周六精读与反方审稿 · 2026-10-17

反方周审读。reading_depth=primary_sections，仅使用 materials[*].text_evidence 中已抽取的方法、实验、可用局限节证据；非逐段阅读、非实验复现。is_new=true 仅表示本周纳入清单，不等同新发现；context 中 newsletter/GitHub 摘录仅作线索，不冒充全文核验。unreviewed=1598、quarantined_materials=1598 表示积压，非本批质量评价。 仍有 1598 份未逐条评审；存在失败隔离（1598 份）。

原文关键节证据

• 方法节：各篇已抽取架构/公式/范式定义。
• 实验节：已抽取基准、规模与主要数值。
• 可用局限节：已抽取作者声明的限制。
• 非作者明确局限以"反方推断风险"单独标注。

arxiv: 2610.13735 — Orthros: Phase-Aware Heterogeneous Attention for Efficient Transformers

主张 - 在文本推理中引入"prefill–decode 异构注意力"，prefill 主要用 SWA、仅在末位 prompt token 做全交叉注意；decode 阶段对 KV cache 做滑动窗口+全交叉注意，从而以线性复杂度 prefill 与完整注意 decode 完成生成。 - 160M–6.8B 规模实验里，对 Transformer 与多种高效注意力方案取得可比或更好结果；Llama3.1/Qwen3 基座可经低数据继续训练转换为 Orthros；128K 针入草堆近完美；单/多 GPU prefill 最快 21.9× 加速。 - 作者明确列出两条局限：训练–推理权衡（训练 token 计算翻倍）与 prefill 主导负载下的算力分配讨论留待未来工作。

反方质疑 - 21.9× 是 prefill-only 极端情形；decode 阶段 FLOP 翻倍，作者以 I/O-bound 解释可掩盖，但实际 decode 受 KV cache 物化与两套注意力交替影响，未给出 wall-clock vs. throughput 拆分。 - "可转换为 Orthros" 的继续训练数据量、收敛曲线与灾难性遗忘评测在方法节摘录中未见，仅在实验段提到"data-efficient"，缺乏相对 Transformer 继续训练的对照损失曲线。 - 128K 针入草堆"近完美"未给失败长度阈值与失败率分布，效率型注意力常在该长度出现尾部失败，单点高分不足以下结论。

复现风险 - 训练–推理一致性需要专门训练流程与 scale-offset 设计，第三方若无同等训练栈难以复现 prefill 21.9×。 - decode 翻倍 FLOP 的 I/O-bound 结论依赖具体 GPU 与 batch，无法跨硬件外推。 - 来源：https://arxiv.org/abs/2610.13735（方法节 https://arxiv.org/html/2610.13735）。

arxiv: 2610.13695 — Verifiable Retrieval for Legal Reasoning through Structure-driven Knowledge Graph

主张 - 构建德国 58 部联邦法典的结构化 KG（168,469 节点、240,507 边），按 Buch→Titel→§→Absatz→Satz→Nr.→Buchstabe 分层；以 KaLM-Embedding-Gemma3-12B 嵌入，对 §/Absatz/Satz/Nr./Buchstabe 与 100 词朴素切分做对照，并可选 1-hop KG 扩展。 - 最优粒度在 Code 级 ToER ≈ 14.2，§ 级 ≈ 3.2，Satz 级 ≈ 1.5；作者明确指出 ToER 随评估深度陡降，归因于 Tatbestand 与抽象法条之间的领域鸿沟。 - 作者明确局限：绝对 ToER 偏低，且随深度衰减，反映任务本身难度与领域鸿沟，密集检索嵌入难以桥接。

反方质疑 - 评测对象是"参考引用列表结构匹配"，并非端到端判决正确性；高 ToER 不代表模型生成的法律意见更可靠，未与人工评阅对照。 - 嵌入模型与 chunking 粒度耦合，仅换 chunking 而固定嵌入，无法判断提升来自结构 KG 还是更细粒度文本；缺乏消融 KG 结构 vs. 仅用更细粒度切分的对照。 - 评估在德国法单一司法管辖区，跨法系/跨语种泛化未触及。

复现风险 - KG 解析依赖 gesetze-im-internet.de 当前格式与自定义正则，源站更新即可能断链。 - ToER 仅基于 OpenLegalData 案例的引用结构，未涉及法规修订时间线，错引/废止法条风险未评估。 - 来源：https://arxiv.org/abs/2610.13695（方法节 https://arxiv.org/html/2610.13695）。

arxiv: 2610.13361 — AgentSWE: Can Coding Agents Build the Agent You Actually Want?

主张 - 提出以"委托（commission）"形式给出自然语言需求 q=(g,ℐ,𝒞,ℛ) 与公开开发集 D，对生成代理 a=harness+backbone 在未见案例空间 𝒳_q 上行为打分，覆盖创建、编辑、优化三阶段。 - 通过冻结提交、在保留案例上评估产出代理行为，回答"coding agent 是否真交付用户所需的 agent"。 - 作者明确局限：构建 vs. 任务仅一次性构建；Optimization 目标在重复评估间波动；分数由模型法官基于任务 rubric 给出，与至少一个 builder 共享模型族，绝对水平仅家族内可比。

反方质疑 - 法官与 builder 共享模型族在 Creation/Editing 都会引入同源偏差，尤其当 builder 已针对该族 rubric 过拟合时，"高有效性"难与"过拟合自评"区分。 - "冻结提交 + 行为评分"对延迟/成本的真实部署约束不敏感，仅看正确性；agent 可通过慢推理刷分。 - Optimization 单次构建、未给多次独立测量的能力限（CI），作者承认波动但未量化。

复现风险 - AgentSWE 依赖固定 gateway 与受控环境，第三方复现需复刻整个 harness 与 rubric；版本漂移即破坏可比性。 - 模型法官对长执行轨迹的稳定性未做独立核验。 - 来源：https://arxiv.org/abs/2610.13361（方法节 https://arxiv.org/html/2610.13361）。

共同对照

• 共性：三篇均面向"效率/可验证性/忠实性"——分别从架构效率（Orthros）、检索可验证性（Legal KG）、agent 忠实交付（AgentSWE）切入，且都以"原端—基准"思路（异构注意力、结构化对照、行为级 rubric）替代纯端到端评分。
• 不同证据条件：Orthros 提供硬件侧 wall-clock 与 21.9× 上限但 decode FLOP 翻倍未独立核验；Legal KG 给出 ToER 随深度衰减的硬数据但仅限引用结构匹配；AgentSWE 强调行为保真却依赖同族模型法官。三者均缺跨硬件/跨法系/跨 builder 的独立外部复现，故任何效率或可验证性结论目前都只在作者给定的对照条件下成立。