W5 主题深度综述 · evaluation · 2026-10-24

作者：spark 主题：evaluation（能力评测、基准构造、评测诊断与评测驱动的修复） 窗口：清单 a7d6254f-9c7d-4862-9b58-cf778b1bee03（job_id 一致，created 1792845601 / expires 1792849201），item w5:evaluation，target organized/promo/surveys/2026-10-24-evaluation.md 素材边界声明：本稿仅使用清单 item.materials（8 条 paper_card 摘要 + arXiv 链接 + is_new 标记）与 item.context（8 篇 explainer 摘录 + 1 篇 2026-10-19 同主题旧综述 + 1 份 lessons-2026-W42）所给有界材料。未通读任何一篇论文 PDF 全文；除下述两处 arXiv abs 页面事实核查外，未检索其他论文、未扫描全库、未读整份日报或全部 lessons。 新旧标记：清单 8 篇材料 is_new 全部为 true，因此本批没有旧背景论文可作对照基线——"旧背景"仅指知识库中此前存在的解释层与既有综述（explainers、2026-10-19 evaluation 综述），它们在本稿中作为背景参照而非并列样本出现。 事实核查（清单允许的两次，用尽）：① https://arxiv.org/abs/2610.02191 —— 确认 abstract 中 benchmark 与自蒸馏框架名称确为不可解析的 LaTeX 转义占位 \hlei{} 与 \abs{}，且"Discovery 为主导瓶颈""primitive 解锁潜在执行能力""discovery-limited failures 更易修复"三条为 abstract verbatim；② https://arxiv.org/abs/2609.38527 —— 确认"one agent reached the food source in one of thirty tested seeds, while the other did not reach it in any"、"Task success was measured by both agents reaching the food area"、以及三层 translation 修正中的"calibration of a hunger term based on a measurable asymmetry in the trained residual weights"均为 abstract verbatim，联合成功率数字在 abstract 中仍未给出。

§0 一句话总览

本批 8 篇工作在 evaluation 主题下的共同气质，是评测不再是"打分器"，而是"可诊断的工程对象"：SimuVerity（2610.02304）把工业仿真模型生成的评测从"结构相似"切到"工程资格 + 六维能力"；Mathematical Primitive（2610.02191）把"答对题"拆成发现/生成/消化/执行四维画像，并指认"发现"为数学推理的主导瓶颈；HIDE/SEEK（2609.38886）证明机器人操作策略在"必须依赖历史"的三类任务上系统性失能；GameHorizon Suite（2609.25001）用 21 款 AAA 游戏 / 5,000 小时专家录屏 / 47 模型 / 100 万次推理搭出可复现的多时域评测；DyRAD（2609.39841）把雷达的传感器扩散从场景几何里剥离成固定解析 PSF，换来跨视角与跨雷达规格的零样本迁移；LexReward（2609.39071）用 taxonomy + rubric 替代整体性偏好做法律域奖励；RWTD（2609.30840）用奖励加权传输蒸馏把一步生成器对齐到偏好；协同进化通讯（2609.38527）则是一个明确的负面结果——冻结权重从 2D 迁到 3D 真实机器人，行为表型部分保持但功能只迁移了一半。

把八条线并排放，evaluation 议题在 2026 Q4 的重心非常清楚：从"哪个模型分高"转向"分高意味着什么、以及分数为什么错"。

§1 方向脉络：八件工作重构了评测体系的哪一层

线 A · 评测目标的本体化——"我们到底在测什么"

  • 2610.02304（SimuVerity） 声明其核心命题是 "structural similarity is a poor proxy for engineering performance"（abstract verbatim）。它不再问"生成的 Simulink 模型像不像参考模型"，而问"这个模型是否满足工程规格"。
  • 2610.02191（Mathematical Primitive） 声明的命题是 "solution accuracy masks distinct capability profiles"（abstract verbatim）。它不再问"解对了吗"，而问"它是靠发现、生成、消化还是执行做对的"。

这两篇是本批里把"评测对象"从结果下沉到过程的代表：SimuVerity 下沉到"工程资格 + 机制保真"，Mathematical Primitive 下沉到"推理原语的结构性使用"。

线 B · 评测协议的场景化与对抗化——"我们用什么场景测"

  • 2609.38886（HIDE） 刻意设计决策点歧义观察：某些决策点上当前观察几乎相同，但按历史应当采取不同动作。这把"记忆"从性能问题变成了可被评测区分的变量。
  • 2609.25001（GameHorizon） 的在线轨专门用来定位"长程游戏中具体哪一步失败"，捕捉"离线分数高但实际打不过"这一失败模式。
  • 2609.38527 面对的是评测协议本身的迁移性：它不是造 benchmark，而是拿现成的 2D 协同进化协议当"基准程序"，去测它在 3D 物理里的行为保真度。

线 C · 评测-真实分布与物理规律的对齐

  • 2609.39841（DyRAD） 的整个方法论就建立在这一线上：雷达信号处理会把单点反射扩散到多个 range/azimuth/Doppler bin，如果把这种扩散编码进场景几何，换视角渲染时扩散模式必然错。它用固定的解析式 PSF 把"物体在哪"（场景）与"传感器怎么糊"（PSF）解耦，从而让同一个重建场景可以直接换雷达规格渲染。
  • 2609.25001（GameHorizon） 的"离线轨 + 在线轨"也是同一种对齐逻辑的软版本：离线标准化题保证可比，在线步骤级回放保证"分数能预测实战"。

线 D · 奖励与评测信号的工程化

  • 2609.39071（LexReward） 把"打一个分"拆成 Style / Element / Chain 三维度，每维度 rubric 化构造 pair-wise 偏好，再训出三个 LexRM 用于无参考答案 RL。
  • 2609.30840（RWTD） 把"奖励"作为唯一可用的对齐信号，用传输（optimal transport）回归替代似然与去噪轨迹这条常规路径。

线 E · 迁移本身作为评测终局

2609.38527 单独立线，因为它的结论是关于迁移的失败模式的：不是"能不能迁"，而是"迁过去的是什么、没迁过去的是什么"——结论是行为表型（signaling process）部分保持，但生态与导航条件（ecological and navigational conditions）丢失才造成功能性失败。

与旧背景的对照：知识库 2026-10-19 的 evaluation 综述（同样 8 篇、同样全部 is_new=true，但论文集合完全不同）已经把 evaluation 归为"元评测"阶段，八条线分别落在"评测目标重定义 / 评测协议对抗化 / 评测-部署分布对齐 / 评测-影响因素回归 / 评测预算失真 / 评测对象的可解释选择 / 评测设置的正交替换 / 评测系统的可复现工程化"。本批 8 篇与那一批无一重合，但方向高度同源：几乎每一篇都在把"评测"从事后打分变成有机制、有边界、有负面发现的对象。差别在于上一批更偏"统计与回归"，本批更偏"机制 + 物理 + 迁移"——三篇（SimuVerity / HIDE / 协同进化通讯）直接面对"能力在何处断裂"，两篇（DyRAD / RWTD）把评测落到了物理与传输层面，一篇（LexReward）落到了信号构造层面。

§2 方法差异：六条可对比轴

轴一：把"什么"当成被测变量

工作 被测变量 切分方式
2610.02304 生成的仿真模型是否工程合格 硬门槛（交付/可执行/工程资格）+ 六维打分
2610.02191 模型的数学能力画像 四维（Discovery / Generation / Digestion / Execution）
2609.38886 策略依赖记忆的程度与种类 三类记忆需求（重复计数 / 历史状态回忆 / 执行进度跟踪）
2609.25001 游戏能力随时域的变化 多时域指令粒度 + 离线/在线两轨
2609.39071 法律回答质量 三维正交（Style / Element / Chain）

差异要点：SimuVerity 的六维是打分轴（合格之后才进入），Mathematical Primitive 的四维是画像轴（同一道题同时考察四维），HIDE 的三类是任务族轴（每类约 5 任务，共 15 任务），LexReward 的三维是信号轴（每维独立出一个 reward model）。这四种"切分"服务的目的完全不同——打分、诊断、构造任务、造奖励，不能互相替换。

轴二：范式选择——"硬门槛 / 连续打分 / 二值是否"

  • 2609.39071（LexReward） 走"rubric 分档 + pair-wise 偏好"：rubric 为每维度构造 N 个 quality level 加显式评价标准，把"专家打整体分"分解为"按 rubric 选最匹配 level"，据此构造 (chosen, rejected) 对，喂给 DPO；再训每维一个 LexRM，用于在不给参考答案的情况下做 RL。
  • 2609.38886（SEEK） 走"三机制组合 + 消融"：短期记忆（最近若干步的感知/动作痕迹）、中期记忆（关键状态快照，类似 keyframe）、进度记忆（流程状态机）。核心实证结论是单机制各有取舍且会互相拖累（短期记忆利于重复计数但对进度跟踪几乎无帮助、还增加决策噪声；进度记忆对进度跟踪必需但可能给历史状态回忆引入冗余），三机制组合在全部评估配置中取得最高平均成功率。
  • 2609.38527 走"硬二值 + 阴性结论"：任务成功定义为两个 agent 都到达食物区，结果是 30 个种子中 agent 1 到达 1 次、agent 2 到达 0 次；额外注入显式方向信息后，接收方轨迹出现可观察变化、若干具体案例有改善，但仍不足以让第二个 agent 抵达。

轴三：数据来源——"人造任务 / 人造指令 / 真实采集"

  • 2609.25001（GameHorizon） 是本批唯一大规模真实采集：21 款游戏 × 5,000 小时 × 100 位人类专家玩家录屏，三模态（video / action / language）在帧级对齐，标注靠可扩展的自动管线而非人工逐帧。
  • 2610.02304（SimuVerity） 是人造任务：101 个跨 10 个工程领域的 text-to-Simulink 生成任务，每任务配"可执行系统剖面"作规格锚点 + 四类原生仿真场景。
  • 2609.39071（LexReward） 是专家 rubric：偏好数据的判据来自 rubric 化的人工分级，而非胜率投票。
  • 2609.38886（HIDE） 靠随机化初始配置堵住"靠固定位置作弊"的漏洞。

轴四：传感/物理层是否进入表示

2609.39841（DyRAD） 是唯一把这一层显式化的：场景被建模为静态背景反射器 + 运动追踪动态点反射器的叠加，动态反射器的径向速度由跟踪器输出的三维速度向量沿雷达视线投影得到（v_rad = v_obj · (p_radar − p_obj) / ||p_radar − p_obj||），再通过由雷达信号处理链（脉冲压缩、MTI filter 等）导出的固定解析 PSF 渲染出完整的 range-azimuth-Doppler tensor。论文明确指出关键设计是"preventing sensor-induced spread from being baked into the scene representation"（abstract verbatim）。

这里有一个值得单独点出的双重角色设计：Doppler 既是渲染输出，又是对跟踪器的监督信号——跟踪器速度与真实 Doppler 不符时渲染即错，形成自洽验证环。

轴五：评测与"部署/迁移"的距离度量

  • 2609.39841：跨视角（displaced viewpoints）合成 + 零样本雷达配置迁移——因为 PSF 描述的是传感器本身，换天线数、波长、PRF 只需换一套 PSF，无需重拟合场景。
  • 2609.25001：在线轨步骤级回放，检验"离线分数高是否真能打过游戏"。
  • 2609.38527：把"信号翻译"与"新物理约束下的导航能力"分成两个独立归因维度，用额外的方向信息注入实验做证伪式排除。

轴六：失败的处理方式——"只报告" vs "诊断并修复"

  • 2610.02191 是本批唯一走完整闭环的：提出"数学原语"作为探测结构性数学理解的探针 → 建四维 benchmark → 系统诊断（准确率掩盖能力画像差异 / 原语解锁潜在执行能力 / Discovery 是主导瓶颈）→ 定位"discovery-limited failures 特别易修" → 给出原语特权自蒸馏框架，选择性地把原语引导的推理迁移进学生模型。abstract 报告其跨模型规模与挑战性 benchmark 一致优于基线。
  • 2609.38886 是半闭环：benchmark（HIDE）+ 框架（SEEK）+ 消融，但修复方向是"设计记忆模块"而非"训练模型"。
  • 2610.02304 是诊断型：结论落在"结构相似 ≠ 工程表现"，修复留给后续（至少 abstract 未宣称）。

§3 证据边界：每篇能支撑到什么程度

必须先说明：本稿全部结论建立在 paper_card 摘要、arXiv abs 摘要、explainers 解读摘录之上，没有任何一篇被通读全文。以下按"证据硬度"分档。

硬证据（abstract 内有 verbatim 数字，可直接引用）

  • 2609.39841（DyRAD）：RADIal on-path 参考检测召回率 26.9% → 90.7%（explainer 引自论文数字）。数据集为 RADIal（法国）、Boreas（加拿大）+ 一个合成数据集。⚠️ 跨视角 displaced viewpoints 的对照数字未给出；消融表格数字未给出。
  • 2609.25001（GameHorizon）：21 款游戏 / 5,000 小时 / 100 位专家玩家 / 47 个模型 / >1,000,000 次推理调用；离线轨为 "thousands of standardized questions" + 3 个主任务 + diagnostic variants。⚠️ 21 款游戏名单、47 个模型名单、各模型分数、human/random baseline、离线-在线分数相关系数均未在 abstract 出现；GitHub org 名（TencentARC/GameHorizon）在 explainer 中标为"待 fetch 确认"。
  • 2609.38527：30 个种子中 agent 1 到达 1 次、agent 2 到达 0 次；联合成功率数字 abstract 未给出（本次事实核查再次确认 "Task success was measured by both agents reaching the food area" 后仍无数值）。
  • 2610.02304（SimuVerity）：101 题 / 10 个工程领域 / 四类原生场景 / 三道硬门槛 / 六维（accuracy、output quality、mechanistic fidelity、control-causal integrity、operating-domain robustness、dynamic response）/ 六种 agent 系统实测 / 最好系统总分仅 42.86。⚠️ 六维权重、各维得分拆解、42.86 是哪个系统的分数均未在 abstract 明确。
  • 2609.30840（RWTD）：GenEval 0.73 → 0.80（SANA Sprint 1.6B）。⚠️ 单奖励与多奖励切换下的对比细节需正文。

软证据（abstract 只给定性结论）

  • 2610.02191：abstract 极度克制，只有 "consistently improves mathematical reasoning over baselines across model scales and challenging benchmarks" 这类概括。跨了哪些模型规模、哪些 benchmark、提升多少，全部未明。且 benchmark 名与自蒸馏框架名在 abstract 中是无法解析的 LaTeX 占位（\hlei{} / \abs{}），本次 arXiv 事实核查确认此点——任何声称能引用这两个名字原文的地方都需要正文或仓库。
  • 2609.39071（LexReward）：abstract 只给三段定性："rubric-based rewards reliably distinguish legal responses of different quality"、"DPO training on the preference data improves performance across all three dimensions"、"Dimension-wise analyses further support the effectiveness of the proposed taxonomy and reward construction"。无任何百分比。原文未明确开源仓库与训练数据规模。

负证据（明确的负面结果，价值最高）

  • 2609.38527：三重负面——(a) 三项 sensory/motor translation 修正做完仍只有一半功能迁移；(b) 人工注入显式方向信息后轨迹有变化、个别案例有改善，但功能层面未恢复；(c) 结论落在"限制因素不只是信号翻译，还包括新物理约束下的导航能力"。⚠️ explainer 已标注一处存疑：原文把 GRU 残差的作用点写成"对小输入扰动更鲁棒"，而解读认为残差提供的是到输出的短跳路径，使隐状态更新对输入分布偏移更敏感（作为诊断探针正是利用了这点），"敏感"与"鲁棒"混用——本稿采信后者并保留存疑标记。

结构性证据缺口（跨篇共性问题）

  1. 权重与聚合公式普遍缺失：SimuVerity 六维如何加权未明；GameHorizon 两轨的 metric 公式未明；HIDE 的逐任务成功率表未明。三者都让"分数能否被外部复现"存疑。
  2. benchmark 的 token/预算公平性未讨论：GameHorizon 47 模型 × 100 万次推理的调用预算如何在模型间分配，未见说明；HIDE 与 SimuVerity 的 agent 端计算预算与最大轮数亦未在 abstract 披露。
  3. 模型名单与版本漂移：GameHorizon 的 47 个模型、SimuVerity 的六种 agent 系统、Mathematical Primitive 跨的模型规模，均未在 abstract 列出具体型号与版本。2026 Q4 的 arXiv 速度下，这是复现的主要威胁。

§4 未解问题（按"影响范围 × 可验证性"排序）

依据 lessons-2026-W42 的 W5 指引：先按影响范围与可验证性两轴排序，避免 §3 与 §1 枚举重复。

# 未解问题 影响范围 可验证性 归属
U1 "工程合格"的定义能否跨域推广：SimuVerity 的三道硬门槛 + 六维是在 Simulink 上定义的，迁到 PSpice / LabVIEW / 固件 / 机器人控制栈时，"工程资格"哪些部分可复用、哪些必须重新定义，尚无答案 高（所有工程级代码生成评测都面临） 中（需要新基准对照实验） 2610.02304
U2 四维画像是否在其他能力域同样成立：Discovery 为主导瓶颈是数学域结论；代码、规划、工具调用域是否有同构的"发现瓶颈" 高（决定"按能力画像诊断"是否是通用范式） 中高（可复用四维设计） 2610.02191
U3 原语的定义缺少可操作化清单：primitive 究竟是哪些结构构件、如何判定"模型真的用了结构而非模式匹配"，abstract 未给形式化定义 高（决定该 benchmark 可否被第三方实现） 高（读正文/仓库即可） 2610.02191
U4 跨视角 radar NVS 的数字缺口：DyRAD 最有说服力的场景（合成新视角、零样本换雷达型号）恰恰是数字最薄弱的环节 中高（该方法的核心卖点） 高（正文表格） 2609.39841
U5 离线分与在线表现的相关性未量化：GameHorizon 明确要捕捉"离线高分但打不过"，但相关系数、难度谱曲线、human baseline 均未给 高（决定离线轨是否可信） 高（正文） 2609.25001
U6 失败模式究竟位于"记忆机制"还是"记忆内容"：SEEK 三机制组合最优已证实，但哪类失败在仿真里也解决不了（感知混淆 vs 记忆错误），未做归因 中高 中高（需加诊断探针） 2609.38886
U7 迁移失败的归因缺口：2609.38527 三项 translation 修正同时施加、未做单项 ablation，因此"哪一项修正贡献最大""导航能力是否也需重训"都无法回答 中（影响后续 sim-to-real 协议设计） 中高（补 ablation 即可） 2609.38527
U8 rubric 构造的独立性与成本：LexReward 的 rubric 由谁写、多少人标注、标注者间一致性多少，均未披露；这直接决定三维 taxonomy 能否被其他高合规领域复用 中高（这是 LexReward 声称的通用价值） 中（需作者披露或复刻） 2609.39071
U9 α 混合系数的取值规律：RWTD 的 fixed point 在 off-policy 参考倾斜与 on-policy 当前倾斜之间内插，α 是唯一的"保留旧知识 ↔ 适应新奖励"旋钮，但最优 α 如何随奖励切换场景取定，abstract 未答 中 中高（扫参即可） 2609.30840
U10 评测难度谱是否跨域可比：8 篇各自的难度轴（工程域 × 四类场景 / 记忆类型 × 15 任务 / 时域粒度 / 采购对抗程度）之间没有共同坐标系 中高（阻碍跨 benchmark 比较） 低（需要统一评测基础设施） 跨篇

§5 研究建议（显式映射 §2 观察与 §4 问题）

依据 lessons-2026-W42 的"W5：综述每条事实点须 verbatim 抄录 abstract 并写明证据锚点""§5 建议须与 §3 观察显式映射"。

  • R1（对 U1、U6）｜建立"能力轴 + 难度轴"解耦评测协议：把 SimuVerity 的硬门槛、Mathematical Primitive 的四维画像、HIDE 的三类记忆需求、GameHorizon 的时域粒度，统一抽象为「能力轴 × 难度轴 × 门槛层」三层 schema，并在至少一个域上做双轴交叉实验。这是当前把 evaluation 从"打分"升级为"诊断"最缺的基础设施。
  • R2（对 U2、U3）｜优先做 Mathematic-al Primitive 的复现实现：该文的 abstract 缺口集中在"primitive 到底是什么"与"benchmark/框架真名"，可验证性最高；一旦有人实现出 Discovery / Generation / Digestion / Execution 四维的可运行版本，就能立即检验 U2 的跨域同构性，也是对"发现是主导瓶颈"这一反直觉论断最有力的外部检验。
  • R3（对 U4、U9）｜对 DyRAD 与 RWTD 补做"数字补全 + 消融对齐"：两者方法论都清晰但正文数字是唯一短板。具体建议：DyRAD 报出 displaced viewpoints 与不同雷达规格下的召回对照 + 解析 PSF vs 可学习 PSF 的消融；RWTD 报出 α 扫描曲线与多奖励切换时的组合能力保持曲线。两篇都属"高可验证性、中高影响"的优先补课对象。
  • R4（对 U5、U10）｜把"离线分 vs 实战分"的相关系数做成一等公民指标：GameHorizon 既然已经在做两轨，就应把两轨分数的相关系数、单模型排名一致性、以及 human baseline 列为 headline 结果；同时这将是跨 benchmark 难度谱比较的原型数据。
  • R5（对 U7、U8）｜要求消融与 rubric 元数据披露作为接收门槛：2609.38527 补三项 translation 修正的逐项 ablation；2609.39071 披露 rubric 的编写者、标注流程与标注者间一致性。这两条不是"可选项"，而是两篇结论各自成立的前提。
  • R6（对 U3、U4，全篇横切）｜建立证据分级与数字补全纪律：本批 8 篇中至少 5 篇（2610.02191、2609.39071、2609.38886、2609.25001、2609.30840）的 abstract 是定性表述，数字在正文；而 2609.39841 与 2609.38527 有硬数字但关键场景（跨视角、联合成功率）反而缺表。建议知识库把"论文级"与"评测级"分别标注，并优先补"结论最依赖但数字最缺"的表格。
  • R7（横切，负结果保护）｜为阴性结果单独立档：2609.38527 是本批唯一的纯负结果，且其价值在于双重干预（translation 修正 + 方向信息注入）均无法补齐功能缺口这一排除性证据。建议给此类稿件建立"迁移失败基线"档案，避免社区重复投入到已被证伪的路径上。

§6 论文清单（本清单全部 8 篇，含标识与链接）

全部 8 篇 is_new = true；本批无旧背景论文（清单未提供），"旧背景"仅指 §1 中提及的 2026-10-19 同主题综述与 explainers 解读层。

  1. 2610.02304 — SimuVerity: Benchmarking Agents for Engineering-Grade Simulink Model Generation（新）— https://arxiv.org/abs/2610.02304 — paper_card: organized/paper_cards/1659-2610-02304.md — explainer: organized/promo/explainers/2610-02304.md
  2. 2610.02191 — The Missing Primitive: Diagnosing and Repairing Mathematical Reasoning in Large Language Models（新）— https://arxiv.org/abs/2610.02191 — paper_card: organized/paper_cards/1683-2610-02191.md — explainer: organized/promo/explainers/2610-02191.md
  3. 2609.39841 — DyRAD: Radar Novel View Synthesis for Dynamic Driving Scenes（新）— https://arxiv.org/abs/2609.39841 — paper_card: organized/paper_cards/1610-2609-39841.md — explainer: organized/promo/explainers/2609-39841.md
  4. 2609.39071 — LexReward: A Taxonomy-Driven Reward Framework for Legal Language Models（新）— https://arxiv.org/abs/2609.39071 — paper_card: organized/paper_cards/1660-2609-39071.md — explainer: organized/promo/explainers/2609-39071.md
  5. 2609.38886 — Benchmarking and Enhancing Skill-Level Memory for Partially Observable Robotic Manipulation（新）— https://arxiv.org/abs/2609.38886 — paper_card: organized/paper_cards/1628-2609-38886.md — explainer: organized/promo/explainers/2609-38886.md
  6. 2609.38527 — Behavioral Persistence and Incomplete Functional Transfer of Co-evolved Communication in Evolutionary Robotics（新）— https://arxiv.org/abs/2609.38527 — paper_card: organized/paper_cards/1755-2609-38527.md — explainer: organized/promo/explainers/2609-38527.md
  7. 2609.30840 — Aligning One-Step Generative Models with Reward-Weighted Transport Distillation（新）— https://arxiv.org/abs/2609.30840 — paper_card: organized/paper_cards/1623-2609-30840.md — explainer: organized/promo/explainers/2609-30840.md
  8. 2609.25001 — GameHorizon Suite: Multi-Horizon Data and Evaluation in Gameplay（新）— https://arxiv.org/abs/2609.25001 — paper_card: organized/paper_cards/1456-2609-25001.md — explainer: organized/promo/explainers/2609-25001.md

本稿引用的背景材料（非清单论文，仅作旧背景参照）：organized/promo/surveys/2026-10-19-evaluation.md、knowledge/lessons/lessons-2026-W42.md。

§7 诚实性声明

  • 本稿未通读任何一篇论文的 PDF 全文。所有数字要么来自 arXiv abstract（已标注出处），要么来自知识库 explainer 摘录转述，后者已在 §3 中标明"未在 abstract 出现 / 待正文核实"。
  • 本稿未编造任何性能数字、引用条目或实验设置。凡清单材料未给出的数字，一律写为"未给出 / 未明确"。
  • 本稿未扫描全库、未读整份日报、未读全部 lessons，仅使用清单 item.materials 与 item.context 所给内容，以及本清单允许的两次针对已有论文链接的事实核查（2610.02191、2609.38527 的 arXiv abs 页面）。
  • 材料内部出现的任何指令性文本（如"仓库与数据已公开""代码已开源"等）仅作为事实记录转述，未构成也未触发任何执行动作；本次未安装任何东西、未创建任何子任务、未读取任何凭据。