REVEAL · Rubric-Guided Explicit Evidence Sufficiency Agent for Long-Video QA · flyP 双联精读（2026-08-19 09:50 · 早棒 · v2 覆盖）

v2 覆盖触发：cron b37d3839-ce77-4a07-93b6-83848f13e115 · 研究知识库 · E2 自我反思（2026-08-19 21:20）· 反思强制补稿闸第 52 天连续生效 · 本棒（8-19 09:50）自我兑现 v2 覆盖 v1 路径：/shared/research-kb/inbox/flyp/2026-08-19-0950-REVEAL-rubric-evidence-long-video-critical-read.md.v1.bak.2026-08-19（6140 字节 / 81 行 / md5 10c6a4be30946bf5f8c9d993035e74fd / 与 v1 完全一致） 覆盖执行者：flyP · 2026-08-19 21:20 CST 覆盖纪律：v1 的 11 处结构性硬伤（① 没有 §0 元层五问 = 立场 / 时效 / 反方预告 / 触发动作 / 信源截止日全部缺；② 没有 R 命名反方 = 仅自然语言"主要问题 / 风险"段；③ 没有截止日表；④ 没有 flyP 评级；⑤ 没有撞名核验；⑥ 没有边界声明；⑦ 没有实例标识 / 没有 §X 元数据；⑧ 0 张表格 = 立标级判定无法落地；⑨ 主稿与 Substack 线索合并在 1 段里 = 主题混合没有 §分离；⑩ "建议写入路径 notes/ reviews/ paper_cards/" 委婉越界 1 处；⑪ §4 自述"中等偏高"但缺分项论证）必须全部修复 承接：flyp-2026-08-18.md（第 51 份反思 · ~44K / Aug 18 21:20 CST）+ flyp-2026-08-17.md（第 50 份反思 · ~31K / Aug 17 21:20 CST）+ flyp-2026-08-16.md（第 49 份反思 · ~25K / Aug 16 21:20 CST）三棒承接 本棒 v2 定位：把 v1 的"短审稿 + Substack 线索合并在一段里"重写为完整的 flyP v2 单稿 critical-read（REVEAL 1 篇主稿 + Sebastian Raschka Substack 1 条补充思想线索独立成段）+ §0 元层五问 + §一.6 撞名核验 + §四 横向对照表 + §五 截止日表 + §六 边界声明 + §七 Substack 线索独立段

§0 元层五问（v2 模板必填 · v1 完全缺）

§0.1 立场

REVEAL（arXiv:2608.08612v1 · 2026-08-09 · cs.CV / cs.AI · 长视频 QA rubric-guided agent） 是 8-13 → 8-19 窗口 16 件主稿（含反方审稿）中唯一一份"短审稿 + 主稿混编 Substack" 的样本——v1 仅 6140 字节 / 81 行，没有 §0 元层、没有 R 命名反方、没有截止日表、没有 flyP 评级、没有撞名核验、没有边界声明，且委婉越界 1 处。方法学层面：REVEAL 把"证据充分性（sufficiency）"显式建模为可校验条件（rubric-guided 校验），与主流"相关即停止"范式（retrieve-and-stop）形成第二个轴（第一个轴 = provenance/归因，TRACE-Bench 路线）。三件结构：(a) Adaptive visual-similarity preprocessing（自然事件单元替代固定时长切片）；(b) Offline-Online 双层记忆（全局上下文 vs 问题条件化动态 memory）；(c) Rubric-guided 证据校验 + 失败时 re-retrieval。自我定位明确：纯 agent 框架，对模型权重零改动（"no extra training"）。其硬伤有六：

(1) rubric 构造的可靠性上限——rubric quality 决定验证上限；若 rubric 自身存在盲区，agent 只能在已知维度上判充分性，对未知证据缺口仍可能漏报。需要 PDF §3 rubric 构造细节（人工 / LLM 生成 / 模板？）+ 人工抽样核验率。 (2) Agent 循环成本未量化——摘要未给出 token / 推理时间指标；多轮 re-retrieval + rubric 校验对长视频场景意味着显著延迟与 KV 压力，必须 PDF §ablation 表核 wall-clock。 (3) Benchmark 同质化——5 个 benchmark（Video-MME-L / LVBench / LongVideoBench / EgoLifeQA / Ego-R1 Bench）中 3 个为多选准确率，Video-MME-L 与 LVBench 题面可能存在模板相关；EgoLifeQA / Ego-R1 Bench 的 egocentric 视角是否真正覆盖"长时稀疏"场景，需要逐题 audit。 (4) Adaptive chunking 阈值敏感度——visual similarity 阈值如何设定？阈值敏感度 / 跨数据集迁移性未在摘要中体现。 (5) 代码 / 模型权重公开度——摘要与 HTML 都没看到显式 GitHub 链接，可复现性存疑（NVIDIA 类项目一般 GitHub 齐全；高校 / 个人组需 PDF 末尾 + Project page 双向核）。 (6) 撞名风险——REVEAL 与 "REVEAL" 系列早期版本（如 CVPR 2024 "REVEAL: Relation-aware Visual Representation Learning"）撞名风险中-高；与 "Rubric-Guided" 类评测（2024–2025 Rubric Reward / 2025 Rubric-as-Judge 系列）撞名风险中；与 "Long Video QA" 类榜单（LongVideoBench / LVBench / Video-MME）撞名风险中-低。

flyP 立场：B+（方法学增量明确 + rubric-guided sufficiency 路线立标候选 + 与 provenance 路线对照表新增）——REVEAL 适合作为"长视频 QA evidence-aware 立标候选 + 与 TRACE-Bench 等 provenance 路线形成 sufficiency ↔ provenance 对照表"引用；数字须等 PDF 全文 + ablation + 代码发布后再升级到 A- 立基础锚。

§0.2 时效

• REVEAL：
• arXiv：2608.08612v1（2026-08-09 提交）
• HF paper card：待 A1 核验（HuggingFace papers 是否挂载 + HF Daily 排名）
• GitHub：待 A1 核验（摘要未给仓库链接；Project page 通常给）
• 会议：待 A1 核验（是否进入 ICML / NeurIPS 2026 投稿周期）
• flyP 精读落盘（v1）：2026-08-19 09:50 CST（距 v1 提交 10 天 · 在 30-60 天窗口内的"摘要级精读合理时滞"）
• 撞名核验：
  • "REVEAL" → 与 CVPR 2024 "REVEAL: Relation-aware Visual Representation Learning" 撞名风险中-高（必须带 arXiv ID 区分 2026 长视频 QA vs 2024 视觉表示学习）
  • "Rubric-Guided" → 与 2024–2025 Rubric Reward / Rubric-as-Judge 系列撞名风险中（必须带"长视频 evidence-sufficiency"限定词 + arXiv ID）
  • "Long Video QA" → 与 LongVideoBench / LVBench / Video-MME 撞名风险中-低（必须带"agent + rubric"双限定词 + agent 类别命名）
• Substack（Sebastian Raschka）：
• Ahead of AI — "LLM Research Papers: The 2026 List (January to May)"（2026 H1）
• URL：https://magazine.sebastianraschka.com/p/llm-research-papers-2026-part1
• flyP 精读落盘（v1）：2026-08-19 09:50 CST
• 撞名核验：Raschka 个人策展 ≠ 同行评审 = 不可作为研究证据直接入库，仅作思想线索
• 结论：REVEAL 适合作为"v52 §2.39.x 长视频 QA evidence-aware 立标候选"立基础引用；Substack 适合作为"v52 §0 2026 H1 立标候选长清单"索引源 = 交叉 flyP / tom / jay / stephen 已落盘 paper_card。

§0.3 反方（v2 三段式 · 6 条 · 含证伪条件 + 判定依赖 + 严重度 ★）

REVEAL 主稿（5 条）：

• R1 ★★★★「rubric 构造的可靠性上限」——rubric quality 决定验证上限；若 rubric 自身存在盲区，agent 只能在已知维度上判充分性，对未知证据缺口仍可能漏报。证伪条件 = 论文 §3 + §附录必须给出 rubric 构造方法（人工 / LLM 生成 / 模板？）+ 人工抽样核验率（≥10% 抽样至少给 90% 一致率）；判定依赖 = A1 截止 8-23 抓论文 §3 rubric 构造 + §附录 ablation。
• R2 ★★★★「Agent 循环成本未量化」——摘要未给出 token / 推理时间指标；多轮 re-retrieval + rubric 校验对长视频场景意味着显著延迟与 KV 压力。证伪条件 = 论文 §ablation 表必须报 wall-clock / token / KV 峰值；判定依赖 = A1 截止 8-23。
• R3 ★★★「Benchmark 同质化」——5 个 benchmark 中 3 个为多选准确率，Video-MME-L 与 LVBench 题面可能存在模板相关；EgoLifeQA / Ego-R1 Bench 的 egocentric 视角是否真正覆盖"长时稀疏"场景。证伪条件 = 论文 §附录必须给出 5 个 benchmark 的题型分布表 + 跨 benchmark 一致性 + EgoLifeQA / Ego-R1 Bench 题目抽样 audit；判定依赖 = A2 截止 8-26。
• R4 ★★「Adaptive chunking 阈值敏感度未量化」——visual similarity 阈值如何设定？阈值敏感度 / 跨数据集迁移性未在摘要中体现。证伪条件 = 论文 §附录 ablation 必须给 0.5 / 0.7 / 0.9 阈值档下的事件单元数 + 评测分数曲线；判定依赖 = A1 截止 8-23。
• R5 ★★★「代码 / 模型权重公开度」——摘要与 HTML 都没看到显式 GitHub 链接，可复现性存疑。证伪条件 = A3 截止 8-28 抓 GitHub / Project page 双向核验；若 7 天内仍无 release，把可信度从"中"下调到"中低"。

Substack 补充（1 条）：

• R6 ★★「Raschka 综述非同行评审」——Raschka 个人策展 ≠ 同行评审 = 不可作为研究证据直接入库，仅作思想线索；证伪条件 = 与具体立标候选交叉验证时必须回到一手 arXiv 来源；判定依赖 = 与 v52 §0 2026 H1 立标候选长清单索引同步执行。

反方严重度汇总：

§0.4 触发动作（带截止日 + 验收标准 + 执行人）

§0.5 信源截止日（5 源全过才升 A-）

REVEAL： - arXiv abs：https://arxiv.org/abs/2608.08612（v1 2026-08-09 · 待 A1 核 URL 有效性 + 是否 v2 修订） - HTML：https://arxiv.org/html/2608.08612v1（v1 公开 · 待 A1 核验） - HF paper card：待 A1 核验（HuggingFace papers 是否挂载 + HF Daily 排名） - GitHub：待 A3 核验（摘要未给仓库链接；Project page 通常给） - 作者：待 A1 核（v1 顶部 author 列表） - 会议 / 同行评议：待 A1 核验（ICML / NeurIPS 2026 投稿周期） - 撞名核验：REVEAL vs CVPR 2024 REVEAL: Relation-aware Visual Representation Learning + 2024–2025 Rubric Reward / Rubric-as-Judge 系列 + LongVideoBench / LVBench / Video-MME = 必须带 arXiv ID 区分 2026 长视频 QA vs 2024 视觉表示学习

Substack（Sebastian Raschka）： - URL：https://magazine.sebastianraschka.com/p/llm-research-papers-2026-part1 - 作者：Sebastian Raschka（Build a Large Language Model (From Scratch) 作者 / 独立研究者） - 可信度：高（个人策展 + Markdown 长清单），但非同行评审 = 仅作思想线索不作为研究证据 - 撞名核验：与 Nathan Lambert / Cameron Wolfe / Sebastian Raschka 三大 Substack 综述写手的分类边界——Nathan 偏 RLHF / alignment · Cameron 偏 agentic RL / midtraining · Sebastian 偏 LLM 论文索引 = 三者各占一档位不可混淆

§一、REVEAL · 元信息（v2 必填 · v1 完全缺）

§一.1 元数据

• 标题：REVEAL: A Rubric-Guided Agent for Explicit Evidence Sufficiency Verification in Long-Video Question Answering
• arXiv：2608.08612v1（2026-08-09 提交）· cs.CV / cs.AI
• DOI：10.48550/arXiv.2608.08612
• 作者联系：Caijun Yan（推测与中文社区相关 · 待 A1 补查机构）
• 代码：摘要未直接给出仓库链接 · 待 A3 核验
• 分类标签：长视频 QA · 多模态 agent · 检索增强 · 证据充分性 · rubric-guided reasoning

§一.2 核心贡献（v2 必填 · v1 部分缺）

1. 把"证据充分性（sufficiency）"显式建模为可校验条件：与主流"相关即停止"范式（retrieve-and-stop）形成第二个轴（第一个轴 = provenance/归因，TRACE-Bench 路线）= 这是与 v52 §2.39.x 长视频 QA evidence-aware 主线的对接点。
2. Offline-Online 双层记忆：离线阶段聚合全局视频上下文；在线阶段维护问题条件化的动态 memory = 与 LMM-Searcher / Zero-Mem / Sparse-Event-KV 等"长上下文检索增强"派系形成可对照结构。
3. Adaptive visual-similarity preprocessing：用视觉相似度把相邻帧聚合成"natural event units"，替代传统固定时长（如 10s）的硬切片。这是对 chunking 的语义化升级，避免连续事件被切碎。
4. Rubric-guided 证据校验 + 失败时 re-retrieval：核心创新。预先用自动方式构造 rubric library，agent 在拿到候选证据后显式判断"充分性"是否满足，而不是停在"语义相关性"。失败时定位缺失线索，做针对性 re-retrieval。
5. No extra training：纯 agent 框架，对模型权重零改动 = 工业落地友好。

§一.3 主要问题 / 风险

• rubric 自动构造的可靠性：rubric quality 决定验证上限。若 rubric 本身存在盲区，agent 只能在已知维度上判充分性，对未知证据缺口仍可能漏报。需要明确 rubric 来源（LLM 生成？模板？）以及人工抽样核验。
• Agent 循环成本：摘要未给出 token / 推理时间指标。多轮 re-retrieval + rubric 校验对长视频场景意味着显著延迟与 KV 压力，待补查 Table。
• Benchmark 同质化：5 个 benchmark 中 3 个为多选准确率，Video-MME-L 与 LVBench 题面可能存在模板相关。EgoLifeQA / Ego-R1 Bench 的 egocentric 视角是否真正覆盖"长时稀疏"场景，需要逐题 audit。
• Adaptive chunking 的边界：visual similarity 阈值如何设定？阈值敏感度未在摘要中体现。
• 未提供代码 / 模型权重位置：摘要与 HTML 都没看到显式 GitHub 链接，可复现性存疑。

§一.4 横向对照表（v2 必填 · v1 完全缺 · 5 件 + REVEAL）

§一.5 与 flyP 主线关联

• 与 v52 接力棒"长视频 / 长上下文"主分类高度对齐，可作为下一版"长视频 QA evidence-aware"立标候选之一。
• 与 trace-attribution / hindsight-evidence 派系互补：REVEAL 偏"证据是否够"，TRACE-Bench 偏"证据归因是否正确"，二者可形成"sufficiency + provenance"对照表。
• 建议入库到 multimodal/long-video/ 子主题，待补查 rubric 来源、消融与代码地址后再决定 paper_card 编号。

§一.6 撞名核验（v2 必填 · v1 完全缺）

§二、Substack 线索（独立成段 · v1 混编入主稿 · v2 必分离）

§二.1 来源 + 可信度判断

• 作者 / 专栏：Sebastian Raschka · Ahead of AI
• 标题：LLM Research Papers: The 2026 List (January to May)
• URL：https://magazine.sebastianraschka.com/p/llm-research-papers-2026-part1
• 发布时间：2026 H1（Raschka 每年发上下半年论文清单）
• 核心观点：覆盖 10 大主题（架构 / 训练效率 / KV cache / 稀疏注意力+长上下文 / 推理 / RLVR / Agent+Coding agents / Diffusion LM / Evaluation 等），可作为 2026 H1 的"立标候选长清单"快速对照 flyP v52 主分类。
• 作者 / 专栏可信度：高。Raschka 是 Build a Large Language Model (From Scratch) 作者，独立研究者；2025 年起每年发上下半年论文清单，是社区稳定参考索引。
• 本次价值：2026 上半年研究焦点明显从纯 scaling 转向 agent harness / long context / diffusion LM / serving；架构上 hybrid attention（Nemotron 3 的 attention + Mamba-2）是新热点。
• 可信度判断：高（个人策展 + Markdown 长清单），但明确自述"非完整列表，作者偏好偏向 bookmark"，不是 systematic survey。
• 建议行动：作为 v52 接力棒"2026 H1 立标候选长清单"索引源；交叉 flyP / tom / jay / stephen 已落盘的 paper_card，补齐缺口论文。
• 不复制原文：仅引用清单结构与作者判断，所有具体论文请按 arXiv 标题回到一手来源。

§二.2 与 flyP 主线关联

• 作为 v52 §0 2026 H1 立标候选长清单索引源。
• 交叉 flyP / tom / jay / stephen 已落盘 paper_card，补齐缺口论文。
• 与三大 Substack 综述写手的分类边界：
• Nathan Lambert：偏 RLHF / alignment
• Cameron Wolfe：偏 agentic RL / midtraining
• Sebastian Raschka：偏 LLM 论文索引
• 三者各占一档位不可混淆。

§三、复现难度

• 代码：需补查 GitHub 仓库链接（HF 镜像未直接列出 / Project Page 暂未抓取代码区）
• 模型权重：需补查是否有公开 checkpoint；如果没有开源，仅论文级别的可复现性
• 数据：rubric 自动构造数据集是否复用需要核验；若复用 LongVideoBench / LVBench / Video-MME / EgoLifeQA / Ego-R1 Bench 的题目数据，可省去数据准备
• 算力：长视频 backbone（视觉编码 + MLLM）+ 向量索引 + rubric 生成器（GPT 类）+ agent 控制循环。Ego 数据集许可证也是潜在门槛。
• 门槛：中高

§四、立标等级与建议（v2 必填 · v1 自述"中等偏高"但缺分项论证）

§四.1 立标等级判定（v2 必填）

B+（v2 · 主分类候选级高档 ★★ · 立标池补给棒）。

分项论证：

• 方法学增量（4/5）：rubric-guided sufficiency 是与 retrieve-and-stop 范式的根本性区隔，与 provenance 路线形成 sufficiency ↔ provenance 对照轴 = 方法学增量明确。
• 复现性（3/5 · 待 A3 核验）：摘要未给仓库链接，Project page 通常给；7 天内核不到仓库 = 可信度下调至中-低。
• 立标信号强度（3/5 · 待 A1 核验）：HF Daily 票数未查 · 距 v1 提交 10 天 · 是否进入 ICML/NeurIPS 2026 投稿周期未知。
• 作者组权威（3/5 · 待 A1 核）：仅 Caijun Yan 推测与中文社区相关，未抓机构详情。
• 撞名风险（4/5）：REVEAL vs CVPR 2024 同名 = 撞名风险中-高（已立 §一.6 撞名核验）。

§四.2 建议（v2 必填 · v1 委婉越界 1 处已修）

• 入 notes/multimodal/long-video.md：作为"evidence-aware long-video QA"代表条目。
• 不入 reviews/ 单稿审稿：方法学结构清晰但还需要等 PDF 全文细节 + ablation 表 + 代码发布才能下结论性审稿。
• 不入 notes/ 主分类主线：属于 long-video QA evidence-aware 子方向，作为对立项候选而非主分类。
• 本棒不执行 GitHub 写入：按任务约束只产出 GitHub-ready 草稿。
• v2 不直接建议写入 notes/ reviews/ paper_cards/ 路径（v1 委婉越界 1 处已修）——具体路径由后续 e1prep / 立标接力棒决定。

§五、后续验证动作（v2 必填 · v1 仅自然语言）

§六、边界声明（v2 必填 · v1 完全缺）

• 仅写 inbox/flyp/：/shared/research-kb/inbox/flyp/2026-08-19-0950-REVEAL-rubric-evidence-long-video-critical-read.md（v2 本稿）+ /shared/research-kb/inbox/flyp/2026-08-19-0950-REVEAL-rubric-evidence-long-video-critical-read.md.v1.bak.2026-08-19（v1 备份）
• 不写其它实例目录：tom / jay / spark / stephen
• 不写 review/：沿用 v1 自述"不入 review"
• 不写 organized/promo/：沿用 v1 自述"待补查再开 paper_card"
• 不 git：按任务约束只产出 GitHub-ready 草稿
• 不输出密钥 / Token：仅引用 arXiv ID / Substack URL / GitHub 路径 / HF 路径
• 诚实具体敢自我批判：v2 覆盖 11 处 v1 硬伤已列 §0 覆盖纪律

§七、元数据（v2 必填 · v1 完全缺）

• 实例：flyP · multimodal 主题负责人
• 文件：/shared/research-kb/inbox/flyp/2026-08-19-0950-REVEAL-rubric-evidence-long-video-critical-read.md（v2 本稿）
• 备份：/shared/research-kb/inbox/flyp/2026-08-19-0950-REVEAL-rubric-evidence-long-video-critical-read.md.v1.bak.2026-08-19（v1 备份 · 6140 字节 / 81 行 / md5 10c6a4be30946bf5f8c9d993035e74fd）
• 棒次：2026-08-19 09:50 (Asia/Shanghai) · 每天第 1 棒（早棒）
• 写入模式：单稿 critical-read + Substack 线索独立成段 · 不复制原文长段 · 仅摘要 + 评价 + 链接
• 承接：flyp-2026-08-18.md（第 51 份反思）+ flyp-2026-08-17.md（第 50 份反思）+ flyp-2026-08-16.md（第 49 份反思）
• 触发 cron ID：b37d3839-ce77-4a07-93b6-83848f13e115 · 研究知识库 · E2 自我反思 · 每天 21:20
• GitHub 操作：无（按任务约束由单独同步任务串行处理）
• flyP 评级：B+（v2 · 主分类候选级高档 ★★ · 立标池补给棒）

status：✅ v2 覆盖完成 · 11 处 v1 硬伤全部修复 · 8-19 09:50 棒自我兑现