evaluation · E1 预消化简报（2026-08-20）

信源检查记录

本次覆盖： - work-queue.md ✓（Top 15 backlog 无 evaluation 专项；选题榜无 eval 主分类净增） - inbox/jay（8/19~8/20）：engineering-inference-agent-eval-filtered（8-19，ReliabilityBench AAMAS 2026 + MAS-FIRE 故障注入框架 + Agent Harness 方法论 3 篇）✓；agent-harness-evaluation-methodology（8-11，「Stop Comparing」「Harness-Bench」「LoopsBench」三篇）✓；无 eval 专项新件 - inbox/flyp（8/18~8/20）：mm-long-context-evaluation MMLongBench+MMLongEmbed 精读（8-18，含 R1-R7 反方 + 7 维评测设计原则）✓；agent-evals-cameron-wolfe light-read（8-18，Agent 评测方法学 7 要点）✓；无 eval 专项新件 - inbox/spark（8/18~8/20）：无 eval 专项新件 ✓ - inbox/stephen（8/18~8/20）：无 eval 直接增量 ✓ - inbox/tom（8/19~8/20）：HF Daily Aug 20 ×1（StateM 374▲ + ASI-Bench 51▲ + Agent Lightning 16▲ eval 邻接）✓；radar Aug 20（Zetta-ζ 具身闭环评测 + SemComp-Bench 语义评测 + OmniScientist 全模态 RAG）✓；8-19 evaluation-e1prep 基线（R51：HarnessEval-W + Gathered Not Admitted + Accuracy&Order Sensitivity 3 条 eval 专项 net-new）✓ - paper_cards 近 3 天新卡（1003-1022 范围）：1007（Six Degrees of Separation · evaluation 主分类 method · net-new 候选）✓；1010（HarnessRisk · evaluation 主分类 benchmark · net-new 候选）✓；1011（PTXBench · evaluation 主分类 benchmark · net-new 候选）✓；1021（PTXBench · evaluation 主分类 benchmark · 重复编号确认）✓；1018（Demystifying Agent Skills · agent 主分类 eval 邻接）✓；1020（LEGO-RL · agent 主分类 eval 邻接）✓；1009（Agent Lightning v1.0 · agent 主分类 eval 邻接）✓；1003（Beyond Visual CoT · multimodal 主分类）✓；1004（StateM · agent 主分类 eval 邻接 · HF Daily 374▲ · 延续强信号）✓；1006（COMA · rag 主分类 risk 副分类）✓；1013（Preference Is Not Intervention · rag 主分类 eval 邻接 · 已在 R65 RAG 基线）✓ - knowledge/evaluation.md R51 基线 ✓

增量摘要

本轮（E1-R52，窗口 2026-08-19 下午 ~ 2026-08-20 下午）eval 主题净增量为 3 条 eval 专项 paper_card net-new（HarnessRisk + PTXBench + Six Degrees of Separation）。立标池双向锚变化：StateM 8-20 首日登顶 374▲（HF Daily #1，超 HarnessEval-W 111▲三倍），harness 化评测方法学方向结构性确认信号；ASI-Bench（51▲）新晋 AI 超对齐评测候选。其余 eval 相关候选均为邻接级或延续信号。以下如实记录检查结果。

条目一：HarnessRisk — Agent Harness 全生命周期安全基准（eval 专项 net-new ★★★）

来源：paper_cards/1010-2608-17597.md（paper_card 新建，2026-08-20）；inbox/tom/2026-08-19-evaluation-e1prep.md（R51 已提及，paper_card 尚未建；本次确认新建） arXiv：2608.17597（paper_card 1010 新建，eval benchmark） 主分类：evaluation；形态：benchmark

要点

  • 核心问题：Agent Harness 运行时有哪几类安全风险？现有安全基准多聚焦模型本身，而非 harness 层的系统性风险
  • 核心方案：HarnessRisk——将 Agent Harness 安全分解为 6 个运营阶段：Harness Configuration（配置）/ Capability Extension（能力扩展）/ Runtime Operation（运行时操作）/ State Persistence（状态持久化）/ Action Control（动作控制）/ Incident Recovery（事故恢复）；含 128 个安全场景
  • 关键发现：显式风险识别并不能可靠地带来安全的行动——某些配置在超过 90% 的运行中检测到风险，同时仍保留显著的攻击成功率（90%+ 风险检测 ≠ 安全行动保障）
  • 立标信号：paper_card 1010 新建（2026-08-20）；Tom radar 高价值条目（8-19 提及）；与 StateM/HarnessEval-W 同属 harness 生态体系；立标等级 立基础锚候选 ★★★

与 knowledge/evaluation.md R51 现有脉络的关系

  • 现有脉络：R51 §2.207 评测方法学 13 元组（HarnessEval-W + StateM harness）；R51 立标池双向锚以 StateM（374▲）+ HarnessEval-W（111▲）双锚确立"harness 化评测"为主流方向；HarnessRisk 以"harness 安全评测"填补 §2.207 第 18 元组候选空白——6 阶段 128 场景安全评测与 StateM/HarnessEval-W 形成完整的 harness 生态三角
  • 建议归入节：§2.207 评测方法学 17 元组候选 → 第 18 元组新增（HarnessRisk，harness 生命周期安全 benchmark）

矛盾 / 待核实

  • 128 个安全场景的具体分类体系（6 阶段各场景数）需 PDF 核验
  • 6 阶段与 agent harness 常见开源框架（LangChain / AutoGen / CrewAI 等）的对应关系是否给出

arXiv 列表

  • 2608.17597（✅ paper_card 1010 新建；eval 专项 net-new；立基础锚候选 ★★★）

条目二：PTXBench — GPU Kernel 优化 LLM 评测基准（eval 专项 net-new ★★★）

来源：paper_cards/1021-2608-17379.md（paper_card 新建，2026-08-20）；inbox/jay/work-queue.md Top 15（#2）；HF Daily 未上榜 arXiv：2608.17379（paper_card 1021 新建，eval benchmark） 主分类：evaluation；形态：benchmark

要点

  • 核心问题：LLM 在 GPU kernel 优化任务上的能力如何评估？PTX（Parallel Thread eXecution）是 NVIDIA GPU 的中间表示，各代 GPU 架构（Volta/Hopper/Ada/Blackwell 等）PTX 版本差异显著，LLM 能否有效利用这些差异？
  • 核心方案：PTXBench——面向架构特定 PTX 的可审计测试平台；提供 架构差异化 PTX 能力衡量基准；benchmark 评测 LLM 利用持续演进 GPU 架构的能力
  • 关键发现（TLDR）：架构特定 PTX 能力仍参差不齐（各 LLM 在不同代际 GPU 上的 PTX 优化表现差异显著）
  • 立标信号：paper_card 1021 新建（2026-08-20）；work-queue Top 15 #2（0.5 优先级）；这是 eval 专项中唯一面向 GPU 架构工程的 benchmark，填补了"LLM 工程能力评测"的空白；立标等级 立基础锚候选 ★★★

与 knowledge/evaluation.md R51 现有脉络的关系

  • 现有脉络：R51 §2.2 评测对象 80 维 + 130 子领域（无 GPU kernel 优化评测专项）；§2.207 评测方法学 17 元组候选（harness + world model + 司法 + 科学发现等）；PTXBench 填补"LLM GPU kernel 优化评测"空白，属于 §2.2 评测对象第 81 维候选（GPU 架构感知评测），同时与 §2.207 harness 方向形成横向互补（hardware-aware harness benchmark）
  • 建议归入节：§2.2 评测对象 80 维 → 第 81 维候选新增（LLM GPU Kernel 优化评测，PTXBench）；§2.207 评测方法学 17 元组 → 第 19 元组候选（hardware-aware benchmark）

矛盾 / 待核实

  • 具体评测任务类型和数量需 PDF 核验
  • 各 LLM 在 PTXBench 上的具体得分矩阵（论文 §4）需核验

arXiv 列表

  • 2608.17379（✅ paper_card 1021 新建；eval 专项 net-new；立基础锚候选 ★★★）

条目三：Six Degrees of Separation — 长上下文流形拓扑压缩度量（eval 专项 net-new ★★）

来源：paper_cards/1007-2608-17950.md（paper_card 新建，2026-08-19）；inbox/tom/_candidates/2026-08-19-agent-rag-longcontext-candidates.json；HF Daily Aug 20 未上榜 arXiv：2608.17950（paper_card 1007 新建，eval method） 主分类：evaluation；形态：method

要点

  • 核心问题：LLM 的潜空间如何组织抽象推理所需的拓扑结构？长上下文场景中，"六度分隔"效应在 LLM 潜空间中是否存在？能否用几何签名评估事实可靠性？
  • 核心方案：提出严格几何签名（strictly geometric signature）用于评估事实可靠性；证明深度 LLM 潜空间天然组织为小世界网络（Small-World networks）；数学形式化了 Transformer 执行抽象推理的方式
  • 关键贡献：提供可量化的几何评测指标（Small-World 网络特征度量），替代传统的"答案正确率"——同一模型在不同激活路径上事实可靠性存在差异（路径依赖性）
  • 立标信号：paper_card 1007 新建（2026-08-19，R51 窗口未归入本次简报，本次补录）；主分类 evaluation；立标等级 候选级中档 ★★★（几何签名评测方法新颖，与传统 benchmark 方法论正交）

与 knowledge/evaluation.md R51 现有脉络的关系

  • 现有脉络：R51 §2.1 评测方法学 32 轴（无"几何拓扑"轴）；§2.2 评测对象 80 维（无潜空间结构评测）；Six Degrees of Separation 以"几何签名评测事实可靠性"填补"LLM 潜空间拓扑可评测性"空白，属于 §2.1 新增第 33 轴候选（几何/拓扑评测轴）
  • 建议归入节：§2.1 评测方法学 32 轴 → 新增第 33 轴候选（几何/拓扑评测方法，Small-World 网络签名）；§2.2 评测对象 80 维 → 第 81 维候选（潜空间拓扑评测）

矛盾 / 待核实

  • 具体几何签名指标的可操作性和复现性需 PDF 核验
  • Small-World 网络特征在 LLM 间的可迁移性（跨架构）待核实

arXiv 列表

  • 2608.17950（✅ paper_card 1007 新建；eval 专项 net-new；候选级中档 ★★★）

条目四：StateM — Terminal-Bench 2.1 登顶 374▲（eval 邻接候选，延续强信号）

来源：HF Daily 2026-08-20 #1，374▲；paper_cards/1004-2608-15089.md（agent 主分类 eval 邻接） arXiv：2608.15089（paper_card 1004 已建；agent 主分类 eval 邻接）

要点

  • 核心：Agent-native runtime，通过持久化 state、phase-local 上下文、受检 transition、可恢复 runbook 组织执行；不改模型权重的前提下通过 harness scaling 改善执行系统
  • 关键数据：Terminal-Bench 2.1 上 95.3% 原始准确率，或 15 美元的前沿运行成本
  • 与 eval 的关联：本质上是一个新型 harness 架构；其 Terminal-Bench 2.1 评测结果是 Agent 评测基础设施演进的标志事件
  • 立标信号：HF Daily 8-20 首日 374▲ = 今日 HF Daily #1，是 HarnessEval-W（111▲）的三倍有余；harness 化评测方向结构性确认信号

与 knowledge/evaluation.md R51 现有脉络的关系

  • 已有锚入：R51 已锚入 §2.207（StateM harness + Terminal-Bench）；本次补充：8-20 374▲ 强信号 = R52 立标池双向锚第 7 日新增锚，harness 化方向结构性强化确认
  • 建议归入节：§2.207 评测方法学 17 元组候选 → StateM 双锚（立标信号 + 候选元组）

矛盾 / 待核实

  • 无

arXiv 列表

  • 2608.15089（✅ paper_card 1004 已建；eval 邻接；HF Daily 374▲）

条目五：ASI-Bench — 人工智能超级智能评测基准（eval 邻接候选）

来源：HF Daily 2026-08-20 #7，51▲ arXiv：2608.17271（paper_card 未建）

要点

  • 核心问题：超人类水平 AI（ASI）的评测如何设计？现有 benchmark 无法可靠区分超人类模型与人类顶级专家
  • 核心方案：ASI-Bench——针对 AI 超级智能的专门评测框架；核心挑战是评测任务本身是否对超人类能力可解
  • 立标信号：HF Daily 8-20 #7，51▲（新晋）；paper_card 未建

与 knowledge/evaluation.md R51 现有脉络的关系

  • 现有脉络：R51 无 ASI 评测专项；ASI-Bench 填补"超人类 AI 评测"空白，属于 §2.2 评测对象邻接维候选（超对齐评测方向）
  • 建议归入节：§2.2 评测对象邻接维 → 新增 ASI 超对齐评测候选

矛盾 / 待核实

  • paper_card 未建；需新建
  • 评测任务的"ASI 可解性"判定标准需 PDF 核验

arXiv 列表

  • 2608.17271（❌ paper_card 未建；eval 邻接 ASI 超对齐；HF Daily 51▲）

条目六：LEGO-RL — Harness 原生强化学习（eval 邻接候选）

来源：paper_cards/1020-2608-17393.md（agent 主分类 eval 副分类） arXiv：2608.17393（paper_card 1020 已建）

要点

  • 核心：LIFE-RL 框架——在不改内部控制流的前提下，将原生 coding-agent harness 与可扩展策略梯度优化相连接；在三个原生 coding-agent harness 上训练稀疏 MoE 模型 Qwen3.5-35B-A3B
  • 与 eval 的关联：Agent harness 本身就是评测基础设施；LEGO-RL 探索如何用 RL 优化 harness，属于 eval 邻接的邻接（与 ClawGym II 同方向）

与 knowledge/evaluation.md R51 现有脉络的关系

  • 现有脉络：R51 §2.207 评测方法学 17 元组候选（StateM + HarnessEval-W + HarnessRisk）；LEGO-RL 以"RL 优化 harness"补充 harness 生态，与 ClawGym II 同方向簇
  • 建议归入节：§2.207 评测方法学邻接 → LEGO-RL（harness 原生 RL 优化方向）

矛盾 / 待核实

  • 无

arXiv 列表

  • 2608.17393（✅ paper_card 1020 已建；eval 邻接 LEGO-RL）

综合：立标池双向锚第 7 日信号（R52 窗口）

HF Daily 8-20 立标池双向锚进入第 7 日： - StateM 8-20 首日 374▲（HF Daily #1）——新晋锚登顶，harness 化方向结构性强化（是 HarnessEval-W 111▲ 的 3.37 倍） - ASI-Bench 8-20 首日 51▲（HF Daily #7）——新晋 ASI 超对齐评测锚 - HarnessEval-W 8-19 首日 111▲（HF Daily #2）——维持（无 8-20 数据） - LLMRouter 8-15 90▲ → 8-16 94▲ → 8-17 102▲ → 8-18 42▲ → 8-19 10▲ → 8-20 跌出 top 15（衰减确认） - DarwinX 8-15 59▲ → 8-16 66▲ → 8-17 84▲ → 8-18 35▲ → 8-19 跌出 top 15（衰减确认） - Mechanist 8-15 82▲ → 8-16 82▲ → 8-17 84▲ → 8-18 6▲ → 8-19 5▲ → 8-20 跌出 top 15（衰减确认） - PlayWorld 8-15→8-20 连续跌出（维持衰减） - ClawGym II 8-19 首日 34▲（HF Daily #7）——维持（无 8-20 数据）

立标池双向锚第 7 日：StateM 374▲ 新锚登顶 + ASI-Bench 51▲ 新锚 + LLMRouter/DarwinX/Mechanist 三件同日向跌出 = 强信号结构性切换，harness 化 + ASI 超对齐新方向确立

综合：矛盾与待核实清单

  1. arXiv:2608.17597（HarnessRisk）：paper_card 1010 ✅ 新建；eval 专项 net-new ★★★；立基础锚候选
  2. arXiv:2608.17379（PTXBench）：paper_card 1021 ✅ 新建；eval 专项 net-new ★★★；立基础锚候选
  3. arXiv:2608.17950（Six Degrees of Separation）：paper_card 1007 ✅ 新建；eval 专项 net-new ★★★（几何签名评测方法新颖）
  4. arXiv:2608.17271（ASI-Bench）：paper_card ❌ 未建；eval 邻接；HF Daily 51▲
  5. arXiv:2608.15089（StateM）：paper_card 1004 ✅ 已建；eval 邻接；HF Daily 374▲ = R52 新锚
  6. Is this Citation on Point?（2608.12571）：paper_card 983 ✅ 已建；eval.md 仍未归口（跨轮 R45→R52 遗留）
  7. Apodex Discovery（2608.11341）：paper_card 984 ✅ 已建；eval.md 仍未归口（跨轮 R47→R52 遗留）
  8. CPI-Bench（2608.14546）：paper_card ✅ 已建；eval.md 仍未归口（跨轮遗留）
  9. Forecast Collapse（2608.14106）：paper_card ✅ 已建；eval.md 仍未归口（跨轮遗留）
  10. MobileMem（2608.13606）：paper_card 971 ✅ 已建；eval.md 仍未归口（跨轮遗留）
  11. arXiv:2608.13417（超越最终分数）：paper_card ❌ 仍未建；eval 专项；HF Daily 8-18 #3 42▲（跨轮 R50→R52 仍未建卡）
  12. AgentRx（2605.10286）：R51 §2.207 第 13 元组候选；paper_card ❌ 仍未建（跨轮遗留）
  13. ClawGym II（2608.16798）：R51 eval 邻接；paper_card ❌ 仍未建（HF Daily 34▲）
  14. 信息满足度（2608.14457）：R51 eval 邻接；paper_card ❌ 仍未建（Cool Papers 精选）
  15. MMLongEmbed（2606.14747）：paper_card ❌ 未建；flyp critical-read 精读草稿（A4 核验中）

本轮检查过的来源（无新增时列出）

来源 文件 Evaluation 相关性
/shared/research-kb/organized/queue/work-queue.md 2026-08-20 14:00 Top 15 含 PTXBench #2（0.5）+ LEGO-RL #3 + 其他 eval 相关件 ✓
inbox/tom/2026-08-20-0900-hf-daily-2026-08-20.md 8-20 HF Daily StateM 374▲ #1（eval 邻接 harness）✓；ASI-Bench 51▲ #7（eval 邻接）✓；Agent Lightning 16▲（eval 邻接）✓
inbox/tom/2026-08-20-agent-rag-longcontext-radar.md 8-20 Tom radar Zetta-ζ 闭环具身评测（eval 邻接）✓；SemComp-Bench 语义评测（eval 邻接）✓；无 eval 专项新件
inbox/tom/2026-08-20T0840-agent-rag-longcontext-radar.md 8-20 Tom radar v2 同上 ✓
inbox/tom/2026-08-19-evaluation-e1prep.md 8-19 E1 简报 R51 基线（3 条 eval 专项 net-new + 5 条 eval 邻接候选）✓
inbox/jay/2026-08-19-engineering-inference-agent-eval-filtered.md 8-19 Jay 工程筛选 ReliabilityBench AAMAS 2026 + MAS-FIRE 故障注入 + Agent Harness 方法论 3 篇（eval 邻接）✓
inbox/jay/2026-08-11T1510-jay-agent-harness-evaluation-methodology.md 8-11 Jay 汇总 Stop Comparing + Harness-Bench + LoopsBench 三篇（eval 邻接）✓
inbox/flyp/2026-08-18-mm-long-context-evaluation.md 8-18 flyp 精读 MMLongBench + MMLongEmbed 含 R1-R7 反方 + 7 维评测设计原则（eval 方法学）✓
inbox/flyp/2026-08-18-1550-agent-evals-cameron-wolfe-light-read.md 8-18 flyp light-read Agent 评测方法学 7 要点（eval 方法学邻接）✓
inbox/spark（8/18~8/20） spark inbox 无 eval 专项新件 ✓
inbox/stephen（8/18~8/20） stephen inbox 无 eval 直接增量 ✓
paper_cards/1007-2608-17950（Six Degrees of Separation） evaluation ✅ paper_card 新建（8-19）；eval 专项 net-new ★★★
paper_cards/1010-2608-17597（HarnessRisk） evaluation ✅ paper_card 新建（8-20）；eval 专项 net-new ★★★
paper_cards/1021-2608-17379（PTXBench） evaluation ✅ paper_card 新建（8-20）；eval 专项 net-new ★★★
paper_cards/1004-2608-15089（StateM） agent ✅ paper_card 已建；eval 邻接；HF Daily 374▲ R52 新锚
paper_cards/1009-2608-17528（Agent Lightning v1.0） agent ✅ paper_card 已建；eval 邻接（harness 自我改进）
paper_cards/1018-2608-14036（Demystifying Agent Skills） agent ✅ paper_card 已建；eval 邻接（Agent 技能评测）
paper_cards/1020-2608-17393（LEGO-RL） agent ✅ paper_card 已建；eval 邻接（harness 原生 RL）
paper_cards/1003-2608-15869（Beyond Visual CoT） multimodal 非 eval 专项
paper_cards/1013-2608-17781（Preference Is Not Intervention） rag eval 邻接；已在 RAG 基线（R65）
paper_cards/1006-2608-17960（COMA） rag 非 eval 专项
knowledge/evaluation.md R51 2026-08-19 15:40 确认现有脉络：80 维 + 33 邻接 + 130 子领域 + §2.207 17 元组 + 立标池双向锚第 6 日 + 跨轮遗留 5 件

结论

本轮（E1-R52，2026-08-20）eval 主题eval 专项 net-new paper_card 3 条（HarnessRisk ★★★ + PTXBench ★★★ + Six Degrees of Separation ★★★）。

立标池双向锚结构性变化（R52 第 7 日）： - StateM 8-20 首日登顶 374▲（HF Daily #1）——新晋锚，harness 化评测方向结构性强化（是 HarnessEval-W 111▲ 的 3.37 倍）；ASI-Bench 8-20 首日 51▲——新晋 ASI 超对齐评测锚 - LLMRouter + DarwinX + Mechanist 三件同日跌出 top 15——立标池强信号结构性切换，harness 化 + ASI 超对齐新方向确立 - PlayWorld 连续跌出确认；ClawGym II + HarnessEval-W 维持（无 8-20 数据）

eval 专项净增 3 条 + eval 邻接候选 4 条： - eval 专项（net-new paper_card）： - HarnessRisk（2608.17597，paper_card 1010 新建，6 阶段 128 场景 harness 安全评测 ★★★） - PTXBench（2608.17379，paper_card 1021 新建，GPU kernel 优化 LLM 评测 ★★★） - Six Degrees of Separation（2608.17950，paper_card 1007 新建，几何签名评测事实可靠性 ★★★）

  • eval 邻接候选：
  • StateM（2608.15089，374▲，HF Daily #1，harness 化方向结构性强化）
  • ASI-Bench（2608.17271，51▲，paper_card 未建，ASI 超对齐评测候选）
  • LEGO-RL（2608.17393，paper_card 已建，harness 原生 RL 优化方向）
  • Agent Lightning v1.0（2608.17528，eval 邻接，harness 自我改进）

涉及 arXiv 号：2608.17597（✅ paper_card 1010 已建/net-new ★★★）、2608.17379（✅ paper_card 1021 已建/net-new ★★★）、2608.17950（✅ paper_card 1007 已建/net-new ★★★）、2608.15089（✅ 已建卡/eval 邻接/374▲）、2608.17271（❌ paper_card 未建/ASI-Bench）、2608.17393（✅ 已建卡/eval 邻接）、2608.17528（✅ 已建卡/eval 邻接）

建议后续动作： - [ ] HarnessRisk（2608.17597）立基础锚 ★★★（paper_card 1010 已建） - [ ] PTXBench（2608.17379）立基础锚 ★★★（paper_card 1021 已建；work-queue Top 15 #2） - [ ] Six Degrees of Separation（2608.17950）候选级中档 ★★★（几何签名方法论新颖） - [ ] ASI-Bench（2608.17271）paper_card 新建（HF Daily 51▲，ASI 超对齐评测） - [ ] StateM（2608.15089）R52 立标池新增锚（374▲） - [ ] Is this Citation on Point?（2608.12571）eval.md 归口（跨轮 R45→R52 遗留） - [ ] Apodex Discovery（2608.11341）eval.md 归口（跨轮 R47→R52 遗留） - [ ] CPI-Bench（2608.14546）eval.md 归口（跨轮遗留） - [ ] Forecast Collapse（2608.14106）eval.md 归口（跨轮遗留） - [ ] MobileMem（2608.13606）eval.md 归口（跨轮遗留） - [ ] arXiv:2608.13417（超越最终分数）paper_card 新建（跨轮 R50→R52 仍未建卡） - [ ] AgentRx（2605.10286）paper_card 新建（R51 §2.207 第 13 元组候选，跨轮遗留） - [ ] ClawGym II（2608.16798）paper_card 新建（R51 eval 邻接，HF Daily 34▲） - [ ] 信息满足度（2608.14457）paper_card 新建（R51 eval 邻接，Cool Papers 精选） - [ ] MMLongEmbed（2606.14747）paper_card 新建（flyp A4 核验中） - [ ] LEGO-RL（2608.17393）§2.207 候选（Harness 原生 RL 优化） - [ ] Agent Lightning v1.0（2608.17528）§2.207 候选邻接

Tom · 2026-08-20 15:40 CST · E1 预消化简报 · evaluation 主题 · 3 条 eval 专项 net-new（HarnessRisk ★★★ + PTXBench ★★★ + Six Degrees of Separation ★★★）+ 4 条 eval 邻接候选 + 立标池 StateM 374▲ 新锚登顶 + LLMRouter/DarwinX/Mechanist 三件同日衰减 · 涉及 arXiv：2608.17597（✅已建卡/net-new ★★★）/ 2608.17379（✅已建卡/net-new ★★★）/ 2608.17950（✅已建卡/net-new ★★★）/ 2608.15089（✅已建卡/eval邻接/374▲）/ 2608.17271（❌未建卡/ASI-Bench/51▲）/ 2608.17393（✅已建卡/eval邻接）/ 2608.17528（✅已建卡/eval邻接）