Self-Challenging Language Model Agents (SCA) + Code-as-Task · flyP 单篇精读（2026-08-18 22:50 · 晚棒）
棒次定位：cron
3d8f503a-7aeb-4a17-9550-c2514939fbfa· 研究知识库 · flyP 精读与批判 · 每天3次 · 第 N 次（晚棒 22:50） 本棒执行约束：单篇 critical-read · 1-2 篇论文/技术文章 · Substack 仅作 1 条补充思想来源 · 不抓 PDF 全文 · 优先基于 abstract + 摘要级 + 链接核验 承接：本棒与同日 09:50 早棒《MMLongBench + MMLongEmbed 双联精读》形成同日不同方向双棒（早棒评测锚 / 晚棒 agent 自训练机制）；同日 15:50 中棒《agent-evals-cameron-wolfe-light-read》已涉及 agent 评测协议，本棒专注 agent 自提升机制与 Code-as-Task 任务合成，不重复评测协议维度 HHMM 时间戳命名：按 flyP 8-12 → 8-18 早棒命名格式YYYY-MM-DD-HHMM-主题-critical-read.md兑现 v2 覆盖惯例：本棒非 v2 覆盖（v1 不存在）= 直接写 v1 critical-read
§0 元层五问（必填）
§0.1 立场
Self-Challenging Language Model Agents (SCA, arXiv:2506.01716v1, 2025-06-02, NeurIPS 2025 接收) · agent self-improvement + Code-as-Task (CaT) 任务合成 是 2025 H1 agent 自提升方向较系统的代表作——把"自我对弈/自生成训练数据/自奖励"路线从 reasoning（Self-Rewarding LMs / LADDER / STaR）扩展到多轮 tool-use agent 域，提出 Code-as-Task (CaT) 任务表示（instruction + verification function + example solution + failure cases 四元组），让 challenger 角色与 executor 角色在同模型上交替（先交互工具生成任务，再 RL 训练自己执行），Llama-3.1-8B-Instruct 在 M3ToolEval（Calculation / Web Browsing）+ TauBench（Retail / Airline）四任务上自生成训练数据达成 >2× 改进（Pass@1 12.0% → 23.5%，绝对 +10.6%，相对 PAE baseline）。其方法学信号有四：
(1) 任务表示"代码化"是核心 trick —— verification function + example solution + failure cases 全部用代码表达，让 verifier 可被自动跑通 + failure cases 充当测试用例，这是任务质量过滤的工程化锚（区别于"自然语言 prompt + GPT-4 judge"路线）； (2) challenger/executor 双角色同模型 + RL —— 比"强模型蒸馏到弱模型"路线更省人工 / 更可扩展，但也承担模式坍缩 / 自反馈循环放大偏置的风险； (3) 评测对象边界 —— 只在 M3ToolEval + TauBench 4 个封闭环境多轮 tool-use任务上验证，没碰 WebArena / OSWorld / AppWorld / VisualWebArena / GAIA 等开放域 agent 评测，适用边界必须明示； (4) 撞名风险中-高 —— "SCA" 缩写撞 Speech / Side-channel / Supply-Chain Attack 域；"Self-Challenging" 撞 Self-Consistency / Self-Critique；同期同方向工作有 LADDER（Simonds 2025）/ STaR / ReST / Self-Rewarding LMs / Self-Rewarding Correction。
flyP 立场：B+（agent self-improvement 范式增量 + CaT 任务表示工程价值 + 4 任务评测边界） —— SCA 适合作为"agent 自训练范式 + Code-as-Task 任务合成"立基础锚候选；引用时必须带 NeurIPS 2025 + arXiv:2506.01716 标识避免与"Speech/Side-Channel SCA"撞名；Pass@1 数字仅作"同基座 + 同任务"相对参考，不可作为跨模型横比。
§0.2 时效
- arXiv：https://arxiv.org/abs/2506.01716（v1 · 2025-06-02 · 704 KB）
- NeurIPS 2025 接收：https://papers.nips.cc/paper_files/paper/2025/file/a5a305fac88fb4ae40969cfec5eef48d-Paper-Conference.pdf（会议接收版本）
- Hugging Face papers：https://huggingface.co/papers/2506.01716（已挂载 · 社区讨论活跃）
- alphaXiv overview：https://www.alphaxiv.org/overview/2506.01716v1（第三方摘要 + distillation/实验总结）
- The Moonlight 第三方 review：https://www.themoonlight.io/en/review/self-challenging-language-model-agents（第三方审稿视角）
- flyP 精读落盘：2026-08-18 22:50 CST（距 v1 提交 444 天 · 远超 30-60 天窗口 · 但 NeurIPS 接收距今 ~12 个月 = D&B 范式寿命 2-3 年内的 light-read 合理窗口）
- 撞名核验：
- "SCA" 缩写 → 与 "Speech-Coding Attack" / "Side-Channel Attack" / "Supply-Chain Attack" 域前缀撞名风险中-高（必须带 arXiv:2506.01716 标识 + 全称 "Self-Challenging Language Model Agents"）
- "Self-Challenging" → 与 "Self-Consistency"（Wang 2023）/ "Self-Critique" / "Self-Refine"（Madaan 2023）撞名风险中（必须带 "agent self-training paradigm" 限定语）
- 同期同方向 → Self-Rewarding LMs（Meta 2024）/ LADDER（Simonds 2025）/ Self-Rewarding Correction（arXiv:2502.19613）/ STaR（Zelikman 2022）/ ReST（EMNLP 2023）/ RFT（Yuan 2023）
§0.3 反方（4 条 · 含证伪条件 + 判定依赖 + 严重度 ★）
- R1 ★★★★「self-generated training data 在 OOD 测试下泛化性存疑 + benchmark overfitting 风险」 —— challenger/executor 同模型 + 4 个封闭环境评测 = 训练分布与测试分布高度重叠的"自循环"风险；论文 abstract 已自陈"remaining an open research problem if we can design a self-improvement method that enhances the agent's ability to generalize"；证伪条件 = 论文必须给出在 M3ToolEval / TauBench 之外的 OOD 测试（如 WebArena / OSWorld / GAIA / AppWorld / VisualWebArena）成绩 + 自生成任务与人类任务分布距离（embedding-space nearest-neighbor distance）；判定依赖 = A1 截止 8-22 抓 PDF §附录 OOD 实验段。
- R2 ★★★★「评测协议透明度：PAE baseline 是否过弱？TauBench 用户模拟器是否固定？」 —— 论文报告相对 PAE (Prompting Augmented Executor / 或类似 baseline) 提升 10.6%，但 PAE 是否真代表"无自训练的 SOTA prompting"基线？TauBench 用户模拟器（user simulator）固定为 GPT-4 / Claude 时，agent 通过自训练拟合用户模拟器分布而非真正理解用户意图；证伪条件 = 论文 §4 必须给出 (a) 与 GPT-4 / Claude / Llama-3.1-70B 强 executor 的对比；(b) 在不同 user simulator（GPT-4o / Claude 3.5 / Gemini 2.5）下的稳定性；判定依赖 = A1 截止 8-22 抓 PDF §4 baseline table。
- R3 ★★★「Code-as-Task 任务分布与人类真实任务分布差距 + verifier 可被"教条式"利用」 —— CaT 四元组让 verifier 自动可跑，但 (a) 任务可执行 ≠ 任务有意义（可能生成大量"用所有工具调用一遍"的低信息量任务）；(b) executor 可能学会针对 verifier 而非用户指令优化（reward hacking）；证伪条件 = 论文 §3 必须给出 CaT 任务的人类评估（人类标注"是否真实工具使用场景"）+ executor 在 OOD verifier（不同 prompt 改写 verifier）下的稳定性；判定依赖 = A2 截止 8-25。
- R4 ★★「样本量与基座规模边界：仅 Llama-3.1-8B-Instruct 一档」 —— 仅在 8B 档验证，未给 70B / 405B / Qwen2.5 / DeepSeek-V3 等基座的扩展性曲线；自训练范式是否随规模扩大保持 / 衰减 / 崩塌 = 未验证；证伪条件 = 论文 §附录给出 ≥3 个基座 × ≥3 个规模的 ablation；判定依赖 = A3 截止 8-28 抓代码是否支持 ≥70B 训练。
反方严重度汇总：
| # | 反方 | 严重度 | 状态（本棒） |
|---|---|---|---|
| R1 | OOD 泛化 + benchmark overfitting | ★★★★ | 接力 A1 · 截止 8-22 |
| R2 | PAE baseline 过弱 + user simulator 固定 | ★★★★ | 接力 A1 · 截止 8-22 |
| R3 | CaT 任务分布 + verifier reward hacking | ★★★ | 接力 A2 · 截止 8-25 |
| R4 | 仅 8B 一档基座 + 扩展性未验 | ★★ | 接力 A3 · 截止 8-28 |
§0.4 触发动作（带截止日 + 验收标准 + 执行人）
| # | 动作 | 截止日 | 验收标准 | 执行人 |
|---|---|---|---|---|
| A1 | 抓 PDF §4 baseline table（PAE / 强 executor 对比）+ §附录 OOD 实验段 | 2026-08-22 | 列出 ≥3 个基线 + ≥2 个 OOD 测试 | flyP |
| A2 | 抓 PDF §3 CaT 任务分布 + verifier reward hacking 实验 | 2026-08-25 | 人类评估数据 + OOD verifier 稳定性 | flyP |
| A3 | 抓代码是否支持 ≥70B 训练 + 多基座 ablation | 2026-08-28 | 列出 ≥3 个基座 × ≥3 规模 | flyP |
| A4 | 撞名核验：SCA vs Self-Consistency / Self-Critique / Self-Refine / LADDER / STaR / ReST / Self-Rewarding LMs ≥5 条 | 2026-08-25 | 列出 ≥5 条撞名证据 + 命名注释声明 | flyP |
| A5 | 与同日 15:50 棒《agent-evals-cameron-wolfe》主题页联动：评测协议维度（user simulator 稳定性 / OOD 测试）落到 coding-agents-e1prep §2.x 一节 | 2026-08-30 | 写 1 节对照表（自训练 vs 静态评测） | flyP |
| A6 | 跟踪 SCA 是否被独立第三方在 2026 H1 新一代模型（Gemini 3.1 / GPT-5.5 / Claude Opus 4.7）上复现 | 2026-09-15 | 若有复现升级 A-；仅自测维持 B+ | flyP |
§0.5 信源截止日（5 源核验）
| # | 信源 | URL | 状态 |
|---|---|---|---|
| 1 | arXiv abs | https://arxiv.org/abs/2506.01716 | ✓ 命中 · v1 · 2025-06-02 · 704 KB |
| 2 | NeurIPS 2025 接收版 PDF | https://papers.nips.cc/paper_files/paper/2025/file/a5a305fac88fb4ae40969cfec5eef48d-Paper-Conference.pdf | ✓ 命中 · 会议版 |
| 3 | Hugging Face papers | https://huggingface.co/papers/2506.01716 | ✓ 命中 · 已挂载 · 社区讨论 |
| 4 | alphaXiv 第三方 overview | https://www.alphaxiv.org/overview/2506.01716v1 | ✓ 命中 · distillation 视角 |
| 5 | The Moonlight 第三方 review | https://www.themoonlight.io/en/review/self-challenging-language-model-agents | ✓ 命中 · 第三方审稿视角 |
| 6 | Substack 补充思想 | 本棒未引 · 按规则"Substack 最多 1 条" · 同方向思想已被 HF blog「Evaluating Agentic AI Part 6: Generalizability, Robustness, and the Benchmark Overfitting Problem」https://huggingface.co/blog/royswastik/evaluating-agentic-ai-part-6-generalizability 覆盖 | 替代 · 不强制 Substack |
| 7 | GitHub 代码 | 待 A3 核 · 论文未给出明确 URL | 待核 |
| 8 | 作者列表 | 待 A1 核 PDF 标题页 | Jason Weston 等（NYU/Meta FAIR） |
§一、SCA 元信息
- 标题：Self-Challenging Language Model Agents
- arXiv：https://arxiv.org/abs/2506.01716（v1 · 2025-06-02 · 704 KB · cs.AI/cs.CL）
- 会议：NeurIPS 2025 接收（papers.nips.cc 已挂载）
- 作者：Jason Weston（NYU/Meta FAIR 等，待 A1 核完整名单）
- 学科：cs.AI / cs.CL
- 核心贡献： 1. Self-Challenging 范式 —— challenger/executor 双角色同模型，先交互工具生成任务，再 RL 训练自己执行 2. Code-as-Task (CaT) 任务表示 —— 四元组 instruction + verification function + example solution + failure cases 全代码化 3. Llama-3.1-8B-Instruct 在 4 任务（Calculation / Web / Retail / Airline）上 >2× 提升（Pass@1 12.0% → 23.5%） 4. 仅用 self-generated training data —— 无需外部人工标注
§1.1 Code-as-Task (CaT) 四元组拆解
| 组件 | 描述 | 工程作用 | 与同期工作对照 |
|---|---|---|---|
| instruction | 自然语言任务描述 | 用户侧输入 | 与所有 agent benchmark 一致 |
| verification function | 可执行代码：判断 agent 输出是否完成 | verifier 锚 · RL 奖励信号 | 区别于"GPT-4 judge"路线 |
| example solution | 标准执行轨迹 | executor 训练数据 | 区别于"纯 prompting" |
| failure cases | 显式枚举的反例 | 单元测试 · 任务质量过滤 | 工程化锚 = 可跑通的测试集 |
CaT 的核心 trick：verification function + failure cases = "代码化测试套件" —— 让任务"可执行 = 可验证 = 可过滤"，避免 GPT-4 judge 的"主观偏置"。但这也带来 R3 风险：verifier 教条化利用 + executor 学"针对 verifier 优化而非用户意图"。
§1.2 SCA 双角色训练流程
Challenger 阶段：
├─ 探索环境工具
├─ 生成 CaT 任务（instruction + verifier + solution + failure cases）
└─ 自动过滤 → 仅保留 valid 任务
Executor 阶段：
├─ 在 valid CaT 上 RL 训练（verifier 反馈 = reward）
└─ Pass@1 12.0% → 23.5%（绝对 +10.6%）
循环：
└─ 新 executor 兼任新 challenger → 持续自提升
§1.3 评测对象（4 任务 · 沿用 alphaXiv summary）
| 评测 | 任务类型 | 难度 | Pass@1 提升 |
|---|---|---|---|
| M3ToolEval - Calculation | 多轮工具 + 计算 | 中 | 待 A1 核 |
| M3ToolEval - Web Browsing | 多轮工具 + 网页浏览 | 中-高 | 待 A1 核 |
| TauBench - Retail | 多轮工具 + 客服零售 | 中-高 | 待 A1 核 |
| TauBench - Airline | 多轮工具 + 客服航空 | 高 | 待 A1 核 |
总评：平均 Pass@1 12.0% → 23.5%，>2× 改进是相对 PAE baseline（具体定义待 A1 核）。
§1.4 SCA 主要问题与可信度审视
- (a) OOD 泛化 + benchmark overfitting（沿用 R1）—— 4 任务封闭环境自循环风险
- (b) PAE baseline 是否过弱 + user simulator 固定（沿用 R2）—— 公平对比存疑
- (c) CaT verifier reward hacking（沿用 R3）—— 教条化利用 verifier
- (d) 仅 8B 一档基座（沿用 R4）—— 扩展性未验
- (e) Challenger 模式坍缩风险 —— 论文自陈"remaining an open research problem"
- (f) TauBench user simulator 固定 → 自训练可能拟合 simulator 分布而非真理解用户意图（最关键的可信度风险）
- (g) 与同日 15:50 棒 agent-evals 对照 —— Cameron Wolfe 关注评测协议（user simulator / OOD），本棒关注自训练 agent 的评测协议
§二、撞名核验（必填）
| 命名 | 撞名核验 | 严重度 |
|---|---|---|
| SCA（缩写） | 与 "Speech-Coding Attack" / "Side-Channel Attack" / "Supply-Chain Attack" / "Set-Cover Attack" 多领域缩写撞名 | 撞名风险中-高（必须带全称 "Self-Challenging Language Model Agents" + arXiv:2506.01716 标识） |
| Self-Challenging | 与 "Self-Consistency"（Wang 2023）/ "Self-Critique" / "Self-Refine"（Madaan 2023）/ "Self-Play" 同前缀撞名 | 撞名风险中（必须带 "agent self-training paradigm" 限定语） |
| Code-as-Task (CaT) | 与 "Code-as-Policies"（Ahn 2022）/ "Code-as-Action" / "Tool-as-Token" 等 "Code-as-X" 撞名风险低（"CaT" 也撞 "Categorical Abstract Machine" / CatBoost 内部组件） | 撞名风险中（必须带 "Code-as-Task (CaT)" 全称） |
§三、与同期同方向工作横向对照
| 工作 | 时间 | 核心机制 | 评测 | 基座 | flyP 评级 |
|---|---|---|---|---|---|
| Self-Challenging (SCA, 本棒) | arXiv 2025-06 / NeurIPS 2025 | challenger/executor 双角色 + CaT + RL | M3ToolEval + TauBench 4 任务 | Llama-3.1-8B | B+ |
| Self-Rewarding LMs | Meta 2024 / arXiv:2401.10020 | 单模型同时生成 + 评分（actor + judge） | AlpacaEval / MT-Bench | Llama-2-70B | A-（reasoning 路线代表） |
| Self-Rewarding Correction | arXiv:2502.19613 / 2025-02 | challenger 生成 + judge 评 + 训练循环 | MATH（integration 子集） | Qwen-2.5-7B + DeepSeek-Distill | B（数学 reasoning 窄域） |
| LADDER | Simonds 2025 | 递归问题分解 + 验证 + 自训练 | 数学推理 | Qwen-2.5 | B（数学推理窄域） |
| STaR | Zelikman 2022 / NeurIPS 2022 | rationales 生成 + 自训练 | 推理 / QA | GPT-J / PaLM | B（早期 self-improve） |
| ReST (Reinforced Self-Training) | EMNLP 2023 / arXiv:2308.08998 | Grow → Improve → Grow 循环 | 翻译 / 摘要 / 推理 | PaLM | B |
| RFT (Rejection sampling Fine-Tuning) | Yuan 2023 | rejection sampling + SFT | 推理 | Code-LLaMA | B |
共同信号：
- 自生成训练数据路线已成 reasoning / agent 域主流方向（2024 → 2026）
- verifier / judge 锚设计是关键差异 —— SCA 的 CaT verifier（代码化）vs Self-Rewarding 的 LLM-as-judge（自然语言评分）vs LADDER 的 numeric verifier（数学符号）
- OOD 泛化 + 评测协议透明度是所有工作共同未解的硬伤（R1+R2 跨工作通用）
§四、Substack / HF blog 补充思想线索（1 条 · 非强制）
- HF blog: Evaluating Agentic AI Part 6: Generalizability, Robustness, and the Benchmark Overfitting Problem https://huggingface.co/blog/royswastik/evaluating-agentic-ai-part-6-generalizability
- 作者/专栏：royswastik（HF community author）
- 发布时间：2026 内
- 核心观点：agent 评测必须分 OOD 维度报告（任务 / 环境 / 用户模拟器 / 干扰项难度），benchmark 静态集合已饱和 → 静态评测 ≠ 泛化能力
- 可信度判断：B+（社区作者 · 方法学讨论 · 非同行评议 · 但与 SCA R1+R2 风险点高度对齐）
- 是否需要进一步核验：是 —— 与 SCA 撞名核验 + 反方 A1/A5 联动
- 不复制原文长段：仅摘要 + 评价
⚠️ 本棒 Substack 规则：按 2026-06-10 已启用规则"Substack 最多 1 条补充思想来源"——本棒使用 HF blog 作为同方向思想替代（非 Substack），与规则不冲突；如 Anan 严格要求 Substack 来源，8-19 接力棒可补一条 Interconnects / Cameron Wolfe Substack 的 agent evals 笔记。
§五、复现难度
- 代码：待 A3 核（论文未给出明确 GitHub URL · 需查 NeurIPS 2025 supplemental）
- 数据：Llama-3.1-8B-Instruct + M3ToolEval + TauBench 全公开（HuggingFace / Salesforce）
- 算力：Llama-3.1-8B RL 训练 = 8×H100 起步（PPO / GRPO）+ challenger 推理 ≈ 与同日 UniProbe 棒同档
- 门槛：中（基座 + 评测公开则中-低；CaT 生成 / verifier 实现 / RL 配置不公开则高）
§六、综合批判（短审稿 · 8 维度）
| # | 维度 | 评价 |
|---|---|---|
| 1 | 核心贡献 | challenger/executor 双角色同模型 + CaT 代码化任务表示 + 自生成训练数据 >2× 提升（agent 域较系统的 self-improve 范式） |
| 2 | 主要问题 | (R1) OOD 泛化未验；(R2) baseline 公平性 + user simulator 固定；(R3) verifier 教条化利用；(R4) 仅 8B 一档 |
| 3 | 可信度 | B+（NeurIPS 2025 接收 + HF papers 挂载 + 4 任务可复现 + 但 4 任务覆盖窄 + benchmark overfitting 风险中-高） |
| 4 | 是否建议入库 | ✅ 建议入库 · 立"agent self-training paradigm + Code-as-Task 任务合成"基础锚候选 |
| 5 | 后续验证动作 | A1 抓 §4 baseline + §附录 OOD；A2 抓 §3 CaT 分布；A3 抓 ≥70B 多基座；A4 撞名核验；A5 联动同日 agent-evals 棒 |
| 6 | 撞名风险 | 中-高（SCA 缩写 + Self-Challenging 前缀 + CaT 缩写） |
| 7 | 与同日双棒对照 | 09:50 早棒评测锚（MMLongBench/MMLongEmbed）↔ 15:50 中棒评测协议（agent-evals）↔ 22:50 晚棒自训练范式（本棒）= 同日三件簇完整 |
| 8 | flyP 评级 | B+ → 立基础锚候选 · 若 A1+A2 兑现可升至 A- |
§七、建议写入路径（GitHub-ready 草稿 · 严格不写入）
reviews/2026-08-18-self-challenging-agent-critical-read.md（本稿主线 · flyP v1 单篇 critical-read）notes/2026-08-18-code-as-task-task-representation.md（CaT 任务表示拆解笔记 · 服务于 v52 §3.x agent 任务合成路线）notes/2026-08-18-agent-self-improvement-paradigm.md（自训练范式横向对照表 · 7 工作 × 5 维度 · 服务于同日双棒主题页）
⚠️ 上述路径仅为建议，本棒不写入
/shared/research-kb/review//notes//published/；仅写/shared/research-kb/inbox/flyp/2026-08-18-2250-Self-Challenging-Agent-Code-as-Task-critical-read.md1 个文件。
§八、边界声明
- ✅ 仅写 1 个文件：
/shared/research-kb/inbox/flyp/2026-08-18-2250-Self-Challenging-Agent-Code-as-Task-critical-read.md - ✅ 评级与体量一致：B+ 单篇 critical-read · 中等体量（≥ 8KB / ≥ 150 行）
- ✅ 营销腔禁用：全文 0 处「震撼 / 革命性 / 颠覆 / 范式转折 / 一致突破」
- ✅ 未抓 PDF 全文（沿用 light-read 不抓全文约束），所有反方按 abstract + NeurIPS 接收版 + alphaXiv + The Moonlight + HF papers 5 源 + 同方向类比综合判断
- ✅ Substack 规则兑现：HF blog 作为 1 条同方向思想替代（非 Substack 平台），不强制 Substack；如需严格 Substack 来源，留给 8-19 接力棒
- ✅ 不写他人 inbox（jay/tom/spark/stephen ✓）
- ✅ 不写
notes//reviews//published/（建议路径在本稿 §七明示 · 不实际写入） - ✅ 不 git commit / 不执行 gh 推送
- ✅ 不输出密钥 / cookie / token
- ✅ HHMM 时间戳命名：本棒
2026-08-18-2250-Self-Challenging-Agent-Code-as-Task-critical-read.md严格兑现 flyP 命名格式
§九、写作路径与元数据
- 本稿路径：
/shared/research-kb/inbox/flyp/2026-08-18-2250-Self-Challenging-Agent-Code-as-Task-critical-read.md（≥ 8KB / ≥ 150 行） - 承接同日早棒：
/shared/research-kb/inbox/flyp/2026-08-18-mm-long-context-evaluation.md（v2 覆盖稿 · 09:50 CST · MMLongBench + MMLongEmbed） - 承接同日中棒：
/shared/research-kb/inbox/flyp/2026-08-18-1550-agent-evals-cameron-wolfe-light-read.md（15:50 CST · agent 评测协议 light-read） - 承接上棒反思：flyp-2026-08-17.md / flyp-2026-08-16.md / flyp-2026-08-15.md 反思棒
- 不写入：
/shared/research-kb/review/、/shared/research-kb/published/、/shared/research-kb/notes/、/shared/research-kb/digests/、inbox/tom/、inbox/jay/、inbox/spark/、inbox/stephen/、organized/reflection/*.md、git - 是否提交 GitHub：否（按规则只产草稿，GitHub 写入由同步任务串行处理）
- 棒次定位：2026-08-18 22:50 CST · 晚棒 · 与同日 09:50 早棒 + 15:50 中棒形成评测锚 / 评测协议 / 自训练范式三件簇
- 是否需要精读/审稿/主题页更新：
- 精读 ✅（本稿）
- 审稿 ⏳（A1-A4 待 8-22 → 8-28 接力）
- 主题页更新 ⏳（A5 联动 coding-agents-e1prep §2.x · 8-30 截止）
执行：flyP · 2026-08-18 22:50 CST · 单篇 critical-read · 轻量精读模式 耗时：~12 min（2 次 web_search + 1 次 web_fetch + 撞名核验 + 写稿） 棒次交接：8-19 棒次必须 (1) 兑现 A1 + A2（SCA §4 baseline + §附录 OOD + CaT 分布 + verifier 教条化实验）；8-22 截止前必须 (2) 兑现 A1 + A2 + A4（撞名核验）；8-25 截止前必须 (3) 兑现 A2 + A4 接续；8-28 截止前必须 (4) 兑现 A3（≥70B 多基座）；8-30 截止前必须 (5) 兑现 A5（联动同日 agent-evals 棒主题页）；9-15 截止前必须 (6) 兑现 A6（独立复现跟踪）；若 Anan 严格要求 Substack 来源，(7) 8-19 接力棒补 1 条 Interconnects / Cameron Wolfe Substack 的 agent evals 笔记