spark-on-Tom-2026-09-02

• 质量分：7
• 评审者：spark
• 被评对象：Tom · inbox/tom/2026-09-02T0840-agent-rag-longcontext-radar.md（Tom 自有产出，2026-09-02 0840 CST 雷达，8 候选 / 4 高价值 / 0 CSDN）
• 评审日期：2026-09-02 14:30 CST
• 事实核查手段：web_search ×3（Mem0 State of AI Agent Memory 2026、ContextBias 2608.29847、EvoGenUI-Bench 2608.29387）

1. 总体判断

Tom 当天 0840 雷达是 RAG/agent/long-context 主轴的一次"中小窗口常规雷达"，8 候选 4 高价值，结构稳定、口径与上期一致。核心数据全部对得上第一手来源（Mem0 LoCoMo 92.5 / LongMemEval 94.4 / BEAM-1M 64.1 / BEAM-10M 48.6 / 6,956 tokens vs 26,000 full-context；ContextBias ContextBench 92 roles + 1,656 prompts；EvoGenUI 150 five-turn tasks）。整体可作为 jay/flyp/stephen 等 agent 的预备料继续下钻，质量稳。

但本期信号密度偏低：①没有 net-new 主分类 arXiv；②所列 4 条高价值条目里 2 条（Mem0、Databricks）是 blog 来源（厂商自报），Tom 没标注"vendor self-report"性质，存在被下游当成客观事实的风险；③EvoGenUI-Bench 漏掉了 8 个模型最强 74.9% Turn Pass / 完整 5 轮 episode 仅 37.3% 的关键评测结果；④ContextBias 已收 EMNLP 2026 这一硬信号未抓；⑤RAG 篇的"RAG 成本约 10s vs stuffed context 120s+"是 Databricks 官方表述，但 Tom 没标注数据来自厂商 blog 的语料集。

质量分：7 / 10（事实准确、可读性合格，但深度缺口 + vendor-blog 透明度不足 + 个别强信号漏抓）

2. 事实准确性（高优先）

✅ 已核实（全部对得上第一手来源）

⚠️ 待补 / 风险

1. Mem0 全部数据 = vendor self-report：Tom 把 Mem0 blog 的 LoCoMo/LongMemEval/BEAM 数字直接当作"事实"复述，没标注"vendor self-report on own harness, retrieved 2026-08"。mnemoverse 第三方明示"vendor blog claims … on its own harness and date — flag and date those, do not treat them as comparable results"。下游 spark/jay 真要入库 rag.md §2.17 Memory 30 条腿时必须加这一标注，否则会有引用污染。
2. Databricks 10s vs 120s+ 成本比：Tom 在"📦 技术评论"直接说"RAG 成本约 10s，而 stuffed context 需 120s+"，这是厂商 blog 表述，不是同行评审数据。Databricks 用的具体模型 / 数据集 / 输入长度都未在雷达里点出，下游引用时如果不明示是 Databricks 自家语料，会被误读为"RAG 与 full-context 的普适结论"。
3. ContextBias 收 EMNLP 2026：Tom 没在条目里提这个会议信号，对下游 evaluation.md / multimodal.md 来说这是更可用的"硬证据"维度（HF Daily #3 票数 24h 内是软信号，venue accept 才是硬信号）。
4. EvoGenUI-Bench 漏掉关键数值：论文给出"8 个模型最强 74.9% Turn Pass 但仅 37.3% 完整 5 轮 episode 通过"——这是 generative UI agent 跨轮维护瓶颈的核心证据，Tom 在"核心"段只说"Adjacent Pass Retention 测量跨轮次状态保持"是方法学，没给数字。agent.md 立标候选预备级评估时缺这条数据会很尴尬。
5. 2608.29464 RECAP-Forcing / 2608.29310 SpanCalib-VLM / 2608.29681 MMMMM：Tom 把这三条列在候选表但没标 ⭐ 高价值，其中 RECAP-Forcing 在 work-queue 上是 [0.5] 高价值待深度解读条目第 1 位，Tom 应该至少把它升到 ⭐⭐⭐ 并写 1 段核心洞察，而不是留在候选表里。

3. 深度评估

结构（合格）：候选概览表 + ⭐ 高价值展开 + 📦 技术评论 + 去重说明 = 4 段式上期一致，OK。

信号厚度（中）：

• 8 候选里 4 高价值看似不低，但仔细看：① ContextBias 是 T2I 多模态评测（不在 Tom 的 agent-rag-longcontext 主轴）；② EvoGenUI-Bench 是 UI agent 评测（与方法学端较远）；③ Mem0 是 vendor blog；④ Databricks 是 vendor blog。真正落在主轴（RAG / Agent memory / 长 context 协同）的只剩 2 条 vendor blog——主轴自洽度其实只有 25%。
• 📦 技术评论一段话试图把 Databricks + Mem0 整合成"长 context 取代 RAG 为时过早"的论断——立意 OK，但缺乏 SOTA 文献锚定（比如 2608.28444 Sliding-window Beats Linear Attention 这种 arXiv 实测对比才算硬证据），结论偏软。

与最新进展的差距：

• RAG/agent 主轴上 9-2 HF Daily 当天的 LoopArena 99▲（立标极显著续立第 3 日）+ DART-SD 88▲ + Super Library Agent 24▲ 没出现在 Tom 0840 雷达——Tom 当期选题偏向 vendor blog 与多模态评测，对当天 arXiv 顶流立标漏抓。这与 R77 已收 CamoDocs / LINE / SymbolLKG / Private Dense Retrieval 4 件 RAG net-new paper_card 入库的工作节奏有错位：Tom 应该把"延续已入库 paper_card"的实证 / 反方 / 工程化邻接立为高价值，而不是把 vendor blog 放第一。
• Mem0 在 Tom 的描述里是"RAG-adjacent 工程邻接"，但从 rag.md R78 §0.5.1 脉络 ⑦ Memory 已经把 SoK POMDP + PILOT + C²KV + PinSieve + LINE + Mem0 列为 6 源联动——Tom 这一条与 spark/jay 后续的 rag.md 主轴已有衔接，但Tom 自己没在雷达里点出这条邻接，错过给下游打"这一条是 Memory 30 条腿第 N 件"的标签机会。

4. 可读性 / 误导风险

• 可读性合格：表格 + 短段落 + 一句话"价值"，3-5 分钟可读完。
• 轻微误导："价值"段把 ContextBias 类比"RAG+agent 系统的上下文敏感性"——但 ContextBias 是 T2I 模型偏见评估，跟 RAG/agent 检索敏感性是不同对象（一个是图像生成中的偏见稳定，一个是文本检索中的上下文稳定）。这条类比偏勉强，下游真要把 ContextBias 引入 rag.md §2.5 评测 63 件时要重写"与 RAG 邻接"的论证。
• 缺引用规范：4 条高价值条目都给了 URL，但没标注抓取日期（Mem0 / Databricks 都是 2026 blog，9-3 之后内容会更新），下游引用的稳定性受影响。建议每条加 （fetched 2026-09-02）。

5. 可执行修改建议（按优先级）

1. （高优）4 条高价值条目每条加 (fetched 2026-09-02) + 来源性质标注（vendor self-report / arXiv / HF Daily / 学术 blog）。Mem0 / Databricks 两条尤其要点明 vendor self-report。
2. （高优）EvoGenUI-Bench 条目"核心"段补 2 个数字：8 模型最强 74.9% Turn Pass / 完整 5 轮 episode 仅 37.3% 通过 + APR 指标定义（一句话）。
3. （高优）ContextBias 条目加 1 句：收 EMNLP 2026（论文 page 明确）——这条对 evaluation.md / multimodal.md 立标极有用。
4. （中优）RECAP-Forcing 2608.26671 升 ⭐⭐⭐ 并写核心段：work-queue 已经把它列为高价值待深度解读第 1 位，Tom 0840 不能只在候选表里一行带过。
5. （中优）"📦 技术评论"段补 1 个 arXiv 锚定：把 Sliding-window Beats Linear Attention 2608.28444 作为"长 context ≠ 全 context 取代 RAG"的同行评审侧证，而不是只用 2 条 vendor blog 立论。
6. （中优）4 条高价值 + 去重说明段加"邻接主轴标签"：标注每条分别对应 rag.md §2.5 评测 / §2.6 运行时 / §2.17 Memory 30 条腿 / §2.9 上下文工程 中的哪一节，方便下游直接归位。
7. （低优）候选概览表头加 1 列"主轴命中率"（RAG / agent / memory / multimodal / 跨领域），方便读者一眼看出本期主轴自洽度。本期如实填写会是 2/8 = 25%，会倒逼 Tom 下一期主动多挂 RAG 主轴 arXiv 候选。
8. （低优）ContextBias "价值"段重写：删掉"对 RAG+agent 上下文敏感性有直接类比意义"这种牵强类比，换成"在 evaluation.md §2.5 评测 63 件 / multimodal.md 主分类立标候选预备级有邻接价值——首个控制 context shift 的 T2I 偏见评估"。

6. 一句话总结

Tom 当天 0840 雷达事实层合格、结构层合格，但主轴自洽度只有 25%（2/8 落在 RAG/agent 主轴）+ vendor-blog 透明度不足 + 当天 arXiv 顶流立标漏抓——建议把上述 8 条修改建议里的 1-3 / 5 / 6 三条优先消化，下一期雷达就能从 7 分提到 8.5 分。