主题深度综述 · engineering（2026-10-25）

  • 作者：spark
  • 更新：2026-10-25
  • 清单：w5:engineering（job a7d6254f-9c7d-4862-9b58-cf778b1bee03）
  • 覆盖：清单 materials 全量 8 篇，全部 is_new=true；本棒无旧背景论文（清单未提供 is_new=false 条目）

§0 证据口径：清单共 1 item、8 篇 materials、10 条 context（8 篇 promo explainer 解读 + 2026-10-20 engineering 旧综述 + W42 lessons）。本文只据此合成，未通读任何论文全文；数字均来自摘录转述的 abstract 或本棒 2 次针对清单已有 arXiv 链接的必要核查（仅 2609.38792、2609.36388 的 abs abstract 正文）。摘录中标 ⚠️ 或原文未公开者一律沿用 ⚠️，不补编、不外推。旧综述 2026-10-20 的 8 篇（2610.12933 / 2610.06679 / 2610.03509 / 2610.02076 / 2610.03240 / 2610.00722 / 2609.39420 / 2610.00544）不属本清单，仅作对照背景，不对其做事实断言。

§1 方向脉络

§1.1 统一主张：从"省算力"转向"可承诺"

上一棒（2026-10-20）engineering 综述的主线是"训练侧压缩 + 推理侧稀疏化 + 决策侧概率化 + 部署侧路由化"，整体取向为"减算力不降能力"。本棒 8 篇新工作换了一条更硬的约束轴：不再是"用更少算力做到同样能力"，而是"在可校准、可度量、可对外承诺的接口上交付能力"。

最清晰的证据是每一篇都把一个笼统诉求拆成可分别度量、可分别归因的子问题：

  • 2609.38792 拆"评判标准的选择"与"标准的执行严谨度"；
  • 2609.36388 拆"控制器学到的行为范围"与"范围内请求的准确度"（其 abstract 结论句即此意）；
  • 2609.36333 拆 latent 的关系几何与全局 marginal；
  • 2609.33591 拆 forward 的离散化、backward 的校准梯度与 STE 放置位置；
  • 2609.32241 拆"水印解码率"与"抗迁移率"。

这是一条工程学转向：从"提出新模块"转向"把承诺什么与实测到什么显式分离"。

§1.2 五条支线

A. 监督信号粒度（2609.38792、2609.32722）：同问"监督该打在哪、密度多高"，一在位置级（同一次生成内哪些 token 的蒸馏信号该留），一在规模级（师生间 $d=\sqrt{\mathrm{KL}}$ 走到哪段学生最受益）。二者共同点是把标量奖励/朴素 KL 当作信息量不足的粗代理，换成刻画分布形状或距离的量。

B. 结构替换而非参数扩张（2609.36965、2609.36333）：前者用 encoder-only + K 维 softmax 把"自由生成"换成"候选概率"，延迟降至毫秒级；后者给 latent world model 补关系几何。共同前提是结构收益大于参数/数据收益，且收益可解释（"前向计算量下降一档"、"marginal 正则不蕴含 relational 保持"这一可证伪命题）。

C. 冻结主干上的轻量介入（2609.36585、2609.32241、2609.36388）：单层 rank-8 LoRA + 主干全冻 / 即插即用 CoverLock 不重训 / 特化共享 FLAS 控制器 + 事后校准。三篇都不主张训更大模型，而是"在既有部署物上打可解释补丁"。2609.36585 还给出唯一直接的成本量级（~MB 级 LoRA）与"插层位置可预测"的工程副产品。

D. 算子级低精度重设计（2609.33591）：量化通常压矩阵乘法、softmax 因非线性留着。这篇把 softmax 本身作为研究对象，在 124M 参数 / 2.5B token 的严格受控对照下逐一翻转三个旋钮。结论强度取决于这个控制度，也因此比一般量化论文更可信。

E. 鲁棒性度量与防御（2609.32241）：贡献形态是"度量 + 即插即用防御 + 三方对照"三件套，把已知漏洞从现象升级为可计算、可比较、可发布的指标，并用受控干预定位根因。

§1.3 与旧背景的承接

上一棒四线框架在本棒仍成立，每条都有新代表：训练侧压缩 → 2609.38792 / 2609.32722（从"压数据预算"推进到"压监督的粒度与位置"）；推理侧稀疏化 → 2609.36585 / 2609.33591（从"少喂上下文"推进到"少用层 / 少用精度"）；决策侧概率化 → 2609.36965；部署侧路由化 → 2609.36333 / 2609.36388 / 2609.32241（从"选模型"推进到"校准 / 对齐 / 兜底"）。

值得单列的是 2609.36965 与上一棒 2610.02076：共享"用概率目标替代自由生成"范式，但一个训练-free（trie + KL 锚定、不微调）、一个有监督（统一数据协议 + encoder-only + 领域微调）。这构成一组方法论对照：同范式下，"免训练轻量"与"有训练轻量"分别把成本花在哪里。

§2 方法差异：逐篇拆解

§2.1 2609.38792 — Position-Selective Self-Distillation（is_new）

https://arxiv.org/abs/2609.38792 ｜cs.CL ｜本棒已核查 abs 正文

定位：abstract 原文称 outcome-supervised RL（如 GRPO）"credits every token in the rollout with a single scalar determined only by the accuracy of the final verdict, providing no separate credit at the criterion-choice tokens"，且忽略偏好标签天然附带的语言反馈。故评判分两轴：准则选择（criterion choice）主导主观任务，应用严谨度（application rigor）主导客观任务。

方法：同模型任师生——学生条件 $(x,y_A,y_B,a_{1..t-1})$，老师额外条件化语言反馈 $z$，用 on-policy reverse-KL 做位置级稠密监督。核心是 per-position 熵移 $\Delta H_t=H(\pi(\cdot|s_t))-H(\pi(\cdot|s_t,z))$，分两 regime：context sharpening（老师把概率集中到某个反馈对齐准则表述 → 鼓励记忆）与 context spreading（分散到多个反馈对齐备选 → 促进语义理解）。据此 position masking 保留熵移分布下尾。

⚠️ 本棒核查结论：解读稿曾标注"表 1 的 regime 标注与公式存在正负号歧义"。核查 abs 正文后确认：abstract 明确 "introduce position masking based on the entropy shift that retains the lower tail" 与 "masking higher-entropy-shift positions improves out-of-distribution generalization"，与解读稿公式方向一致；但 abstract 未给出 $\Delta H_t$ 的符号约定，故"高/低熵移 ↔ sharpening/spreading"的对应在摘要层面仍不闭合，符号歧义只能靠正文图表解决，本文不下定论。

结果：主观子类比 outcome-supervised RL judges 高 2–9 个百分点，客观子类保持竞争力。⚠️ 子类划分标准、评测集、样本量 abstract 未列；主观子类未点名。工程判断：价值在于证伪"并非所有位置监督等价"——不能对全 rollout 无差别蒸馏，先测熵移分布再定掩码。

§2.2 2609.32722 — Scaling Properties of Same-Family OPD（is_new）

https://arxiv.org/abs/2609.32722

定位：把 OPD 从"训练 trick"升级为可预测现象——能否用一次便宜 OPD 估算昂贵 RL 重训的上限。

方法：横轴 $d=\sqrt{\mathrm{KL}(\pi_\theta\Vert\pi_{\mathrm{ref}}}$)，纵轴留出集 gold score $G$。早期存在 useful-transfer regime，$G\approx a\cdot d+b$。三种配置（weak→strong / same-base / strong→weak）共享同底座，差异只在 RL 后训练量；在有用迁移区拟合三组 power law：$G_{\text{peak}}$ 随学生规模渐近饱和；随教师规模超过学生规模略小后基本不动；随教师分数上升，但同等教师分数下"小教师"往往传得更好。

最有价值的一点：教师 score ≠ 教师 value——分数更高但分布偏离更大的教师可能把学生锁在自己不会做的模式里。工程规则：预算紧时用"已训好但小一圈"的教师，而非训到 SOTA 再蒸。

⚠️ 证据边界（重要）：35 页 20 figure，但 abstract 只描述趋势，未列基准与数值表；"近似线性"无 $R^2$/残差/RMSE，按"作者声称"对待；三条 power law 系数、"学生峰值反超教师"的配对数、Bootstrapping OPD 与 on-policy 占比消融幅度原文未明确；限定同家族 base，不覆盖跨 base、视觉/多模态；解读稿另称 abstract 与 TLDR 未给代码链接。落地需正文数值表，仅凭摘要不足以做排期决策。

§2.3 2609.36965 — Chinese-Jev（is_new）

https://arxiv.org/abs/2609.36965

定位：LLM 是 System-Two（自由生成、慢、贵、答案不稳）；中文决策任务（合同合规、ICD 编码、投诉分流）只需"在有限候选选一个"，适合 System-One。既有路线（论文以闭源参照 Jev 出现）中文落后，诊断三条：英文主导数据、中文标注形态异质（实体/关系/分类/序列标注/抽取式 QA）、垂直领域术语密度高致预训练分布错位。

方法：① 统一数据协议——任意标注经候选生成器产出 K 候选 + 1 gold，压成"候选概率目标" $y\in\mathbb{R}^K$（$y_{\text{gold}}=1$，余按语义距离/难度赋 soft label），训练样本 $(x,y)$；② encoder-only 轻量骨干——去 decoder 与自回归头，[CLS] 接 K 维 softmax，损失为概率目标 KL/CE，推理只需 argmax 或校准阈值，不需 beam search 与采样；③ 两阶段训练——通用中文预训练（解读稿称 10M 条）→ 医疗/法律/金融分别微调以避免灾难性遗忘。评估用自建 CJ-Bench，全部遵循"候选 + gold + 概率目标"格式。

结果（解读稿转述）：通用准确率比闭源 Jev +1.24%，速度 20.3×，医疗 +4.0%，法律+金融平均约为 Jev 的 92%（abstract 原文："achieves 92% of Jev's average accuracy across specialized domains"），平均延迟 15 ms/例，INT8 量化后手机端 约 1.0 s/decision。

⚠️ 证据边界：Jev 基线绝对数值与绝对速度均未公开，故 +1.24% / 20.3× / +4.0% 无法独立核算；法律/金融 breakdown 未给；15 ms 与 1.0 s 的硬件配置、手机型号未披露；领域微调数据规模/来源/合规性原文未明；以闭源参照为基线本身限制第三方可验证度。工程判断：真正贡献是协议而非模型——接受该 schema 后骨干/损失/推理可跨任务复用；输出是概率故可直接报 ECE，这对下游阈值与人工复核是 LLM 难提供的。

§2.4 2609.36585 — Transformers Stop Thinking Too Early（is_new）

https://arxiv.org/abs/2609.36585 ｜Demo：https://lunamos.github.io/stop-thinking-too-early/

定位：长上下文按行/按编号指代表现差，直觉是"深度不够"；本文给出反直觉答案——不是深度不足，而是早期层过早放弃计算，模型本有潜力但某个早期层后"接力棒"丢了。

证据链：① 系统扫描——13 个基础模型在"跟踪 N 行链"上可靠跟随上限全落在 1.4–3.6 行，增加预训练循环几乎无收益；这条同时排除了容量、数据、prompt 格式三种解释，是论断最强部分。② 干预——冻结主干全部权重，仅在一个早期层插 rank-8 LoRA，训练目标为 N=24 链精确指代。③ 机制三段证据——接力启动（早期层打"链身份 tag"并经中间层短距传递）、冻结 head 渐进读（逐层读到越来越远的链位，而非一次读完）、因果验证（屏蔽"父行 attention"后接力立刻中断，证明依赖层间传递而非 LoRA 单独记忆）。④ 冻结模型测量——主干全冻下做最后一次前向定位"最后有用的干预层"，4 个保留模型中 3 个在容差内定位成功，即插层位置可预测，不必逐模型暴力搜索。

结果（解读稿转述）：Qwen3-8B 在 N=24 上 15.5% → 99%；更长训练达 N=50；Ouro-1.4B 4 轮达 N=60、8 轮 ≥160。任务专属 LoRA 迁移到 MuSiQue 也有提升。

⚠️ 证据边界：epoch/batch/数据合成规模 abstract 未给；N=160 是"≥160"，是否测过 N>160 未明确；多任务互斥未测；主任务是程序风格合成链，自然语言场景收益需另评；每模型一个 LoRA，权重不可跨模型迁移——这与"位置可预测"合看有张力：后者降低搜索成本，但未解决权重可迁移性。工程判断：本棒部署成本最低的一篇，对已有 7B–70B 服务是"不重训主干就给长上下文指代补短板"的最直接路径。

§2.5 2609.33591 — Quantized Softmax in Attention（is_new）

https://arxiv.org/abs/2609.33591

定位：低精度系统通常压 QK^T 与 AV，softmax 仍高精度；但 softmax 非线性，近似同时改 forward 与 backward 且二者耦合、后果难猜。这篇不"再压一点"，而是把 softmax 低精度化当研究问题。

方法：K-interval 近似——一行 logits 划 K 区间，每区间用 K+1 个网格值代表 exp 取值。三个旋钮：网格校准（fixed-window / per-row min-max / 滑动或 adaptive 变体）、离散化（interpolation 线性插值，连续可微 / hard rounding 归最近网格，梯度需 STE）、STE 放置（pre-normalization 在行归一化之前 / post-normalization 只对归一化前离散化用 STE）。技术贡献之一是推导 backward 规则并包含校准梯度（网格端点本身对 loss 的梯度），即把"网格位置也是可学习量"用受控实验暴露。

结果（解读稿转述）：受控变量 124M 参数 / 2.5B token，模型/数据/优化器对齐；梯度处理与 STE 放置位置才是 loss 缺口的关键，而"是否 hard rounding""是否 detach 行极值"只造成温和影响。最佳组合：fixed-window + post-norm surrogate 在 K=4 把验证 loss 缺口压到 +0.019 nats；pre-norm surrogate 在 K=16 压到 +0.004 nats。

⚠️ 证据边界：滑动/adaptive 变体定义、STE 细节 abstract 未述；+0.019 / +0.004 nats 的基线口径原文未明确；结论基于 124M / 2.5B token，向 7B+ / 万亿 token 外推未验证——W42 lessons 反复强调外推值必须补样本边界，此处尤须标注；且两个最优点不在同一 $K$，"pre-norm 更原汁原味"的直觉被推翻，其机制解释 abstract 未给。工程判断：价值不在"能压到 K=4"，而在把量化 attention 的设计空间从"精度"扩展到"梯度路径"；K=16 / +0.004 nats 对多数场景已近乎无损。

§2.6 2609.36333 — ATLAS（is_new）

https://arxiv.org/abs/2609.36333

定位：Dreamer/IRIS 类 latent world model 通常只对 latent 边际分布做正则（unit Gaussian prior + KL），但 planner 实际用的是 latent 上的状态间关系——两状态"够不够近"决定动作选择是否稳定。核心命题（解读稿归因于 Yupu Yao 等人的观察）：marginal 正则不蕴含 relational 保持，encoder 把信息压到最终给 planner 的 latent 时，规划相关的新颖性结构被削弱。

方法：ATLAS 是训练目标，两部分相加。① 关系几何保持——把 encoder 表征 $h$ 上的归一化成对结构搬到 planner 用的 latent $z$：$L_{\text{relational}}=\mathbb{E}{\text{pair}}|\text{pair}_h-\text{pair}_z|^2$；只约束结构（成对相似度）不约束幅度，从而几何与尺度解耦。② 全局 marginal 标定——WEMReg（一维 Wasserstein-2 transport 的 embedding matching），逐维对 $\text{sort}(z_d)$ 与目标 prior 分位样本回归；选 1-D Wasserstein 因其闭式解、计算稳定、对维度独立可分解，与结构约束叠加不互相干扰。总损失 $L{\text{total}}=L_{\text{recon}}+\lambda_{\text{rel}}L_{\text{relational}}+\lambda_{\text{cal}}L_{\text{WEMReg}}$。实例化为 LeWM。理论侧把候选规划稳定性与三类误差（relational distortion、latent-scale mismatch、prediction error）挂钩，前两项由 ATLAS 直接优化，第三项由重建/预测损失自然约束。

结果（解读稿转述）：在 PushT、TwoRoom、OGBench-Cube 按 novelty 切子集，mean goal-reaching success 三个 benchmark 均提升，增益最大在 higher-novelty 的 TwoRoom，与动机一致。

⚠️ 证据边界：论文实际的"归一化成对结构"代数形式与两个 $\lambda$ abstract 未给（解读稿的 cosine 形式为类比示意、非原式）；三类误差的完整证明"原文未在 abstract 公开"；具体成功率数值表未公开；representation diagnostics 细节未摘录。工程判断：真正贡献是把潜空间几何提升为世界模型一等约束，并给出"现有做法不够"的可证伪命题；作为正则项接入成本极低，是它相对重架构工作的实用优势。

§2.7 2609.36388 — Persona Dosing（is_new）

https://arxiv.org/abs/2609.36388 ｜cs.AI ｜本棒已核查 abs 正文

定位：激活引导给一个乘性系数 α 就"多一点这个特性"；但产品要的常是"7 分邪恶 / 4 分热情"——连续可调、对外可承诺的档位。痛点：强度不可寻址（CAA 等是二值旋钮）、请求与目标强度脱钩（"6/10 的傲娇"跑两次强度飘忽）。作者称之为 persona dosing。

方法：PersonaDose 特化一个共享的、描述条件化的 FLAS 控制器（abstract 原文："specializes a shared, description-conditioned FLAS controller"），FLAS 的干预量是流时间，流时间越长幅度越大。训练响应不与请求目标强度配对（原文："Training responses are not paired with requested target intensities"），控制器学"不同流时间下实测特性表达 $E(d,t)$ 的分布"，因而不依赖昂贵强度标注；代价是训练后须校准——把模型当可测黑盒，逐 (trait, requested intensity) 搜流时间 $t^$ 使 $E(d,t^)$ 最接近请求值且满足 coherence floor（Persona Vectors，阈值 75），达不到者标为不可达。

结果（本棒核查的 abstract 原文，可 verbatim）：Llama-3.1-8B / Qwen3-8B / Gemma-3-4B 上，PersonaDose 在 coherence floor = 75 处相对 CAA 提升 33.2 / 18.3 / 17.8 点；校准设定在 held-out questions 上仍保持表达优势，但 coherence floor 并非对每种特性都成立；七个训练过的特性上平均定向误差 4.7–6.2 点，每模型 28 个目标中 14–22 个可达。结论句即"separate the behavioral range learned by a controller from the accuracy of requests within that range"。

⚠️ 证据边界：模型权重与训练数据未公开，GitHub/Demo 链接 abstract 未给，第三方复现需自行按 FLAS 结构搭训练与校准回路；"coherence floor 不对每种特性都成立"意味着保留集上档位区间非均匀；可达率 14–22/28 ≈ 50%–79%，即过半请求强度不可承诺。工程判断：把"强度不可寻址"正名为"剂量"问题很有价值，但交付物是"可达档位表"而非连续旋钮——不可达档位应被产品显式拒绝，而不是承诺一个做不到的数字。

§2.8 2609.32241 — Residual Transferability in Neural Image Watermarking（is_new）

https://arxiv.org/abs/2609.32241 ｜cs.CR / cs.CV

定位：神经图像水印被当作 AI 生成图溯源/版权追踪基础设施，但已知有残差迁移伪造——攻击者从已发布水印图"抠出"残差，贴到无关另一张图上，解码器仍判"含水印"，版权被冒名顶替。此前只有现象级证据（"我们能伪造"），缺量化口径。

方法：① RT 度量 $\text{RT}(\mathcal{W})=\mathbb{E}_{x,x'}[\text{Dec}(\mathcal{W};x')\mid\text{Enc}(\mathcal{W};x)]$，$x'$ 与 $x$ 无关；RT ≈ 1 表示残差基本独立于 cover image（易伪造），≈ 0 表示强耦合（迁移即失效）。关键洞察："水印解码率"与"抗迁移率"是两件事——高 bit-accuracy 系统可能 RT 极高，部署即裸奔。② 两级根因定位——Phase A 对照（多 SOTA 系统 × 训练侧变体：loss 组合、数据增广强度、正则权重）；Phase B 受控干预（选 RT 极高与极低两组配对，逐项消融架构差异）。结论是二元划分：训练侧变体解释力弱，架构侧选择解释力强。③ CoverLock——encoder 阶段注入额外 cover-image 依赖项，强制解码路径经"指纹化"；plug-and-play，不替换 encoder/decoder、不重训；abstract 明示相对传统手工防御（频域裁剪/抖动）与learned classifier-based 防御，CoverLock 在高 RT 系统上取得更优的 security-robustness trade-off。

⚠️ 证据边界：abstract 未公开各系统 RT 数值表、CoverLock 在 robustness（PSNR / SSIM / bit-accuracy）的具体下降幅度、对照/干预样本规模与统计检验；两类"增强水印-载体耦合"机制的具体形式未给；论文自称只重新平衡权衡、不声称提升绝对鲁棒性。另 RT 依赖"残差可分离"假设——若 encoder 把水印与图像特征纠缠到不可单独提取残差，攻击可达性本身下降，RT 可比性需额外说明。工程判断："度量先于防御"的样板：RT 把已知裸奔问题变成可回归指标，让"改架构 vs 改 loss"变成可证伪的工程决策。

§3 跨篇观察与方法论谱系

按"把什么变成了可度量的量"重排，谱系比主题标签更清晰：

工作 被量化的量 作用
2609.38792 per-position 熵移 $\Delta H_t$ 决定哪些 token 的监督该留
2609.32722 $d=\sqrt{\mathrm{KL}(\pi_\theta\Vert\pi_{\text{ref}})}$ 决定教师该多大、学生练到哪
2609.32241 RT（残差可迁移性） 决定水印系统是否等于裸奔
2609.36388 $E(d,t)$ + 可达档位表 决定承诺哪个强度档位
2609.36965 候选概率 + ECE 决定决策能否被下游信任
2609.36333 关系几何 vs marginal 决定潜空间该保住什么
2609.33591 验证 loss 缺口（nats） 决定量化选哪个旋钮
2609.36585 可靠跟随行数（1.4–3.6 vs 24/50/60/160） 决定补长链能力值不值得

观察一：证据强度两极分化，中间态缺席。 强证据端（受控对照 + 可复算数值）——2609.33591、2609.36585、2609.36388、2609.36965，结论可直接指导决策；弱证据端（趋势陈述 + 数值表未公开）——2609.32722、2609.36333、2609.32241、2609.38792，方向可信、幅度不可用于决策。这批工作在问题定义上的收敛程度明显高于结论可复算性上的收敛程度，这是本棒最有价值的元信息。

观察二：三条"可承诺性"路线。 2609.36965（概率+ECE）、2609.36388（校准表）、2609.32241（RT 阈值）本质是同一件事的三种形态——把"模型大概能做到"翻译成"接口可以承诺 X"；与 2609.38792 的"规范选择 vs 规范执行"、2609.32722 的"score ≠ value"同族：区分"看起来做到了"和"确实做到了"。

§4 未解问题（按"影响范围 × 可验证性"两轴排序）

A. 影响范围最大 / 可验证性高 1. 熵移符号约定与 regime 对应未闭合（2609.38792）：abstract 只说"retains the lower tail"与"masking higher-entropy-shift positions"，未定义 $\Delta H_t$ 符号约定，故"高熵移 = sharpening 还是 spreading"在摘要层面仍悬。影响：掩码方向取反即废。可验证性：读原文 PDF 熵移可视化图即可判定，成本极低。 2. 2609.32722 缺具体基准与数值表：三条 power law 只有形式无系数，"近似线性"无 $R^2$。影响：决定"教师选型查询表"能否用于排期。可验证性：需正文数值表 + 拟合残差。 3. 2609.33591 的 loss 缺口基线口径未明（+0.019 / +0.004 nats 相对什么）。影响：决定"K=4 够不够用"。可验证性：PDF 实验节。

B. 影响范围大 / 可验证性中

  1. 小规模结论的外推边界：2609.33591（124M/2.5B token → 7B+/万亿 token）、2609.36585（合成链 → 自然语言长上下文）、2609.32722（同家族纯文本 → 跨 base/多模态）。影响：决定能否进入真实部署。可验证性：需各论文自己的规模消融，多数没有。
  2. 闭源基线致不可独立核算（2609.36965 的 +1.24%/20.3×/+4.0%）。影响：中文 System-One 路线的整体收益主张。可验证性：需 Jev 侧公开绝对值，或在开源决策基准上重建对照。
  3. 2609.32241 的 RT 数值表与 robustness 下降幅度未公开。影响：无法判断 CoverLock 真实成本，也无法定 RT 验收线。可验证性：PDF §4–§5。

C. 影响范围中 / 可验证性高

  1. 2609.36585 的 LoRA 不可跨模型迁移与"位置可预测"的张力：决定这套方法是通用补丁（一次训练服务多模型）还是逐模型定制。可验证性：原文数据上可直接判断的低成本设计事实。
  2. 2609.36333 的两个 $\lambda$ 与"归一化成对结构"实际形式。影响：能否直接接入已有 Dreamer 变体。可验证性：PDF + 实现级核验。

D. 影响范围中 / 可验证性低（长期议题）

  1. "可承诺性"是否需要统一抽象：2609.36388 的档位表、2609.36965 的概率+ECE、2609.32241 的 RT 是三种局部方案，尚无跨任务接口标准。影响：决定下一轮工程能否复用而非重造。可验证性：需新跨任务基准，非论文内部实验可解。
  2. 2609.36388 的开放性：权重、训练数据、代码链接皆缺，使 FLAS 特化 + 校准路径当前不可第三方复现——在最贴近产品的一篇上形成结构性缺口。

§5 研究建议（显式映射 §3 观察与 §4 问题）

建议 1（映射 §4-A1/A3）：建立"数值口径自检表"。 本棒最常见的错误不是造假，而是口径漂移：+0.019 nats 相对什么？2–9 个百分点在哪个子类集合？28 档位里 14 个可达对应多大承诺范围？做法：对每篇补三列表 数值 | 基线/口径 | 实验设置，abstract 未给者填"原文未明确"，不跨篇推断。建议作为下两棒固定附件。

建议 2（映射 §4-A2/B6）：优先补"数值表缺口"的三篇，而非平均用力。 缺口最大的三篇是 2609.32722（power law 系数）、2609.33591（loss 基线口径）、2609.32241（RT 数值表）；共同特征是方向已可信、只差数字，补齐成本低收益直接。2609.38792 的符号约定属"读一节即解"，也应排在最前——四个低成本项应一次做完而非分散多棒。

建议 3（映射 §3 谱系表、§4-D9）：把"可承诺性"作为独立研究方向组织。 本棒已现三种局部形态，下一步不该再造一个，而应在同一任务族上并列评测：给一个模型同时输出"档位承诺表 + 校准后概率 + 伪造鲁棒性指标"，观察三者一致性——若高强度档位处 coherence 下降而 ECE 同时恶化，说明三种度量捕捉不同维度，接口层必须显式暴露冲突而非取平均。

建议 4（映射 §4-B4）：为三篇外推风险论文各设计一个最小规模外推实验。 2609.33591（124M → 7B）、2609.36585（合成链 → 自然语言长上下文）、2609.32722（同家族 → 跨 base）。都只需在原设定上放大一个维度，看结论方向是否保持；高信息量、低成本。

建议 5（映射 §4-D10）：优先推动"可承诺性"方向的开源。 2609.36388 缺权重/数据/代码，2609.32722 未披露代码；两者方法结构都极易重建（FLAS 特化 + 校准回路；$d$ 横轴 + power law 拟合），但重建会引入实现偏差使数字不可比。建议对"有方法但无复现资产"的论文单列一节，把复现成本排出优先级。

建议 6（承接 §1.3）：把"训练-free 概率化"与"有监督概率化"做正面对照。 2609.36965（中文、有监督、encoder-only）与上一棒 2610.02076（英文、训练-free、trie + KL 锚定）共享范式但资源投向相反。建议同一批中文决策任务、同一候选集、同一骨干规模，比较"训练-free 路线"与"统一数据协议 + 微调路线"的准确率、延迟、可校准性、标注成本四项。标注成本是决定这类系统能否落地的关键变量，而两篇都没把它当主指标。

§6 清单论文标识与链接（全量）

清单 item w5:engineering 的 8 篇 materials 全部 is_new=true，无旧背景论文：

  1. 2609.38792 — Training LLM Judges from Language Feedback via Position-Selective Self-Distillation — https://arxiv.org/abs/2609.38792 — is_new ✅（本棒已核查 abs abstract 正文）
  2. 2609.36965 — Chinese-Jev: Bringing System One Model to Chinese-Language Tasks — https://arxiv.org/abs/2609.36965 — is_new ✅
  3. 2609.36585 — Transformers Stop Thinking Too Early, and a Tiny LoRA Fixes It — https://arxiv.org/abs/2609.36585 — is_new ✅（Demo：https://lunamos.github.io/stop-thinking-too-early/）
  4. 2609.36388 — Persona Dosing: Calibrated Activation Steering for Graded Trait Control — https://arxiv.org/abs/2609.36388 — is_new ✅（本棒已核查 abs abstract 正文）
  5. 2609.36333 — ATLAS: Aligned Transport of Latent Structure for Reliable World Model Planning — https://arxiv.org/abs/2609.36333 — is_new ✅
  6. 2609.33591 — Pretraining Transformers with Quantized Softmax in Attention — https://arxiv.org/abs/2609.33591 — is_new ✅
  7. 2609.32722 — Scaling Properties of Same-Family On-Policy Distillation — https://arxiv.org/abs/2609.32722 — is_new ✅
  8. 2609.32241 — Residual Transferability in Neural Image Watermarking — https://arxiv.org/abs/2609.32241 — is_new ✅

本棒使用的清单内材料：organized/paper_cards/1617-2609-38792.md、1580-2609-36965.md、1652-2609-36585.md、1653-2609-36388.md、1612-2609-36333.md、1583-2609-33591.md、1599-2609-32722.md、1563-2609-32241.md；解读 organized/promo/explainers/ 对应 8 篇；背景 organized/promo/surveys/2026-10-20-engineering.md（旧综述，仅作对照）、knowledge/lessons/lessons-2026-W42.md（写作指引）。

核查声明：本棒事实核查共 2 次，均针对清单已有论文链接（arXiv abs 页面）：① 2609.38792（确认 masking 方向与 "lower tail" 表述，确认 abstract 未给出 $\Delta H_t$ 符号约定）；② 2609.36388（verbatim 核对 33.2/18.3/17.8 点增益、14–22/28 可达档位、4.7–6.2 点定向误差、coherence floor = 75、"specializes a shared, description-conditioned FLAS controller"、"not paired with requested target intensities"）。未通读任何论文全文（PDF 正文），未扫描清单外论文，未引用清单外材料的实验结论，未编造性能、引用或实验数字。