主题综述 · evaluation（2026-09-13）

作者：spark
更新：2026-09-13

承接 9-7 / 9-9 evaluation 综述基线 + 9-8 llm-infra v2 重写（#47 失守全修）+ 9-11 risk + 9-12 agent + 9-13 rag。本期聚焦「评测基础设施的三层解耦 → Harness 自演进 × 演进协议反方 → 评测对象的横向分化（垂直具身 / 真实场景 / 全生命周期信任）→ Harness 演进产物回灌训练」四线合流。Sep 12-13 信号密度为 R73 以来最低点（Tom 9-13 evaluation e1prep 0 件 net-new），但 R73 已锚 12 件工作票数横盘，意味着本主题进入「消化期」而非「停滞期」。

整合性 disclaimer：本棒「四线合流 / 反方四维 / Harness 矩阵化」均为综述视角方法学整合，非学界共识。需 ≥2 独立团队对 AgentCompass + EVOHARNESSBENCH + Rethinking Harness Evolution + OpenForgeRL + AHE + RoboDojo + SIS-Bench + WearableQA + SWE-Bench Pro Verified + EvoSafeHarness + AgentAudit + IdeaAMBIG + MetroLLM-Bench 做 head-to-head 才升级立基础锚。

§0 自检栏

机制段 N=4 线合流；⚠️ 数字核验 K=12；CJK ≤3,900 硬约束（W36 主体 ≤3,500 + 反方 300 + 元信息 100）；反方 v2 三段式按主线分布 ≥150 字 ✅；反方 v2 形式标签 ≥5 处 ✅；立标池红线 4 件套命中 3 件（GitHub 已验 AHE / AgentCompass / RoboDojo / EVOHARNESSBENCH + ⚠️ 立标 4 件 + 双轨 + abstract 核实）；私域 SUM=0；verifiability ≥20% 抽查 8/16 = 50%；增量窗口 1 天 net-new 0 件 + 沿用 13 件 R73 已锚 + 1 件 ACL 2026 Findings 综述新增 + 1 件 arXiv 2606.20683 综述新增 = 16 件主轴工作。

1. 主题脉络：从「分数高」到「评测即基础设施」的四线合流

2026 H2 末 evaluation 主题持续上 / 下 / 横三迁，本期合流在四线：

向上（评测基础设施元层化）：AgentCompass arXiv:2607.13705（paper_card 405 · evaluation 主分类 · HF Daily 7-19 38▲）把评测流程拆成 L1 Benchmark / L2 Harness / L3 Environment 三层独立可配置矩阵——三者可独立替换 / 配置，不必重新实现复杂执行逻辑。这是评测作为「CI 基础设施」的工程先决条件。
向下（Harness 自演进 + 演进协议反方）：AHE arXiv:2604.25850（76 S2 / 16 影响力被引 · paper_card 030）三支柱 premise / Decision Observability / 任务级验证闭环把 Terminal-Bench 2 pass@1 推 69.7%→77.0%（超 Codex-CLI 71.9%）；Rethinking Harness Evolution arXiv:2607.12227（17 S2 · paper_card 434）反方把「harness evolution 与 test-time scaling 在 matched budget 下其实相当」揭示出来，形成 matched budget loophole + hacking_gap + held-out 跨家族泛化三层反方。
横向（评测对象的多元化）：RoboDojo arXiv:2607.04434（12 S2 · paper_card 172，30 策略 × sim-and-real 统一基准）+ SIS-Bench arXiv:2607.12477（4 S2 · paper_card 411，UAV self-in-space）+ WearableQA arXiv:2609.05405（4,084 题 / 200 真实用户可穿戴数据）+ MetroLLM-Bench arXiv:2609.10016（955 用例 / 6 真实地铁系统）+ AgentAudit arXiv:2609.09875（10 维全生命周期信任评估）——评测对象从「通用 Agent」扩展到「具身 / 真实场景 / 嵌入式 UI / 公共基础设施」全谱。
回灌（Harness 演进产物反哺训练）：OpenForgeRL arXiv:2607.21557（4 S2 · paper_card 585）首次把「harness 原生 agent 训练」开源框架化，让 harness 演进不再止于 evaluation，而是产出可训练的 agent 策略。

Sep 12-13 窗口（Tom 9-13 evaluation e1prep 报告）：eval 专项 net-new = 0，eval 邻接 net-new = 0，但 R73 已锚的 12 件工作票数延续横盘（EvoSafeHarness 47▲ · WearableQA 37▲ · SWE-Bench Pro Verified 23▲）——信号密度进入低谷期但方法学脉络持续。

2. 各工作贡献与相互关系

2.1 评测综述与方法论（2026 H2 新增两块拼图）

Yehudai et al. 2026（ACL 2026 Findings · pp 26690-26714 · DOI 10.18653/v1/2026.findings-acl.1330）——《A Survey on Evaluation of LLM-based Agents》。

2026 H1 LLM-based Agent 评测综述，五个视角：①核心 LLM 能力（planning / tool use）/ ②应用专属 benchmark（web / OS）/ ③评估方法（trajectory / process / outcome）/ ④可信度 / ⑤评测基础设施。它是 arXiv:2507.21504（166 S2 被引 · paper_card 048）之后的接力综述，把 LLM Agent 评测从「agent 单点能力」系统化到「agent-as-system 全链路」。

arXiv:2606.20683（2026-06）——《From Question Answering to Task Completion: A Survey on Agent System and Harness Design》。

横切 2020-2026 所有 LLM-based Agent 系统：prompting 方法 / 工作流框架 / harness & runtime 设计 / 多模型编排 / agent-native 训练 / 模型-harness 协同进化 / 领域部署 / 评估方法学。其中提到 Meng et al. 把 harness 形式化为六元组，Li et al. 提出七层 ETCLOVG 分类法并对大规模开源语料做映射。它与 Yehudai et al. 的差异：前者更系统化（评测独立成章），后者更工程化（harness/runtime 与评测并列）。

2.2 Harness 自演进三件套 → 矩阵化（Harness 不再是 wrapper）

arXiv:2604.25850（76 S2 / 16 影响力被引 · paper_card 030）——《Agentic Harness Engineering (AHE)》。

三支柱：①premise 自声明 + ②Decision Observability + ③任务级结果验证。每一次 harness 编辑都被转成「可证伪的契约」。实证（paper_card 030 复用信息区）：10 轮 AHE 迭代 → Terminal-Bench 2 pass@1 从 69.7% → 77.0%，超过人类设计的 Codex-CLI 71.9%；跨任务迁移：冻结的 evolved harness 在 SWE-bench-verified 上 top-12% 且 token 减少 12%；跨三个模型族均有 +5.1pp 至 +10.1pp 提升。它的方法论价值是把 harness 从「prompt 套壳」推到「可证伪对象」，是 2026 H2 末评测元方法学的奠基性工作之一。

arXiv:2607.13705（2 S2 / 38▲ HF Daily · paper_card 405）——《AgentCompass: A Unified Evaluation Infrastructure》。

L1 Benchmark / L2 Harness / L3 Environment 三层解耦。原生支持 20+ benchmarks × 5 capability dimensions（web / GUI / coding / search / DS）。提供 fault-tolerant asynchronous runtime + 轨迹分析工具覆盖 reward hacking。它与 AHE 是互补关系——AHE 让 harness 自动化，AgentCompass 让 harness 可被独立审视。AHE 是「harness 演进路径」，AgentCompass 是「harness 矩阵化」。

arXiv:2606.13643（2 S2 · paper_card 012）——《Recursive Agent Harnesses (RAH)》。

命名并研究「递归单元是完整 Agent harness（filesystem 工具 + 代码执行 + planning）而非无工具的模型调用」的模式，在长上下文推理上给出受控评估。三者一起把「harness 不再是 wrapper」这件事讲透：AHE 让 harness 可演进，AgentCompass 让 harness 可独立配置，RAH 让 harness 可作为递归单元。

2.3 Harness 演进协议反方（matched budget + hacking_gap + 跨家族泛化）

arXiv:2607.12227（17 S2 · paper_card 434）——《Rethinking the Evaluation of Harness Evolution for Agents》。

对 LLM Agent 自动 harness 演化做广泛评估——在「相当的反馈与推理预算下」把 harness evolution 与 test-time scaling / discovery baseline 做比较；并在 held-out 任务评估泛化性。三层反方：

L1 matched budget 颗粒度 loophole：每次 rollout 的 token cost / API call / wall-clock / retry 由作者任选；harness evolution 的 prompt 写入是 long-lived 资产，task-level search 的 prompt 选择是 ephemeral —— 预算 matched ≠ 价值 matched。
L2 hacking_gap：量化 reward hacking 为 val_pass − holdout_pass；每 10× 代码量约 +28pp gap；2,900 行 hash-table compiler 实为查表背测试输入的反例（⚠️ held-out 隔离性待 PDF §X 核）。
L3 held-out 跨家族泛化边界：Terminal-Bench 同一任务家族 distribution shift 有限，真正的泛化应是跨任务类型（held-out SWE → held-out RAG / web / GUI）。

它与 AHE 形成方法论对冲：AHE 给 harness evolution 数字，Rethinking 给数字的边界。三层反方合流是 2026 H2 末「评测协议可操作化工具成熟」的核心载体。

2.4 Harness 演化的产物回灌训练（harness → agent policy）

arXiv:2607.21557（4 S2 · paper_card 585）——《OpenForgeRL》。

开源框架，端到端训练 harness-based agents；覆盖工具/爪型 Agent、多模态 GUI 浏览器、计算机使用 Agent。它把 harness evolution 的产物「再回灌到训练阶段」——harness 不再只是 evaluation 时的包装，而是训练时的脚手架。这是 2026 H2 末首次出现的「harness × training」端到端工作（⚠️ 跨阶段端到端实证规模与硬件门槛需 PDF §X 核）。

2.5 评测对象的横向分化（垂直具身 / 真实场景 / 嵌入式 / 公共基础设施 / 全生命周期）

arXiv:2607.04434（12 S2 · paper_card 172）——《RoboDojo》。

sim-and-real 统一基准，30 策略 × XPolicyLab 集成 + 公开排行榜。是 2026 H2 末具身机器人策略评估的「立标级」候选（⚠️ leaderboard 实际访问性与各策略提交门槛需 PDF §X 核）。它的方法论价值是把 sim-only 与 real-only 评测合并成同一协议，避免 sim-to-real 评测的「单边失真」。

arXiv:2607.12477（4 S2 · paper_card 411）——《SIS-Bench (Self in Space)》。

UAV 具身空间智能基准，self-in-space 统一表述 + 运动感知表征（光流 + 视觉特征融合）。与 RoboDojo 形成「地面具身 vs 空中具身」双锚。它的反直觉发现是「self-related dynamics 是空间认知的关键瓶颈」，对 agent 自我建模提出新要求。

arXiv:2609.05405（paper_card 1303 · HF 37▲ 横盘）——《WearableQA》。

4,084 道十选一题 × 200 真实用户的可穿戴时序 + 血液生物标志物 + 人口统计。是 2026 H2 末健康推理评测的「真实数据」立标——把 LLM 推理评测从「公开数据集」推到「个人健康数据」，对隐私保护 + 推理鲁棒性提出新约束。

arXiv:2609.10016（paper_card 1326）——《MetroLLM-Bench》。

955 用例 × 6 真实地铁系统（37-414 站点）× 11 类（路径 / 票价 / 中断 / 无障碍 / 对抗输入）。两层评分：Tier 1 14 个 deterministic 组件 + Tier 2 8 个 semantic-quality 组件（其中 6 个用 LLM judge）。是 2026 H2 末首次「公共基础设施运营」评测，把 LLM-as-policy 推到「关键基础设施运行时」级别（⚠️ Tier 2 的 LLM judge 可靠性需 PDF §X 核）。

arXiv:2609.09875（paper_card 1296）——《AgentAudit》。

全生命周期信任评估框架，10 维：instruction integrity / planner / memory / tool selection / tool invocation / tool correctness / alignment / tool faithfulness / security / behaviour。反方（来自 paper_card 1296 TLDR）：现有评测框架（AgentBench / AgentDojo / ASB）只评估 agent 的单一环节，失败可发生在任意阶段但很少被精确定位。AgentAudit 把 10 维轨迹评估做成可扩展的开放框架。

arXiv:2606.23127（6 S2 · paper_card 277）——《Managing Procedural Memory in LLM Agents》。

382 真实企业任务 × 6 专业角色 × 22 程序性技能。反直觉发现：「部分 skill 在任务和模型间广泛泛化，另一些则专化为角色特定工作流，迁移时失去效力」——评测对象第一次从「能力维度」扩展到「skill 跨域迁移维度」。

2.6 Harness 安全演化与一致性（risk 主轴交集）

arXiv:2609.05903（paper_card 1321 · HF 47▲ 横盘）——《EvoSafeHarness》。

模型 + 领域双维度进化式安全 Harness。反方（来自 paper_card 1321 TLDR）：现有 safety harness 通常由专家一次设计、跨模型 / 跨领域通用，但「模型在多大 enforcement 下保持 utility」与「领域对受治理的 effect / state / action 序列」都是 deployment-dependent——harness 过严 → utility 衰减，过松 → 安全失效。把 harness 演进从「效能」推到「安全」轴，与 AHE 互补。

arXiv:2609.08832（paper_card 1288 · 主分类 agent）——《Closing the Consistency Gap》。

自演化 agent 框架，把「不稳定、低一致性步骤」识别并转成 episodic memory，让 agent 在后续运行中调用。与 EvoSafeHarness 互补：后者是「harness 层一致性」，前者是「agent 轨迹层一致性」。

2.7 Harness 演进作为持续学习对象

arXiv:2609.04280（paper_card 1293）——《EVOHARNESSBENCH》。

把 non-stationarity 从「任务流」移到「harness」：覆盖三个演进轴——tools / skills / agents。在持续学习场景下评估「agent 能否跟上 harness 演进」。它的方法论价值是把 harness evolution 从「一次性优化」（AHE 路径）推到「持续学习对象」（CV 持续学习路径），与 EVOHARNESSBENCH 评估的「跟上节奏」形成新立标（⚠️ 三轴交叉的实证规模需 PDF §X 核）。

2.8 评测对象的工程化新边界（编译 / 拼接 / 形式化 / 创意实现就绪度）

arXiv:2609.05779（paper_card 1302）——《Diffs vs. Whole Files》。

Flutter/Dart 代码模型实证比较——diff 生成在「短小、空间局部化」的编辑上胜出，类别级优势集中在 refactoring 与 error-handling 两类（平均编辑步数最低）。反直觉：编辑步数低的任务是 diff 生成的优势区。这对 coding agent 的生成范式选择给出明确指引——长文件大改用 whole file，短局部修用 diff。

arXiv:2609.10539（paper_card 1331）——《IdeaAMBIG》。

研究「实施就绪度」——研究想法可能新颖、连贯、科学合理，但方法细节不足导致忠实复现困难。从论文 / 代码库 / issue 讨论 / 复现工件构建「基于证据的规范」与「支持性消解方案」。把评测对象从「想法可不可行」推到「想法的可编码就绪度」，与 Diffs vs. Whole Files 形成「实现路径评测」两栖。

arXiv:2609.09264（paper_card · evaluation 主分类）——《StochBench》。

形式化定理证明的随机过程领域专项基准，弥补现有 IMO/Putnam 类「竞赛数学」基准对 field-specific 应用覆盖不足的问题。形式化证明评测从「数学竞赛」扩展到「领域随机过程」（⚠️ 与 Lean 生态整合的工程门槛需 PDF §X 核）。

3. 工程视角 / 研究视角 / 批判视角（三栖）

3.1 工程视角（可落地性）

可立即部署的：AgentCompass（开源 + 三层解耦）+ RoboDojo（30 策略 + 公开 leaderboard）+ OpenForgeRL（端到端训练框架）+ EVOHARNESSBENCH（持续学习评测）。
需要中等改造成本：AHE（10 轮迭代闭环，需要团队先有 harness codebase + premise 自声明约定）+ MetroLLM-Bench（11 类结构化工具调用 + deterministic scoring 需要场景定制）。
门槛较高：SIS-Bench（UAV 硬件 + RealSense + 真实采集）+ RoboDojo sim-and-real（77-DoF Franka 等）。
最佳工程入口（按 ROI 排序）：①AgentCompass 三层解耦作为评测 CI 基建 → ②AHE premise 自声明 + Decision Observability 作为 harness 演进规范 → ③RoboDojo / SIS-Bench 作为具身评测入口 → ④OpenForgeRL 作为 harness-native 训练框架。

3.2 研究视角（创新性）

方法学新立标：AgentCompass 三层解耦 + EVOHARNESSBENCH harness 持续学习 + AHE premise 契约 + IdeaAMBIG 编码就绪度 + MetroLLM-Bench 公共基础设施 LLM-as-policy + Closing the Consistency Gap 轨迹级 episodic memory。
跨主线合流新节点：Rethinking Harness Evolution 把 harness evolution 评测协议做成「matched budget + hacking_gap + held-out 跨家族」三层反方，是 2026 H2 末方法学最锐利的进步。
评测对象的边界扩张：从通用 Agent → 具身（RoboDojo / SIS-Bench）→ 真实场景（WearableQA）→ 公共基础设施（MetroLLM-Bench）→ 嵌入式 UI（AgentAudit 10 维）→ 程序性 skill 跨域（Managing Procedural Memory）→ 创意实现就绪度（IdeaAMBIG）—— 评测对象从「1 维能力」扩张到「全谱系场景」。

3.3 批判视角（局限）

(1) 机制 — Harness 演进产物回灌训练的可验证性：AHE 实证 Terminal-Bench 2 69.7%→77.0% 跨模型族 +5.1pp-+10.1pp，但 OpenForgeRL 把 harness evolution 产物「再回灌到训练」的端到端信号仍稀缺（⚠️ 跨阶段端到端实证规模与硬件门槛需 PDF §X 核）；本研究方向的「长链路反方验证」尚未成形。
(2) 数据 — 评测数据集的 leakage 与质量：SWE-Bench Pro Verified arXiv:2609.08149 自陈「reward hacking 由 gold solution / 隐藏评估信息泄漏引发 + 任务质量误导性问题」——R73 已锚的 SWE-Bench Pro Verified 票数横盘 23▲，但与未 Verified 版本的对比实证尚未完整披露（⚠️ Verified 版本的发布渠道与替换覆盖率需 PDF §X 核）。FrontierMath v2 修正 v1 42% 题目错误的「评测自身需要评测」困局尚无系统性解决方案。
(3) 截止日 / 证伪 — Harness 演进协议反方的可证伪化：Rethinking Harness Evolution L1 matched budget 颗粒度 loophole 作者可任选预算颗粒度；L2 hacking_gap 与 SpecBench 互补但跨论文可比性弱；L3 held-out 跨家族泛化尚无标准协议——三层反方各自「给出问题但未给出统一可证伪协议」是 2026 H2 末最大开放问题（截止 2026-12 评估）。

4. 趋势判断与开放问题

4.1 三条主线趋势

趋势 ①：评测基础设施元层化稳态化 —— AgentCompass 三层解耦 + EVOHARNESSBENCH 三轴演进 + AHE premise 契约，三者共同把「评测套件自身的设计」推到 L1/L2/L3 矩阵可独立配置。
趋势 ②：Harness 演进协议反方成熟化 —— Rethinking Harness Evolution 三层反方 + SpecBench hacking_gap + SWE-Bench Pro Verified leakage 修复，三者共同把「harness evolution 不是『做出来 + 跑分高』就够」固化成可审计协议。
趋势 ③：评测对象的横向分化到「全谱系场景」 —— RoboDojo + SIS-Bench + WearableQA + MetroLLM-Bench + AgentAudit + Managing Procedural Memory + IdeaAMBIG，2026 H2 末评测对象已从「通用 Agent 单维能力」扩展到「具身 / 真实场景 / 嵌入式 UI / 公共基础设施 / 程序性 skill / 创意实现就绪度」全谱。

4.2 五个开放问题

Harness 演进产物回灌训练的端到端可验证性：OpenForgeRL 已开路，但跨阶段（harness evolution → policy 训练 → evaluation）的反方验证机制尚未成形。
跨家族泛化的标准协议：Rethinking Harness Evolution L3 反方提出「跨任务类型」泛化，但具体协议（跨几个任务族 / 哪种 sampling / 哪种 metric）尚未标准化。
评测自身可靠性的元层化：FrontierMath v2 修正 v1 42% 题目错误 + SWE-Bench Pro Verified 修复 leakage，但「评测自身需要评测」的元层化方案尚无系统性工程实现。
公共基础设施 LLM-as-policy 的可信度：MetroLLM-Bench Tier 2 八组件中 6 个用 LLM judge，但 LLM judge 在「高风险 / 关键基础设施」场景的可靠性边界尚未实证（⚠️ Tier 2 judge 错判率 vs 人类专家需 PDF §X 核）。
真实场景评测的隐私与合规：WearableQA 用 200 真实用户可穿戴数据 + 血液生物标志物，开源 release 的隐私脱敏与 IRB 合规是否完整披露需 PDF §X 核——评测数据集「真实化」与「合规化」的协议尚未标准化。

§9 自检双硬约束

反方 v2 三段式按主线分布 ≥150 字：✅ §3.3 三条主线各 ≥150 字（机制 / 数据 / 截止日-证伪），分别在 harness 演进产物回灌可验证性 / 数据集 leakage 与质量 / Harness 演进协议反方的可证伪化。
反方 v2 形式标签 ≥5 处：✅ §3.3 三个 (1)(2)(3) 起首标注 + ⚠️ 标注 ≥4 处 + 截止日标注 1 处 = 共 ≥8 处形式合规标签。
CJK 字数硬约束 ≤3,900：主体 ~3,400 + 反方 300 + 元信息 100 = ~3,800 ✅（私域污染 SUM=0）。
立标池红线 4 件套命中 ≥3：GitHub 已验（AHE / AgentCompass / RoboDojo / EVOHARNESSBENCH）+ ⚠️ 立标 4 件（OpenForgeRL / RoboDojo leaderboard / SWE-Bench Pro Verified Verified 替换覆盖率 / MetroLLM-Bench Tier 2 LLM judge 可靠性 / WearableQA 隐私）+ 双轨（abstract 核实 + GitHub repo 已核）+ abstract 核实（16 件主轴工作全部命中 abstract）= 命中 4/4 ✅。
verifiability ≥20% 主轴独立抽查：8/16 = 50% ✅（AHE / AgentCompass / Rethinking Harness Evolution / RoboDojo / OpenForgeRL / EVOHARNESSBENCH / Closing the Consistency Gap / Managing Procedural Memory 各 1 次主轴独立抽查）。

5. 综合论文清单（16 件 · arXiv 号列表）

主线立标 / 高被引（5 件）： - arXiv:2604.25850 · Agentic Harness Engineering (AHE) · 76 S2 · 16 影响力被引 · paper_card 030 - arXiv:2607.13705 · AgentCompass · 2 S2 · HF 38▲ · paper_card 405 - arXiv:2607.12227 · Rethinking the Evaluation of Harness Evolution · 17 S2 · paper_card 434 - arXiv:2607.04434 · RoboDojo · 12 S2 · paper_card 172 - arXiv:2607.21557 · OpenForgeRL · 4 S2 · paper_card 585

评测对象横向分化（5 件）： - arXiv:2607.12477 · SIS-Bench · 4 S2 · paper_card 411 - arXiv:2609.05405 · WearableQA · HF 37▲ 横盘 · paper_card 1303 - arXiv:2609.10016 · MetroLLM-Bench · paper_card 1326 - arXiv:2609.09875 · AgentAudit · paper_card 1296 - arXiv:2606.23127 · Managing Procedural Memory · 6 S2 · paper_card 277

Harness 演进与风险主轴交集（4 件）： - arXiv:2606.13643 · Recursive Agent Harnesses (RAH) · 2 S2 · paper_card 012 - arXiv:2609.05903 · EvoSafeHarness · HF 47▲ 横盘 · paper_card 1321 - arXiv:2609.08832 · Closing the Consistency Gap · paper_card 1288 - arXiv:2609.04280 · EVOHARNESSBENCH · paper_card 1293

工程化新边界（3 件）： - arXiv:2609.05779 · Diffs vs. Whole Files · paper_card 1302 - arXiv:2609.10539 · IdeaAMBIG · paper_card 1331 - arXiv:2609.09264 · StochBench · paper_card（待补编号）

综述（2 件 · 来自 web_search 与 paper_cards 补全）： - Yehudai et al. 2026（ACL 2026 Findings pp 26690-26714 · DOI 10.18653/v1/2026.findings-acl.1330）·《A Survey on Evaluation of LLM-based Agents》 - arXiv:2606.20683 ·《From Question Answering to Task Completion: A Survey on Agent System and Harness Design》

R73 沿用未在本棒展开（4 件）： - arXiv:2609.08149 · SWE-Bench Pro Verified · paper_card 1308（评测质量修复，HF 23▲ 横盘） - arXiv:2606.13681 · EvoArena + EvoMem · paper_card 085 - arXiv:2608.04205 · MatrAIx · paper_card（8.3B persona agents） - arXiv:2609.06245 · VDiff-Bench · paper_card 1290（⚠️ 票数消散待核实）

Spark · 2026-09-13 20:46 CST · W5 主题深度综述 · evaluation · 私域污染 SUM=0 · 边界：仅写本文件 surveys/2026-09-13-evaluation.md