周六精读与反方审稿 · 2026-10-31

原文关键节证据声明：以下审读仅基于各论文抽取的方法、实验与可用局限关键节（reading_depth=primary_sections），并逐篇附 text_evidence.url 官方来源。不是完整逐段阅读，也不是实验复现或独立验证；未出现于关键节的事实一律标为缺失或推断。

本轮对象：3 篇（2610.13695、2610.13361、2610.13335），均为 is_new=true 新入库论文。以下均为新论文首次审读，未声称任何新发现。

清单状态：unreviewed=1599，quarantined_materials=1599（失败隔离）——仍有 1599 份未逐条评审；失败隔离表示本轮未处理，不代表无价值或已评审。

arxiv: 2610.13695

Verifiable Retrieval for Legal Reasoning through Structure-driven Knowledge Graph（主题：rag）原文来源：https://arxiv.org/html/2610.13695

主张（作者陈述）：以正则解析 gesetze-im-internet.de 官方法条层级，构建 58 部法典的法规知识图谱（168,469 节点 / 240,507 边，22,253 条 cites_* 边全部落在单一法典内），用 KG 驱动切块与 1-hop 扩展来提升法律引用检索准确率。

证据（作者陈述，含对照条件）：对比条件明确——KG 各级切块（§/Absatz/Satz/Nummer/Buchstabe）与"朴素 100 词连续切块"比较，嵌入统一为 KaLM-Embedding-Gemma3-12B，输入为同源语料 Tatbestand 段，检索结果与语料自带引用列表对齐。

反方质疑（我提出，非作者陈述）： 1. 基线偏弱。100 词固定切块是"结构无关"的最低成本对照，未含语义切块或重排（rerank）基线，因此"KG 结构带来收益"的归因与"更好的切块粒度带来收益"难以分离。 2. 全部 cites_* 边落在单法典内（即 58 棵互不相交的森林），意味着"图检索"实质是域内跳转，跨法典推理能力未被真正检验；1-hop 扩展的收益上限因此可能被人为压低或被高估。 3. 检索目标是从语料自身标注的引用列表反推，属于"自标注任务"；标注粒度（Satz/Nr./Buchst.）不匹配会直接记为错误，与语义相关性未必同向。

复现风险：依赖德语法典的官方 HTML 结构与自定义正则解析器，跨法域/跨版本重跑易失效；嵌入模型版本（2511）与语料快照未在关键节固定，存在复现漂移。待验证假设：若把朴素基线换成语义切块+重排，KG 相对增益是否仍显著——需新实验，本轮无法判定。

作者明确局限（关键节 Limitations 节，作者陈述）：最佳配置下绝对 ToER 仅约 14.2（Code 层），且随评估深度陡降，§ 层约 3.2、Satz 层约 1.5；归因于 Tatbestand 事实叙述与抽象法条之间的领域鸿沟，稠密检索难以在无域适配情况下桥接。注意：该节只说明数值衰减与归因，未给出统计显著性、方差或置信区间——非我的推断，属关键节缺失。

arxiv: 2610.13361

AgentSWE: Can Coding Agents Build the Agent You Actually Want?（主题：agent）原文来源：https://arxiv.org/html/2610.13361

主张（作者陈述）：提出 AgentSWE 基准，覆盖 agent 开发生命周期三阶段——从自然语言委托创建完整 agent、编辑既有生产级 agent 代码库、向可测量目标做优化；冻结提交、在留出案例上以可观测行为评测交付保真度。

证据（作者陈述，含对照条件）：委托形式化为 q=(g, 𝓘, 𝒞, ℛ)，交付物为 a=(h,m)（编排 harness + 经固定网关访问的 backbone），因模型采样存在随机性故采用执行+评分。对照条件为相关基准的划界：WorFBench（工作流结构）、AI4AI-Bench（重设计训练算法）、SE-Bench（知识内化）、OPT-BENCH（反馈驱动精炼）、AIE-Bench（元 agent 改进固定目标 agent）——作者定位自身为唯一覆盖完整生命周期的基准。

反方质疑（我提出，非作者陈述）： 1. 关键节未见任何 Creation/Editing/Optimization 的成绩数值。文本只给出形式化与基准定位，因此本篇不产生可比较的效果结论，也无法核查"相对 AIE-Bench 更全"这一主张。 2. 保真度由模型裁判（Zheng et al., 2023）按任务 rubric 判定交付物与执行轨迹，属于"以模型评模型"，rubric 上限与 validity gate 只约束裁量范围，不消除裁判误差。 3. 裁判与被测 builder 共享模型家族，作者自陈：Creation 用 GPT-5.6 Sol，Editing 用 DeepSeek-V4 系列（V4-Pro/V4-Flash 等）同时作为 judge 与 builder。共享家族带来的风格偏好无法与真实能力分离。 4. 每个 builder×task 配对只构建一次，Optimization 目标在同一 agent 上重复评估故有方差，而主比较无重复——单次构建引入的偶然性未进入方差估计。

复现风险：留出案例由作者构造且"保持未写"，外部复现者无法获得同分布评测集；模型家族与版本漂移（DeepSeek-V4.x、GPT-5.6）会直接改变分数基线。待验证假设：换用非家族相关的独立裁判，Creation/Editing 的相对排序是否保持。

作者明确局限（Appendix J Limitations，作者陈述）：主比较与 harness 研究每种 builder×task 配对仅构建一次；Optimization 因目标为同一 agent 重复评估而带方差；开发案例/prompt-prior/八任务研究用三次独立 builder 运行并作描述性差异；Creation 与 Editing 的 Result 分由模型裁判给出，虽有 validity gate 与 rubric 上限约束，仍继承裁判误差；裁判与至少一个 builder 共享模型家族；每个任务族固定一个 runtime 模型与一个裁判，故绝对水平只在族内可比、族间不可比。

arxiv: 2610.13335

AgentTune: A Unified Training Lifecycle for Tool-Using LLM Agents（主题：agent）原文来源：https://arxiv.org/html/2610.13335

主张（作者陈述）：开源 Python 库，提供工具使用 agent 的统一开发与优化框架，核心是两层 EventLog 表示（light/full tier），既保留 agent 轨迹，又可投影为 SFT 行、评估视图与审计视图。

证据（作者陈述，含对照条件）：五层架构（接口 / agent 运行时 / 统一轨迹 / 学习与评估 / 生产与改进），DECIDE 工作流闭环为唯一回路，gate 输出回灌 Layer 3。评估侧 agenttune.eval 含四部分：BaseEvaluator 与 RLEvaluator（ROUGE、BLEU、困惑度、相对参考模型的 KL、策略熵、win-rate、reward-margin、DPO 偏好准确率及无需 reward model 的隐式奖励指标）、TrajectoryEvaluator 的确定性程序化指标（无 LLM）、LMEvalRunner 外调 EleutherAI lm-eval CLI、以及 run_eval 的 email-search/FinQA/file-ingestion 任务形状。对照条件为"同一 EventLog 的多投影"：同一轨迹数据同时供训练、评估与审计。

反方质疑（我提出，非作者陈述）： 1. 关键节呈现的是 API 与架构说明，不是效果证据。缺任何基线对照（例如与裸 TRL 或 verl/OpenRLHF 的同任务比较），因此"统一生命周期优于既有方案"在关键节内无证据支撑。 2. "共享 RL core"实际通过 train_agentic、RAG 训练脚本、AgentTuneGraph 与 DECIDE 重训桥四处直接触达，而 agentic distillation 位于其旁而非其内（Project.train(fmt='sft') 与 Project.distill() 走 caller-supplied trainer_factory，不调用 create_agentic_trainer）——这与"统一"的宣传口径存在口径差：统一的是 EventLog 契约，不是训练路径。 3. 评估指标以 ROUGE/BLEU/困惑度等文本相似度为主，对工具调用任务能否真正反映任务成功存疑；真正贴近行为的只有 run_eval 的任务形状与确定性轨迹指标，两者恰是最缺基线对照的部分。 4. 少数具名 builtin 工具（GitHub、Slack、Playwright）需凭据或浏览器二进制且仓库内无测试覆盖——覆盖面与可验证性不对称。

复现风险：基于 TRL，继承其单节点扩展上限，不具备集群级 RLHF 能力；示例仅"小型契约学习冒烟测试"，作者明确说明不是公开榜单上有竞争力的结果。工程性阻断：CLI 无 --tools（库的主打能力不可从命令行触达）、ToolRegistry.get(...) 会一次性 import 全部 builtin 模块（缺 langchain_community 时纯标准库工具也会失败，直接 import 工具类可绕开）、RougeMetric/BleauMetric 在缺 rouge_score/nltk 时静默返回 0（可致指标虚高为"0"而无人察觉）。代码生成评估用受限 builtins 的计时子进程，作者自陈这是鲁棒性措施而非安全边界。

作者明确局限（Section 7 Limitations，作者陈述）：非集群级 RLHF 系统；演示为小型冒烟测试、非公开榜单结果；独立 SFT 路径 core/sft 未端到端打通；CLI 无 --tools；ToolRegistry 全量 import 副作用；部分 builtin 工具无测试覆盖；Rouge/Bleu 指标在缺依赖时静默返回 0。关键节末段还提到"某一个默认奖励配置目前对格式良好、格式错误与缺失三种情况的打分……"——该句在摘录处截断，结论缺失，我不补造。

共同对照

三篇分处两条技术线，但证据条件共享同一条硬约束：关键节只提供"主张 + 架构/形式化 + 自述局限"，几乎不提供可直接横向比较的成对成绩。

同：三篇都自带局限节，且都主动承认方法性折扣——13695 承认绝对 ToER 随深度陡降、域鸿沟未解；13361 承认裁判与 builder 共享模型家族、族间不可比、单次构建无方差；13335 承认非集群级、演示非榜单级、CLI 入口缺失。共同底色是"已定义框架、已承认边界"，而非"已证明优越"。
异（证据条件不同，不可混谈）：
13695 提供了可复述的规模与数值（58 法典、168,469 节点、240,507 边、22,253 引用边、ToER 14.2/3.2/1.5），属有量的检索实验，但只有单任务域内对照（朴素 100 词切块），无跨域外推。
13361 提供了最严谨的评测设计与可比性约束（族内可比、族间不可比、裁判家族重叠），关键节却缺结果数值——属评测方法学贡献，不构成效果结论。
13335 提供了最完整的工具链与指标清单及罕见的工程性自曝（静默 0、CLI 缺入口、全量 import），关键节缺一切基线对照——属系统/库贡献，其"统一"价值目前是接口层面而非效果层面。
因此不可为的排行：三者不共享指标（ToER / 未给分的 Result / ROUGE·KL·轨迹指标），无共同数据集与共同 baseline，任何"A 比 B 好"的排序都属跨论文不可比，本轮不给出。
共同的待验证项：都在评测层而非算法层留下缺口——13695 缺语义切块+重排基线；13361 缺独立（非同家族）裁判复核；13335 缺与 TRL/verl 的同任务对照。这三项恰好构成下一轮最有信息量的补测方向。

元信息与限制：本轮唯一条目为 weekly_adversarial，3 篇材料全部以 primary_sections 深度审读并附官方来源链接；正文未做完整逐段阅读，未复现任何实验，未做全库检索。清单另记 unreviewed=1599（仍有 1599 份未逐条评审）、quarantined_materials=1599（失败隔离，指本轮未处理，不代表无价值或已评审）。context 中的两条线索（DeepSeek V4.1-Flash-1017 更新、llm-d optimized-baseline 部署指南）仅为 search_snippet_only，作者/发布时间与原文结论不完整，本文未把它们当作论文证据使用，仅在 13361 的家族重叠讨论中作背景参照。