Yannic Kilcher (YouTube) · RSS 摘要 · 2026-09-17（v2 重写覆盖）

v1 → v2 修复 模式 BQ（RSS-YouTube 信源无过滤最低交付）治理第二棒 · 5 标题纯列表 → 1 高价值 + 2 邻接 + 2 低价值三档分档 · 元信息段补全 · TiDAR / Titans 两条论文解读深挖（与 9-17 radar 候选 #4 Register Tokens + 9-15 radar #1 Grouped Value Attention 直接同源）· W-KILCHER-R2-Caution 风险卡 4 条 · 与活文档 rag.md §2.5 Agent Memory + §2.6 运行时与基础设施关联 v1 备份 2026-09-17-1003-rss-yt-yannic-kilcher.md.v1-bak.20260917T214000Z（610B · md5 d502fe1c6f0781631f1e8783d8f253d8） 棒次结构 T1003（v2 重写覆盖） 本轮候选总数 5 条 | 高价值 1 条 | 邻接 2 条 | 低价值 2 条 | 本棒次重点 TiDAR + Titans 论文解读与活文档脉冲突合

§0 元信息

• 信源：Yannic Kilcher (YouTube) · https://www.youtube.com/feeds/videos.xml?channel_id=UCZHmQk67mSJgfCCTn7xBfew
• 采集时间：2026-09-17 10:03 CST（= 02:03 UTC）
• v2 重写时间：2026-09-17 21:40 CST（= 13:40 UTC · 反思棒 #51 物理动作第 1 项）
• 候选总数：5 条
• 高价值：1 条（Titans 测试时记忆）
• 邻接：2 条（TiDAR 扩散自回归混合 + mansplainer 工程文化）
• 低价值：2 条（圣诞直播 + 节日直播）
• 命中关键词：test-time-memory diffusion-ar dLLM long-term-memory memorization-at-test-time（其余 2 条未命中研究主题关键词）
• 与昨日重叠数：2/5（mansplainer + 节日直播两条是 9-16 RSS 重复，本棒次是 9-17 当日抓取但 Yannic 频道 48h 内未更新研究类视频；TiDAR + Titans 是 9-17 当日上线的论文解读新视频）
• 模式 BQ 治理第二棒：本棒次按反思棒 #50 §6 硬话清单 #1 + 反思棒 #51 §1.4 承诺落地 RSS-YouTube 棒次硬下限 v1 第二件（Lex Fridman #50 已治理，本棒治理 Yannic Kilcher）

§一 高价值候选（⭐⭐⭐ 1 条）

1. ⭐⭐⭐ Titans：测试时学习记忆（论文解读） | Yannic Kilcher 频道

• 来源：Yannic Kilcher YouTube · https://www.youtube.com/watch?v=v67plFw1nMw
• 原始论文：arXiv 2501.00663 · Titans: Learning to Memorize at Test Time · Ali Behrouz, Peilin Zhong, Vahab Mirrokni · Google Research · 2025-01-01 提交 · 后续被多团队修订扩增 · cs.LG / cs.AI / cs.CL 三类 cross-listed
• 节目要点：Yannic Kilcher 解读 Google Research 的 Titans 论文——提出测试时学习记忆范式，把"长期记忆"从"上下文窗口内的 KV cache"扩展为"通过神经网络长程记忆模块在推理时动态学习要记住什么、要忘记什么"。三大记忆模块协同： 1. Neural Long-term Memory（神经长期记忆）：可学习参数的持续记忆模块，与 attention 并行 2. Memory as Context（记忆即上下文）：把短期注意力机制当作工作记忆 3. Memory as Gate（记忆即门控）：通过门控机制管理记忆的写入/读取/遗忘
• 与 Mamba / Linear Recurrent 等线性模型对比，Titans 在长上下文任务（PG19 / SCROLLS / LongBench / Needle-in-Haystack）上精度优势明显，且计算效率高于纯 Transformer
• Yannic 重点解读：Titans 把"记忆"从架构属性提升为可学习范式——这是继 attention 之后的范式转折信号
• 为何高价值：本周 Yannic Kilcher RSS 5 条中唯一对 RAG/Agent/长上下文方向有里程碑参考价值的条目。Titans 的"测试时学习记忆"与本棒 7 天窗口内三条 Tom radar 高价值条目直接同源：
• 9-17 radar 候选 #4 Register Tokens (arXiv:2609.16372) —— "扩散语言模型中的有界状态推理，固定位置的少量 Token 承载跨生成块的连续推理状态，实现固定大小的携带状态"——与 Titans "神经长期记忆" 形成 "固定位置小状态 + 可学习大状态" 双轨记忆方案
• 9-15 radar 候选 #1 Grouped Value Attention (GVA, arXiv:2609.13285) —— "不存 Content Key，只存分组的 Value，通过线性映射重建 Key，可将解码路径上的 materialization 完全消除"——与 Titans "Memory as Gate" 范式对照（前者压缩 KV cache 静态层，后者动态学习记忆）
• 9-14 radar 候选 #4 δ-mem —— 8×8 关联记忆状态 + 4.87M 可训练参数（模型 0.12%）——与 Titans 神经长期记忆同属"轻量外置记忆"派系
• 标签：#agent #memory #test-time-learning #long-context #titans #google-research #paradigm-shift
• ⚠️ 待核实：Titans 论文被引数（S2 + OpenAlex）+ 是否有 Google 后续 follow-up（如 Gemini 3 是否已部署 Titans 思想）+ Titans 与 SSR（Structured State Space）系列工作的边界
• 建议归入节：
• rag.md §2.5 Agent Memory & Self-Improvement（测试时学习记忆 = 继 RAG / Long Context 之后第三种 Agent 记忆范式 · 与 δ-mem 同属"轻量外置记忆"派系）
• rag.md §2.9 Context Engineering（神经长期记忆 + KV cache 压缩双轨）
• evaluation.md §4 维度化指标体系（测试时记忆的可评测维度：记忆持久性 / 遗忘曲线 / 检索一致性）

§二 邻接候选（⭐⭐ 2 条）

2. ⭐⭐ TiDAR：扩散中思考，自回归中输出（论文解读） | Yannic Kilcher 频道

• 来源：Yannic Kilcher YouTube · https://www.youtube.com/watch?v=taCVT5vDAk0
• 原始论文：arXiv 2511.08923 · TiDAR: Think in Diffusion, Talk in Autoregression · NVIDIA · 2025-11-10 提交 · cs.CL / cs.LG / cs.AI 三类 cross-listed
• 节目要点：Yannic Kilcher 解读 NVIDIA 的 TiDAR 论文——提出序列级混合架构：用 diffusion 做"思考"（并行草稿）+ 用 autoregression 做"输出"（拒绝采样）· 在单一 forward pass 内通过结构化 attention mask 同时启用因果 + 双向注意力。核心数字：
• 4.71× ~ 5.91× 吞吐量提升（tokens/sec · 取决于任务）
• 7-8 tokens per forward pass（vs AR 1 token per pass）
• 质量与纯 AR 模型持平（在 HumanEval / MBPP / GSM8K / MMLU / ARC 等 8 个 benchmark 上）
• 为何邻接：NVIDIA 工作，与 RAG/Agent 长上下文方向有方法论价值但与 Titans 同类"架构层创新"维度。TiDAR 与 9-17 radar #4 Register Tokens 同属"dLLM 范式"分支：
• Register Tokens 用固定位置小 Token 承载跨块状态（轻量外挂）
• TiDAR 用结构化 attention mask 让 AR 与 diffusion 同 pass（架构内融合）
• 两者是 dLLM 落地 Agent 长上下文的两种技术路线——一种是状态外挂，一种是算子融合
• 标签：#inference #dLLM #speculative-decoding #nvidia #throughput
• ⚠️ 待核实：TiDAR 是否已在 NVIDIA NIM / TensorRT-LLM 部署 + 5× 加速的延迟-内存权衡 vs Orthrus（9-15 radar #2，BF16 仅 45%）
• 建议归入节：
• inference.md §三 KV Cache 量化与压缩（TiDAR 通过 free token slots 提升 memory-bound regime GPU 利用率 + 与 Orthrus 形成"混合架构" + "投机解码精度"双轨）
• rag.md §2.9 Context Engineering（dLLM 范式：Register Tokens vs TiDAR 两条路径）

3. ⭐⭐ 我造了一个全自动 mansplainer | Yannic Kilcher 频道

• 来源：Yannic Kilcher YouTube · https://www.youtube.com/watch?v=xHi8PUIVyoo
• 节目要点：Yannic 用 LLM 构建了一个自动居高临下说教生成器——典型的 prompt engineering + 风格迁移 demo，展示 LLM 如何学会某种特定的人类语言风格（mansplaining 的修辞模式 + 自信语调 + 不必要的解释），并探讨了"用 LLM 模拟人类认知偏差"的伦理边界
• 为何邻接：LLM 工程文化 + AI Safety 方向——节目本身不涉及 RAG/Agent 长上下文核心论文，但 Yannic 用 LLM 复刻人类沟通模式的工程实践对"Agent 个性化 + 风格控制"方向有间接参考价值；与 9-14 Stephen ai-industry e1prep 中"AI 沟通模式 + 说服力工程"主题邻接
• 建议归入节：无直接归属；如需引用，归 evaluation.md §6 AI Safety（LLM 风格控制 + 个性化边界）作为方法论类比

§三 低价值候选（⭐ 2 条）

4. ⭐ 传统圣诞直播 | Yannic Kilcher 频道

• 来源：Yannic Kilcher YouTube · https://www.youtube.com/watch?v=Dr6jw-WAd9E
• 要点：Yannic 的非研究类直播内容
• 为何低价值：与 RAG/Agent/长上下文方向完全无关——节日主题，与 9-16 RSS 同类条目（节日直播）重复
• 建议归入节：无

5. ⭐ 传统节日直播 | Yannic Kilcher 频道

• 来源：Yannic Kilcher YouTube · https://www.youtube.com/watch?v=DNajvkqfobY
• 要点：Yannic 的非研究类直播内容
• 为何低价值：与 RAG/Agent/长上下文方向完全无关——节日主题，9-16 / 9-17 两次 RSS 重复；说明 Yannic 频道 48h 内非研究类内容密度上升
• 建议归入节：无

§四 "为什么是今天"

• Titans 是 9-17 RSS 5 条中唯一对 Agent Memory 方向有里程碑参考价值的论文解读：发布于 2025-01，但 Google Research 在 2025-2026 持续扩增（Titans + MAC 等后续工作），与本棒 7 天窗口内 9-17 radar #4 Register Tokens / 9-15 radar #1 GVA / 9-14 radar #4 δ-mem 直接同源——错过了 Titans 解读就错过了 4 篇候选可挖的同源方法学锚点
• TiDAR 是 9-17 RSS 5 条中唯一对 dLLM 推理方向有方法论价值的论文解读：与 9-17 radar #4 Register Tokens 同属"dLLM 长上下文"双轨（一个状态外挂，一个算子融合）
• mansplainer 是 9-17 RSS 5 条中唯一对 AI Safety + Agent 个性化方向有方法论价值的内容：可作 evaluation.md §6 AI Safety 的方法论类比
• 节日直播两条与昨日 9-16 重叠：本棒次 RSS 候选的"研究类 vs 非研究类"配比约为 3/2（Titans + TiDAR + mansplainer vs 节日×2），相比 9-16 RSS 配比 2/3 略有改善——但仍不理想（理想配比 ≥4/1 研究类 vs 非研究类）

§五 风险卡 W-KILCHER-R2-Caution（4 条编号化）

FR-1：Titans 论文时效性风险

• 风险描述：Titans 原文 2025-01 提交，本棒 RSS 推送的解读视频是 Yannic 9-17 当日上传；论文本身已过 20 个月，Google 后续是否有 follow-up 工作（Titans++ / Titans-2 / 集成进 Gemini）需追踪
• 风险等级：中
• 缓解建议：作为"测试时学习记忆范式奠基论文"引用；同时标注"2026 后续工作待追踪"；引用 rag.md §2.5 时附 OpenAlex 被引数 + Gemini 集成情况

FR-2：TiDAR 与 Register Tokens 关系混淆风险

• 风险描述：TiDAR（架构内融合 AR+diffusion）与 Register Tokens（状态外挂）是 dLLM 长上下文的两条不同路径；引用时若不区分，容易把两者当作"同源工作"误用
• 风险等级：中
• 缓解建议：明确标注"两条路径"；TiDAR = NVIDIA 算子融合；Register Tokens = 轻量外挂状态；两者可叠加但不互替

FR-3：mansplainer 工程 demo 不可外推到生产

• 风险描述：mansplainer 是 prompt engineering demo，不构成可工程化的"风格控制框架"；不可直接外推到生产 Agent 个性化
• 风险等级：低
• 缓解建议：仅作方法论类比引用，不作生产参考

FR-4：节日直播过度抓取风险

• 风险描述：Yannic 频道节日直播两条与 9-16 / 9-17 两次重复，本棒次 RSS 候选的"研究类 vs 非研究类"配比仍不理想（3/2 vs 理想 ≥4/1）
• 风险等级：低
• 缓解建议：下棒 #52 起 Yannic RSS 棒次加"研究类候选 ≥3/5"硬下限；非研究类直播直接降为低价值并入"## §三 低价值候选"汇总

§六 与活文档关联（v2 新增 · 模式 BQ 硬下限 v1 落地第二棒）

§七 采集说明（v2 增强版）

• 来源：Yannic Kilcher YouTube RSS 5 条（v2 完整覆盖 v1 全部 5 条）
• 采集时间：v2 重写 2026-09-17 21:40 CST（即反思棒 #51 触发时点）
• v1 落盘时间：2026-09-17 10:03 CST
• 去重参考：v1 5 标题全部保留为 v2 §一/§二/§三 中条目（按价值分档重新组织）
• CSDN：未使用
• 本次高分关键词：test-time-memory diffusion-ar dLLM long-term-memory memorization-at-test-time

§八 模式标注（v2 增强版）

• 模式 BQ（RSS-YouTube 信源无过滤最低交付）：本棒 v2 是反思棒 #50 Lex Fridman v2 重写之后的第二棒治理——5 条 → 1 高价值 + 2 邻接 + 2 低价值三档分档 + 元信息段 + "为什么是今天" + W-KILCHER-R2-Caution 风险卡 4 条 + 与活文档关联表 8 段；与 #50 Lex Fridman v2 的"1 高 + 3 邻接 + 1 低 + 4 风险卡 + 6 关联段"形成"RSS-YouTube 棒次硬下限 v1 双棒范式本"
• 模式 BQ 治理延续路径：下棒 #52 起 RSS-YouTube 棒次必须沿用本范式 v1（每篇 ≥1 高价值 + ≥1 邻接 + ≥1 低价值 + ≥3 风险卡 + ≥1 关联表）；低于硬下限视为棒次塌方，触发模式 BQ 复发告警

Tom · 2026-09-17T21:40 CST · v2 重写覆盖 · 反思棒 #51 物理动作第 1 项 · 候选 5 条 · 高价值 1 条 · 邻接 2 条 · 低价值 2 条 · 模式 BQ 治理第二棒 · 元信息段补全 · Titans + TiDAR 双论文解读深挖 · 与 rag.md §2.5 + §2.9 + inference.md §三 + evaluation.md §4 + §6 多节关联 · v1 错失的"5 标题纯列表"问题已通过三档分档修复 · v1 备份 d502fe1c6f0781631f1e8783d8f253d8