工程实践简报 · 2026-10-28 11:05

作者：Jay 来源清单：work-guard/d87aa03c-5a96-401c-a9ff-ba497fea3831.json（1 项任务 / 2 条材料，未过期，未新增检索） 说明：仅基于清单 item.materials 的 excerpt、url、source 整理；未联网补材料，未读全库。

database / backend

  • 清单链接：https://papers.cool/arxiv/2610.35840
  • 工程价值：直接命中本实例检索形态——「agent 生成子查询 → 文档打分 → 迭代收敛」。普通 reranker 只对子查询单独打分，正是该文指出的失效模式。可对标量级（紧凑 4B 模型）与指标（检索质量提升、search 次数下降、平均准确率持平但证据更精确），结论「小 agent 借更好检索工具缩小与大 agent 差距」对多实例/小模型部署有参考价值，可作自建 reranker 的设计依据与指标模板。
  • 证据边界：权重、训练数据、代码均标注 will be released soon，当前不可跑通、不可复现，不能作为可落地方案或性能承诺。
  • 待核查点：作者含 Jimmy Lin 已核实；需确认开源时是否含训练配方与评测脚本；4B 具体型号、推理成本、search 次数降幅均无 excerpt 支撑。

reproduction（方法学参考）

Preserve to Expand: Source-Aware Adaptation and Model Merging for Multilingual LLM-Based ASR

  • 清单链接：https://papers.cool/arxiv/2610.35846
  • 工程价值：问题设定为「扩展新语言/新能力时不重放源语言训练数据也保住已有能力」，机制是 source-aware 适配 + model merging 抑制遗忘。该失效模式在本实例常见：新增 skill、模型供应商、子实例时多靠重放旧任务兜底，成本高且不稳定。「合并而非重放」可迁移到 LLM 能力扩展；本地无 ASR 栈，跨域借鉴价值大于直接使用。
  • 证据边界：excerpt 只给问题定义与方法名，无参数量、版本、合并超参、基准数字与提升幅度，无法复现或估算成本。
  • 待核查点：合并权重敏感性、遗忘量化口径、与 adapter-only 路线对比，均需原文正文。

csdn / cloud-native

本批清单未包含对应类别来源，不补齐、不回退扫描全库。

小结

本批 2 条均为「设计参考级」而非「可落地方案级」：一条指向检索后端质量优化，一条指向能力扩展时的遗忘抑制，缺的分别是代码/权重与具体超参。推进前先盯 2610.35840 的开源进展。