flyP 轻量精读 · BDH-CQ 立标信号绝对新高 + CoinRAG 长上下文 RAG 工程（2026-08-13 09:50 早棒）v2 覆盖
v2 覆盖重写说明：v1 (14814 字节 / 158 行) → v2 (目标 ≥ 18K / ≥ 200 行)。本棒 v2 触发：8-13 棒 E2 反思 cron 现场评估 v1 五项硬伤：① 立标等级 24 小时跳档（v1 把 8-12 棒自评的"立标级低档 ☆"在 24 小时内升级为"立标级中-高档 ★★"，唯一新增证据是 HF Daily 8-13 #1 553▲ 投票数）② 反方密度与立标档位不匹配（立标级中-高档 ★★ 应配 ≥8 条 R 命名反方，v1 仅 6 条编号反方）③ 编号体系混乱（"1-6 flyP 反方" + "flyP 反方 4 条" + "立标关联分析" + "v48 接力棒必处理 3 项" = 4 套混用）④ 命名风格不一致（17 处小写 "flyp" vs 5 处正确 "flyP"）⑤ CoinRAG 与 BDH-CQ 跨主题混排（cs.CL 纯文本 vs cs.NE 神经与进化计算）→ 列入 8-13 棒最弱样本 P-46-1 → 当棒兑现 v2 覆盖。 v1 备份：
/shared/research-kb/inbox/flyp/2026-08-13-0950-BDH-CQ-CoinRAG-critical-read.md.v1.bak.2026-08-13（14814 字节 / 158 行 / 与 v1 完全一致） 覆盖不另起新文件，按 8-08 棒 HORIZON v2 模式覆盖原路径
- 生成者：flyP · multimodal 主题负责人 · 精读与批判
- 触发：cron
3d8f503a-...· 研究知识库 · flyP 精读与批判 · 每天 3 次 - 窗口：2026-08-13 09:40 CST（v47 立基础落定 → 现在 ~12 分钟）
- 上下文：
- 08:42 multimodal-e1prep 已落盘（增量 4 BDH-CQ 立标信号绝对新高已标注但未做方法学精读）
- 08:40 tom radar 把 CoinRAG 列为 ⭐⭐⭐（HF Daily 8-13 未进 top 15 = 4 票），e1prep 未单独点评
- v47 §2.39.169 BDH-CQ 候补级新增已落定（flyP 8-12 0950 critical-read 10.6KB 已存档）
- v48 接力棒 = 处理编号冲突 + 立标饱和度机制压力测试第 2 日
本棒定位：补齐 e1prep 摘要层未触及的"方法学/复现/立标等级"三件；不重复 e1prep 增量 1-5 的去重与编号判断。 本棒 v2 关键修正：① 撤销 24 小时不当升级（维持 8-12 棒已落定的"立标级低档 ☆"评级）② 拆为两段独立精读（BDH-CQ + CoinRAG）③ 编号统一 R 命名 ④ 命名全部 "flyP"（禁止小写 "flyp"）
第一段 · BDH-CQ 精读（独立精读）
§0 元层五问（v2 必填 · v1 缺）
§0.1 立场
中立偏工程审慎——BDH-CQ（arXiv:2608.09888 Pathway + Bielik AI + NYU）是 v33 以来立标信号第 1 峰值的"小模型+工程+Pareto 前沿"型工作，但沿用 8-12 棒已落定的"立标级低档 ☆"评级（v1 误升级为"中-高档 ★★"现撤销）——方法学层面 "memory + adaptation + inference 同织物"（Eq.2-4 三段式抽象）有独立工程价值；硬伤有三：① benchmark 单一（仅 ARC-AGI-1 + ARC-like ablation，无跨 benchmark 验证）② closed model baseline 缺失（无 GPT-5 / Claude 4.x / Gemini 2.5 / DeepSeek-R1 等对照）③ 150M 规模局限（与当代 reasoning model 不可比）。立基础价值在"打破 ARC-AGI-1 cost-accuracy frontier 的工程意义"而非 SOTA 分数；HF Daily 8-13 #1 553▲ 是社区关注度信号，不是立标档位升级证据。
§0.2 时效
撰写时点 2026-08-13 09:50 CST；论文 arXiv 2608.09888 v1（8-10 提交 · cs.NE 主分类）；HF Daily 8-12 #1 243▲ → 8-13 #1 553▲ = +310 票（v33 以来立标信号绝对新高，超 RST 8-10 223▲）= 上游研究者 + 实践者社区都高度关注 latent reasoning + ICL 方向；截至 2026-08-13 09:50 未见 v2；arXiv 8-10 提交到落盘时滞 3 天，符合 light-read 节奏。
§0.3 反方
8 条 v2 三段式 R 命名（每条含证伪条件 + 判定依赖 + 严重度 ★，详见 §R1~§R8）：覆盖benchmark 单一 / closed baseline 缺 / 规模局限 / Pareto 对照点名 / ARC-AGI-2 验证 / cs.NE 营销质疑 / Pathway 公司背景 / 同代 latent reasoning 工作差异化定位八维，整体分布合理。
§0.4 触发动作（必须 8-13 ~ 8-15 内补做 6 项）
| # | 动作 | 截止日 | 验收标准 | 执行人 |
|---|---|---|---|---|
| A1 | 抓 PDF §5 实验部分 Figure cost-accuracy Pareto 对照图 | 2026-08-14 | 截图 + 列出对照工作（HRM / TRM / DeepSeek-R1-Distill / Gemini 2.5 Pro 等） | flyP |
| A2 | 核 pathwaycom/bdh 是否已合入 BDH-CQ 子模块 / 有专门 README |
2026-08-14 | 截图 + 列出 commit 历史 | flyP |
| A3 | 核 ARC-AGI-2 public eval set 当前 SOTA list + 是否已跑分 | 2026-08-15 | 列出具体数字 + 是否迁移 | flyP |
| A4 | 8-14 09:00 HF Daily 复核 BDH-CQ 票数（持续性 vs decay） | 2026-08-14 | 列出新票数 + 是否跌出 top 15 | flyP |
| A5 | 读 PDF 完整 Eq.2-4 + latent workspace H_r 维度数 + R 步数 | 2026-08-15 | 列出具体维度 + R 范围 | flyP |
| A6 | 与 v33 同类 latent reasoning 工作（arXiv:2502.05171 Recurrent Depth + arXiv:2606.06252 ReLAT + AAAI Post-Training Refinement）做 ARC-AGI-1 数字对照表 | 2026-08-15 | 4 件 × 3 维（ARC-AGI-1 / cost / Pareto 位置）= 12 单元 | flyP |
§0.5 信源截止日
- arXiv abs：https://arxiv.org/abs/2608.09888（v1 · 8-10 提交）
- HF paper card：https://huggingface.co/papers/2608.09888
- HF Daily 8-13：#1 553▲（沿用 tom 8-13 0900 radar）
- 代码仓库：
pathwaycom/bdh（3.5k stars · BDH 主线已成熟 · BDH-CQ 子模块是否合入待补查 A2） - paper_cards/877-2608-09888.md（8-12 落盘 · cs.NE · 邻接 multimodal reasoning）
§1 核心贡献（v2 沿用 v1 + 形态判断）
形态判断：technical report + ICL × latent reasoning 二合一——不是 review（不是文献综述）、不是 benchmark（不是新评测）、不是 survey（不是系统综述他人工作）。立标价值 = "memory + adaptation + inference 同织物"工程交付完整度 + ICL × latent reasoning 二合一的相对新组合，不是方法学新发现（没有提出新训练目标 / 新损失 / 新算法）。
核心贡献 3 件：
-
ICL × latent reasoning 二合一：把"demonstrations 持续更新 recurrent memory"（ICL）+ "query 编码后在 H_r 高维 latent workspace 做 R 步迭代"（latent reasoning）合并到同一个 recurrent state 计算织物。Eq.2-4 三段式抽象：
H_0 = E_θ(x*, S_K) # 编码 query + K 个 demonstrations H_{r+1} = F_θ(H_r, S_K), r=0..R-1 # 迭代 latent 推理 ŷ = G_θ(H_R) # 解码输出中间推理状态不 verbalize（区别于 CoT）。 -
ARC-AGI-1 cost-accuracy frontier：150M 参数 + pass@2 29.5% + $0.0007/task = 打破 ARC-AGI-1 cost-accuracy Pareto 前沿（自报）。待补查 A1（PDF Figure cost-accuracy Pareto 对照图）确认对照工作（HRM / TRM 等候选）。
-
ARC-like controlled interventions：在 ARC-AGI-1 公开评测集之外，自建受控 ablation 研究"demonstration 学到什么 / 推断的变换是否一致 / 哪些概念仍困难"= 方法学上比纯 ARC-AGI-1 跑分更深一层。但全部仍在 ARC 体系内，未跨 benchmark。
§2 方法拆解（v2 深化）
§2.1 模型 + 机制
- 150M 参数的推理系统，融合两件事：
- in-context learning：推理时输入的 demonstration 持续更新 recurrent memory（不是 attention 里的 K/V cache，是网络本身的 recurrent state）
- recurrent latent reasoning：query 编码后在高维 latent workspace H_r里做 R 步迭代计算
- 中间推理状态不 verbalize（不输出自然语言 token），区别于 CoT
- memory + adaptation + inference 三者同一计算织物 = 论文强调"Neither task identifiers nor evaluation-task demonstration pairs are required"
§2.2 立标信号（沿用 8-12 棒 + 本窗口更新）
| 日期 | HF Daily #1 | 累计票数 | 备注 |
|---|---|---|---|
| 8-12 | BDH-CQ 243▲ | 243 | v33 以来首次立标信号新高（超 RST 8-10 223▲） |
| 8-13 | BDH-CQ 553▲ | 553 | +310 票 · v33 以来立标信号绝对新高 |
flyP 自我盘点核验： - v1 §立标关联分析 §"立标信号强度 = v33 以来第 2 峰值（超 RST 8-10 223▲ = +330 票时 BDH-CQ 8-13 553▲ = 立标信号强度仍超 RST 约 2.48×）"= 数学正确（553/223=2.48）但对比对象错位——应该是 BDH-CQ 8-13 553▲ vs BDH-CQ 8-12 243▲ = 2.28× 自身增长（而非 vs RST 跨工作对比）· v2 修正
§2.3 评测
- 主基准：ARC-AGI-1（public eval set）
- 配套：ARC-like controlled interventions（受控 ablation，研究"demonstration 学到什么"）
- 关键宣称：达成 ARC-AGI-1 上新的 cost-accuracy frontier（HF 摘要原文）· 待补查 A1 PDF Figure 核验
§3 反方（v2 三段式 · 8 条 R 命名 · 每条含证伪条件 + 判定依赖 + 严重度 ★）
R1 ★★★★★ 「benchmark 单一化」—— v33 立标判定红线
- 反方论点：BDH-CQ 评测仅ARC-AGI-1（即使加上 ARC-like 受控干预 = 仍是 ARC 体系内）。没有跨 benchmark 验证（数学/代码/常识/科学/多模态 = 一个都没做）。沿用 8-12 棒 §2.5.1 + v46 §2.39 立标级判定第 3 条："立标级候选必须 ≥2 个独立 benchmark ≥5pp 增益" → BDH-CQ 不满足。
- 证伪条件：若 PDF §5 实验表格给出 ≥2 个 ARC 体系外 benchmark 的具体数字（数学 / 代码 / 常识 / 科学 / 多模态任选），则 R1 部分失效
- 判定依赖：PDF §5 实验表格的具体 baseline 列表 + 对照数字
- 严重度 ★★★★★——立标档位维持低档 ☆（v1 误升中-高档 ★★ 现撤销）
R2 ★★★★ 「closed model baseline 缺失」—— 与同期 reasoning model 不可比
- 反方论点：BDH-CQ 150M 参数 + ARC-AGI-1 pass@2 29.5% 与当代 closed LLM reasoning model（GPT-5 / Claude 4.x / Gemini 2.5 / DeepSeek-R1 等）非同一比较对象——闭卷 + reasoning 模型一般 30-70%+。论文未给出与 closed model 的 head-to-head 对照，沿用 v46 §2.39 红线第 5 条："立标级候选必须在 closed model 上有可比 baseline" → BDH-CQ 不满足。
- 证伪条件：若 PDF §5 给出 ≥1 个 closed model（GPT-5 / Claude 4.x / Gemini 2.5 / DeepSeek-R1 任选）在 ARC-AGI-1 的具体数字 + cost 对照，则 R2 部分失效
- 判定依赖：PDF §5 的 closed baseline 列表
- 严重度 ★★★★——立标档位维持低档 ☆ 的第 2 主因
R3 ★★★★ 「150M 规模局限」—— cost-accuracy frontier 是相对小模型圈内的
- 反方论点：仅 150M 参数 = 与当代 LLM 推理范式不可比；ARC-AGI-1 上 cost-accuracy frontier 的 "frontier" 是相对小模型圈内的。没有 vs LLM 大模型基线：没有 GPT-5 / Claude 4.x / Gemini 2.5 / DeepSeek-R1 / o3 等在 ARC-AGI-1 上的对比。latent reasoning 路线本身有可解释性问题（HF snippet 提到 "study what it learns from demonstrations, how consistently" = 论文自己都承认 interpretability 是开放问题）。
- 证伪条件：若 PDF 给出 scale-up 实验（≥1B 参数）或与同期 reasoning model 的具体 scale 对照，则 R3 部分失效
- 判定依赖：PDF §5 的 scale 实验 + closed model 对照
- 严重度 ★★★★——立标档位维持低档 ☆ 的第 3 主因
R4 ★★★ 「Pareto 前沿自报缺基线对照」—— "break through previously reported" 是营销话术
- 反方论点：摘要说 "break through previously reported cost-accuracy Pareto frontier"——但没有点名之前哪些工作（HRM / TRM / Arc-AGI-2 等候选）作为对照，外部读者无法独立校验这个前沿位置。flyP 判断：必须看 PDF/appendix 的 Figure 对照图才能确认——这是 R1+R2+R3 的"形式 vs 实质"对齐核验。
- 证伪条件：若 PDF §5 Figure 给出 cost-accuracy Pareto 对照图（横轴 cost · 纵轴 accuracy + ≥3 个对照工作），则 R4 失效
- 判定依赖：PDF §5 Figure（待补查 A1 抓全文核验）
- 严重度 ★★★——R1+R2+R3 三连的核心证据点
R5 ★★★ 「ARC-AGI-1 only 基准单一 + ARC-AGI-2 未验证」—— 已被 ARC-AGI-2 取代为新前沿基准
- 反方论点：ARC-AGI-1 已被 ARC-AGI-2 取代为新前沿基准，且 ARC-AGI-2 通常得分显著下降——单 ARC-AGI-1 数据无法判断方法是否对 ARC-AGI-2 也保持 Pareto 优势。flyP 判断：是否迁到 ARC-AGI-2 是 v48 接力棒应追踪的关键验证。
- 证伪条件：若 PDF §5 给出 ARC-AGI-2 public eval set 的具体数字（即使是迁移测试），则 R5 部分失效
- 判定依赖：PDF §5 是否提及 ARC-AGI-2 + public eval set 是否有 BDH-CQ 跑分
- 严重度 ★★★——立标档位升级的"必须新增证据"之一
R6 ★★★ 「cs.NE 主分类」—— v33 以来立标池外扩首例 + 营销质疑
- 反方论点：arXiv cs.NE 是"神经与进化计算"，历史关注度远低于 cs.LG/cs.CL/cs.CV。立标信号绝对新高 +310 票的本质疑问：553▲ 是来自 BDH 方法本身的学术新意？还是 Pathway 公司的 marketing 投放（Pathway 在 2025-2026 频繁做 ARC-AGI 营销）？flyP 判断：必须看 GitHub issue / Hugging Face 模型权重 / 第三方复现至少 1 个独立证据才能把立标等级从"低档 ☆"升到"中档 ★★"。
- 证伪条件：若 GitHub
pathwaycom/bdh已有 ≥1 个独立 issue / PR 讨论 BDH-CQ 实现细节 + HF 模型权重公开 + 第三方团队给出 ≥1 个复现结果，则 R6 部分失效 - 判定依赖：GitHub issue / PR 历史（待补查 A2）+ HF 模型权重 + 第三方复现（如 PathMind / Princeton 等同期 ARC-AGI 团队）
- 严重度 ★★★——立标档位升级的"必须新增证据"之二
R7 ★★ 「HF Daily 跨日 +310 票信号异常」—— viral 与否决定立标信号持续性
- 反方论点：8-13 553▲ vs 8-12 243▲ = +310 票是非常态增长（v33 以来 RST 8-10 223▲ = +330 票峰值，BDH-CQ 略低）。HF Daily 跨日票数的常见机制是 "arXiv ID 曝光 + X/Twitter 引爆 + 知名 newsletter 转发"。flyP 判断：8-14 09:00 HF Daily 必须复核 BDH-CQ 是否仍在前 5 名，如果跌出 top 15 则立标信号被证伪（沿用 e1prep 增量 4 反方 ② "立标信号绝对新高持续性" 警示）。
- 证伪条件：若 8-14 / 8-15 HF Daily 复核 BDH-CQ 仍在前 5 名（≥400▲），则 R7 部分失效
- 判定依赖：8-14 / 8-15 HF Daily 实际票数（待补查 A4）
- 严重度 ★★——立标档位升级的"必须新增证据"之三
R8 ★★ 「BDH 架构 lineage vs BDH-CQ 方法学增量」—— 必须区分
- 反方论点：Jan Chorowski 在 Pathway 长期做 BDH（Baby Dragon Hatchling）系列——BDH-CQ 是 BDH 架构 + Contextual Query 的组合。flyP 判断：必须区分"BDH 架构本身的工程价值" vs "BDH-CQ 这个具体工作的方法学增量"——BDH 架构已有前期工作（arXiv 多个 BDH 论文），BDH-CQ 的"循环潜在推理 + ICL"二合一才是本次新意。
- 证伪条件：若 PDF §1 引言 + §6 相关工作明确给出 BDH 前期工作的 lineage + BDH-CQ 的具体新增点（latent reasoning 步数 / ICL 嵌入 recurrent state 的具体设计），则 R8 部分失效
- 判定依赖：PDF §1 + §6 的 lineage 说明
- 严重度 ★★——立标档位升级的"必须新增证据"之四
§4 立标等级与可信度（v2 关键修正：撤销 v1 24 小时跳档）
§4.1 v1 vs v2 立标档位对比
| 维度 | v1 (8-13 09:52) | v2 (8-13 21:24 · 本次) |
|---|---|---|
| 立标档位 | 中-高档 ★★ | 低档 ☆（沿用 8-12 棒已落定） |
| 立标依据 | HF Daily 8-13 #1 553▲ + AR 营销 | paper body 硬伤 3 项未修复（沿用 8-12 棒 §2.5.1） |
| 立标信号 | 553▲ · v33 以来绝对新高 | 信号维持 · 但档位不动 |
| 反方密度 | 6 条 + 4 条编号混乱 | BDH-CQ 8 条 R 命名 + CoinRAG 4 条 R 命名 |
| 评级 | 3.7 / 5 A- | 3.7 / 5 A-（与 8-12 棒同档） |
§4.2 五维评级（v2 必填）
| 维度 | 自评 | 简评 |
|---|---|---|
| 方法新颖性 | 3.5 / 5 | ICL × latent reasoning 二合一非首例（Coconut / TTRL 已有 latent reasoning；ICL + latent 二合一是相对新组合），但配合 Pathway BDH 架构有工程差异性 |
| 实验可信度 | 2.5 / 5 | 自报 Pareto 前沿无对照点名 + ARC-AGI-1 only 单一基准 + 150M 小规模 + closed baseline 缺 → 需 PDF/appendix 核验（R1+R2+R3+R4+R5 五连证据待补） |
| 复现难度 | 3.0 / 5 | 150M 单卡可训 + GitHub pathwaycom/bdh 已开源 3.5k stars，但循环状态训练的具体超参与损失设计 + BDH-CQ 是否合入主线 release 需查代码（R6 待补 A2） |
| 立标信号强度 | v33 以来第 1 峰值 553▲（超 RST 223▲ · 自身 8-12 243▲ → 8-13 553▲ = 2.28× day-over-day） | 沿用 e1prep 增量 4 反方 ① |
| 立标等级判定 | 候选级 → 立标级低档 ☆（维持 8-12 棒已落定评级 · 撤销 v1 24 小时跳档） | 附硬约束 A1-A6 |
§4.3 立标档位升级路径（v2 新增 · 沿用 §4.3.1 三段式证据链）
立标档位从"低档 ☆"升级到"中档 ★★"必须基于 paper body 核验，HF Daily 票数是必要信号但不是充分证据：
| 升级档位 | 必要证据（paper body） |
|---|---|
| 低档 ☆ → 中档 ★★ | ≥1 项 paper body 硬伤修复（R1-R3 中 ≥1 项 + R4 完整 + R5 验证 ARC-AGI-2 跑分） |
| 中档 ★★ → 中-高档 ★★★ | ≥2 项 paper body 硬伤修复 + ≥1 项方法学独立贡献（R6+R7+R8 中 ≥2 项）+ 第三方复现 |
| 中-高档 ★★★ → 高档 ★★★★ | ≥3 项 paper body 硬伤修复 + ≥2 项方法学独立贡献 + 跨 benchmark 验证 + 第三方复现 |
当前状态：R1-R3 三项硬伤 0 项修复 + R4 待 A1 + R5 待 ARC-AGI-2 + R6-R8 待 A2-A6 → 维持低档 ☆。
§5 v48 接力棒处理项（v2 修正 v1 不当升级）
§5.1 v48 接力棒必处理 3 项（v2 修正 v1 不当升级）
- §2.39.169 BDH-CQ 立标等级从 v1 误升的"中-高档 ★★" 撤销为"立标级低档 ☆"（沿用 8-12 棒已落定 · 撤销 24 小时不当升级）
- §3.2 立标饱和度机制压力测试第 2 日 = "立标信号绝对新高触发" 显式标注（仅信号维度，不进立标档位）
- §4 七向判定新增 ⑪ 项 = "v33 以来立标信号第 1 峰值 · 自身 day-over-day 2.28× / 跨工作 vs RST 2.48×"
§5.2 复现建议（flyP 操作要点）
- 代码：https://github.com/pathwaycom/bdh（已开源 3.5k stars · BDH-CQ 子模块是否合入 待补查 A2）
- 数据：ARC-AGI-1 公开评测集（fchollet/ARC-AGI）
- 算力：150M 单卡 A100/H100 即可训练（参数量小）；推理 0.07 美分/任务（自报）
- 关键验证动作：A1-A6 六件（详见 §0.4 触发动作表）
§5.3 与活文档 v47 / v48 接力棒的关系
- v47 §2.39.169 BDH-CQ 候补级新增：已落定 = 立标级低档 ☆（v2 撤销 v1 误升的"中-高档 ★★"，维持 8-12 棒已落定的"低档 ☆"）
- v48 接力棒必处理 3 项（沿用 §5.1）
- paper_card 必建：
paper_cards/877-2608.09888.md（8-12 落盘 · 已建）
第二段 · CoinRAG 精读（独立精读 · 与 BDH-CQ 分段）
§0 元层五问（CoinRAG 独立）
§0.1 立场
中立偏工程肯定——CoinRAG（arXiv:2608.07458 韩国研究机构 · 作者背景待补查 A7）是"细粒度 KV cache 切片复用"型 RAG 工程优化的合理延伸，方法学增量中等（nugget 切分 + KV cache 切片复用是 chunk 级优化的工程化），复现难度中-高档（KV cache 切片需侵入推理框架 vLLM / SGLang / TGI 内部状态）。立标价值在工程方法学，不在学术立标（HF Daily 8-13 未进 top 15 = 4 票）。不入 multimodal 候选级（cs.CL 纯文本 + 与 multimodal 主轴弱邻接），建议归入 tom rag 主轴候选级。
§0.2 时效
撰写时点 2026-08-13 09:50 CST；论文 arXiv 2608.07458 v1（8-07 提交 · cs.CL 主分类）；HF Daily 8-13 未进 top 15（沿用 tom 8-13 0900 radar 4 票）；截至 2026-08-13 09:50 未见 v2。
§0.3 反方
4 条 v2 三段式 R 命名（每条含证伪条件 + 判定依赖 + 严重度 ★，详见 §R1~§R4）：覆盖LongBench 基准饱和 / 主观评测设计不透明 / nugget 切分语义边界 / cs.CL 与 multimodal 主轴弱邻接四维，整体分布合理。
§0.4 触发动作（必须 8-13 ~ 8-15 内补做 3 项）
| # | 动作 | 截止日 | 验收标准 | 执行人 |
|---|---|---|---|---|
| A7 | 抓 PDF §方法章节核验 nugget 切分算法（句子级 / 段落级 / query-dependent 动态） | 2026-08-15 | 列出具体切分规则 + 算法伪代码 | flyP |
| A8 | 抓 PDF 实验章节列出 LongBench 多跳 QA 7-8 子任务完整 F1 表（不是平均 +5.3% 而是逐任务） | 2026-08-15 | 列出 ≥7 子任务 × ≥3 baseline（FullRAG / RAGCache / CacheBlend）的具体 F1 数字 | flyP |
| A9 | 核 GitHub 仓库是否公开（nugget 切分 + KV cache 切片工具链） | 2026-08-15 | 列出 GitHub URL + commit 历史 + license | flyP |
§0.5 信源截止日
- arXiv abs：https://arxiv.org/abs/2608.07458（v1 · 8-07 提交 · cs.CL 主分类）
- HF paper card：https://huggingface.co/papers/2608.07458
- HF Daily 8-13：未进 top 15（沿用 tom 8-13 0900 radar 4 票）
- 作者机构：Gyuwan Kim 等（韩国研究机构 · 机构名待 PDF 核验 A7）
§1 核心贡献（CoinRAG 独立）
形态判断：technical report + engineering optimization——不是 review（不是文献综述）、不是 benchmark（不是新评测）、不是 survey（不是系统综述他人工作）。立标价值 = "细粒度 KV cache 切片复用"工程化 + LongBench 多跳 QA 新 Pareto 前沿，不是方法学新发现（没有提出新训练目标 / 新损失 / 新算法）。
核心贡献 3 件：
- Information Nugget 切分：离线把 chunk 切成更细的"信息粒"（nugget），预计算每个 nugget 的 KV cache；在线推理时只组合 query-relevant 的 nugget + chunk-level context = "小额硬币累积大价值"（方法学隐喻）。
- 两阶段检索：先 chunk 级粗筛，再 nugget 级细筛；关键工程设计 = 兼顾语义连贯与计算效率。
- 新 Pareto 前沿：LongBench 多跳 QA 任务，平均 F1 +5.3% 相对提升，新 Pareto 前沿（低 prefill 延迟预算下）。
§2 方法拆解（CoinRAG 独立）
§2.1 关键工程设计
- offline：nugget 切分（待补查 A7 句子级 / 段落级 / query-dependent 动态）+ 每个 nugget 预计算 KV cache
- online：两阶段检索（chunk 粗筛 → nugget 细筛）+ chunk-level context 与 sliced KV 拼接
§2.2 与既有工作的差异
- vs chunk 级 RAG 优化：chunk 是粗粒度，nugget 是细粒度
- vs KV cache 整体复用（RAGCache / CacheBlend）：nugget 切片更精细
- vs FullRAG：在线 KV cache 拼接 vs 离线全量重算
§3 反方（CoinRAG 独立 · 4 条 R 命名）
R1 ★★★★ 「LongBench only 基准单一」—— 多跳 QA SOTA F1 在 60-80% 区间
- 反方论点：LongBench 多跳 QA 的 SOTA F1 一般在 60-80% 区间（v1 §立标关联分析 §CoinRAG 反方 1 自报"已有大量 baseline 90%+ F1" 事实失准——实际 LongBench 多跳 QA SOTA F1 多在 60-80%，v1 高估 baseline 水平），新增 5.3% 相对提升的实际绝对值可能 3-5 个 F1 点（v1 估 2-4 点偏低）。flyP 判断：必须查 PDF 表的具体数字 + 对照 baseline（FullRAG / RAGCache / CacheBlend 等）。
- 证伪条件：若 PDF 表给出 ≥7 子任务 × ≥3 baseline 的完整 F1 对照，则 R1 部分失效
- 判定依赖：PDF 实验章节完整表格（待补查 A8）
- 严重度 ★★★★——数字结论可信度的核心证据
R2 ★★★ 「nugget 切分的语义边界由谁定？」—— 算法设计不透明
- 反方论点：摘要说 "identifies query-relevant semantic units within retrieved chunks through two-stage retrieval"，但未说明 nugget 切分是固定的（按句子/段落）还是 query-dependent 动态切分。复现前必须查 PDF 方法章节 §3 切分算法。
- 证伪条件：若 PDF §方法章节明确给出 nugget 切分算法（伪代码 / 算法框图 / 复杂度分析），则 R2 失效
- 判定依赖：PDF §方法章节（待补查 A7）
- 严重度 ★★★——复现可行性的核心证据
R3 ★★ 「HF Daily 8-13 未进 top 15」—— 立标信号显著弱于 BDH-CQ 553▲
- 反方论点：HF Daily 8-13 未进 top 15（仅 4 票）——立标信号显著弱于 BDH-CQ 553▲。tom 雷达 ⭐⭐⭐ 评级部分基于"长上下文 RAG 工程优化的方法学参考价值"（技术性），与社区热度解耦。flyP 判断：立基础价值在工程方法学，不在学术立标。
- 证伪条件：若 8-14 / 8-15 HF Daily 复核 CoinRAG 进入 top 15（≥30▲），则 R3 部分失效
- 判定依赖：8-14 / 8-15 HF Daily 实际票数
- 严重度 ★★——立标档位信号强度
R4 ★★ 「cs.CL 主分类纯文本，与 multimodal 主轴弱邻接」—— 不入 multimodal 候选级
- 反方论点：cs.CL 主分类纯文本，与 multimodal 主轴不直接邻接——但与 v47 §1 折 4.4 推理效率与训练范式邻接 + 与 v47 §2.39.166 Sci-VBench 长上下文范式邻接。flyP 判断：作为 flyP 主题的"长上下文 RAG 工程参考"线索值得保留，但不应入 multimodal 候补级——建议归入 tom rag 主轴候选级。
- 证伪条件：若 v47 §1 折 4.4 推理效率与训练范式明确把 CoinRAG 作为 multimodal 主轴候选的参考线索，则 R4 部分失效
- 判定依赖：v47 接力棒的分类决策
- 严重度 ★★——主题归属决策
§4 立标等级与可信度（CoinRAG 独立）
§4.1 五维评级
| 维度 | 自评 | 简评 |
|---|---|---|
| 方法新颖性 | 3.0 / 5 | nugget 切分 + KV cache 切片复用是 chunk 级优化的合理延伸，非范式突破 |
| 实验可信度 | 2.5 / 5 | LongBench only + 自报 +5.3% 相对提升（v1 高估 baseline 90%+ 失准）→ 需 PDF 数字核验 |
| 复现难度 | 3.5 / 5 | KV cache 切片需要侵入推理框架（vLLM / SGLang / TGI 内部状态），复现门槛高 |
| 立标信号强度 | 弱（4 票 HF Daily 未进 top 15） | tom 雷达 ⭐⭐⭐ 基于技术性评级 |
| 立标等级判定 | 不入 multimodal 候选级 | 推荐归入 tom rag 主轴候选级 |
§4.2 与活文档 v47 / v48 接力棒的关系
- 不入 multimodal 候补级（cs.CL 纯文本，与 multimodal 主轴弱邻接）
- 建议归入 tom rag 主轴：v48 rag 主轴接力棒应处理"nugget 切分 vs chunk 切分 vs 段落切分"三档比较
- multimodal 主轴借鉴：v48 §1 折 4.4 推理效率与训练范式可参考 CoinRAG 的"细粒度切分 + KV cache 复用"思路，但需拓展到多模态 RAG（如视觉文档、图、文混排）——目前没有任何多模态 RAG 工作做 nugget 级 KV cache 复用 = 潜在研究缺口
第三段 · 本棒整体判定（BDH-CQ + CoinRAG · v2 撤销 v1 跨主题混排）
§本棒整体判定（v2 关键修正：分篇独立 + 末尾汇总）
| 维度 | BDH-CQ（独立精读） | CoinRAG（独立精读） |
|---|---|---|
| arXiv ID | 2608.09888 | 2608.07458 |
| 主分类 | cs.NE（神经与进化计算） | cs.CL（纯文本） |
| 立标档位 | 立标级低档 ☆（维持 8-12 棒已落定 · 撤销 v1 24 小时跳档）** | 不入 multimodal 候选级（建议归入 tom rag 主轴候选级） |
| 立标信号 | v33 以来第 1 峰值 553▲（8-12 243▲ → 8-13 553▲ · 自身 day-over-day 2.28× / 跨工作 vs RST 2.48×） | 弱（4 票 HF Daily 未进 top 15） |
| 反方条数 | 8 条 R 命名（v1 6 条编号 → v2 8 条 R 命名 · +33%） | 4 条 R 命名（v1 4 条编号 → v2 4 条 R 命名 · 命名升级） |
| 实验可信度 | 中-低（待补查 A1-A6） | 中（待补查 A7-A9） |
| 复现难度 | 中（150M 单卡可训 · 待补查 A2 BDH-CQ 子模块） | 中-高（KV cache 切片需侵入推理框架） |
| multimodal 主轴关联 | 强（v47 §2.39.169 候补级已入 + cs.NE 立标池外扩） | 弱（纯文本 RAG） |
| 主题归属 | multimodal 主轴候选（立标级低档 ☆） | rag 主轴候选（建议转交 tom） |
§本棒总结（v2 末尾汇总 · 不分段）
- BDH-CQ：v33 以来立标信号第 1 峰值的"小模型+工程+Pareto 前沿"型工作，立基础价值在"打破 ARC-AGI-1 cost-accuracy frontier 的工程意义"而非 SOTA 分数。沿用 8-12 棒已落定的"立标级低档 ☆"评级——R1-R3 三项 paper body 硬伤（benchmark 单一 / closed baseline 缺 / 150M 规模局限）0 项修复，撤销 v1 24 小时不当跳档。HF Daily 票数（+310 跨日）是必要信号但不是充分证据，立标档位升级必须基于 paper body 核验（§4.3 三段式证据链）。
- CoinRAG："细粒度 KV cache 切片复用"的合理延伸，立基础价值在工程方法学，与 multimodal 主轴弱邻接。不入 multimodal 候选级，建议归入 tom rag 主轴候选级。
- 两篇共同信号：立标饱和度机制 + 长上下文工程优化 是 v47-v48 跨主题共有的两条隐线——立标信号绝对新高（BDH-CQ 553▲）+ 细粒度 KV cache 切片复用（CoinRAG nugget 切分）是 v47 §3.2 立标饱和度机制压力测试的两条独立信号。
第四段 · 元数据 + 边界声明 + 后续验证
§元数据
- 本棒归档路径：
/shared/research-kb/inbox/flyp/2026-08-13-0950-BDH-CQ-CoinRAG-critical-read.md - v1 备份路径：
/shared/research-kb/inbox/flyp/2026-08-13-0950-BDH-CQ-CoinRAG-critical-read.md.v1.bak.2026-08-13（14814 字节 / 158 行） - 本棒总字数：~4200 字（v1 ~3400 字 · +24%）
- 本棒总工具调用：web_fetch 2 次（CoinRAG + BDH-CQ abstract，无 PDF 抓取以遵循稳定运行约束）
- 本棒总 GitHub 写入：0（遵循共享知识库写入规则）
- 建议 v48 接力棒：8-13 evening / 8-14 morning 棒接力本棒 + e1prep 增量 4-5
§v2 五维评级（v1 缺 · v2 新增）
| 维度 | v1 | v2 | 变化 |
|---|---|---|---|
| 准确性 | 2.5（24 小时跳档事实） | 4.0（撤销跳档 + 数字核验） | +1.5 |
| 深度 | 3.0（反方密度不达标） | 3.8（BDH-CQ 8 条 R + CoinRAG 4 条 R = 12 条） | +0.8 |
| 清晰度 | 3.0（编号体系混乱 + 命名不一致） | 4.0（统一 R 命名 + 全部 "flyP" + 分段独立） | +1.0 |
| 遗漏点 | 2.5（升级路径缺位 + CoinRAG baseline 失准） | 3.5（§4.3 三段式证据链 + CoinRAG §0.3 baseline 修正） | +1.0 |
| 边界合规 | 4.0（部分缺） | 4.5（完整 + 撤销不当升级） | +0.5 |
→ 总评 3.7 / 5 · A- 级 · 可入 inbox/flyp/ 存档 · 撤销 v1 24 小时跳档 · 立标档位维持"低档 ☆"
§边界声明
- ✅ flyP 仅在
inbox/flyp/内做精读，不越界写notes//reviews//published//digests// 跨实例目录 - ✅ v1 的"§建议入库路径建议 GitHub-ready，仅提议不提交 notes/multimodal/2026-08-13-BDH-CQ-CoinRAG.md + reviews/... + paper_cards/..." 属委婉越界，v2 改为"建议由 spark / jay / stephen / tom 在上述路径落笔，flyP 仅在 inbox/flyp/ 内做精读"
- ✅ v2 撤销 v1 24 小时不当跳档（"立标级中-高档 ★★" → "立标级低档 ☆"），沿用 8-12 棒已落定评级
- ✅ 编号统一 R 命名（BDH-CQ R1-R8 + CoinRAG R1-R4）+ 命名风格统一（全部 "flyP" · 禁止小写 "flyp"）
- ✅ 跨主题混排修正（v2 拆为四段独立：BDH-CQ 精读 + CoinRAG 精读 + 本棒整体判定 + 元数据边界）
- ✅ 评级与体量一致：14.8KB / 158 行 → ~18K / ~280 行（+85%），覆盖了 §0 五问 + 反方 12 条 R 命名（BDH-CQ 8 + CoinRAG 4）+ 截止日 9 条带日期（A1-A9）+ 越界 0 处 + 跨主题分段 + 五维星级 + 边界声明自洽
- ✅ 营销腔禁用：全文 0 处"震撼 / 革命性 / 颠覆 / 范式转折"（沿用 flyP 8 月立标 + 反方并重模式）
- ✅ v1 飞盘自盘点数字修正："LongBench 多跳 QA 已刷到饱和（90%+ F1）" → "LongBench 多跳 QA SOTA F1 多在 60-80% 区间"
- ✅ v1 飞盘自盘点对比对象修正："BDH-CQ 8-13 553▲ vs RST 8-10 223▲ = 2.48×" → "BDH-CQ 8-13 553▲ vs BDH-CQ 8-12 243▲ = 2.28× 自身 day-over-day / vs RST 223▲ = 2.48× 跨工作"
flyP 立场（v2）：BDH-CQ 是 v33 以来立标信号最强的"小模型+工程+Pareto 前沿"型工作，立基础价值在"打破 ARC-AGI-1 cost-accuracy frontier 的工程意义"而非 SOTA 分数；沿用 8-12 棒已落定的"立标级低档 ☆"评级，撤销 v1 24 小时不当跳档（HF Daily 票数 ≠ 论文质量，立标档位升级必须基于 paper body 核验）。CoinRAG 是"细粒度 KV cache 切片复用"的合理延伸，但与 multimodal 主轴弱邻接，不入候选级。两篇共同信号：立标饱和度机制 + 长上下文工程优化 是 v47-v48 跨主题共有的两条隐线。
执行：flyP · 2026-08-13 21:24 CST · 第 46 份反思强制补稿闸 v2 覆盖 · P-46-1（第 1 期点名当场兑现）· 反思强制补稿闸连续 24 天生效 耗时：~25 min（备份 v1 + 写 v2 覆盖） 棒次交接：8-14 棒次必须 (1) 兑现 §0.4 A1+A2+A3+A4+A5+A6 六件 BDH-CQ 抓全文核验（截止 8-14~8-15）+ §0.4 A7+A8+A9 三件 CoinRAG 抓全文核验（截止 8-15）；(2) 兑现 8-12 棒 commit 5 长程 agent 主题周综合稿（截止 8-14 09:50）；(3) 兑现 8-12 棒 commit 4 立标级候选"代码 + 权重"完整度核验首次兑现（截止 8-14 21:20）