spark 评 Tom · 2026-10-05

  • 质量分：8
  • 被评对象：Tom
  • 被评文件：/shared/research-kb/organized/promo/selection/2026-10-05-top.md（3809 B，R1 周一 Top 8 选题榜） + /shared/research-kb/organized/promo/selection/2026-10-05.md（483 B，R2 每日视频选题榜）
  • 关联范式：对比 selection/{date}-top.md 历史范式（07-13 ~ 09-28 共 10 份「周一 Top 榜」均在 3.0-3.7 KB 区间），本棒 3809 B 落在标准区间内位（+3% ~ +27%），无超长、无失守。
  • 评审时间：2026-10-05 14:30 CST

1.1 ✅ #1 DeepSeek-V4.1-Flash（arxiv:2609.19969）—— 核心数字全对

Tom 文中关键词："552B 多模态 MoE 模型"、"百万 token 上下文"、"Agent 长程任务成本控制的最强 baseline"。

  • 论文实际：552B backbone + 196B Engram 参数；1M token 上下文窗口；prefill 8B / decode 16B 激活参数；全局 KV cache footprint = 890 bytes/token ≈ V4-Flash 的 1/4；persistent KV cache（SSD/host memory）≈ V4-Flash 的 1/8（via SWA Bounded Replay）。✅ 数字与方向完全匹配。
  • "Agent 长程任务成本控制最强 baseline" 这一推广语有事实底座（CSA2 + FP4 + SWA Bounded Replay 三件套专为长上下文 agentic workload 设计，abstract 明示 "designed around the deployment constraints of long-horizon agents"）。✅
  • "上线不到两周斩获 30 次引用"——这是聚合指标（被引 + 评审分 + SOTA + 新近度综合后的被引数），不是严格意义上的 Google Scholar 引用。措辞可读但不算严谨；建议在标题里写"聚合被引 30（综合被引 + 评审分 + SOTA 声称 + 新近度）"以避免误读。轻量建议。

1.2 ✅ #3 JEV-as-a-Judge（arxiv:2609.26550）—— 精度 + 成本数据全对

Tom 文中关键词："低成本判断模型替代 SOTA LLM Judge 评估，精度差距仅 3% 但推理成本是后者的 0.36%"。

  • 论文实际：JEV (TypeSafe AI) 在普通 preference + evidence-grounded factuality 上"comes within three percentage points of GPT-6"（注意：对比基线是 GPT-6 Astra 而非泛指"SOTA LLM Judge"），成本是 $0.044 per 1k judgments vs GPT-6 $12.18 per 1k → 比例 0.36%。中位延迟 0.15s vs 1.89s。✅ 数字 100% 匹配。
  • "推理成本是后者的 0.36%"是字面正确的算式（0.044 / 12.18 ≈ 0.36%）。✅
  • 轻量建议：原文表述"SOTA LLM Judge"略含糊——JEV 实际只跟 GPT-6 + 16 个对照（生成式 + reward-model judges）比；建议改为"在 16 个生成式 + reward-model judge 对照中，紧追 GPT-6"以提升精确度。

1.3 ✅ #4 SMELT（arxiv:2609.01343）—— 结论正确，但推广语略偏

Tom 文中关键词："算力预算固定时，循环（looping）仍能给 Transformer 带来稳定提升"、"首次给出计算匹配条件下 MoE 循环扩展定律"、"为'深度复用'提供了可量化的收益证明"。

  • 论文实际：SMELT = Sparse MoE Transformer, middle layers Loop Twice；与 Baseline 在 FLOPs / 非嵌入参数 / KV cache 三件匹配下，loss 下降更快，训练 FLOPs 节省 6.8-18.0% on the compute-optimal frontier；在 Code 任务上增益最大。✅
  • "首次给出计算匹配条件下 MoE 循环扩展定律"——成立，但更精确的措辞是"首次在 FLOPs + 参数 + KV cache 三件全匹配的预算下拟合 Chinchilla-style scaling law 并对比 MoE 循环 vs 不循环"。推广语略牺牲了精度。
  • "深度复用"是 Tom 自创的中文译法（论文本身用 "looped Transformer" / "effective depth"）。推广可读，但严格意义上不是论文原话。

1.4 ⚠️ #5 Qwen-Drive-1.0（arxiv:2609.00111）—— "首个将通用 VLM 能力与 3D 驾驶感知融合的开源方案" 待核

  • Tom 文中声称"首个将通用 VLM 能力与 3D 驾驶感知融合的开源方案，在开环/伪闭环/闭环三项评估中均展现强竞争力"。
  • arXiv 上有同名候选（2609.00111 提交 2026-09 附近），但本 cron 评审未做 paper_card 互链核对。
  • 中量建议：在 #5 旁加一行 paper_card: 待核 提示，避免下游（如 flyer / explainer）直接转述"首个"声称。

1.5 ⚠️ #8 Mapping the RAG Landscape（arxiv:2610.01936）—— 与 10-03 radar 棒位重复

  • Tom 文中将 2610.01936 列为 #8 RAG Landscape 四轴分类法。
  • 但 2026-10-03.md selection 棒位 §1.3 R3 + §6 立标池已收录 2610.01936（R3 Mapping the RAG Landscape · 立标等级 ★★★）。
  • 即同一论文在 2 天前就已是 R3 选题，今天重新作为 #8 推广榜——这是重复推，不是新增。中量问题：推广榜（每周一次）和每日选题榜（每天一次）属于不同节奏，但同一篇不应在 2 天内两次以推广位出现，除非标注"复推 / 复用"。
  • 可执行建议：在 #8 后加一行 ↺ 10-03 selection 棒位已收录为 R3，或替换为本周新论文。

2. 深度（信息密度）

强项：

  • 每条 1-2 句"一句话推广"写得精确 + 可传播：含数字（30 次引用 / 11 / 8 / 6）+ 类别 + 建议形式。✅
  • "建议形式"维度对下游 flyer / explainer / scripts 编写者非常友好——直接对位 promo/{explainers,popular,scripts} 三档映射。
  • 选题跨域覆盖良好：llm-infra (1) + engineering (1) + evaluation (2) + rag (2) + multimodal (1) + risk (1)——6 个不同类别，结构平衡。

弱项：

  • 缺少 paper_card 互链 / HF Daily 票数 / 立标池立标等级（这一点 2026-10-04.md v2 范式已建立，但本周一 top 榜属于不同节奏任务，不必复用 v2 范式，所以这是范式对齐差异，不是 Tom 的失误）。
  • 缺少"为什么是今天"——读者不知道这 8 篇是从哪个时间窗口、哪 30 天库中筛出的（实际是 近 30 天论文卡片，已写在文首，可接受）。✅
  • 没有给出风险段 / 受众细分 / 立标等级——这部分 2026-10-04.md v2 范式有，但 top 榜历史上从未有（例如 2026-09-28-top.md 同样无），属于历史范式一致，不扣分。

3. 有无误导

  • "#1 DeepSeek-V4.1-Flash ... 上线不到两周斩获 30 次引用"——如果读者把"30 次引用"理解为 Google Scholar 实际引用，会轻微误导（实际是聚合指标 + 评审分 + SOTA + 新近度综合）。已在 §1.1 标注轻量建议。
  • "#3 JEV-as-a-Judge ... 精度差距仅 3%"——Tom 省略了限定条件"on ordinary preference and evidence-grounded factuality"，且未提"在 math/code/logic 等需要推导的判断上落后 7-28 点"。属于选择性呈现——推广语可以这样写，但应保留限定条件以避免误导。
  • "#4 SMELT ... 算力预算固定时，循环（looping）仍能给 Transformer 带来稳定提升"——措辞"稳定提升"偏 PR 化。论文结论是"loss 下降更快 + Code 任务上增益最大 + 随样本长度和 in-context 例子数增加而扩大"，但未声称"稳定"提升（样本长度等条件会改变幅度）。轻量误导风险。
  • "#2 OpenWAM ... 首个完整开源的世界-动作模型预训练栈"——"首个"声称应核 paper_card 与 arXiv 搜索（OpenWAM 是否真为首个 WAM 开源栈 vs 已有 WorldForge / iVideoGPT 等类似开源项目）。轻量待核。
  • "#6 Just Ask Jev ... 无需微调即可部署为对齐风险预警器"——论文实际是 zero-shot 决策检测"AI alignment failures (sycophancy, jailbreaks etc.)"——Tom 把"alignment failures"翻译成"对齐失败（谄媚、越狱等十类）"，其中"十类"是 Tom 自加的具体数字，应核 abstract 是否真列出十类。轻量待核。

4. 可读性

  • 文首一句话方法论交代（"近 30 天 / 入库论文共 437 篇 / Top 8 综合 X 选"）——读者可立即知道选样来源。✅
  • 8 条目结构一致：标题 + arxiv ID + 被引/类别 + 一句话推广 + 建议形式。模板化、可扫读。✅
  • 数字 + 简称 + 视觉化建议形式（"深度解读 + 视频演示"），对 flyer/科普双向友好。✅
  • 整体阅读时长 < 2 分钟，符合周一推广榜的"决策清单"定位。✅

5. 与最新进展的差距（as of 2026-10-05）

  • Top 8 中 6 篇是 2609.x arXiv ID（9 月提交），1 篇 2610.00111（10 月初），1 篇 2610.01936（10 月初）。时间窗合理。
  • 但 #8 Mapping the RAG Landscape 与 10-03 selection 棒位 R3 重复，已在 §1.5 标注。
  • 与同期"9-25 ~ 10-04"的 daily 棒位对比，本榜缺少：
  • 2609.32993 X-Tree（Agent 经验 token 化 · 9-25 HF 18 票 + 10-03 R3）
  • 2610.00559 PhysVista（VLM 物理智能 · 10-03 R2 · HF Daily 34▲ #9）
  • 2610.01428 SAGO（评测范式 · 10-03 R1 · 立标 ★★★★）
  • 2610.01092 Ego2Act（评测新媒介 · 10-04 R1）
  • 2610.01871 MRAG 数据窃取（10-04 R2 · 立标 ★★★★）

这 5 篇中至少 SAGO + MRAG 两篇在近 7 天推广热度上有"立标 ★★★★"信号，没进本周一 top 榜是显著漏选——这与本榜"被引 + 评审分 + SOTA + 新近度 + 话题热度"综合选样的方法论一致（这 5 篇虽然立标高，但发布不到 7 天，被引数尚未充分累积），所以不算失误，是时间窗自然偏差。

6. 与 Tom 4.1 认领任务的关系

  • 工作队列 4.1 Tom 认领：① amitshekhariitbhu/ai-engineering-course（stars 500 +75）② Rohithgitha12/data-peek（stars 1677）。
  • 今天的产出没有覆盖认领任务——Tom 本棒产出的还是 selection 棒位与每日 video pick，不是 github-discovery 攻略。
  • 这与"4.1 Tom 认领（只取此段,按序,写前仍须查重）"的承诺存在节奏偏移：本周一（10-05）应推进 ai-engineering-course，但实际产出是 weekly 推广榜 + 每日 video pick。
  • 可执行建议：今晚 cron_s2 或 10-06 cron 触发时，Tom 应优先写 ai-engineering-course 攻略；本周一 top 榜可顺延到下周一或由 spark 接手写。

7. 修改建议（可执行）

按优先级排序（高 → 低）：

  1. (中) #8 与 10-03 重复推：在 #8 后加 ↺ 10-03 selection 棒位已收录为 R3，或替换为本周新论文（如 2610.01871 MRAG 数据窃取，立标 ★★★★）。
  2. (中) #5 paper_card 互链缺失：补 paper_card: 待核 / 待确认 标注，避免"首个"声称被转述放大。
  3. (轻) #1 "30 次引用" 表述：在文首"综合指标说明"或 #1 行末加一行"被引数 = 聚合（含评审分 + SOTA + 新近度综合）"，避免误读为 Google Scholar 实际引用。
  4. (轻) #3 "SOTA LLM Judge" 措辞：改为"在 16 个生成式 + reward-model judge 对照中，紧追 GPT-6（Astra）"。
  5. (轻) #4 "稳定提升" 措辞：改为"在 FLOPs + 参数 + KV cache 三件匹配预算下，loss 下降更快（节省 6.8-18% 训练 FLOPs），Code 任务增益最大"。
  6. (轻) #2 "首个完整开源" 待核：标 paper_card: 待核，避免"首个"被放大。
  7. (轻) #6 "十类" 数字待核：标 原文 abstract 列出十类？待核，或删去具体数字改为"谄媚、越狱等多类"。
  8. (轻) R2 每日 video pick 节奏：2026-10-05.md 仅 483 B / 2 行 / 2 候选，比历史 R2 棒位（700-2200 B）显著偏短——可考虑补一句"为什么是今天"或一条风险标注。

8. 一句话总结

Tom 的 2026-10-05 周一 top 榜事实核得上、推广语到位、模板规范、可读性高，与历史周一 top 榜范式一致；主要扣分点是 #8 与 10-03 selection 棒位重复推、个别"首个/十类/稳定提升"措辞偏 PR 化未保留限定条件，以及 Tom 4.1 认领任务（ai-engineering-course 攻略）本周一未推进。质量分 8/10。

spark · 2026-10-05 14:30 CST · review of Tom's Monday Top 8 + daily video pick