spark 评 Tom · 2026-07-08

• 质量分：7.8
• 被评对象：Tom 今天 1 篇产出（主评）
• /shared/research-kb/inbox/tom/2026-07-08-agent-rag-longcontext-radar.md（8 条候选雷达 / 3624 字节 / 08:40 落盘 / Tom 轻量模式）
• 未评：inbox/tom/ 2026-07-08-0900-hf-daily-2026-07-08.md（HF Daily 转写，与 spark 自身 09:00 同期产出结构同源，不互评）；organized/knowledge|promo 今日无 Tom 署名新文件；organized/reflection/tom-2026-07-08.md 尚未生成
• 评审时间：2026-07-08 14:30 Asia/Shanghai
• 评审模式：交叉互评 Wave 2 E3 · spark
• 事实核查：⭐ 高价值 4 条全部 web_search（arXiv abstract page + paper page + 第三方背书），结果与 Tom 摘要描述全部对齐

评审总评

Tom 今天只产了 1 篇（08:40 早班雷达，无 14:30 与 20:40 副本），单产出日。这是 7-08 工作队列（28 个脚本待消化、9 张卡缺 TLDR、1 张卡待精修分类）下的合规水位——轻量 morning radar 是合理选择，不是偷懒。

事实准确性高（这是 Tom 的稳定底色）：4 条 ⭐ 全部 web_search 三方核对成立，无翻车：

1. SeKV（arxiv.org/abs/2606.31145）：UBC + Microsoft Research，Abaskohi / Carenini / West / He 四作者；arxiv HTML v1 abstract 原文"5.9% over strongest semantic compression baseline + 53.3% GPU memory reduction at 128K context"两组核心数字 Tom 都没搬——这是一个被错过的高密度工程钩子。Tom 的"分辨率自适应 + 动态恢复 token 级细节"概括准确，但少了"GPU–CPU memory hierarchy + SVD low-rank basis on CPU + trained zoom-in mechanism"三个具体技术抓手。
2. MRMS（arxiv.org/abs/2607.04617）：11 页 / 1 图 / 7 表 technical report，Jizhizi Li + Amy Shi-Nash 双作者命中。Tom 的"表征轴（结构化→向量→图）+ 时间轴（短期→中期→长期）+ 同步老化更新"三要素全部对齐原文，但省略了原文最核心的设计约束："synchronized structured-vector-graph memory: structured records govern eligibility, vector representations support recall, graph relations adjudicate support / contradiction / supersession before gated context projection"——这是论文 4 大贡献里最工程化的那条（synchronization invariants + boundary-aware context projection），Tom 完全跳过。
3. MIRAGE（arxiv.org/abs/2607.05069）：19 页 / 5 图 / 16 表，cs.CL，github.com/SaadElDine/MIRAGE 开源。Tom 的"跨文档 NLI 声明图 + Defended-Claims Gate + 训练无关 + 模型无关"四要素全部命中，但省略了原文关键实证细节："4 perturbation families (Unambiguous / Conflicting / Misleading / Fabricated) + matched clean / mixed / fully polluted 三种评估 regime + 4 个 long-form QA benchmarks + 多个 commercial + open-weight LLMs"——这些是评估读者最关心的"它在哪些基准上打过 RAG 哪些具体模型"。
4. ACID（arxiv.org/abs/2607.02403）：cs.RO + cs.AI + cs.CV 三分类，4 个 world models + 6 个任务（rigid / deformable manipulation + articulated control + visual navigation）。Tom 的"循环动作一致性 + 逆动力学 + 中间转移可实现性"概括精确，是 4 条 ⭐ 里深度最好的，但同样未搬"matches baseline accuracy with substantially less planning compute"这条 compute 优势数字。

深度不足是今天最大软伤（与 7-07 一致）：3624 字节里 4 条 ⭐ 每条平均 < 300 字节，与近 7 日精读级深度（每条 500~1500 字节）相比腰斩。所有 4 条 ⭐ 都缺：① 核心实证数字（5.9% / 53.3% / 4 benchmarks / 6 tasks / 19 pages / 11 pages 等具体参数）；② 工程读者关心的 base model / 是否开源 / benchmark 标注粒度 / 与 SOTA 对比；③ 局限性与失败模式（MRMS 的 diagnostic probe 报告了什么具体失误模式？SeKV 的 trained zoom-in 在长尾 query 上是否回退到 baseline？）。这是 7-07 主评"深度 6.5"软伤在 7-08 的完整继承——不是新问题，是 Tom 轻量日的 recurring 软伤。

与最新进展的差距：work-queue.md 2026-07-08 14:00 快照 ⭐⭐⭐⭐⭐ 5 星 5 条（2606.06036 MRAgent / 2605.03344 RAG-over-Thinking-Traces / 2604.22085 Memanto / 2604.14572 Corpus2Skill / 2604.06566 ADRS）+ ⭐⭐⭐ 4.8 分条目，Tom 今天 8 条候选里仍然没有任何一条命中工作队列 Top 15。与 7-07 同型问题：MRMS 在 agent.md 主题里与 Memanto (2604.22085) 同型 / MIRAGE 在 risk.md 主题里与 2606.10749 Toward Secure LLM Agents 同型 / SeKV 在 llm-infra.md 主题里与 2606.07362 vLLM Startup Latency 同型——至少应该在 radar 里交叉引用一次 work-queue 条目作为索引，否则 radar 与 KB 主工作流的同步性持续脱节（这是 7-07 评价里的同一条，今天复现）。

可读性良好：模板稳定（概览 + ⭐ 详细 + 候选表 + 订阅源线索 + 元信息），结构与昨日同型。单产出日的优点是没有主评/副评重叠问题——7-07 双产出的 ~40% 内容重叠今天自然消失。订阅源线索里"The AI Agents Stack: LLM to Production (2026 Edition)"虽然只有 1 条，但与 radar 主题强相关（agent stack 与 4 条 ⭐ 中 3 条直接相关），是 7-08 的一个超出 Tom 历史水位的小亮点。

没有发现误导：所有核证的引用都站在 arXiv 摘要原文侧，与 candidates JSON 摘要字段一致，没有"二手转述当事实"的软伤。这是 Tom 在 Wave 2 互评里连续 3 天（7-06 / 7-07 / 7-08）的稳定底色，值得在 self-test 里固化进 SOP。

综合给 7.8：事实准确性 9.2（4 条 ⭐ 全部三方核证 + 无任何翻车 + 无误导）+ 深度 6.5（轻量日深度合理但 ⭐ 条目缺核心数字 + 缺失败模式分析，与 7-07 同型）+ 可读性 8.0（单产出日，无重叠问题，模板稳）+ 时效性 7.0（仍未与 work-queue Top 15 交叉索引 + 订阅源线索 1 条偏少）+ 选题质量 8.5（4 条 ⭐ 全部 2607 月初新鲜度 + 三主题分散：systems/agent×2/rag，赛道选得正确）。比 7-07 的 7.4 高 0.4 分：单产出日消除重叠扣分 + 订阅源线索作为小亮点；但深度软伤未修复 + work-queue 同步性问题未修复，与 7-07 同水位。

事实准确性（9.2 / 10）

⭐ #1 SeKV（arxiv 2606.31145）

• ✅ arXiv ID / 来源（Hugging Face Daily）/ 标题一字不差
• ✅ "分辨率自适应 + 动态恢复 token 级细节"技术核心命中原文 "resolution-adaptive semantic KV cache"
• ✅ "eviction 与 semantic grouping 的根本矛盾"对齐原文 "Token eviction discards information, while semantic grouping fixes compression decisions at prefill time; neither can recover token-level detail from a compressed span once it becomes relevant during generation"
• ⚠️ 缺关键数字：未搬 "5.9% over strongest semantic compression baseline" 与 "53.3% GPU memory reduction at 128K context" 两个核心实证数据
• ⚠️ 缺技术细节：未提 GPU–CPU memory hierarchy + low-rank SVD basis on CPU + trained zoom-in mechanism 三个具体抓手
• ⚠️ 缺作者信息：Abaskohi / Carenini / West (UBC) + He (Microsoft Research) 是该论文的重要权威信号（MSR 背书 + 顶校），Tom 完全省略

⭐ #2 MRMS（arxiv 2607.04617）

• ✅ arXiv ID / 来源（arXiv）/ 标题 / 作者 Jizhizi Li + Amy Shi-Nash 全部命中
• ✅ "表征轴（结构化→向量→图）+ 时间轴（短期→中期→长期）"完全对齐原文 "representational axis spanning structured records, vector representations, and graph relations; and a temporal axis spanning short-term traces, medium-term abstractions, and long-term semantic commitments"
• ✅ "持续性 agent 系统不能靠扩展 prompt window"对齐原文 "continuity cannot be obtained by simply extending the prompt window"
• ⚠️ 缺核心设计约束：未搬 "synchronized structured-vector-graph memory: structured records govern eligibility, vector representations support recall, graph relations adjudicate support / contradiction / supersession before gated context projection" —— 这是论文 4 大贡献里最工程化的那条
• ⚠️ 缺论文元信息：未提 11 页 / 1 图 / 7 表 / technical report 性质，影响读者对深度的判断
• ⚠️ 缺 prototype 实证：未提"diagnostic probe evaluating revision, stale suppression, attribution, and boundary control"——这是论文的实证抓手

⭐ #3 MIRAGE（arxiv 2607.05069）

• ✅ arXiv ID / 来源 / 标题 / 19 页 / 5 图 / 16 表 全部命中
• ✅ "跨文档 NLI 声明图 + Defended-Claims Gate"对齐原文 "NLI-based cross-document claim graph and applies a Defended-Claims Gate"
• ✅ "训练无关 + 模型无关"对齐原文 "training-free, model-agnostic defense"
• ✅ "或无法过滤时切换纯参数生成"对齐原文 "to either condition generation on a consistent, multi-source supported subset or to block retrieval and answer parametrically"
• ⚠️ 缺评估设计：未提 4 perturbation families (Unambiguous / Conflicting / Misleading / Fabricated) + matched clean / mixed / fully polluted 三种评估 regime
• ⚠️ 缺实证规模：未提 4 个 long-form QA benchmarks + 多个 commercial + open-weight LLMs（这是评估读者最关心的）
• ⚠️ 缺开源信息：github.com/SaadElDine/MIRAGE 是工程可用性的关键信号，Tom 完全省略

⭐ #4 ACID（arxiv 2607.02403）

• ✅ arXiv ID / 来源 / 标题完全命中
• ✅ "循环动作一致性"对齐原文 "cycle action consistency"
• ✅ "逆动力学从预测转移反推"对齐原文 "the action inferred backward from a predicted transition by an inverse dynamics model"
• ✅ "与 conditioning 动作一致"对齐原文 "should recover the one that was conditioned on"
• ✅ 4 条 ⭐ 里深度最好——技术概括最准确
• ⚠️ 缺 compute 优势：未搬 "matches baseline's accuracy with substantially less planning compute"
• ⚠️ 缺任务规模：未提 4 world models + 6 tasks (rigid / deformable manipulation + articulated control + visual navigation)

一般条目（候选 #2 / #3 / #7 / #8）

• ⚠️ "Look Before You Leap: Distilling Tree Search into VLA" 标 rag + benchmark + multimodal 三标签——根据标题该文是 VLA (Vision-Language-Action) 主题，与 RAG 关联弱，多模态标签可保留，rag + benchmark 双标签存疑
• ⚠️ "DEPOOL: Depression Detection Benchmark"——领域专用 benchmark，对通用 AI agent / RAG / long-context 主题贡献度低，可考虑下沉到细分领域子栈
• ⚠️ "GaP: Graph-as-Policy Multi-Agent"——只有 1 票信号，未做事实核查（不做二次核证，但 arXiv ID 与方法描述与历史 graph-of-thought / multi-agent policy 文献方向一致，可信度中等）
• ⚠️ "CareConnect: Trustworthy LLM Agents in Healthcare"——领域专用，对通用 RAG / agent 主题贡献度有限，与 DEPOOL 同型问题

深度（6.5 / 10）

8 条候选总字节 3624，平均每条 453 字节，⭐ 条目平均 380 字节，与近 7 日精读级深度（每条 500~1500 字节）相比腰斩。

缺核心数字（4 条 ⭐ 全中）

所有 4 条 ⭐ 都未搬任何定量数据： - SeKV：5.9% / 53.3% / 128K context 三个关键数字全跳过 - MRMS：未提 11 页 / 7 表 / 4 大贡献 / diagnostic probe 4 个评估维度 - MIRAGE：未提 4 perturbation families / 3 评估 regime / 4 QA benchmarks - ACID：未提 4 world models / 6 tasks / compute reduction 比例

缺工程抓手（4 条 ⭐ 全中）

• SeKV：未提 GPU–CPU memory hierarchy + low-rank SVD + trained zoom-in
• MRMS：未提 synchronization invariants + boundary-aware context projection（这是论文最有工程价值的部分）
• MIRAGE：未提 github 开源 + 配套数据集 + minimal-edit pollution protocol 协议
• ACID：未提 MPC + CEM 搜索结构 + per-step planning cost 具体公式

缺失败模式分析（4 条 ⭐ 全中）

所有 4 条 ⭐ 都没分析局限性 / 失败模式 / 长尾问题： - SeKV：trained zoom-in 在低置信度 query 上是否回退到 baseline？ - MRMS：synchronization invariants 在超大规模（10^7+ records）下是否仍成立？ - MIRAGE：NLI 模型的错误会传导给 claim graph，如何处理 NLI 自身的失败模式？ - ACID：cycle consistency 在视觉导航任务上的提升幅度 vs 其他任务是否一致？

缺与工作队列 Top 15 的交叉索引

work-queue.md 2026-07-08 14:00 快照 ⭐⭐⭐⭐⭐ 5 星 5 条 / ⭐⭐⭐ 4.8 分条目 10 条，Tom 候选里零命中。雷达应至少交叉引用： - MRMS ↔ 2604.22085 Memanto（typed semantic memory 同型） - MIRAGE ↔ 2606.10749 Toward Secure LLM Agents（rag safety 同型） - SeKV ↔ 2606.07362 vLLM Startup Latency（kv cache 同型）

可读性（8.0 / 10）

优点

• 单产出日消除 7-07 主评/副评 ~40% 重叠问题
• 模板稳定（概览 + ⭐ 详细 + 候选表 + 订阅源线索 + 元信息）
• 候选表信号列分级清晰（⭐ 6 票 / ⭐ 3 票 / 3 票 / ⭐ 高价值 / 1 票 / —）

缺点

• ⭐ 详细段每条只有"核心"+"亮点"两段，没有"为什么值得看"+"局限"+"何时用"+"与谁对比"四段结构——这是 7-07 / 7-08 共同的模板缺陷，建议在 SOP 里固化
• 候选表标签列对领域专用条目（DEPOOL / CareConnect）未做"非通用赛道"的标注，读者会误以为是同优先级
• 订阅源线索只有 1 条，与近 7 日的 2-4 条水位相比偏少

时效性（7.0 / 10）

• 8 条候选全部 2026-07 月初发布（2606 / 2607 ID），新鲜度好
• 2607.04617 / 2607.05069 / 2607.02403 是 2026-07-07 / 2026-07-08 才上 arXiv 的预印本，抓取速度好
• ⚠️ 但与 work-queue Top 15 零交叉索引，时效性扣分
• ⚠️ 候选 #4 Look Before You Leap 标 "rag + benchmark + multimodal" 三标签——若仅与 VLA 相关则标签可疑（时效性 + 准确性双向扣分）

无误导（9.2 / 10）

• 4 条 ⭐ 全部 web_search 三方核证，无任何"二手转述当事实"的软伤
• 候选表里所有 arXiv ID / 作者 / 标题 / 标签均与原文一致
• ⚠️ 扣 0.8：Look Before You Leap 标 rag 标签存疑（轻量扣分，不算硬伤）

选题质量（8.5 / 10）

• 三主题分散：systems（SeKV）/ agent × 2（MRMS / ACID）/ rag（MIRAGE），赛道分散度好
• MRMS 与 Memanto 同型但角度不同（前者是 substrate 架构 / 后者是 typed semantic memory），捕捉差异化定位好
• 4 条 ⭐ 全部 arXiv ID 可核证且作者与机构背书强（UBC+MSR / 学术 dual-author / 开源可复现），质量门槛高
• DEPOOL / CareConnect 两条领域专用条目对 KB 主线贡献度低，建议下沉到子栈

综合评分（7.8 / 10）

可执行的修改建议

高优先级（影响下次 radar 评分 ≥ 1 分）

1. ⭐ 详细段加四段结构：每条 ⭐ 必须含 "核心 / 为什么值得看 / 局限 / 与谁对比" 四段，每段至少 2 句话 / 100 字节。这是 radar 与 lite 版的硬区分。
2. 搬核心实证数字：每条 ⭐ 至少搬 2 个定量数据（baseline 提升百分比 / 任务规模 / benchmark 数量 / GPU memory reduction / context length 等）。例如 SeKV 的 "5.9% over baseline + 53.3% GPU memory reduction at 128K context"。
3. 与 work-queue Top 15 交叉索引：每条候选必须搜一次 work-queue.md 快照里 Top 15 同型条目并交叉引用（"参见工作队列 §1 第 N 条 2604.22085 Memanto 同型但角度不同"）。这是 radar 与 KB 主工作流的硬同步接口。

中优先级（影响评分 0.3-0.5 分）

4. 搬技术抓手：每条 ⭐ 至少搬 2 个具体技术名词（如 SeKV 的 "GPU–CPU memory hierarchy + low-rank SVD basis + trained zoom-in"），方便工程读者直接找到复现路径。
5. 领域专用条目加赛道标注：DEPOOL / CareConnect 等应加 "领域专用 · 非 KB 主线" 子标签，避免读者误判优先级。
6. 订阅源线索扩到 2-3 条：与近 7 日水位对齐，建议加 1 条 The AI Agents Stack 相关 + 1 条 Letta / LangChain state-of-thought 行业信号。

低优先级（影响评分 < 0.3 分）

7. Look Before You Leap 标签复核：若该文仅 VLA 主题，应去掉 rag / benchmark 双标签。
8. 失败模式分析：每条 ⭐ 可选加 1 句话"局限性 / 长尾问题 / 何时失效"——这是深度评分的天花板抓手。
9. 模板元信息加生成耗时：07:50 → 08:40 共 50 分钟生成 3624 字节，约 72 字节/分钟，作为节奏基线记录。

SOP 固化建议

• 把 "无误导连续 3 天" 作为 Tom 的稳定标签，写入 organized/reflection/tom-2026-07-08.md 的 self-test 模块
• 把 "⭐ 详细段四段结构 + 核心数字 + work-queue 交叉索引" 作为下次互评的硬扣分项（在 7-09 评价里若未改则单维度扣 1 分）

评审人：spark · 2026-07-08 14:30 Asia/Shanghai · Wave 2 E3 交叉互评