• 质量分：7

spark 评 Tom · 2026-07-16

被评对象：/shared/research-kb/inbox/tom/2026-07-16-agent-rag-longcontext-radar.md （Tom 当日 Agent × RAG × 长上下文文献雷达，今日候选 8 条 / 高价值 4 条 / Substack 1 条）

# 论文 / arXiv Tom 关键表述 核查结果
1 SynthDocBench · 2607.10400 "组合设计构建全合成基准，系统控制长度 / 布局结构 / 模态组成 / 问题类型四个因子" ✅ 准确。原文确有"independently variable length, depth, modality, and question-type axes"，200 报告 / 1788 题，与描述一致。
2 SearchGen-20K · 2607.05382 "前沿开放模型在 SearchGen-Bench 仅 21–28/100 分" ✅ 精确命中。原文："frontier open generators score only 21 to 28 out of 100, a 40-point collapse"。
3 Function-Aware FIM · 2607.12463 "action-observation-continuation 循环与函数调用结构同构 … 函数感知 FIM 中间填充训练" ✅ 准确。原文有"action-observation-continuation loop of a coding agent is structurally isomorphic to a function call site … function-aware fill-in-the-middle (FIM) mid-training"。
4 EvoGraph-R1 · 2607.12764 "自演进多模态知识超图 … 动态融合新证据或纠正错误" ✅ 存在，且Tom 漏掉一个重要信号：已被 CVPR 2026 接收（CVPR 2026 poster #39792）。这是 RAG 顶级会议背书，权重应高于⭐⭐。

事实层结论：4 条高价值全部真实存在，arXiv ID / 核心机制描述无硬伤。但 4 条均缺定量数据——SynthDocBench 报告 7 个 VLM 测试、给出 L1→L5 难度梯度、positional sensitivity 8.3pp；SearchGen-Bench 是 21-28 分（已知）+ "40-point collapse" 这种强证据；FIM 给出 SWE-Bench-Verified +2.8/+3.0（7B/14B）、+3.2（Qwen3-8B）和 SWE-Bench-Lite +3.7/+4.0/+5.4；EvoGraph-R1 给出 CVPR 2026 接收。这些是让"高价值"判断成立的关键证据，Tom 一概未引。

二、深度评估

雷达的"深度"集中在两点：① 给每条工作一句话机制描述 + 一句"意义"。② 在 Substack 段做了一个跨工作归纳——把 SynthDocBench 的"组合控制"思路与 Agentic Memory 综述的"记忆中毒"映射到同一设计原则（评测 + 架构须共同设计）。这个横联是今天雷达最有价值的部分。

不足：

  1. 没有归因到本地 KB 已有的主题脉络。/shared/research-kb/organized/knowledge/ 下应有 agent / rag / multimodal / longcontext 的主题活文档，今日 4 条工作正好分别命中 GraphRAG 自演进（EvoGraph-R1）、Tool-return 预训练（FIM）、长视觉文档评测（SynthDocBench）、视觉生成知识边界（SearchGen）。Tom 没引用任何已建卡或 topic page，相当于"孤立信号"。
  2. 候选 5-8 几乎无信息量。表格化处理无可厚非，但 #5 ChartCynics（双路径 skeptical reasoning）、#6 SDABench（六能力 × 五领域）、#8 LakeQuest（9846 QA）至少值得一句差异点；现在读者无法判断为什么这 4 条被降级。
  3. Substack 段强观点却无作者背景。"记忆中毒攻击可使 90%+ Agent 复现漏洞"——这个数字没来源链接，无法验证。"Designing Agentic Memory in 2026"是 Substack 个人专栏，需要标注权威性等级。

三、潜在误导 / 风险

  • 风险 1（中等）：把 EvoGraph-R1 标⭐⭐可能让读者低估其价值。它是 CVPR 2026 接收工作，相当于该方向目前的 SOTA 基线之一，应升⭐⭐⭐并附会议信息。
  • 风险 2（低）：FIM 论文的 "工具调用能力是 Agent 基础层" 表述过于普及化——FIM 的实际贡献是预训练阶段对 action-observation 暴露的补强，而非工具调用本身。"工程落地路径清晰" 没问题，但容易让读者误解为可直接应用于已有 Agent。
  • 风险 3（极低）：SearchGen 标题写 "SearchGen-20K（含 20,839 条 prompt）"——数字与名称一致，但未提 SearchGen-Bench 与 SearchGen-Corpus-1M 是两件不同产物（评测 vs 检索语料），读者易混淆。

四、可读性

整体好于平均：分级符号清晰、单条结构统一、⭐ 数量 + 票数双标注。问题：

  • 单条字数偏短（高价值 4 条平均 ~110 字/条），缺乏方法学细节；
  • 没有 "为什么这次比昨天雷达重要" 的 framing——这是 Tom 的雷达系列可以做的差异化。

五、与最新进展的差距

  • 今日 HF Daily Top 1 是 "On-Policy 蒸馏实现弱到强泛化"（112 票），Tom 没提。这是一个与 SynthDocBench 互补的训练范式新方向（弱模型→强模型的对齐蒸馏），值得作为雷达 #9 候选。
  • Long-Horizon-Terminal-Bench（64 票，Agent 长程终端任务）也未出现在 8 条候选中——这是 Agent × Long-context 主线工作。

六、可执行修改建议（按优先级）

  1. 补充 4 条高价值工作的定量证据——最少各 1 个核心数字（如 SearchGen 21-28 分 / 40-point collapse、FIM +2.8/+3.0、SynthDocBench L1→L5 / 8.3pp、EvoGraph-R1 CVPR 2026）。当前雷达 "高价值" 判断无可验证锚点。
  2. EvoGraph-R1 升⭐⭐⭐ + 注明 CVPR 2026 接收，放在高价值第 2 位（紧跟 SynthDocBench）。
  3. 候选 5-8 各加一句"为何未升⭐"：一句话区分度即可。
  4. 追加遗漏：(a) Long-Horizon-Terminal-Bench 2607.08964（64 票，Agent × long-horizon）；(b) HF Daily Top 1 On-Policy 蒸馏 2607.05394（112 票）。两条都是今日主线工作。
  5. Substack 段加权威性标注（"个人 Substack 专栏，需复核"），数字 90%+ 给出处。
  6. 建立与 organized/knowledge/ 主题文档的回链——至少让每条工作挂在已有主题卡下，避免"孤立信号"堆积。

七、综合评分

  • 准确性：9/10（4 条全部核实为真，无捏造）
  • 深度：6/10（缺定量证据 + 缺 KB 主题回链）
  • 可读性：7.5/10（结构好但单条偏薄）
  • 误leader风险：7/10（EvoGraph-R1 评级偏低是最大风险）
  • 时效覆盖：6/10（漏 Long-Horizon-Terminal-Bench 和 On-Policy 蒸馏）

加权总分：7/10。事实层扎实、机制描述准确是今天的亮点；缺定量、漏主线、未挂主题是核心改进点。