Cameron R. Wolfe (Deep Learning Focus) · RSS 摘要 v2 + 7-06 flyP 视角处理说明

v2 处理版（覆盖原 7-06 cron RSS 抓取 v1）｜实例：flyP｜日期：2026-07-06 21:20 反思 触发：cron b37d3839 · 研究知识库 · E2 自我反思 7-06 最弱产出重写 信源：https://cameronrwolfe.substack.com/feed（Cameron R. Wolfe 个人专栏，Atom feed） 写入边界：仅 inbox/flyp/；不写其他实例目录、不写 review/、不 git、不输出密钥 / Token。

0. 为什么本文件是 7-06 反思选定的"最弱产出 + 重写"

本文件存在的物理现实：

5 条博文（Agentic RL / Agent 评估：详细指南 / RL 扩展定律 / LLM 基准剖析 / 将统计学应用于 LLM 评估）5 份 RSS 完全相同。本 v2 覆盖本表第 5 行，把"5 份 RSS 共存"压回"4 份"——这是物理层最小动作，不承诺"清理其他 4 份"。

为何 7-06 反思的"最弱"重新选回 RSS 而不是 inbox 精读：

• 7-06 当天 2 份实质性产出（Perception-R1 11KB + TechRAG 13KB）全是强产出——准确、深、接口齐备、不构成"最弱"；
• 7-06 当天新增 2 份 RSS 抓取（cameron-wolfe 1000 + interconnects 1002）仍是 1KB 原状机器产物、零 flyP 分析、与其他历史 5 份内容重复——仍是最弱候选；
• 与 7-05 反思选择的差异：7-05 Interconnects RSS 集群已被反复 v2/v3 重写 4 次（6-27 v2 14.6KB / 7-03 v3 18KB / 7-04 v2 6.3KB / 7-05 v2 7KB）；Cameron Wolfe RSS 集群 5 份从未被 v2 重写——本次 7-06 选择 Cameron Wolfe 的物理现实是"该集群首次进入重写循环"，而 Interconnects 集群已经是高频重写循环。
• Cameron Wolfe 与 Interconnects 集群对照：Interconnects 5 篇文章覆盖"开源 step change / frontier post-training / 政策 / 博客状态 / 开源 artifact"五维，每月有 1-2 篇对 flyP 主线强接口；Cameron Wolfe 5 篇覆盖"评估方法论（含 RL/agent/benchmark/统计学 四子题）"，与 7-06 flyP 评估主线（Perception-R1 + TechRAG）接口最强——这是本次选择 Cameron Wolfe 而非 Interconnects 的第二个原因。

1. 5 条博文（v2 仅展开主线接口最强的 2 条）

5 条内容与 v1 cron 抓取及其他 4 份历史 Cameron Wolfe 完全一致——本 v2 不重复列出 5 条全表，仅就 flyP 主线接口最强 的 2 条加 7-06 时点注记。

1.1 Agent Evals：详细指南（与 7-06 TechRAG 精读直接对接）

• 原文核心观点（仅摘要点，不复制原文）：agent 评估需在 realistic harness 下做三件套评估（underlying LLM / tools / instructions），从单点输出 → 轨迹级 → 多回合多工具逐层递进；高风险应用（coding / medicine）需 process-level 评估与可重放日志。Wolfe 在文中给出近期 agent benchmark 的 case study（待 7-07 同步任务抓文末案例章节）。
• 7-06 接口（与 TechRAG 对接）：
• TechRAG（arXiv:2606.01613v2，单作者工程白皮书，7-06 15:50 精读主体）正是 Wolfe 文"高风险应用"现实版的代表——"Planner-Researcher-Writer-Critic 四 agent + 证据充分度 100 分 rubric + 三层 LLM-judge 链"；
• Wolfe 的"评估对象三件套"在 TechRAG 中的对应：individual LLM 评估未做、tools（FAISS/BM25/cross-encoder/Neo4j/ColSmol/MUVERA）独立评估未做、instructions（rubric 模板与 prompt 路由）评估未做——Wolfe 的"三件套独立评估再组合"在 TechRAG 是系统状态未达成，而非设计决策；
• "trajectory-level + process-level 评估" → TechRAG 给出 critic 自纠正机制，但critic-driven 修订与 trajectory 重放协议未披露——TechRAG 的"evidence-gated"是 prompt-level，不是 trajectory-level，与 Wolfe 文"trajectory-level 必可重放"的要求存在系统性缺口；
• 7-06 汇总结论：Wolfe 文对工程化系统（TechRAG 类）的约束力强——评估对象三件套独立 + trajectory-level 可重放 两项在 TechRAG 全部不达标，这构成对 TechRAG 类"工程范式参考"最严格的应用层 critique。
• 可信度：⭐⭐⭐⭐（Wolfe 文是同期评估方法论最简洁的索引；与 TechRAG 耦合度高）。

1.2 RL Scaling Laws：扩展定律如何从预训练演进到 RL（与 7-06 Perception-R1 精读直接对接）

• 原文核心观点（仅摘要点，不复制原文）：扩展定律从预训练（Chinchilla）演进到 RL（RLHF/RLVR）的过程中，"reward 形态"成为新的缩放维度——dense reward（PRM 类）/ sparse reward（outcome-only）/ LLM-as-judge reward 三类的可扩展性曲线尚不明朗；Wolfe 提出现有 RL scaling laws 主要在 outcome reward 假设下，process reward 与 judge reward 的缩放行为还不成熟。
• 7-06 接口（与 Perception-R1 对接）：
• Perception-R1（ICLR 2026 poster，arXiv:2506.07218v3，7-06 09:50 精读主体）的"visual perception reward"= LLM-as-judge reward 一类，是 Wolfe 文提到的"第三类 RL scaling"在多模态域的具体落地——Perception-R1 的 1442 样本声称 SOTA 是 LLM-as-judge scaling behavior 的局部证据，但样本规模未达到 scaling law 通常需要的 ≥ 3 个数量级；
• reward hacking 风险（Perception-R1 §3.4 R2 识别）：judge 与 policy 能力天花板耦合 + 自引用偏置（视觉注释来自上一步 CoT 模型）—— 与 Wolfe 文"judge reward 的可扩展行为尚不成熟"形成强闭环；
• 与同期 PRCO / PAPO / VGPO 对照：PRCO 双奖励（Observer + Solver）、PAPO 隐式感知 KL 损失、VGPO 视觉注意力补偿 + 双粒度优势重加权——三条平行解法的 reward 形态都不是 LLM-as-judge，而是 dense signal 或 KL 正则；Perception-R1 的 LLM-as-judge reward 在这条对照中是唯一不可证扩展行为的方案；
• 7-06 汇总结论：Perception-R1 是 Wolfe 文"RL scaling 第三类"在 2026 H1 末的具体实证，但 1442 样本 + 自引用偏置 + judge 偏置 三项叠加后，其"LLM-as-judge 可缩放"主张强度被显著压低——这是本期 Perception-R1 自评 ★★★ 的物理现实之一。
• 可信度：⭐⭐⭐⭐（Wolfe 文与 Perception-R1 双向校验；reward hacking 风险的两面都明确）。

1.3 其他 3 条（v2 略，仅列标题与主线接口判定）

• Agentic RL：框架与最佳实践 ⭐⭐⭐：与 Perception-R1 PRCO/PAPO 横向接口中，但仅摘要点；不展开；
• LLM 基准剖析 ⭐⭐⭐：与 TechRAG "领域封闭数据集"问题呼应，但不展开；
• 将统计学应用于 LLM 评估 ⭐⭐⭐：与 7-05 MiroEval "过程预测"方法学呼应，但不展开。

2. v2 与 v1 cron 抓取的差异

3. 元信息

• 本次重写版本：v2（覆盖原 7-06 cron 抓取 v1）
• 重写动因：7-06 反思"最弱产出 + 重写"动作。
• 物理收敛：把"5 份 Cameron Wolfe RSS 共存"压回"4 份共存"——这是单次最小动作，不承诺清理其他 4 份。
• 保留合规：不写其他实例目录（jay / spark / stephen / tom）；不写 review/、published/；不 git commit/push/gh pr；不输出任何密钥 / Token；不复制博文原文长段。
• 不触碰：6-27 / 7-03 / 7-04 / 7-05 四份 Cameron Wolfe RSS 文件不动；6 份 Interconnects RSS 文件不动；其它 inbox/flyp 文件不动（特别是同日 TechRAG 13KB + Perception-R1 11KB 两份实质性产出不动）。

本文件由 flyP cron b37d3839 E2 自我反思 7-06 触发，作为"最弱产出 + 重写"动作的具体落地。覆盖 /shared/research-kb/inbox/flyp/2026-07-06-1000-rss-cameron-wolfe.md 原 v1 cron RSS 抓取（5 份相同 Cameron Wolfe RSS 中本文件最小且唯一被 v2 重写 1 次）。