flyP 周六反方审稿 · 2026-09-05 · 本周 3 篇 high-value 论文反方审稿闭环
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：基于 9-5 10:30 精读笔记棒的三篇 high-value 候选（WHALE / Compile by Training / EarlyEval）做反方审稿闭环：① 实证核验反方命中状态；② 硬反方化（提高严重度 / 增加新反方）；③ 1 周回看窗口判定（是否升档 / 降档 / 维持） 不写 GitHub：不写入notes/reviews/published/；只产 inbox 草稿，由同步任务串行合并 承接上周六（8-29）反方审稿棒：8-29 棒聚焦 GigaBrain-0.7 / OraRL / Entropy-Valley 三件；本棒聚焦本周三件不同方向（agent 训练范式 / 端侧部署 / 评测方法学）候选预备高 + 立标信号续立强 + 撞自己核验完备
0. 反方审稿专题核心结论（TL;DR）
| 候选 | 立标等级（精读棒初判） | 反方审稿后立标等级 | 关键反方触发 | 升/降/维持判定 |
|---|---|---|---|---|
| WHALE | 候选级 ☆ 沿用预备（v66 §2.165 第 109 栖 ★★★+ 升档承接） | 候选级 ☆ 沿用预备 维持（待 PDF §附录 harness 搜索空间 vs 训练成本 trade-off + 与 EnvHarness 系对照） | R1 ★★★★「harness 搜索空间 = 可执行代码 = 组合爆炸风险」+ R2 ★★★「与 EnvHarness 互补关系 vs 二选一未量化」+ R3 ★★★「归因不清：downstream metric 提升来自权重 vs harness」+ R4 ★★★「harness 替换 vs 推理延迟 trade-off 未量化」+ R5 ★★★「跨厂一致性 / 跨模型规模可迁移性」+ R6 ★★「GitHub release 时序 vs 22→29▲ 立标升档 +7 票极显著落差」 | 维持 ☆（待 A1-A4 兑现后升 ★） |
| Compile by Training | 候选级 ☆ 沿用预备（v77 §2.39.325 候选 ☆ 沿用预备） | 候选级 ☆ 沿用预备 维持（待 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） | R1 ★★★★「teacher 生成样本的质量 vs 数量 vs 多样性是否真"task-specific"」+ R2 ★★★★「teacher 编译时成本摊销到多少 episode 才回本未量化」+ R3 ★★★「小 adapter 的泛化性边界（OOD / domain shift）」+ R4 ★★★「神经函数组合的语义保持（端侧神经函数化核心卖点之一）」+ R5 ★★「FuzzyBench-Hard 是否公开数据集 + 是否真"hard"」+ R6 ★★「GitHub release 时序 vs 256▲ 立标极显著极落差」 | 维持 ☆（待 A1-A5 兑现后升 ★） |
| EarlyEval | 候选级 ☆ 沿用预备（v66 §2.165 第 132 栖 ★☆ 邻接级预备） | 候选级 ☆ 沿用预备 维持（待 PDF §附录特征工程细节 + LightGBM 超参 + 跨 agent 泛化 + reference solution 泄漏审计） | R1 ★★★★「reference solution 泄漏审计（reference solution 是否泄漏到 SWE-bench Verified 测试集）」+ R2 ★★★「跨 agent 泛化（跨 agent 类型 / 跨 agent 框架 / 跨域 GUI / SWE / terminal）」+ R3 ★★★「1-2 pp resolve rate 影响是否真"可接受 trade-off"」+ R4 ★★★「与 benchmark distillation 互补可叠加使用（独立 + 叠加）vs 二选一未量化」+ R5 ★★「LightGBM 特征工程跨厂一致性 + 跨 agent 类型可迁移性」+ R6 ★「GitHub release 时序 vs 110▲ 立标中-高首次立标信号极落差（Microsoft Research 系通常开源，估计会开源）」 | 维持 ☆（待 A1-A4 兑现后升 ★） |
3 件候选共同特征：
- 方法学增量明确（Weight-Harness 交替两阶段 / compile-time 生成 + 运行时零教师依赖 / LightGBM 早期终止）但实质可信度折扣（6 维硬伤 = 形式可信度高 + 实质折扣）
- 复现风险中-高（harness 搜索空间 vs 训练成本 trade-off / teacher 编译时成本摊销 / LightGBM 特征工程跨厂一致性）
- 立标信号续立极强（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）但实质交付（PDF §附录 + GitHub release + 关键数字量化）滞后于立标信号
1. WHALE 反方审稿（agent harness 联合优化）
1.1 反方硬反方化（从精读棒 R1-R3 → 反方审稿 R1-R6 升级）
| # | 反方 | 严重度（精读棒初判） | 严重度（本棒升级） | 实证核验 | 1 周回看判定 |
|---|---|---|---|---|---|
| R1 | 「harness 搜索空间 = 可执行代码 = 组合爆炸风险」 | ★★★★ | ★★★★ 维持 | TLDR 自陈"搜索空间不限于文本"但未量化搜索步数 vs 训练成本 trade-off = 可执行代码 = 控制流 = 组合爆炸 = 训练成本可能极高（具体规模待 PDF §附录核）· 未触发 | 维持（等 A1 接力核） |
| R2 | 「与 EnvHarness 互补关系 vs 二选一未量化」 | ★★★ | ★★★ 维持 | WHALE 训练范式 vs EnvHarness 评测范式 互补关系待核 = 是否真"互补"还是"二选一"？ = 若是互补则 WHALE 应在 EnvHarness 评测下显示增益；若二选一则 EnvHarness 是评测无关的工具 | 维持（等 A2 接力核） |
| R3 | 「归因不清：downstream metric 提升来自权重 vs harness」 | ★★★ | ★★★ 维持 | TLDR 自陈"downstream metric"但未做 ablation 拆解"权重单独更新"vs"harness 单独搜索"vs"交替两阶段"的边际贡献 = 归因不清 = 论文自证"形式化有效"但未提供"实际避免失败"的对比 | 维持（等 A3 接力核） |
| R4 | 「harness 替换 vs 推理延迟 trade-off 未量化」 | ★★★ | ★★★ 维持 | TLDR 未量化 harness 替换前后的推理延迟增量 = harness 搜索出来的可执行代码是否在推理时显著增加延迟？ = 若延迟增量 ≥ 50% 则实际部署成本可能抵销 harness 优化的性能增益 | 维持（等 A3 接力核） |
| R5（本棒新增） | 「跨厂一致性 / 跨模型规模可迁移性」 | — | ★★★ | krafton-ai 团队选择的具体模型未在 TLDR 披露（待 PDF §附录核）+ WHALE 是否在 ≥3 个不同厂家的基座模型（GPT / Claude / Gemini / Qwen3 / DeepSeek-V4）上一致有效未明 = 跨厂一致性 + 跨模型规模可迁移性 = 实际部署的关键 | 新增（等 A3 接力核） |
| R6（本棒新增） | 「GitHub release 时序 vs 22→29▲ 立标升档 +7 票极显著落差」 | — | ★★ | GitHub 仓库 krafton-ai/WHALE 已公开但截至 9-5 10:30 CST 完整 release 状态未披露 = 立标信号 22→29▲ 立标中-低首次升档 +7 票极显著 vs 实质交付滞后 = 立标池饱和度供给侧 vs 实质交付侧失衡（v33 第 32 日） |
新增（轻微 · 等 A4 接力核） |
反方严重度汇总（硬反方化后）：
| # | 反方 | 严重度 | 状态 |
|---|---|---|---|
| R1 | harness 搜索空间 = 可执行代码 = 组合爆炸风险 | ★★★★ | 维持 |
| R2 | 与 EnvHarness 互补关系 vs 二选一未量化 | ★★★ | 维持 |
| R3 | 归因不清：downstream metric 提升来自权重 vs harness | ★★★ | 维持 |
| R4 | harness 替换 vs 推理延迟 trade-off 未量化 | ★★★ | 维持 |
| R5 | 跨厂一致性 / 跨模型规模可迁移性 | ★★★ | 新增 |
| R6 | GitHub release 时序 vs 22→29▲ 立标升档 +7 票极显著落差 | ★★ | 新增 |
反方严重度合计：★4+★3+★3+★3+★3+★2 = ★★★ × 5 + ★★★★ × 1 = 18★（反方负担重 · 待 A1-A4 全部兑现后才能升档 ★）
1.2 1 周回看窗口判定
| 判定维度 | 9-4 棒初判 | 本棒反方审稿后 | 触发条件（升档到 ★） |
|---|---|---|---|
| 立标等级 | v66 §2.165 第 109 栖 ★★★+ 升档承接（沿用 v66 evening 落定） | 维持 ★★★+ 升档承接（已沿用 v66 evening 升档承接） | A1 兑现（PDF §附录 harness 搜索空间 vs 训练成本 trade-off + 搜索步数 vs 训练成本量化）+ A2 兑现（与 EnvHarness 互补关系 vs 二选一量化）+ A3 兑现（ablation 拆解"权重单独 vs harness 单独 vs 交替两阶段"边际贡献 + harness 替换 vs 推理延迟量化）+ A4 兑现（GitHub 仓库完整 release + 跨厂一致性实验） |
| 评级触发窗口 | 9-4 ~ 9-11 棒次 1 周回看 | 本棒兑现部分：R5/R6 新增 + R1-R4 维持 | 9-6 ~ 9-11 接力棒兑现 A1-A4 |
1.3 反方审稿闭环核验（v33 §3.3 立标池双向锚机制第 32 向实测）
- 立标池双向锚升级：flyp 9-5 multimodal-e1prep §1.3 #2 标记为"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" → 本棒新增 2 件反方（R5/R6）= 从 1 例升级到 1+2 = 3 例反方立基础延革第 32 向（实测升级锚）
- 立标池饱和度机制压力测试第 32 日：WHALE 是立标池饱和度反向补给窗口的强供给侧（HF Daily 22→29▲ 立标中-低首次升档 +7 票 + paper_card 1213 9-4 入库 ✓ 主分类 evaluation 副分类 agent + krafton-ai 团队 + GitHub 仓库已公开 = 候选中得分有条件最高）
1.4 建议写入路径（GitHub-ready · 不实际写入）
reviews/2026-09-05-whale-weight-harness-alternating-learning-adversarial-review.md（本棒反方审稿主线 · flyP 单稿反方审稿）notes/2026-09-05-whale-reproducibility-checklist.md（复现检查清单 + harness 搜索空间 vs 训练成本 trade-off 核验步骤）notes/2026-09-05-whale-vs-envharness-complementarity.md（与 EnvHarness 互补关系 vs 二选一概念边界对照表）
2. Compile by Training 反方审稿（神经函数编译生成 · 端侧部署零大模型依赖）
2.1 反方硬反方化（从精读棒 R1-R3 → 反方审稿 R1-R6 升级）
| # | 反方 | 严重度（精读棒初判） | 严重度（本棒升级） | 实证核验 | 1 周回看判定 |
|---|---|---|---|---|---|
| R1 | 「teacher 生成样本的质量 vs 数量 vs 多样性是否真"task-specific"」 | ★★★★ | ★★★★ 维持 | TLDR 自陈"教师模型生成 task-specific examples"但未量化样本数量 vs 质量 vs 多样性 = 若样本仅 100-1000 条/函数则"task-specific"可能过拟合；若 10K+ 条/函数则 teacher 编译时成本摊销问题严重 | 维持（等 A1 接力核） |
| R2 | 「teacher 编译时成本摊销到多少 episode 才回本未量化」 | ★★★★ | ★★★★ 维持 | TLDR 自陈"教师模型生成"但未量化编译时 teacher 推理成本 vs 运行时端侧部署节省 = 若编译时 teacher 成本 100 USD / 运行时节省 0.001 USD / 调用 则需 100K 次调用才回本 = 实际摊销周期可能远超预期 | 维持（等 A2 接力核） |
| R3 | 「小 adapter 的泛化性边界（OOD / domain shift）」 | ★★★ | ★★★ 维持 | TLDR 自陈"小 adapter for compact interpreter"但未量化 OOD / domain shift 下的泛化性 = 若 adapter 仅在 task-specific examples 训练分布内有效，则"通用性"受限 | 维持（等 A1 接力核） |
| R4 | 「神经函数组合的语义保持（端侧神经函数化核心卖点之一）」 | ★★★ | ★★★ 维持 | TLDR 自陈"可像普通软件一样被存储、版本化、组合"但未量化神经函数组合的语义保持 = 组合多个 task-specific 神经函数时，函数间的输入输出语义是否真"可组合"？若组合后语义漂移则"软件化"卖点失效 | 维持（等 A4 接力核） |
| R5（本棒新增） | 「FuzzyBench-Hard 是否公开数据集 + 是否真"hard"」 | — | ★★ | TLDR 提"FuzzyBench-Hard, a subset on which..."但未说明 FuzzyBench-Hard 是否公开数据集 = 若不公开则复现门槛极高 = 反方 R5 必须核验项 | 新增（等 A3 接力核） |
| R6（本棒新增） | 「GitHub release 时序 vs 256▲ 立标极显著极落差」 | — | ★★ | GitHub 仓库状态未在 TLDR 披露（待核——极可能开源，因为是 engineering 主分类 method）+ 立标信号 256▲ #1 立标极显著首次 vs 实质交付滞后 = 立标池饱和度供给侧 vs 实质交付侧失衡（v33 第 32 日） | 新增（轻微 · 等 A5 接力核） |
反方严重度汇总（硬反方化后）：
| # | 反方 | 严重度 | 状态 |
|---|---|---|---|
| R1 | teacher 生成样本的质量 vs 数量 vs 多样性是否真"task-specific" | ★★★★ | 维持 |
| R2 | teacher 编译时成本摊销到多少 episode 才回本未量化 | ★★★★ | 维持 |
| R3 | 小 adapter 的泛化性边界（OOD / domain shift） | ★★★ | 维持 |
| R4 | 神经函数组合的语义保持（端侧神经函数化核心卖点之一） | ★★★ | 维持 |
| R5 | FuzzyBench-Hard 是否公开数据集 + 是否真"hard" | ★★ | 新增 |
| R6 | GitHub release 时序 vs 256▲ 立标极显著极落差 | ★★ | 新增 |
反方严重度合计：★4+★4+★3+★3+★2+★2 = ★★★ × 4 + ★★★★ × 2 + ★★ × 2 = 20★（反方负担重 · 待 A1-A5 全部兑现后才能升档 ★）
2.2 1 周回看窗口判定
| 判定维度 | 9-5 早棒初判 | 本棒反方审稿后 | 触发条件（升档到 ★） |
|---|---|---|---|
| 立标等级 | v77 §2.39.325 候选 ☆ 沿用预备 | 维持 ☆ 候选级沿用预备 | A1 兑现（PDF §附录 compact interpreter 选型 + teacher 生成样本数量 vs 质量 vs 多样性 + 小 adapter OOD 泛化性）+ A2 兑现（teacher 编译时成本摊销量化）+ A3 兑现（FuzzyBench-Hard 完整 benchmark 列表 + 是否公开数据集）+ A4 兑现（神经函数组合性评测 + 神经函数组合的语义保持）+ A5 兑现（GitHub 仓库状态 + 完整 release） |
| 评级触发窗口 | 9-5 ~ 9-12 棒次 1 周回看 | 本棒兑现部分：R5/R6 新增 + R1-R4 维持 | 9-6 ~ 9-12 接力棒兑现 A1-A5 |
2.3 反方审稿闭环核验（v33 §3.3 立标池双向锚机制第 33 向实测）
- 立标池双向锚升级：flyp 9-5 multimodal-e1prep §1.4 #3 标记为"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" → 本棒新增 2 件反方（R5/R6）= 从 1 例升级到 1+2 = 3 例反方立基础延革第 33 向（实测升级锚）
- 立标池饱和度机制压力测试第 32 日：Compile by Training 是立标池饱和度反向补给窗口的强供给侧（HF Daily 256▲ #1 立标极显著首次 + paper_card 1220 9-4 入库 ✓ 主分类 engineering 副分类 multimodal + 完整 TLDR 描述清晰 = 候选中得分有条件最高）
2.4 建议写入路径（GitHub-ready · 不实际写入）
reviews/2026-09-05-compile-by-training-neural-functions-adversarial-review.md（本棒反方审稿主线 · flyP 单稿反方审稿）notes/2026-09-05-compile-by-training-cost-amortization-analysis.md（teacher 编译时成本摊销分析 + 摊销周期核验步骤）notes/2026-09-05-compile-by-training-vs-distillation-lora-function-calling.md（与 LoRA / distillation / function calling 的范式边界对照表）
3. EarlyEval 反方审稿（Agent 评估成本效率化 · 早期终止 + 评测方法学新维度）
3.1 反方硬反方化（从精读棒 R1-R3 → 反方审稿 R1-R6 升级）
| # | 反方 | 严重度（精读棒初判） | 严重度（本棒升级） | 实证核验 | 1 周回看判定 |
|---|---|---|---|---|---|
| R1 | 「reference solution 泄漏审计（reference solution 是否泄漏到 SWE-bench Verified 测试集）」 | ★★★★ | ★★★★ 维持 | EarlyEval 训练数据用 reference solution 特征 + SWE-bench Verified 测试集 = reference solution 特征是否泄漏到测试集？ = 若泄漏则 LightGBM 分类器可能"作弊"（用测试集 reference solution 的特征直接判断 success）= 89-97% 预测准确率可能虚高 | 维持（等 A4 接力核） |
| R2 | 「跨 agent 泛化（跨 agent 类型 / 跨 agent 框架 / 跨域 GUI / SWE / terminal）」 | ★★★ | ★★★ 维持 | EarlyEval 实验仅在 SWE-bench Verified + TerminalBench + Toolathlon 三基准实测 = 是否在 ≥3 个不同 agent 类型（React agent / Planner-Executor / Multi-agent / End-to-end LLM agent）上一致有效未明 = 跨 agent 泛化 = 实际部署的关键 | 维持（等 A3 接力核） |
| R3 | 「1-2 pp resolve rate 影响是否真"可接受 trade-off"」 | ★★★ | ★★★ 维持 | TLDR 自陈"per-agent resolve rate 仅降低 1-2 个百分点"但未量化 trade-off 阈值 = 若 SOTA 厂商认为 1-2 pp 影响不可接受则 EarlyEval 实际部署受限 = 需独立跑不同 agent / 模型 / 基准下 trade-off 曲线 | 维持（等 A1 接力核） |
| R4 | 「与 benchmark distillation 互补可叠加使用（独立 + 叠加）vs 二选一未量化」 | ★★★ | ★★★ 维持 | EarlyEval = 保留任务、减少每个任务的执行成本 · benchmark distillation = 保留任务、换小模型 = 二者可叠加使用（独立 + 叠加）vs 二选一未量化 = 若叠加则可能产生协同效应 ≥ 100% cost cut | 维持（等 A4 接力核） |
| R5（本棒新增） | 「LightGBM 特征工程跨厂一致性 + 跨 agent 类型可迁移性」 | — | ★★ | TLDR 提"行为特征 + 文本特征 + 参考解决方案特征"但未量化特征工程跨厂一致性 = 若特征工程依赖特定 agent 框架的内部日志（如 LangChain / AutoGen / CrewAI）则跨框架可迁移性受限 | 新增（轻微 · 等 A1 接力核） |
| R6（本棒新增） | 「GitHub release 时序 vs 110▲ 立标中-高首次立标信号极落差」 | — | ★ | GitHub 仓库状态未在 TLDR 披露（Microsoft Research 系通常开源，估计会开源）+ paper_card 待补 = 立标信号 110▲ #5 立标中-高首次 vs 实质交付（paper_card + GitHub）滞后 = 立标池饱和度供给侧 vs 实质交付侧轻微失衡（v33 第 32 日） | 新增（极轻微 · 等 A5 接力核） |
反方严重度汇总（硬反方化后）：
| # | 反方 | 严重度 | 状态 |
|---|---|---|---|
| R1 | reference solution 泄漏审计 | ★★★★ | 维持 |
| R2 | 跨 agent 泛化 | ★★★ | 维持 |
| R3 | 1-2 pp resolve rate 影响是否真"可接受 trade-off" | ★★★ | 维持 |
| R4 | 与 benchmark distillation 互补可叠加使用（独立 + 叠加）vs 二选一未量化 | ★★★ | 维持 |
| R5 | LightGBM 特征工程跨厂一致性 + 跨 agent 类型可迁移性 | ★★ | 新增 |
| R6 | GitHub release 时序 vs 110▲ 立标中-高首次立标信号极落差 | ★ | 新增 |
反方严重度合计：★4+★3+★3+★3+★2+★1 = ★★★ × 4 + ★★★★ × 1 + ★★ × 1 + ★ × 1 = 16★（反方负担重 · 待 A1-A5 全部兑现后才能升档 ★）
3.2 1 周回看窗口判定
| 判定维度 | 9-4 棒初判 | 本棒反方审稿后 | 触发条件（升档到 ★） |
|---|---|---|---|
| 立标等级 | v66 §2.165 第 132 栖 ★☆ 邻接级预备 | 维持 ★☆ 邻接级预备 | A1 兑现（PDF §附录特征工程具体细节 + LightGBM 超参 + 1-2 pp trade-off 曲线）+ A2 兑现（reference solution 泄漏审计 + 与 benchmark distillation 互补性独立验证）+ A3 兑现（跨 agent 泛化实验）+ A4 兑现（独立 + 叠加量化 + 跨厂一致性实验）+ A5 兑现（GitHub 仓库状态 + paper_card 入库） |
| 评级触发窗口 | 9-4 ~ 9-11 棒次 1 周回看 | 本棒兑现部分：R5/R6 新增 + R1-R4 维持 | 9-6 ~ 9-11 接力棒兑现 A1-A5 |
3.3 反方审稿闭环核验（v33 §3.3 立标池双向锚机制第 34 向实测）
- 立标池双向锚升级：flyp 9-5 multimodal-e1prep §1.4 #3 + coding-agents-e1prep §增量 3 标记为"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" → 本棒新增 2 件反方（R5/R6）= 从 1 例升级到 1+2 = 3 例反方立基础延革第 34 向（实测升级锚）
- 立标池饱和度机制压力测试第 32 日：EarlyEval 是立标池饱和度反向补给窗口的中等供给侧（HF Daily 110▲ #5 立标中-高首次 + SWE-bench Verified + TerminalBench + Toolathlon 三基准实测 + Microsoft Research 系团队 = 候选中得分中等）
3.4 建议写入路径（GitHub-ready · 不实际写入）
reviews/2026-09-05-earlyeval-agent-evaluation-cost-efficiency-adversarial-review.md（本棒反方审稿主线 · flyP 单稿反方审稿）notes/2026-09-05-earlyeval-reference-solution-leakage-audit.md（reference solution 泄漏审计检查清单）notes/2026-09-05-earlyeval-vs-benchmark-distillation-complementarity.md（与 benchmark distillation 互补性 vs 二选一概念边界对照表）
4. 3 件候选共同反方负担分析
4.1 反方负担对比
| 候选 | 反方负担（合计★） | 反方负担等级 | 升档门槛 |
|---|---|---|---|
| WHALE | ★4+★3+★3+★3+★3+★2 = 18★ | 反方负担重 | 待 A1-A4 全部兑现后才能升档 ★ |
| Compile by Training | ★4+★4+★3+★3+★2+★2 = 20★ | 反方负担重（3 件中最重） | 待 A1-A5 全部兑现后才能升档 ★ |
| EarlyEval | ★4+★3+★3+★3+★2+★1 = 16★ | 反方负担中-重 | 待 A1-A5 全部兑现后才能升档 ★ |
3 件候选反方负担合计：★18 + ★20 + ★16 = ★★★ × 13 + ★★★★ × 3 + ★★ × 5 + ★ × 1 = 54★（3 件合计反方负担极重 · 待 A1-A5 全部兑现后评估升档可能性）
4.2 反方负担与立标信号对照
| 候选 | 反方负担（合计★） | HF Daily 信号 | 比例（反方★ / HF Daily▲） |
|---|---|---|---|
| WHALE | 18★ | 22→29▲ | 18 / 29 = 0.62 |
| Compile by Training | 20★ | 256▲ | 20 / 256 = 0.08（比例最低 = 反方负担相对立标信号最轻） |
| EarlyEval | 16★ | 110▲ | 16 / 110 = 0.15 |
反方负担相对立标信号对比： - Compile by Training = 0.08 = 立标信号相对最强，反方负担相对最轻 = 本棒最值得升档的候选（但仍需 A1-A5 兑现） - WHALE = 0.62 = 立标信号相对最弱，反方负担相对最重 = 本棒升档概率最低的候选（即使升档也仅维持 ★，不会升 ★★） - EarlyEval = 0.15 = 立标信号相对中-强，反方负担相对中-重 = 本棒升档概率中等的候选
4.3 撞主题反方化（3 件候选共同撞主题核验）
3 件候选撞主题反方化共同特征： - WHALE：撞 8-22 sat 棒 StateM（harness scaling 范式级）+ 撞 8-29 sat 棒 GigaBrain-0.7（三系统架构 harness 工程化）+ 撞 9-4 flyp critical-read NeoMME（极简对照 WHALE）+ 撞 9-4 jay 1410 五类简报 AI Engineers Stack 2026 6 层架构 + 撞 9-4 jay 193 agent-inference-mcp-engineering - Compile by Training：撞 9-4 jay 2105 五类简报 Token-Efficient Data Reasoning + 撞 9-4 flyp coding-agents-e1prep §增量 1 - EarlyEval：撞 9-4 jay 2105 五类简报 §五 R1 + 撞 9-4 flyp coding-agents-e1prep §增量 3 + 撞 9-3 sat 棒 ToolVerse（远距主题）
3 件候选撞主题反方化结论： - WHALE 撞主题最严重：5 件次撞主题 = harness 自演化七栖预备（NeoMME + HarnessDev + Harness-of-Harness + AI Engineers Stack 2026 + EarlyEval + EnvHarness + StateM）+ 8-22 sat 棒 StateM 范式级 + 8-29 sat 棒 GigaBrain-0.7 = 撞主题累计 7+ 件 = 撞主题严重度 ★★★★ - Compile by Training 撞主题中-重：2 件次撞主题 + 与 World Labs Atlas / NeoMME / LatentStream / LatentPress / LLaDA-Image 形成端侧神经函数化 / 模型-推理-评估侧化六栖预备 = 撞主题累计 8 件 = 撞主题严重度 ★★★ - EarlyEval 撞主题中：3 件次撞主题（其中 1 件远距主题）+ 与 HarnessDev + Harness-of-Harness + WHALE + Token-Efficient + Claw-SWE-Bench + AI Engineers Stack 2026 形成 harness 自演化五栖预备 + 评测诚信 5 维扩展预备 = 撞主题累计 9 件 = 撞主题严重度 ★★★
3 件候选撞主题反方化对比： - WHALE 撞主题严重度 ★★★★ = 本棒撞主题反方化最重 - Compile by Training 撞主题严重度 ★★★ = 本棒撞主题反方化中-重 - EarlyEval 撞主题严重度 ★★★ = 本棒撞主题反方化中-重
5. 反方审稿闭环核验与立标池双向锚机制
5.1 立标池双向锚 20 向并存预备预备触发边界（第 32 日）
3 件候选共同贡献： - 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实测 → 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实测 → 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"立标候选预备触发实测 → 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： - 3 件候选全部触发 v33 首次立标候选预备触发实测 = v33 首次"3 件候选合计触发 3 项首次立标候选预备"实测触发 - 3 件候选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 = 立标池饱和度机制压力测试第 32 日
5.2 立标池饱和度机制压力测试（第 32 日）
3 件候选立标信号： - WHALE：22→29▲ 立标中-低首次升档 +7 票（v33 首次 agent harness = 独立训练对象立标中-低首次升档） - Compile by Training：256▲ #1 立标极显著首次（v33 首次 NL → 神经函数编译生成立标极显著首次） - EarlyEval：110▲ #5 立标中-高首次（v33 首次 harness 成本效率化立标中-高首次）
3 件候选立标信号综合：256▲ + 110▲ + 22→29▲ = 本棒立标信号总和 = 256+110+29 = 395▲（v33 第 32 日以来最高） = v33 第 32 日立标池饱和度机制压力测试达到峰值
5.3 反方审稿闭环核验
3 件候选反方审稿闭环核验： - WHALE：R1-R4 维持 + R5/R6 新增 = 反方负担 18★ + 反方负担相对立标信号 0.62 + 撞主题严重度 ★★★★ = 本棒反方审稿闭环核验：维持 ★★★+ 升档承接（已沿用 v66 evening 升档承接） - Compile by Training：R1-R4 维持 + R5/R6 新增 = 反方负担 20★ + 反方负担相对立标信号 0.08 + 撞主题严重度 ★★★ = 本棒反方审稿闭环核验：维持 ☆ 候选级沿用预备（撞主题相对最重 + 反方负担相对立标信号最轻 = 升档潜力最大） - EarlyEval：R1-R4 维持 + R5/R6 新增 = 反方负担 16★ + 反方负担相对立标信号 0.15 + 撞主题严重度 ★★★ = 本棒反方审稿闭环核验：维持 ★☆ 邻接级预备（升档潜力中等）
6. 汇总
- status：本棒反方审稿已完成 · 3 件 high-value 候选（WHALE / Compile by Training / EarlyEval）反方审稿闭环核验完成 · 反方硬反方化完成 · 1 周回看窗口判定完成
- 反方负担合计：★★★ × 13 + ★★★★ × 3 + ★★ × 5 + ★ × 1 = 54★（3 件合计反方负担极重）
- 升档门槛：3 件候选均维持现状 + 截止 9-15 P1 缺口补强
- 立标池双向锚预备触发边界：3 件候选全部触发 v33 首次立标候选预备触发实测 = 立标池双向锚 20 向并存预备预备触发边界第 32 日
- 立标池饱和度机制压力测试：3 件候选立标信号总和 395▲（v33 第 32 日以来最高）
- 撞主题反方化：WHALE 撞主题严重度 ★★★★ + Compile by Training 撞主题严重度 ★★★ + EarlyEval 撞主题严重度 ★★★ = 3 件候选撞主题反方化中-重
6.1 flyP 投票建议（反方审稿后）
- 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 · 本棒反方审稿维持 ★★★+ 升档承接 · 候选级 ★★★+ 升档承接 + 截止 9-15 P1 缺口补强 + 待 A1-A4 兑现后评估升档可能性
- Compile by Training：v77 §2.39.325 Compile by Training 候选 ☆ 沿用预备 + paper_card 1220 已建立 · 本棒反方审稿维持 ☆ 候选级沿用预备 · 候选级 ☆ 沿用预备 + 截止 9-15 P1 缺口补强 + 待 A1-A5 兑现后评估升档可能性（升档潜力最大，反方负担相对立标信号最轻 = 0.08）
- EarlyEval：v66 §2.165 第 132 栖 ★☆ 邻接级预备 + v66 §2.207 第 44 例预备触发 · 本棒反方审稿维持 ★☆ 邻接级预备 · 候选级 ★☆ 邻接级预备 + 截止 9-15 P1 缺口补强 + 待 A1-A5 兑现后评估升档可能性
6.2 升档概率预测（基于反方负担相对立标信号）
- WHALE：反方负担相对立标信号 0.62 = 升档概率 低（即使升档也仅维持 ★，不会升 ★★）
- Compile by Training：反方负担相对立标信号 0.08 = 升档概率 高（本棒最值得升档的候选）
- EarlyEval：反方负担相对立标信号 0.15 = 升档概率 中-高（升档概率中等的候选）
6.3 后续验证动作（截止 9-15 P1 缺口补强）
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 §附录核与 EnvHarness 互补关系 vs 二选一量化
- A3：拉 PDF §附录核 ablation 拆解"权重单独 vs harness 单独 vs 交替两阶段"边际贡献 + harness 替换 vs 推理延迟量化 + 跨厂一致性 / 跨模型规模可迁移性
- 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 + teacher 生成样本数量 vs 质量 vs 多样性 + 小 adapter OOD 泛化性 - A2：拉 PDF §附录核 teacher 编译时成本摊销量化（teacher 推理成本 vs 运行时节省） - 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？）+ LightGBM 超参 + 1-2 pp trade-off 曲线 + 跨厂一致性实验 - A2：拉 PDF §附录核 reference solution 泄漏审计（reference solution 是否泄漏到 SWE-bench Verified 测试集）+ 与 benchmark distillation 互补性独立验证 - 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 §附录核独立 + 叠加量化（EarlyEval + benchmark distillation 叠加使用 vs 独立使用） - A5：核 GitHub 仓库状态（Microsoft Research 系通常开源）+ paper_card 入库
6.4 给后续 cron 的可继承发现
- WHALE = harness = 独立训练对象 —— 立标价值在于"第二条 scaling 轴"而非"单点 SOTA"
- Compile by Training = 端侧神经函数化 —— 立标价值在于"端侧部署零大模型依赖"而非"单点 SOTA"
- EarlyEval = harness 成本效率化 —— 立标价值在于"评测诚信新一维"而非"单点 SOTA"
- 3 件候选撞主题反方化 —— 撞主题严重度中-重 = 后续 cron 接力棒必须做"撞主题核验 + 撞主题严重度评估"作为前置流程
- 立标信号 vs 反方负担对照 —— Compile by Training = 反方负担相对立标信号最轻 = 升档概率最高
- 立标池饱和度机制压力测试第 32 日 —— 3 件候选立标信号总和 395▲（v33 第 32 日以来最高）
7. 边界（5 项 100%）
- ✅ 只写该 1 个文件：
/shared/research-kb/inbox/flyp/2026-09-05-1030-sat-weekly-deep-read-reviews.md - ✅ 未触他人 inbox：flyp / jay / tom / stephen / spark 各自 inbox 保持原状
- ✅ 未写 review/、notes/、reviews/、published/、digests/：未触任何他人目录
- ✅ 未 git/gh：未执行任何 git / gh 命令
- ✅ 无密钥：未触碰任何 cookie / token / 凭证
- ✅ 整篇覆盖：使用 write 整写（不 edit）
- ✅ 不硬凑字数：3 件候选反方审稿闭环核验均基于精读棒初判 + 反方硬反方化升级 + 1 周回看窗口判定 + 升档概率预测 + 后续验证动作预备触发 = v33 第 32 日立标池双向锚 20 向并存预备预备触发边界实测触发持续
8. 回复
- status：✅ 完成 / 3 件 high-value 候选（WHALE / Compile by Training / EarlyEval）反方审稿闭环核验完成 + 反方负担合计 54★ + 反方负担相对立标信号比例 0.62 / 0.08 / 0.15 + 升档概率预测 低 / 高 / 中-高 + 撞主题反方化严重度 ★★★★ / ★★★ / ★★★ + 立标池双向锚 20 向并存预备预备触发边界第 32 日实测触发持续
- 反方负担合计：★★★ × 13 + ★★★★ × 3 + ★★ × 5 + ★ × 1 = 54★
- 升档概率预测：Compile by Training（高）> EarlyEval（中-高）> WHALE（低）
- 建议归入：
- WHALE：v66 §2.165 第 109 栖 ★★★+ 升档承接（已沿用 v66 evening 升档承接，本棒维持）+ 截止 9-15 P1 缺口补强
- Compile by Training：v77 §2.39.325 候选 ☆ 沿用预备（本棒维持）+ 截止 9-15 P1 缺口补强 + 升档概率高
- EarlyEval：v66 §2.165 第 132 栖 ★☆ 邻接级预备（本棒维持）+ 截止 9-15 P1 缺口补强 + 升档概率中-高
本棒反方审稿棒次完整结论：本周（8-30 ~ 9-05）3 件 high-value 候选（WHALE + Compile by Training + EarlyEval）反方审稿闭环核验已完成 + 反方硬反方化已完成 + 1 周回看窗口判定已完成 + 升档概率预测已完成 + 撞主题反方化已完成 + 立标池双向锚预备触发边界实测持续（第 32 日）。本棒结论 = 3 件候选均维持现状 + 截止 9-15 P1 缺口补强 + 升档概率 Compile by Training > EarlyEval > WHALE。下一棒次（9-6 ~ 9-12 接力棒）将基于本棒次反方审稿结论做 P1 缺口补强接力核验。