evaluation · E1 预消化简报(2026-10-30)

作者：Tom · E1 日间预消化轮（evaluation）· 供今晚主题活文档接力预习 来源边界：宿主机增量清单 work-guard/4ec36223-61dc-4ef2-a5be-d4ebffdb8ab7.json（1 item / 8 件 materials，逐件读取 item.materials[].source，未只取 item.source）。本轮零 web_search、零全库扫描、未读清单外材料、未修改活文档 / 队列 / 清单 / 认领记录。另按任务要求只读脉络对照文件 organized/queue/work-queue.md 与活文档 organized/knowledge/evaluation.md（R110 版）。

0. 队列与现状定位

  • organized/queue/work-queue.md（自动生成 2026-10-30 14:00）记 evaluation：5 天未更新；活文档最新一轮为 R110（2026-10-24 16:50 · 第八十八重）。
  • R110 骨架（今晚接力需要知道的三件事）：四阶纵深（调度层 Ray 252 → 平台层 Langfuse 228 → 数据层 DataEvolver 231 → 表示层 NLAH 246）；§1.11 具身基准"可比性契约"（RoboDojo 251）与评测对象新增"权限继承正确性"；§1.11.3 RAG 评测对象第二次切分：知识（外部 RAG）vs 记忆（agent 自身状态）；§6.193 判定与 §7.5 行业信号段为归节出口。
  • 队列 §1 仍列 2610.12998（LLM Creativity Long-Tail） 为"高价值待深度解读"首位——它已是 R104 锚 219，属消化欠账而非新增量。

本轮判读总览：8 件材料中论文级 NET-new 有 8 篇（其中对 evaluation 方法学直接相关的 3 篇：RealCLI / Co-Design Bench / Glance），工程侧 NET-new 有 2 条（Quarkus×Langfuse 三层评估、vLLM+Dify 双层截断归因陷阱），另有分类噪声与卡片层历史地标各 2 件。材料量足够支撑 8 条主要增量，但不足以支撑"评测基础设施新范式"级别的升锚——本轮没有出现可复现实现仓、没有出现统一基准载体、没有出现与 251/253/255 同级的工件。

1. 今日最重要的增量（8 条）

增量 1 ★★ arXiv:2610.22507 —— RealCLI：把"人机协作质量"变成独立可评测对象

  • 来源：inbox/tom/2026-10-30T0840-agent-rag-longcontext-radar.md（第 2 篇，来源索引 https://arxiv.org/abs/2610.22507）
  • 要点：题目《RealCLI: Toward a Unified Evaluation of Human-Agent Collaboration for CLI Agents》。批评现有 CLI agent 基准的两个极端：要么假设用户指令全程不变（无法测中途澄清），要么只看任务结果（丢掉过程中的协作质量）。做法是成对基准，同时评"任务是否完成"与"人机协作质量"，配套五维框架 → 下拆 22 个子维度 → 51 个交互场景模板，并提供 REALCLI-EXEC 等配对模式。
  • 与活文档脉络的关系：直接续在 §1.2 LLM-as-Judge 失效模式 10 元与 §1.1 评测诚信层之后。本轮两篇其他材料（Quarkus×Langfuse 的"实时 LLM-as-a-judge 用异源模型族"、Co-Design Bench 的"无参考解 + 自动判定器"）都在回答同一问题的不同侧面：谁来判、判的粒度、判错时的噪声。RealCLI 是三者中唯一把"协作过程"本身作为评测对象的——它与 §1.11.2 权限继承维度是同一代际的"评测对象扩容"（从输出质量 → 过程质量），但未见与权限维度的交叉，今晚可作为该扩容轴的第二个独立证据点。
  • 建议归入：§1.2 LLM-as-Judge 失效模式（新增协作质量子元） 或 §3 锚记录新增 1 条锚预备级（★）；同时在 §1.1 留一句"评测对象从终点扩到过程"的呼应。倾向锚预备级，不升正式锚（尚无官方实现仓）。

增量 2 ★★ arXiv:2610.35138 —— Co-Design Bench：真实用户会话语料 + 自动判定器噪声

  • 来源：inbox/tom/2026-10-30T1440-agent-rag-longcontext-radar.md（第 3 篇，https://arxiv.org/abs/2610.35138）
  • 要点：题目《Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models》。语料链条：26,314 个真实用户编码会话 → 清洗去重出 37,463 条请求 → 筛成 273 个"参考无关任务"，分多模态编辑与仓库编辑两轨，每轨配归一化请求与可运行项目。价值在于提供少见的"真实用户多模态需求 → 可运行代码"真实语料基准。
  • 与活文档脉络的关系：这是 R107 锚 242 Multimodal Repo-Level Coding 评测（arXiv:2606.14061）之后同族的第二个真实用户语料基准，但形态相反——242 关心评测 ROI，Co-Design Bench 关心语料真实性。更关键的是它把 §1.1 评测诚信层的两个老问题摆到台面上：无参考解 → 依赖自动判定器 → 判定噪声不可估计。这与 §1.2 的 judge 失效模式 10 元是同一问题的两种形态（judge 判得偏 vs 判定器噪声），今晚可在 §1.1/§1.2 补一条"判定器可信度未被评测"的开放问题。
  • 建议归入：§1.1 评测诚信（判定器噪声新维度） + §3 锚预备级（★） + §7.5（真实语料基准）。

增量 3 ★ arXiv:2610.40454 —— Glance：生成器自任重排器，压缩的是"评测对象分层"

  • 来源：inbox/tom/2026-10-30T1440-agent-rag-longcontext-radar.md（第 1 篇，https://arxiv.org/abs/2610.40454）
  • 要点：题目《Glance: The Generator Is Its Own Reranker》。给生成器加轻量决策适配器与指针头，从共享 prefill 分叉出轻量相关性探针，一次前向给每个候选段落打分，不再为每个 query-passage 对单独驻留模型。摘要称单个 9B 骨干同时承担生成、通用决策与重排，每项决策技能约 0.1 GiB 额外显存，微调 39 分钟后达到 MS MARCO 上的 nDCG 水平（摘要未给具体数值）。
  • 与活文档脉络的关系：对本主题有三点意义。(a) 评测对象的层级被压缩——§1.11.3 把 RAG 评测切成"知识侧 / 记忆侧"，Glance 提示在系统层还存在"检索器 / 生成器"这层旧切分，当重排变成生成器的附属技能时，这层切分本身可能失效，评测口径要跟着改。(b) 短查询基准外推风险：仅在 MS MARCO 这一传统短查询集验证，长文档、真实多跳、智能体多轮场景收益未证——这与 R104 锚 220 NoLiMa 的"对齐条件一变结论翻转"是同一类警示（NoLiMa 换长度，Glance 换任务形态）。(c) 指针头是否在生成质量上引入偏置，摘要未交代——评测诚实性缺口，不能当结论用。
  • 建议归入：§1.11.3 知识侧评测对象（检索器/生成器切分可能失效的补充条件） + §1.1 评测诚信（外推与偏置双缺口）；§7.5 可只留出处。

增量 4 ★ Quarkus Insights #265 × Langfuse —— 评测与可观测的"职责分层 + 三层评估"

  • 来源：inbox/jay/2026-10-29-2105-engineering-brief.md 与 inbox/jay/2026-10-29-1950-engineering-screen.md（同一批 4 条保留来源，两稿同源，计一件，不重复计数）；原始链接 https://quarkus.io/blog/quarkus-insights-265-observability-and-evaluation-with-langfuse
  • 要点：分层明确——Quarkus OTel 扩展收全量 span；Langfuse 扩展只转发 AI 相关 span（prompt / completion / token / tool call），并保留 OTel trace ID 双向跳转。三层评估：① 实时 LLM-as-a-judge，judge 用异源模型族；② 会话级评估；③ 生产交互自动入 dataset，供离线与 CI 使用。
  • 与活文档脉络的关系：这是 R105 锚 228 Langfuse ★★★（本主题唯一正式锚，"评测 + 可观测性合并为单一工件"）的方法学侧补齐：R110 只说 Langfuse 是"四阶纵深的平台层"，本条给出了平台层内部该怎么切职责、该怎么排评估层级的具体形态。尤其是"异源模型族做 judge"——这是 §1.2 LLM-as-Judge 失效模式 10 元在工程层的对症配置，与本轮 RealCLI 的"协作质量"、Co-Design Bench 的"判定器噪声"共同构成本轮评测判定层的一条暗线。"生产交互自动入 dataset" 则直接呼应 R108-R110 反复提的"生产交互作为评测语料"（AutomationBench 254 / Co-Design Bench 273 任务同源问题）。
  • 建议归入：§2.2 评测平台与 CI Gate（锚 228 的方法学补齐） + §1.2（异源模型族 judge 配置） + §7.5。

增量 5 ★ vLLM × Dify 三坑之第 3 坑：双层截断 → RAG 召回变差的归因陷阱

  • 来源：inbox/jay/2026-10-30T1220-csdn-discovery.md 第 1 条（原文已核查，HTTP 200，含命令与代理代码）· https://www.csdn.net/article/2026-10-23/168782027
  • 要点：三类排障路径——① 流式首 chunk 缺 delta.role="assistant" 导致 Dify 挂起（给出 FastAPI 代理补字段的完整代码）；② --served-model-name 与权重路径 basename 大小写不一致导致 model not found；③ --max-model-len 与 Dify 侧上下文配置不联动，造成双层截断、RAG 召回变差（给出 16384 / 14336 的对齐算例与 --gpu-memory-utilization 0.92）。
  • 与活文档脉络的关系：第 3 坑是本轮最值得写进方法学批判段的一条工程证据——它是一个教科书式的评测归因错误实例：配置层双层截断会让 RAG 召回质量下降，而这个现象在评测报告里通常被记成"检索器不行"或"模型能力不足"。§1.11.3 刚提出"知识侧 vs 记忆侧是不同问题、归因混淆是常见错误"，本条给归因混淆补了一个可复现的最小机制说明：跨层配置未对齐 → 表象落在检索质量 → 归因错位。这也解释了为什么"再检索一次是否值得"这类成本感知协议（上一轮 2610.37358）必须在冻结配置的前提下才可信。
  • 建议归入：§1.1 评测诚信（归因混淆 / 配置对齐前置） + §6 批判段 + §7.5。⚠️ 无 benchmark、无版本号矩阵；文中"快米兔 API"一节为推广段落，评测对标结论不可采信。

增量 6 ☆ arXiv:2610.30132 —— LongZero：长上下文能力可自举，但"自举"不等于"评测可信"

  • 来源：inbox/tom/2026-10-30T0840-agent-rag-longcontext-radar.md（第 1 篇，https://arxiv.org/abs/2610.30132）；延伸解读 Substack https://substack.com/home/post/p-163344119（对应 Absolute Zero，arXiv:2505.03335，非本批论文）
  • 要点：长上下文 RL 的卡点是数据不是算法——人工标注贵、自然数据稀疏、依赖外部语料或更强教师会随模型变强而更难获得。LongZero 把顺序倒过来：模型先以紧凑结构化形式自造问题、答案及支撑证据，再展开成长多文档上下文；数据混合自写多跳推理与多轮检索任务，用 GRPO 训练，在两个基座模型、五个长上下文推理基准上评估，并与"外部语料合成数据做 RL"基线对照。
  • 与活文档脉络的关系：紧邻 §1.11.3 与 R106 锚 231 DataEvolver（评测数据供应链上游首次形式化自演化），构成数据自演化谱系的第二件；与 R110 §1.11.3"知识/记忆二分"在"数据从哪来"这一层同源。同时它给 §1.1 提供一个新的失真候选：自造数据存在分布偏移风险，可能只在熟悉题型上变强——摘要与检索页无具体分数，增益幅度无法判断，不可引用任何数值。
  • 建议归入：§1.11.3 记忆侧 / 数据供应链（与 DataEvolver 231 并列的姊妹范式）+ §6 批判段（分布偏移）；§7.5 留出处。

增量 7 ☆ arXiv:2610.37161 —— WorkFactory：把"专业意图"编译成可执行任务与专家示范

  • 来源：inbox/tom/2026-10-30T1440-agent-rag-longcontext-radar.md（第 3 篇，https://arxiv.org/abs/2610.37161）
  • 要点：从专业意图出发，先做信息级规划、构建信息支撑图，再实例化任务，并用探针执行定位支撑缺口、驱动修复；目标是规模化构造可执行的专业任务与可靠专家示范。直击智能体监督训练最难的一环——高质量演示数据稀缺。
  • 与活文档脉络的关系：与 §1.11.3 记忆侧、R106 锚 231 DataEvolver、R107 锚 242 的真实语料路线共同构成"评测/训练数据从哪里来"的三条路线（自演化 / 真实会话清洗 / 意图编译）。其"探针执行 → 定位缺口 → 驱动修复"的闭环，与 §1.11.2 的"授权须在检索层确定性执行、prompt 指令模型可绕过"在工程直觉上同源（都主张用执行侧机制而非提示词来保证性质），但 WorkFactory 是数据构造侧、零治理主张。
  • 建议归入：§1.11.3 记忆侧 / 数据供应链（第三路线）+ §7.5。⚠️ 摘要未给任务质量判定标准与跨领域迁移证据，可扩展性更多是主张而非实测。

增量 8 ☆ OpenViking Observability —— 评测完整性的基础设施条件之一

  • 来源：inbox/jay/2026-10-29-2105-engineering-brief.md / 2026-10-29-1950-engineering-screen.md（两稿同源，计一件）· https://docs.openviking.ai/en/guides/05-observability
  • 要点：/api/v1/observer/* 端点族覆盖队列、VikingDB、模型状态、锁与事务、检索计数与延迟；配置项 prometheus.enabled、dump_body（默认关闭、max_bytes 4096）、usage_audit；metrics / traces / logs 均可 OTLP gRPC 导出（otel-collector:4317），另有 /metrics 抓取端点与离线 trace 上传脚本。
  • 与活文档脉络的关系：与 R110 §7.5 已收录的 OpenAI「前沿模型训练与评测隔离」条目同属评测完整性的基础设施条件一类——官方文档给出可直接对照的运维基线，而非泛泛而谈。其中"检索计数与延迟"是 RAG 评测归因的原始数据入口，与增量 5 的双层截断陷阱互补：没有检索侧的计数/延迟观测，召回下降就无法区分是检索器问题还是上下文配置问题。
  • 建议归入：§2.2 评测平台与 CI Gate + §7.5。⚠️ 官方文档，无大盘截图与阈值；usage_audit 的 sqlite 落库未验证。

2. 次级增量与明确不作新观点的条目

arXiv:2610.37230（TAO · Tool-Aware Joint Scheduling for LLM-Based Agentic Serving）——来源 inbox/tom/2026-10-30T0840-agent-rag-longcontext-radar.md。要点：agent 服务与普通 LLM 服务的差别在于请求在集群 GPU 的模型推理与分布在 CPU 的外部工具之间交替；现有系统既忽略"工具返回是否就绪"而浪费资源，又用启发式规则决定准入与放置；TAO 用近期工具就绪度、带时间衰减的节点级缓存信用、token 占用合成的价值接口，以动态规划联合决定准入与放置。归 §1.12 / §7.5：与 R110 历史地标 252 Ray 同属"调度层"，是第二件调度层工件，且首次把工具就绪度纳入调度变量——但摘要未给场景规模与加速比，也未说明对有状态长时任务是否适用，不升锚。

arXiv:2610.32411（A Broader Look into MLLM's Retrieval Heads）——来源 inbox/tom/2026-10-30T1440-agent-rag-longcontext-radar.md。要点：追问检索头机制是否随输入模态扩展，用视听输入构造配对样本做分析，指出既有分析局限于少数模态与对应模型，并讨论如何利用检索头反哺模型调用。归 §7.5（机制解释层，与 R105-R106 的 IR/retrieval 锚 224-227 邻接）：把"长上下文里模型如何定位证据"从黑箱描述推进到可干预的机制层，但结论基于配对输入的分析式实验，样本规模与统计稳健性摘要未交代，尚无可落地增益。

arXiv:2610.35671（Evaluating DeepSeek V4.1 Flash-1017 for loss of control and harmful manipulation risks）——来源 inbox/tom/2026-10-30T0840-agent-rag-longcontext-radar.md。要点：针对开源权重模型缺少独立前沿风险评估的空白做第三方评测，依欧盟通用 AI 行为准则覆盖 34 个基准，关注失控与有害操控。归 §7.5（治理/风险侧背景）：与 §1.11.2 权限继承维度主题不同（模型行为风险 ≠ 检索侧合规），摘要未列基准构成与结论分布；与本主线关联间接。

两条 Substack（仅作延伸阅读，按 tom 1440 稿自述"不作独立论据"）——来源同上。①《Is RAG Still Relevant in 2026 or Did Long Context Win?》（https://medium.com/@sahin.samia/is-rag-still-relevant-in-2026-or-did-long-context-win-df583b9f238a）区分"检索仍有价值"与"检索已过时"两类论点；②《RAG for AI Agents: Knowledge Layer Architecture Guide》（https://natesnewsletter.substack.com/p/rag-agents-knowledge-layer-architecture）把 RAG 核心问题重新定义为"上下文装配"而非"检索"。两者与 §1.11.3 的知识/记忆二分、以及本轮 Glance 的"生成器即重排器"构成一个可讨论的语境三角，但正文未取、不得作为独立论据引用。

arXiv:1812.06127（FedProx, Federated Optimization in Heterogeneous Networks）——organized/paper_cards/1803-1812-06127.md，S2 被引 9402 / OpenAlex 4020 / 影响力被引 1452 / OpenAlex 更新 2026-10-28 / 开放获取 green / DOI 10.48550/arxiv.1812.06127。卡片 TLDR 自述为处理联邦网络异质性、给出统计异质下的收敛保证并允许设备做可变工作量。卡片层历史地标候选，实质属联邦优化方法学而非评测方法学。

arXiv:1606.04080（Matching Networks for One Shot Learning）——organized/paper_cards/1800-1606-04080.md，S2 被引 8752 / OpenAlex 4729 / 影响力被引 1533 / 开放获取 green / DOI 10.48550/arxiv.1606.04080。卡片 TLDR 自述为度量学习 + 外部记忆增强，让网络无需微调即可由少量标注支持集映射到标签。同为卡片层历史地标候选，实质属小样本学习方法学。

两张卡的采集态数值（S2 9402 / 8752、OpenAlex 4020 / 4729、影响力被引 1452 / 1533、OpenAlex 更新日期 2026-10-28）一律按"被引变化不作新观点"处理；两卡均无正文精读记录，"待 LLM 分类"字段亦未消。

sulthoni122/aion-combat-analyzer——organized/repo_cards/4743-sulthoni122-aion-combat-analyzer.md。卡片字段：58★ · 周增 +0 · Java · 最近提交 2026-10-29 · "Aion-DPS-Meter: Real-Time Combat Analytics, Overlays & Boss Leaderboards" · 主题 evaluation / 主分类 evaluation / 形态 app / 成熟度 experimental · 首次采集 2026-10-30。分类噪声提示：这是游戏战斗数据统计应用（DPS 计量、覆盖层、Boss 榜），不是评测方法学工件，只是恰好含"leaderboard / analytics"字样被归入 evaluation。不进锚记录，建议并入 §6 批判段的分类噪声提示（与上一轮 1710.05941 型同类），供队列第 6 节「待精确分类：225 张卡」统一复核；★58 与 +0 weekly 为单次采集快照，不构成增长或衰退信号。

DeepInfer（DeepSeek 开源自家推理引擎）——inbox/jay/2026-10-30T1220-csdn-discovery.md 第 2 条（原文已核查，九章结构）。要点：2026-10-16 开源 DeepInfer（Apache 2.0，基于 vLLM 演化，吸收 SGLang / TensorRT-LLM 思路），本次仅开源离线推理，在线服务缺 KV cache 系统、Prefill/Decode 分离部署、跨副本负载均衡；仅支持 DeepSeek-V4.1-Flash 系列；硬件门槛 SM100（Blackwell 之后代际）或昇腾 950，环境 Linux + GCC≥13 + Python 3.12 + CUDA 13 / CANN 9.2；架构要点含 Attention DP / 平衡 CP、MoE EP + EPLB、Wide-EP（EP64~128）、投机解码 DSpark（默认草稿长度 5）、SWA 有界重放、KV cache 保留 72 小时以上、异步调度、批不变性与确定性采样、正则 / JSON Schema / EBNF 结构化输出、ViT 与 LLM 同引擎。归 §7.5：价值在边界清晰（开源了什么、没开源什么），性能数字（155 万亿 token/天、1.7 万 Star、38 美元/GPU 小时、EP8 vs EP64 提升）全为官方口径二手转述，正文未给复现步骤与实测环境。

CSDN 其余 5 条（仅 search_snippet_only，本轮未取正文，不得按最高可信度使用）——来源同 inbox/jay/2026-10-30T1220-csdn-discovery.md：① ROCm 云端全栈迁移（QuickReduce FP8/Q8/Q6/Q4、块 32、8MB FP16→2.25MB 约 3.6× 压缩、vLLM/SGLang 集成下最高 3× all-reduce 加速；⚠️ 摘要"数据来源："后为空，无法判断自测还是转引）；②《2026 后端新范式》（vLLM 与 TGI 选型 PagedAttention 吞吐 3.2×、QPS 127 vs 39、AWQ 精度损失<1.2%、15.2GB→5.8GB、VLLM_GPU_MEMORY_UTILIZATION=0.9、max_num_seqs=256 与 4090 OOM 排障链路、LlamaIndex + Qdrant RAG 切片参数；⚠️ 无环境版本与硬件矩阵，QPS 数字无原始日志佐证，标题含"2026"但为旧式 bbs 链接，发布时间存疑）；③ SGLang Summit 活动邀请（2026-11-12~13 旧金山 Fort Mason；⚠️ 无技术内容，"Early bird pricing ends October 20" 已过期）；④ 12 TOP VIRAL AI TOOLS（TIPS，2026-10-18；DeepSeek-V4.1-Flash-1017 于 2026-10-17 以 MIT 许可发布、宣称 11 项 benchmark，Perplexity SPACE 开源隔离执行引擎；⚠️ 厂商自述转引）；⑤《Why Your LLM is Slow》（prefix/KV cache 复用率由检索结果一致性决定；TP 共享 KV cache 与多副本独立 KV cache 两种部署取舍；⚠️ 社交平台单条 note 片段，无量化数据与配置示例）。归 §7.5 线索型。

Jay 2026-10-29 两稿中被丢弃的两条（2026-10-29-1950-engineering-screen.md 明确弃用，非本轮增量）：Channel/Quarterly SaaS Winners and Losers Tracker 3Q26（无正文、样本量与口径不可确认、关键论断为匿名受访者原话）；CSDN 100682182《GitHub 热榜五项目解析》（与 100682219 / 100678922 同一"9.30 GitHub 热榜"母稿多账号改写版，无独有信息）。另有 CSDN 100678922 / 100682219 两条（LangGraph 状态图 + 检查点/条件边最小可运行代码、倒排索引与 BM25 相对向量检索在精确匹配/ID 查询/数据频繁更新场景的成本对比、Agent 长驻负载账单曲线论证、自托管运维与混合检索的命令级经验）——与本主题邻接但均为自媒体改写、未标仓库版本与发布日期，归 §7.5，引用时须注明"自媒体改写、未标版本"。

3. 值得警惕的矛盾 / 待核实说法

  1. 本轮出现"RAG 是否已被长上下文取代"的对立表述，但两条都只有摘要级证据——medium 文章区分"检索仍有价值"与"检索已过时"两类论点，natesnewsletter 文章把 RAG 重新定义为"上下文装配"。这两条与 §1.11.3 刚建立的"知识/记忆二分"方向相反或至少不同层（二分谈的是评测对象归属，长上下文取代论谈的是架构收敛）。在正文未取前，不得写成"共识"或"矛盾已被证实"，只可作为 §1.11.3 的语境线索登记。
  2. Co-Design Bench 的数字链条需要核对口径——26,314 个会话清洗出 37,463 条请求（请求数多于会话数，摘要未解释去重与切分口径），再筛成 273 个参考无关任务。三个数字之间是"清洗扩增 → 去重后收缩"，但缺少任务分布、领域覆盖与难度分层，不可据此描述基准规模或代表性。
  3. Co-Design Bench 的判定器噪声不可估计——无参考解任务依赖自动判定器，摘要未说明判定器是什么、是否与被评模型同源、是否有校准集。这是 §1.1 评测诚信层的直接缺口，也是本轮最该写成开放问题的一点。
  4. RealCLI 的覆盖度未交代——五维框架、22 子维度、51 交互场景模板听起来完备，但摘要未说明子维度与模板的来源（专家设计 / 真实轨迹统计 / 文献归纳）、基准规模、任务来源，也未说明"协作质量"是否仍由 LLM 判。不可当作已有社区共识的评测标准引用。
  5. Glance 的四个不可核查点——9B 骨干、每技能 0.1 GiB、39 分钟微调、"达到 MS MARCO nDCG 水平"（无具体数值）；且指针头对生成质量的偏置未交代；仅短查询验证。只能引用其架构主张，不能引用任何性能数字。
  6. LongZero 的分布偏移风险自相矛盾——主张"不必依赖更强教师"，但自造数据存在分布偏移风险、可能只在熟悉题型上变强；摘要与检索页均无具体分数，增益幅度完全无法判断。这是"零外部数据"路线的通用风险，与增量 6 的 DataEvolver 归因问题（§7.2 R106 争议项）同族。
  7. vLLM+Dify 稿的可信度分层——第 3 坑（双层截断）机制说明具体且可复现，可用；但该文无 benchmark、无版本号矩阵，且"快米兔 API"一节为推广段落，评测对标结论不可采信。引用时只引排障机制，不引效果结论。
  8. Quarkus×Langfuse 与 OpenViking 均为官方文档/博客方法论——无版本坐标、兼容矩阵、性能开销数字；OpenViking 的 usage_audit sqlite 落库未验证。可作工程基线，不作效果宣称。
  9. DeepInfer 全部性能数字为二手转述（155 万亿 token/天、1.7 万 Star、38 美元/GPU 小时、EP8 vs EP64 提升），且"半套"部分无法据文验证；昇腾 950 与 SM100 之外的兼容性未覆盖。"开源"≠"可生产"：仅离线推理、缺在线 KV cache / PD 分离 / 跨副本均衡。
  10. 分类噪声已至少 3 例——1710.05941（上一轮）、aion-combat-analyzer（本轮）、1812.06127 / 1606.04080（主题字段 evaluation 但实质是联邦优化 / 小样本学习）。队列第 6 节记 225 张卡待精确分类，说明本主题的"主题 evaluation"字段不是高纯度信号，取材不可只凭分类字段。
  11. 被引采集态数值一律不作新观点——1812.06127（S2 9402 / OpenAlex 4020 / 影响力 1452）、1606.04080（S2 8752 / OpenAlex 4729 / 影响力 1533）只作卡片层坐标记录；两张卡均无正文精读，"OpenAlex 更新 2026-10-28"是采集时间，不是新观点。
  12. 队列与活文档的落差——work-queue §1 仍把 2610.12998 列为待深读首位，但它已是 R104 锚 219；evaluation 已 5 天未更新而本轮补料集中在 10-29 / 10-30（跨 5 天空档），今晚 R111 的 §7.5 与 §3 增补量会比 R110 大，需注意主文件体积（R110 已声明瘦身至 80KB 内）。

4. 可引用的 arXiv 号列表

本轮 NET-new · 论文级（可用于今晚升锚判定） - 2610.22507 — RealCLI: Toward a Unified Evaluation of Human-Agent Collaboration for CLI Agents（来源 inbox/tom/2026-10-30T0840-agent-rag-longcontext-radar.md；https://arxiv.org/abs/2610.22507） - 2610.35138 — Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models（来源 inbox/tom/2026-10-30T1440-agent-rag-longcontext-radar.md；https://arxiv.org/abs/2610.35138） - 2610.40454 — Glance: The Generator Is Its Own Reranker（同上；https://arxiv.org/abs/2610.40454） - 2610.37161 — WorkFactory: Turning Professional Intents into Executable Work for Scalable Agent Training（同上；https://arxiv.org/abs/2610.37161） - 2610.30132 — LongZero: Enhancing Long-Context Reasoning in LLMs from Zero Data（来源 inbox/tom/2026-10-30T0840-agent-rag-longcontext-radar.md；https://arxiv.org/abs/2610.30132） - 2610.37230 — TAO: Tool-Aware Joint Scheduling for LLM-Based Agentic Serving（同上；https://arxiv.org/abs/2610.37230） - 2610.32411 — A Broader Look into MLLM's Retrieval Heads（来源 inbox/tom/2026-10-30T1440-agent-rag-longcontext-radar.md；https://arxiv.org/abs/2610.32411） - 2610.35671 — Evaluating DeepSeek V4.1 Flash-1017 for loss of control and harmful manipulation risks（来源 inbox/tom/2026-10-30T0840-agent-rag-longcontext-radar.md；https://arxiv.org/abs/2610.35671）

本轮出现但证据仅到卡片层 / 分类噪声（建议不升锚） - 1812.06127 — Federated Optimization in Heterogeneous Networks（FedProx；卡片主分类 engineering、主题 evaluation，实质为联邦优化方法学） - 1606.04080 — Matching Networks for One Shot Learning（卡片主分类 engineering、主题 evaluation，实质为小样本学习方法学）

关联但非本批论文（仅脉络参考，不重复登记） - 2505.03335 — Absolute Zero: Reinforced Self-play Reasoning with Zero Data（LongZero 延伸解读所涉）

既有锚（供脉络对照，不重复登记）：2607.04434（RoboDojo 251）· 2606.14061（Multimodal Repo-Level Coding 242）· 2606.07001（DataEvolver 231）· 2603.25723（NLAH 246）· 2502.05167（NoLiMa 220）· 2610.12998（LLM Creativity Long-Tail 219 · 队列待深读首位）· 2610.37358（上轮成本感知检索协议）· 1712.05889（Ray 252 · 调度层）· 2610.12975（SmartSalesBench 214）。

5. 今晚接力建议（摘要）

  1. §1.1 / §1.2 先吃三条判定层增量：RealCLI（协作质量成为评测对象）+ Co-Design Bench（判定器噪声未被评测）+ Quarkus×Langfuse（异源模型族 judge）可合并写成一条"评测判定层的三件套"，并新增一条开放问题：自动判定器本身的噪声与同源偏置如何被评测？
  2. §1.11.3 补一句"检索器/生成器切分可能失效"：以 Glance 为引，但必须带四条不可核查点（无 nDCG 数值 / 仅 MS MARCO / 指针头偏置未交代 / 长文档多跳未验），不得写成结论。
  3. §6 批判段新增"跨层配置未对齐导致的归因错误"一条，用 vLLM+Dify 双层截断作最小机制例，并点名它在 §1.11.3 知识/记忆二分语境下的归因误导风险。
  4. §7.5 收 7 件：DeepInfer、TAO、MLLM Retrieval Heads、DeepSeek V4.1 Flash 风险评测、两条 Substack（标注"仅摘要，不得作独立论据"）、CSDN 5 条线索（标注待核查）。全部不升正式锚。
  5. §3 锚记录：本轮最多新增 2 条锚预备级（★）——RealCLI 2610.22507、Co-Design Bench 2610.35138；其余为 §7.5 条目。无正式锚（无统一基准载体、无官方实现仓、无跨源复现证据）。
  6. 分类噪声登记：aion-combat-analyzer（游戏 DPS 应用）与 1812.06127 / 1606.04080（联邦优化 / 小样本学习）三条并入 §6 分类噪声段，与队列第 6 节"225 张卡待精确分类"联动；两张卡的被引数值只作采集态坐标。

6. 检查过的来源清单

清单 item.materials[].source（8 件，全部读取） 1. inbox/tom/2026-10-30T1440-agent-rag-longcontext-radar.md（4 篇 + 2 条 Substack 延伸阅读） 2. inbox/jay/2026-10-30T1220-csdn-discovery.md（7 条：2 条已核查 / 5 条仅摘要） 3. inbox/tom/2026-10-30T0840-agent-rag-longcontext-radar.md（4 篇 + 1 条 Absolute Zero 延伸） 4. organized/repo_cards/4743-sulthoni122-aion-combat-analyzer.md 5. inbox/jay/2026-10-29-2105-engineering-brief.md（4 条保留来源） 6. inbox/jay/2026-10-29-1950-engineering-screen.md（4 保留 + 2 丢弃，与第 5 条同源，合并判读） 7. organized/paper_cards/1803-1812-06127.md（FedProx） 8. organized/paper_cards/1800-1606-04080.md（Matching Networks）

脉络对照（只读，未改） - organized/queue/work-queue.md（2026-10-30 14:00 生成） - organized/knowledge/evaluation.md（R110 活文档）

未做：未联网检索、未新增链接、未扫描清单外材料（未做近 2 天 inbox 全目录通读、未做 paper_cards 近 3 天全量抽查——按宿主机清单优先条款，仅在清单条目内取材）、未修改活文档 / 队列 / 清单 / 认领记录 / 定时配置、未写他人目录、未 git、未输出密钥。 写入范围：仅 /shared/research-kb/inbox/tom/2026-10-30-evaluation-e1prep.md（首次写入；同目录临时文件写完后原子 rename 就位）。