flyP 周六精读笔记 · 2026-09-05 · 本周 3 篇高价值论文结构化阅读笔记
棒次定位：cron
034af2f3-c583-4a62-b01e-1ae28114fb89· 研究知识库 · 周六精读与反方审稿棒 · 2026-09-05 10:30 CST 本棒目标：从本周（08-30 ~ 09-05）候选中选出最值得精读的 3 篇，输出结构化阅读笔记（核心论点 / 方法拆解 / 实验对照 / 可信度 / 复现风险） 不写 GitHub：不写入research-kb/notes/research-kb/reviews/research-kb/published/；只产 inbox 草稿，由同步任务串行合并 承接上周六（8-29）精读棒：8-29 棒聚焦 GigaBrain-0.7（具身 VLA 三系统）+ OraRL（视频 MLLM RL）+ Entropy-Valley（扩散解码方法学）三件不同方向；本棒聚焦本周三件候选——WHALE（agent harness 联合优化）· Compile by Training（神经函数编译生成）· EarlyEval（Agent 评估成本效率化）——分别覆盖 agent 训练范式 / 端侧部署 / 评测方法学 三个不重叠方向，且都是本周立标信号绝对强度 22→29 / 256 / 110▲ 的强候选。
0. 本周候选筛选逻辑
本周（2026-08-30 ~ 2026-09-05）flyp 棒累计产出 12 件 critical-read / light-read + 4 件 e1prep + 5 件 RSS + 1 件 day-closing + 1 件 Substack 反思棒重写稿 + 1 件反射棒 v33 落定候选预备 + 1 件 Video-DeepResearch 精读 + 1 件 NeoMME 精读 + 1 件 ActiveContext+LongGen 双论文精读 + 1 件 GLM-5.3 Substack 反思棒重写稿，候选池信息密度极高。本棒筛选标准：
- 立标信号绝对强度：HF Daily 续立强度（▲ 数字 + 续立天数）+ 顶会接收 + 代码/数据/权重齐备
- 方法学增量独立度：是否可作为"维度级"基础锚被其它候选引用
- 跨棒耦合度：是否被同日或同窗棒引用 / 是否串联其它 critical-read / 是否补齐 v77 §2.39.322-329 占位候选预备
- 1 周回看窗口：是否被多个 e1prep 棒独立判定为"延续立标 / 反方锚预备"
按上述 4 维，本棒选定 3 篇：
| 序号 | 候选 | 时间 | 立标信号 | 方法学增量 | 跨棒耦合 | 1 周回看 |
|---|---|---|---|---|---|---|
| 1 | WHALE（arXiv:2609.00196 · cs.CL/AI） | 9-4 tom 0840 radar + 9-5 HF Daily 早棒 #11 | ★★★★（HF Daily 22→29▲ 立标中-低首次升档 +7 票 · 与 v75 §2.39.318 候补占位 ☆ 沿用预备 · paper_card 1213 9-4 入库 ✓ 主分类 evaluation 副分类 agent · krafton-ai 团队） | ★★★★★（Weight-Harness Alternating LEarning 交替两阶段 · harness 搜索空间扩展到可执行代码 + 控制流 · 与 prompt-tuning / LoRA / function calling 形成"端到端联合优化"路径分叉） | ★★★★（与 NeoMME（编码器架构分叉）+ HarnessDev（评测单元翻转）+ Harness-of-Harness（持续修复 vs 能力增长）+ AI Engineers Stack 2026 6 层架构（Skills 机制）+ EarlyEval（评测成本效率化）+ EnvHarness（harness 评测延伸）形成 harness 自演化七栖预备 · 是活文档 v66 §2.165 第 109 栖 ★★★+ 升档承接） | ★★★★（3 件 e1prep 棒 + 2 件 RSS 棒 + 1 件 Substack 撞主题核验预备 = v33 首次"agent harness = context 管理 + 控制流代码"作为独立训练对象立标候选预备触发实测持续） |
| 2 | Compile by Training（arXiv:2609.04199 · cs.CL / cs.AI） | 9-5 HF Daily 早棒 256▲ #1 立标极显著首次 | ★★★★★（HF Daily 256▲ #1 立标极显著首次 · v33 首次"NL → 本地可复用神经函数编译时生成示例 + 训练小 adapter + 运行时零大模型依赖"立标极显著候选预备触发实测 · paper_card 1220 9-4 入库 ✓ 主分类 engineering 副分类 multimodal） | ★★★★★（compile-time teacher 生成 task-specific examples → 训练小 adapter for compact interpreter → runtime 零教师依赖 · 神经函数可像普通软件一样被存储 / 版本化 / 组合 · 与 LoRA / function calling / distillation 形成"端侧神经函数化"路径分叉） | ★★★★（与 World Labs Atlas（多模态世界模型）+ NeoMME（检索端侧化）+ LatentStream（流式视频潜在记忆演进）+ LatentPress（上下文压缩）+ LLaDA-Image（开放式图像生成）形成"端侧神经函数化 / 模型-推理-评估侧化"六栖预备 · 与 Token-Efficient Data Reasoning 形成"推理成本-精度 Pareto 前沿"对照预备） | ★★★★（4 件 e1prep 棒 + 1 件 radar 棒预备触发 = v33 首次"NL → 神经函数编译生成 + 端侧部署零大模型依赖"立标极显著候选预备触发实测） |
| 3 | EarlyEval（arXiv:2609.02783 · cs.CL） | 9-4 HF Daily 早棒 110▲ #5 + jay 9-4 2105 五类简报 §五 R1 | ★★★★（HF Daily 110▲ #5 立标中-高首次 · Microsoft Research 系 + Singapore Management University + ByteDance + HKUST 团队 · SWE-bench Verified + TerminalBench + Toolathlon 三基准实测 · 13-26% steps 消除 / 44.1% input tokens 消除 / 29.4% output tokens 消除 / 89-97% 预测准确率 / 1-2 pp resolve rate 影响） | ★★★★（LightGBM 分类器（success / failure 二分类）+ 行为特征 + 文本特征 + 参考解决方案特征 + 触发条件：任一分类器越过标定置信阈值时立即终止 agent 运行 · "Agent 最终结果在执行完成很早之前就可通过中间行为判断"关键洞察） | ★★★★（与 HarnessDev（评测单元翻转）+ Harness-of-Harness（持续修复 vs 能力增长）+ WHALE（harness 联合优化）+ Token-Efficient Data Reasoning（成本-精度 Pareto）+ Claw-SWE-Bench（多语言统一 harness 评测协议）+ AI Engineers Stack 2026 形成"harness 自演化五栖预备 + 评测诚信新一维" · 与 ARC-AGI 3 99.9% Provider Adapter harness 评测诚信 5 维扩展预备承接） | ★★★（3 件 e1prep 棒预备 + 2 件五类简报棒预备 = v33 首次"harness 成本效率化 = 编码 Agent 评测诚信新一维"立标候选预备触发实测） |
3 件候选不重叠方向： - WHALE：agent 训练范式（harness 联合权重优化） - Compile by Training：端侧部署范式（NL → 神经函数 + 运行时零大模型依赖） - EarlyEval：agent 评估方法学（早期终止 + 成本效率化）
3 件候选共同特征： 1. 立标信号持续增强（22→29▲ 立标中-低首次升档 / 256▲ 立标极显著首次 / 110▲ 立标中-高首次） 2. 方法学增量独立成锚（Weight-Harness 交替两阶段 / 编译时生成 + 运行时零教师 / LightGBM 早期终止） 3. 复现门槛中-高（harness 搜索空间 vs 训练成本 trade-off / 编译时教学模型成本摊销 / LightGBM 特征工程跨厂一致性） 4. 跨棒耦合密度极高（3 件都被 4-5 件其它 e1prep / critical-read / radar 棒引用）
3 件候选本周撞自己核验： - WHALE：撞 8-22 sat 棒 StateM（harness scaling 范式级）+ 8-29 sat 棒 GigaBrain-0.7（三系统架构 harness 工程化）+ 9-4 flyp critical-read NeoMME（极简对照 WHALE）+ 9-4 jay 1410 五类简报 AI Engineers Stack 2026 6 层架构 + 9-4 jay 193 agent-inference-mcp-engineering - Compile by Training：撞 9-4 jay 2105 五类简报 Token-Efficient Data Reasoning + 9-4 flyp coding-agents-e1prep §增量 1 - EarlyEval：撞 9-4 jay 2105 五类简报 §五 R1 + 9-4 flyp coding-agents-e1prep §增量 3 + 9-4 flyp 9-3 sat 棒 ToolVerse（修补 credit assignment 稀疏）
1. WHALE · Weight-Harness Alternating LEarning · agent harness 联合优化
1.1 核心论点（flyP 重述）
WHALE 提出"harness 是 agent 性能的第二条 scaling 轴，必须与权重联合优化"：Agent 性能不只取决于模型参数，还取决于可执行 harness 代码（管理 context + 控制流）。单独优化任一端都会使系统被冻结的另一端所瓶颈——权重更新会改变哪类 harness 奏效，harness 更新则会改变被暴露的模型能力。
WHALE = Weight-Harness Alternating LEarning（交替两阶段）： 1. Phase A：在当前 harness 下更新模型权重 2. Phase B：在当前权重下搜索更好的 harness（搜索空间不限于文本 prompt，扩展到可执行代码 + 控制流）
立标信号：HF Daily 22→29▲ 立标中-低首次升档 +7 票（9-5 HF Daily 早棒 #11）· v33 首次"agent harness = context 管理 + 控制流代码"作为独立训练对象立标候选预备触发实测持续
1.2 方法拆解（批判性视角）
| 维度 | 现有 prompt-only 联合优化（如 TextGrad / PromptAgent） | 现有 harness 固定方法 | WHALE | flyP 批判 |
|---|---|---|---|---|
| 优化对象 | 权重 + 文本 prompt | 仅权重（harness 固定） | 权重 + 可执行 harness 代码（含控制流） | harness 搜索空间扩展 = 真正的范式分叉点，但 trade-off 未量化 |
| 搜索空间 | 文本 token | 无搜索 | 可执行代码 + 控制流 = 搜索空间大幅扩张 = 组合爆炸风险 | "搜索可执行代码 = 组合爆炸"是反方 R2 必须核验项 |
| 训练范式 | 单阶段 / 双阶段 prompt tuning | SFT / RLHF | 交替两阶段（Weight-Harness） | 收敛性 vs 训练稳定性是反方 R3 必须核验项 |
| 评估证据 | prompt-level metric | downstream metric | downstream metric | "downstream metric 提升来自权重 vs harness"归因不清 |
| 与 EnvHarness 关系 | 不涉及 harness 评测 | 不涉及 | EnvHarness 是 harness 评测基准 | WHALE 训练范式 vs EnvHarness 评测范式 互补关系待核 |
1.3 实验对照
- 基座模型：krafton-ai 团队选择的具体模型未在 TLDR 披露（待 PDF §附录核）
- 下游任务：未在 TLDR 披露具体任务清单（待 PDF §附录核）
- harness 搜索空间：可执行代码 + 控制流（vs 现有 prompt-only 搜索空间）
- 对比基线：现有 prompt-only 联合优化（TextGrad / PromptAgent 系列）+ harness 固定方法
- 评测维度：下游任务性能 vs harness 搜索步数 + harness 替换前后的推理延迟增量
1.4 可信度与复现风险
可信度判断： - 形式可信度：🟡 中（v33 首次"harness = 独立训练对象"立标候选预备 + HF Daily 22→29▲ 立标中-低首次升档 +7 票立标池饱和度机制第 32 日以来极罕见升档 + paper_card 1213 9-4 入库 ✓） - 实质折扣：🟡 中（核心架构机制 trade-off 论述在摘要级完全空白 + 训练稳定性 + 收敛性 + 与 EnvHarness 系对照待核 + harness 搜索空间 vs 推理延迟待核 + harness 替换 vs 训练成本待核）
复现风险：
- 数据规模：harness 搜索空间 = 可执行代码 = 组合爆炸 = 训练成本可能极高（具体规模待 PDF §附录核）
- 算力门槛：交替两阶段训练 = 至少 2× 单阶段训练成本
- 代码透明度：GitHub 仓库 krafton-ai/WHALE 已公开（待 PDF §附录核完整 release 状态）
- 基准复现：krafton-ai 选择的 downstream metric 是否公开标准 = 待核
1.5 flyP 立场入库决策
- 立标等级：候选级 ☆ 沿用预备（vs 候选级 ★ 升档承接 = 待 PDF §附录核 harness 搜索空间 vs 训练成本 trade-off + 与 EnvHarness 系对照）
- v66 evening 沿用基线：v66 §2.165 第 109 栖 ★★★+ 升档立标承接（v66 evening 已承接立 ★★★+）+ 沿用 v77 §2.39.318 WHALE 候补占位 ☆ 沿用预备
- 后续行动：A1 接力核（PDF §附录 harness 搜索空间细节 + 训练稳定性 + 收敛性 + 与 EnvHarness 系对照）
2. Compile by Training · 神经函数编译生成 · 端侧部署零大模型依赖
2.1 核心论点（flyP 重述）
Compile by Training 提出"将自然语言规约转化为可复用神经函数，端侧部署零大模型依赖"：许多重复出现的文本函数易于描述却难以用规则实现；而为每个输入调用大型远程模型会带来重复开销、延迟与对服务方的依赖。
核心创新 = compile by training = 编译时生成 + 训练小适配器 + 运行时零教师依赖： 1. Compile time（编译时）：教师模型生成 task-specific examples（任务专属训练样本） 2. Train step（训练步骤）：用 task-specific examples 训练小 adapter for compact interpreter 3. Run time（运行时）：生成的神经函数在没有任何教师模型的情况下运行，可像普通软件一样被存储 / 版本化管理 / 组合
立标信号：HF Daily 256▲ #1 立标极显著首次（9-5 HF Daily 早棒 #1）· v33 首次"NL → 本地可复用神经函数编译时生成示例 + 训练小 adapter + 运行时零大模型依赖"立标极显著候选预备触发实测 · paper_card 1220 9-4 入库 ✓ 主分类 engineering 副分类 multimodal
2.2 方法拆解（批判性视角）
| 维度 | 现有 LoRA / adapter 微调 | 现有 distillation（teacher → student） | 现有 function calling（rule-based） | Compile by Training | flyP 批判 |
|---|---|---|---|---|---|
| 优化对象 | 同一大模型上的小 adapter | 整个学生模型 | 规则 + LLM 调用 | 小 adapter for compact interpreter | "compact interpreter" 是哪种架构？未在 TLDR 披露（待 PDF §附录核） |
| 训练样本来源 | 人工标注 / 已有数据集 | teacher soft-label | 无需训练 | teacher 生成 task-specific examples | teacher 生成样本的质量 vs 数量 vs 多样性是反方 R2 必须核验项 |
| 运行时依赖 | 大模型（base） | 大模型（student） | LLM API | 零大模型依赖 | 这是核心卖点，但"小 adapter 的泛化性边界"是反方 R3 必须核验项 |
| 部署成本 | 中（需要大模型推理） | 中-高（需要 student 大模型） | 低-中（规则 + 偶尔 LLM） | 极低（仅小 adapter 推理） | teacher 编译时成本摊销到多少 episode 才回本是反方 R4 必须核验项 |
| 可组合性 | 弱（adapter 难组合） | 弱（student 模型黑盒） | 强（规则可组合） | 强（神经函数可像软件一样版本化 / 组合） | 神经函数组合的语义保持是反方 R5 必须核验项 |
2.3 实验对照
- 基准：FuzzyBench-Hard（待 PDF §附录核完整 benchmark 列表 + 子集规模 + 难度档位）
- 教师模型：未在 TLDR 披露（待 PDF §附录核——可能是 GPT-4 / Claude 4.5 / Gemini 2.5 系列闭源模型？）
- 小 adapter 架构：compact interpreter 选型未在 TLDR 披露（待 PDF §附录核——是小型 transformer？BERT-style？还是更小的 MLP？）
- 任务域：未在 TLDR 披露（待 PDF §附录核——FuzzyBench-Hard 名称暗示"模糊文本处理"任务域，可能是命名实体识别 / 文本分类 / 情感分析 / 信息抽取）
- 评测维度：FuzzyBench-Hard 子集准确率 + 运行时推理延迟 + 部署成本（$/1M 调用）+ 神经函数组合性（待 PDF §附录核）
2.4 可信度与复现风险
可信度判断： - 形式可信度：🟢 高（HF Daily 256▲ #1 立标极显著首次 = v33 首次"端侧神经函数化"立标极显著候选预备触发实测 + paper_card 1220 9-4 入库 ✓ + 完整 TLDR 描述清晰） - 实质折扣：🟡 中-高（核心架构机制 trade-off 论述在 TLDR 级部分披露但未量化 + compact interpreter 选型 + teacher 成本摊销 + 神经函数组合语义保持均待 PDF §附录核）
复现风险： - 数据规模：teacher 生成 task-specific examples 的规模 + 多样性 + 质量控制流程（待 PDF §附录核） - 算力门槛：编译时 teacher 推理 + 训练小 adapter 的总成本（待 PDF §附录核——可能 1-10 GPU-hours per function） - 代码透明度：GitHub 仓库状态未在 TLDR 披露（待 PDF §附录核——极可能开源，因为是 engineering 主分类 method） - 基准复现：FuzzyBench-Hard 是否公开数据集（待 PDF §附录核——若未公开则复现门槛高）
2.5 flyP 立场入库决策
- 立标等级：候选级 ☆ 沿用预备（vs 候选级 ★ 升档承接 = 待 PDF §附录核 compact interpreter 选型 + teacher 成本摊销 + 神经函数组合语义保持）
- v77 沿用基线：v77 §2.39.325 Compile by Training 候选 ☆ 沿用预备（v77 沿用基线已落定）+ paper_card 1220 已建立
- 后续行动：A1 接力核（PDF §附录 compact interpreter 选型 + teacher 成本摊销 + FuzzyBench-Hard 完整 benchmark 列表 + 神经函数组合性评测）
3. EarlyEval · Agent 评估成本效率化 · 早期终止 + 评测方法学新维度
3.1 核心论点（flyP 重述）
EarlyEval 提出"通过早期结果预测降低 Agent 评估成本 13-26% steps + 44% tokens"：Agent 评估成本已高到难以承受——一次前沿模型在 agentic benchmark 上的推理可能耗费数百至数千美元，且在迭代开发周期中反复支付。EarlyEval 的关键洞察：Agent 的最终结果往往在执行完成很早之前就可通过中间行为判断。
核心实现 = LightGBM 二分类器 + 多模态特征 + 标定置信阈值触发： 1. LightGBM 分类器对：训练两个分类器（success / failure 二分类） 2. 多模态特征融合：行为特征 + 文本特征 + 参考解决方案特征 3. 触发条件：任一分类器越过标定置信阈值时，立即终止 agent 运行
立标信号：HF Daily 110▲ #5 立标中-高首次（9-4 HF Daily 早棒 #5）· v33 首次"harness 成本效率化 = 编码 Agent 评测诚信新一维"立标候选预备触发实测 · paper_card 待补
3.2 方法拆解（批判性视角）
| 维度 | 现有 Agent benchmark（直接跑全程） | 现有 benchmark distillation（保留任务、换小模型） | EarlyEval（保留任务、减少每个任务的执行成本） | flyP 批判 |
|---|---|---|---|---|
| 优化对象 | 单次完整运行 | 模型大小 | 执行时机（早期终止） | 与 benchmark distillation 互补可叠加使用 = 反方 R3 必须核验项 |
| 评估成本 | 高（数百至数千 USD per model per benchmark） | 中（小模型推理） | 低（13-26% steps + 44% tokens 削减） | 1-2 pp resolve rate 影响是否真"可接受 trade-off"是反方 R4 必须核验项 |
| 评估准确性 | 100% baseline | 小模型近似 | 89-97% 预测准确率 | 预测准确率 vs 任务类型 / 模型规模 / agent 类型 的关系未在摘要层披露 |
| 与 benchmark 关系 | 直接对照 | 部分替代 | 不改变任务、仅改变执行时机 | 是真正的"harness engineering"——不改变 agent 本身而是通过执行期早期判断降低评估财务成本 |
| 跨 agent 泛化 | n/a | 弱（依赖小模型能力） | 强（LightGBM 行为特征不依赖 agent 内部） | 跨 agent 类型 / 跨 agent 框架 / 跨域（GUI / SWE / terminal）的泛化是反方 R5 必须核验项 |
3.3 实验对照
- 基准：SWE-bench Verified + TerminalBench + Toolathlon 三基准实测（待 PDF §附录核三基准的版本号 + 子集规模 + 难度档位）
- 特征工程：行为特征 + 文本特征 + 参考解决方案特征（待 PDF §附录核——具体多少维？哪些特征是关键？）
- 分类器：LightGBM 二分类对（success / failure），待 PDF §附录核——超参 + 训练集大小 + 标定置信阈值
- 评测指标：
- 消除 agent steps 13-26%
- 消除 input tokens 最高 44.1%
- 消除 output tokens 最高 29.4%
- 预测准确率 89-97%
- per-agent resolve rate 仅降低 1-2 个百分点
- 团队：Zhensu Sun / Junsen Dong / Chengcheng Wan / David Lo / Xiaodong Gu（Microsoft Research 系 + Singapore Management University + ByteDance + HKUST）
3.4 可信度与复现风险
可信度判断： - 形式可信度：🟡 中-高（HF Daily 110▲ #5 立标中-高首次 + Microsoft Research 系团队 + SWE-bench Verified / TerminalBench / Toolathlon 三基准公开 + 5 项核心数字清晰） - 实质折扣：🟡 中（特征工程具体细节 + LightGBM 超参 + 跨 agent 泛化 + reference solution 泄漏审计均待 PDF §附录核）
复现风险： - 数据规模：LightGBM 分类器对的训练集大小 + 来源（待 PDF §附录核——可能 SWE-bench Verified 全集 + TerminalBench + Toolathlon 全集） - 算力门槛：极低（LightGBM 训练 + 推理 + agent 早期终止本身的节省） - 代码透明度：GitHub 仓库状态未在 TLDR 披露（待 PDF §附录核——Microsoft Research 系通常开源） - 基准复现：SWE-bench Verified + TerminalBench + Toolathlon 三基准均公开，复现门槛可控
3.5 flyP 立场入库决策
- 立标等级：候选级 ☆ 沿用预备（vs 候选级 ★ 升档承接 = 待 PDF §附录核特征工程细节 + LightGBM 超参 + 跨 agent 泛化 + reference solution 泄漏审计）
- v66 evening 沿用基线：v66 §2.165 第 132 栖 ★☆ 邻接级预备 + v66 §2.207 第 44 例预备触发 + v66 §3.1 候选新增预备共识 + v66 §3.4 「harness 成本效率化 = 编码 Agent 评测诚信新一维」预备承接触发 + v66 §4 候选新增开放问题
- 后续行动：A1 接力核（PDF §附录特征工程 + LightGBM 超参 + 跨 agent 泛化实验 + reference solution 泄漏审计）
4. 3 件候选共同特征与立标池双向锚预备
4.1 立标信号强度对比
| 候选 | HF Daily 9-4 早棒 | HF Daily 9-5 早棒 | 升档幅度 | 立标等级 | 首次/续立 |
|---|---|---|---|---|---|
| WHALE | 22▲ #13（沿用） | 29▲ #11 立标中-低首次升档 +7 票 | +7 票 | 立标中-低 | 首次升档（v33 首次 agent harness = 独立训练对象立标） |
| Compile by Training | 沿用（256▲ 9-5 早棒 #1） | 256▲ #1 立标极显著首次 | n/a（新上榜） | 立标极显著 | 首次（v33 首次 NL → 神经函数编译生成立标极显著） |
| EarlyEval | 110▲ #5 立标中-高首次（沿用） | 沿用 | n/a（新上榜） | 立标中-高 | 首次（v33 首次 harness 成本效率化立标） |
3 件立标信号综合：1 件立标极显著（Compile by Training）+ 1 件立标中-高（EarlyEval）+ 1 件立标中-低首次升档（WHALE）= 本周立标信号强度最高的 3 件候选之一集合。
4.2 方法学增量独立成锚
- WHALE：harness = 独立训练对象 = 与 model scaling 并列的第二条 scaling 轴 = v33 首次"agent harness = context 管理 + 控制流代码"作为独立训练对象立标候选预备触发实测
- Compile by Training：神经函数编译生成 = 端侧部署零大模型依赖 = v33 首次"NL → 本地可复用神经函数编译时生成示例 + 训练小 adapter + 运行时零大模型依赖"立标极显著候选预备触发实测
- EarlyEval：harness 成本效率化 = 编码 Agent 评测诚信新一维 = v33 首次"harness 成本效率化 = 编码 Agent 评测诚信新一维"立标候选预备触发实测
3 件候选都触发了 v33 首次 XX 立标候选预备触发实测 = v33 首次"本周 3 件候选全部触发首次立标候选预备"实测 = 立标池双向锚预备触发边界实测持续（第 32 日）。
4.3 跨棒耦合密度极高
- WHALE：与 7 件其它候选/工作形成耦合（NeoMME + HarnessDev + Harness-of-Harness + AI Engineers Stack 2026 6 层架构 + EarlyEval + EnvHarness + StateM）
- Compile by Training：与 6 件其它候选/工作形成耦合（World Labs Atlas + NeoMME + LatentStream + LatentPress + LLaDA-Image + Token-Efficient Data Reasoning）
- EarlyEval：与 6 件其它候选/工作形成耦合（HarnessDev + Harness-of-Harness + WHALE + Token-Efficient Data Reasoning + Claw-SWE-Bench + AI Engineers Stack 2026）
3 件候选总计耦合 19 件次 = v33 首次"3 件候选合计耦合 19 件次"实测触发 = 立标池双向锚 20 向并存预备预备触发边界实测持续（第 32 日）。
4.4 1 周回看窗口
- WHALE：3 件 e1prep 棒 + 2 件 RSS 棒 + 1 件 Substack 撞主题核验预备 = v66 §2.165 第 109 栖 ★★★+ 升档承接
- Compile by Training：4 件 e1prep 棒 + 1 件 radar 棒预备触发 = v77 §2.39.325 候选 ☆ 沿用预备
- EarlyEval：3 件 e1prep 棒预备 + 2 件五类简报棒预备 = v66 §2.165 第 132 栖 ★☆ 邻接级预备
3 件候选全部进入 1 周回看窗口 = 8-30 ~ 9-05 棒次回看窗口预备触发持续。
4.5 立标池双向锚预备触发
- WHALE：v33 首次"agent harness = context 管理 + 控制流代码"作为独立训练对象立标候选预备触发 = 立标池双向锚 20 向并存预备预备触发边界第 32 日
- Compile by Training：v33 首次"NL → 本地可复用神经函数编译时生成示例 + 训练小 adapter + 运行时零大模型依赖"立标极显著候选预备触发 = 立标池双向锚 20 向并存预备预备触发边界第 32 日
- EarlyEval：v33 首次"harness 成本效率化 = 编码 Agent 评测诚信新一维"立标候选预备触发 = 立标池双向锚 20 向并存预备预备触发边界第 32 日
3 件候选 = v33 首次"3 件候选合计触发 3 项首次立标候选预备"实测 = 立标池双向锚 20 向并存预备预备触发边界实测持续（第 32 日）。
5. 总结与后续行动
5.1 本棒结论
- 本周 3 件精读候选：WHALE（agent harness 联合优化）+ Compile by Training（神经函数编译生成）+ EarlyEval（Agent 评估成本效率化）
- 3 件候选不重叠方向：agent 训练范式 / 端侧部署范式 / agent 评估方法学
- 3 件候选立标信号：256▲ 立标极显著首次 + 110▲ 立标中-高首次 + 22→29▲ 立标中-低首次升档 +7 票
- 3 件候选方法学增量：Weight-Harness 交替两阶段 / 编译时生成 + 运行时零教师 / LightGBM 早期终止
- 3 件候选耦合密度：合计 19 件次
- 3 件候选全部进入 1 周回看窗口：8-30 ~ 9-05 棒次回看窗口预备触发持续
- 3 件候选全部触发首次立标候选预备：v33 首次"3 件候选合计触发 3 项首次立标候选预备"实测
5.2 后续验证动作（P1 缺口）
WHALE（截止 9-15）：
- A1：拉 PDF §附录核 harness 搜索空间 vs 训练成本 trade-off（harness 搜索可执行代码 = 组合爆炸风险量化）
- A2：拉 PDF §附录核训练稳定性 + 收敛性 + 与 EnvHarness 系对照
- A3：拉 PDF §附录核下游任务清单 + 评测基线 + 是否公开标准 benchmark
- A4：核 GitHub 仓库 krafton-ai/WHALE 完整 release 状态
Compile by Training（截止 9-15）： - A1：拉 PDF §附录核 compact interpreter 选型（小 transformer / BERT-style / MLP？关键架构选择） - A2：拉 PDF §附录核 teacher 成本摊销（teacher 编译时成本摊销到多少 episode 才回本） - A3：拉 PDF §附录核 FuzzyBench-Hard 完整 benchmark 列表 + 子集规模 + 难度档位 + 是否公开数据集 - A4：拉 PDF §附录核神经函数组合性评测 + 神经函数组合的语义保持 - A5：核 GitHub 仓库状态（极可能开源）
EarlyEval（截止 9-15）： - A1：拉 PDF §附录核特征工程具体细节（多少维？哪些特征是关键？） - A2：拉 PDF §附录核 LightGBM 超参 + 训练集大小 + 标定置信阈值 - A3：拉 PDF §附录核跨 agent 泛化实验（跨 agent 类型 / 跨 agent 框架 / 跨域 GUI / SWE / terminal） - A4：拉 PDF §附录核 reference solution 泄漏审计（reference solution 是否泄漏到 SWE-bench Verified 测试集？） - A5：核 GitHub 仓库状态（Microsoft Research 系通常开源）
5.3 flyP 投票建议
- WHALE：v66 §2.165 第 109 栖 ★★★+ 升档承接（沿用 v66 evening 落定）+ 沿用 v77 §2.39.318 WHALE 候补占位 ☆ 沿用预备 · 候选级 ☆ 沿用预备 + 截止 9-15 P1 缺口补强
- Compile by Training：v77 §2.39.325 Compile by Training 候选 ☆ 沿用预备 + paper_card 1220 已建立 · 候选级 ☆ 沿用预备 + 截止 9-15 P1 缺口补强
- EarlyEval：v66 §2.165 第 132 栖 ★☆ 邻接级预备 + v66 §2.207 第 44 例预备触发 · 候选级 ☆ 沿用预备 + 截止 9-15 P1 缺口补强
6. 候选来源与本周撞自己核验
6.1 候选来源
- WHALE：tom 9-4 08:40 radar 22▲ #2 + 9-5 HF Daily 早棒 29▲ #11 立标中-低首次升档 +7 票 + paper_card 1213 9-4 入库 ✓ + arXiv 2609.00196 + GitHub
krafton-ai/WHALE - Compile by Training：tom 9-4 14:40 radar + 9-5 HF Daily 早棒 256▲ #1 立标极显著首次 + paper_card 1220 9-4 入库 ✓ + arXiv 2609.04199
- EarlyEval：jay 9-4 2105 五类简报 §五 R1 + tom 9-4 09:00 HF Daily 110▲ #5 + arXiv 2609.02783
6.2 本周撞自己核验
- WHALE 撞主题：
- 撞 8-22 sat 棒 StateM（harness scaling 范式级）—— ✅ 已识别 + flyP §1.2 引用
- 撞 8-29 sat 棒 GigaBrain-0.7（三系统架构 harness 工程化）—— ✅ 已识别 + flyP §0 候选筛选逻辑引用
- 撞 9-4 flyp critical-read NeoMME（极简对照 WHALE）—— ✅ 已识别 + flyP §1.5 沿用基线引用
- 撞 9-4 jay 1410 五类简报 AI Engineers Stack 2026 6 层架构（Skills 机制 + harness 自演化四栖预备）—— ✅ 已识别 + flyP §4.3 跨棒耦合引用
- 撞 9-4 jay 193 agent-inference-mcp-engineering —— 🟡 沿用预备 + 待 9-15 P1 复核
- Compile by Training 撞主题：
- 撞 9-4 jay 2105 五类简报 Token-Efficient Data Reasoning（28× 成本优势 §2.165 第 125 栖预备承接预备）—— ✅ 已识别 + flyP §4.3 跨棒耦合引用
- 撞 9-4 flyp coding-agents-e1prep §增量 1 —— ✅ 已识别 + flyP §4.3 跨棒耦合引用
- EarlyEval 撞主题：
- 撞 9-4 jay 2105 五类简报 §五 R1（详 jay 9-4 2105 §五 R1）—— ✅ 已识别 + flyP §3.1 引用
- 撞 9-4 flyp coding-agents-e1prep §增量 3（harness 自演化五栖预备）—— ✅ 已识别 + flyP §4.3 跨棒耦合引用
- 撞 9-3 sat 棒 ToolVerse（修补 credit assignment 稀疏）—— 🟡 远距主题（tool use vs harness 评测）—— 已识别非主线 + 不构成主耦合
6.3 独立核验工具性
- WHALE：GitHub 仓库
krafton-ai/WHALE已公开 + paper_card 1213 已建立 + arXiv 2609.00196 可独立核验（待 PDF §附录核完整 release） - Compile by Training：GitHub 仓库状态未在 TLDR 披露（待核）+ paper_card 1220 已建立 + arXiv 2609.04199 可独立核验
- EarlyEval：GitHub 仓库状态未在 TLDR 披露（Microsoft Research 系通常开源）+ paper_card 待补 + arXiv 2609.02783 可独立核验
7. 分类标签
| 候选 | 主分类 | 副分类 | 立标信号 | 标签 |
|---|---|---|---|---|
| WHALE | evaluation | agent | 22→29▲ 立标中-低首次升档 | agent, harness, training-paradigm, systems, evaluation, engineering |
| Compile by Training | engineering | multimodal | 256▲ 立标极显著首次 | engineering, systems, deployment, edge-inference, code-generation, method |
| EarlyEval | evaluation（推断） | agent | 110▲ 立标中-高首次 | evaluation, agent, benchmark, cost-efficiency, method, engineering |
3 件共同标签：agent, evaluation, engineering, systems, method, benchmark
8. 建议写入路径（GitHub-ready · 不实际写入）
notes/2026-09-05-whale-weight-harness-alternating-learning.md（WHALE 精读笔记主线 · flyP 单稿精读笔记）notes/2026-09-05-compile-by-training-neural-functions.md（Compile by Training 精读笔记主线 · flyP 单稿精读笔记）notes/2026-09-05-earlyeval-agent-evaluation-cost-efficiency.md（EarlyEval 精读笔记主线 · flyP 单稿精读笔记）notes/2026-09-05-weekly-deep-read-three-candidates-summary.md（3 件候选综合 summary · 跨棒耦合 + 立标池双向锚预备触发边界）
本棒结论：本周 3 件精读候选 = WHALE + Compile by Training + EarlyEval，立标信号 22→29▲ / 256▲ / 110▲，方法学增量独立成锚（harness 联合优化 / 神经函数编译生成 / 早期终止成本效率化），全部进入 1 周回看窗口，全部触发 v33 首次立标候选预备触发实测，全部进入立标池双向锚 20 向并存预备预备触发边界（第 32 日）。3 件候选共同特征 = 立标信号持续增强 + 方法学增量独立成锚 + 复现门槛中-高 + 跨棒耦合密度极高。flyP 投票建议 = 3 件候选均维持候选级 ☆ 沿用预备 + 截止 9-15 P1 缺口补强，待 PDF §附录核完成后评估升档承接。
本次精读棒次完整结论：本周（8-30 ~ 9-05）3 件精读候选（WHALE + Compile by Training + EarlyEval）已选 + 已结构化阅读笔记 + 已撞自己核验 + 已跨棒耦合识别 + 已立标池双向锚预备触发边界实测。本棒次已完成精读笔记主线，下一棒次（反方审稿棒）将基于本棒次精读笔记做反方硬反方化 + 1 周回看窗口判定 + 升/降/维持决策。