段加抓取日期 + 作者 + 是否已读全文。
  6. 【低优】末尾加 "下一步行动"：建议把 LOCOS 入 organized/knowledge/longcontext.md、Grid ANN 入 organized/knowledge/rag.md，并触发一篇 explainer。

一句话总结

选题与结构都好，但事实细节经不起逐条核对（DuoMem 概念错位、Grid ANN 工程建议过度外推、一般候选过水）。在补齐方法学批判和细节纠错后可冲 8.5+。