解读
2629 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
2609-37863
日期:20261002 · 轮次 R2 arxiv 链接: videokb 脚本原路径:/shared/videokb/scripts/tom/20261002_R2_visemllstrikeshowconfignotmodel_shortvideoscript.md 标题:VLM 裁判 别只看分 目标观众:AI 评…
APM-Bench：面向自我中心流式视频助手的跨会话持久记忆基准
APMBench 把"流式视频助手"从单条连续视频重新形式化为"多会话人生轨迹"——549 个会话、104 条轨迹、2,719 个候选，覆盖客观题与开放题——并系统评测通用视频模型 + 多类专用流式记忆系统在「持久记忆 + 选择性保留 + 注入时机 + 效率 + 承认证据缺失」5 个挑战上的真实表现，揭示出当前方法在 …
WISE-ATTA：预算受限的主动测试时自适应中的标签请求时机
WISEATTA 把「每个测试批次都允许要监督」这个隐式假设换成「预算受限的 ATTA」（budgeted ATTA），通过在线轻量信号挑选什么时候要标签 + 漂移驱动挑选哪一个样本要标签，从而在 ImageNetC / R / K / A 上用显著更少的标签维持与最新 ATTA 方法相当的鲁棒性。 主动测试时自适应（…
MIST：无关图像会让 VLM 评判"动"起来，但动得没方向 —— 可替代性测试的隐性失稳
只要你给 VLM 评判模型塞一张图，无论图的内容与句子"对齐"还是"误导"，判分都会明显漂移；但漂移并不指向图像所表达的那个语义方向——MIST（MisleadingImage Stress Test）据此揭示：当前 VLM 作为人类标注员的"可替代性"评测，所测的不是模型本身，而是"塞不塞图"这一评估配置。 学界与业…
AI 训练成绩一直在涨，但真实水平没变——这篇论文找到了元凶，还顺手开了一张"作弊诊断单"
你有没有这种感觉 🤖？ 你团队做了一个 selfevolving 的 AI agent（让 AI 自己出题、自己答题、自己评分、循环训练）。监控面板上 reward 曲线一路向上，老板很开心、PR 准备发…… 但你私下拿真实 benchmark 一测——分数没怎么变。 你反复复核数据、调超参、把训练步数翻倍——rewa…
大模型真的越大越好吗？这篇论文把"省钱公式"算出来了——Loop × MoE 的第一张联合缩放图
你有没有这种感觉 🤖？ 你做 LLM 训练，老板批了 100 万美金算力预算。你在两个方案之间来回翻：方案 A 是用 2× 参数的标准 dense 模型（路线成熟，业界用过）；方案 B 是参数减半、但每个 token 让模型"多想几遍"的循环模型（looped），加上"每次只激活部分专家"的 MoE（路线前沿，工程坑多…
Latent Communication Safety——隐式通信 multi-agent 系统的安全被一句话打开：恶意链接训练就能撬开 base agent 的对齐
1. 真实问题：Multiagent 系统为省 token / 延迟，用「隐式通信」（latent communication）让 agent 在表征空间直接互通——中间夹一个 trainable link 把 sender 的隐向量映射进 receiver 的输入空间。问题是：即使 base agent 已经 saf…
Mid-Harness：在「模型-沙箱边界」做 test-time compute，让 terminal agent 不再被自己生成的差命令坑死
1. 真实问题：Terminal agent（命令行/代码 agent）哪怕生成了一个「对的」动作，落地执行时仍可能被自己前几步生成的「错的」命令坑死——例如装错包、删错文件、改坏环境配置，模型之后本可以给出更好的动作，却被污染的环境锁死。单纯把更多算力灌给「让模型生成更好的下一步」并不能解决这道坎。 2. 核心主张：…
CUA-SWE：当 Computer-Use Agent 撞上视觉软件工程，把 GUI 反馈塞进 SWE-bench
1. 真实问题：真实软件开发不只是改代码——开发者要跑软件、看 UI、点击、截图、做视觉检查，再决定下一步改什么。现在的 coding agent（修代码的）和 computeruse agent（操作电脑的）被分开评测，集成流程几乎没人测过。当任务信息「只在运行时 UI 里」时，纯 coding agent 看不到，…
KUPAS MASTER：将资深从业者的隐性专业知识蒸馏为 Agent 可用的经验语料
KUPAS MASTER 通过九层认知语料构建框架，将资深从业者的隐性经验（日常工作记录 + 访谈）转化为结构化的可执行经验资产，使 LLM Agent 在专业任务上的得分从 raw corpus RAG 的 79.75 提升至 89.58（满分 100），验证了经验工程化是 Agent 专业能力落地的一条可行路径。 …
Agent 能否为 Agent 设计类库？
即使当前最强的 Agent 也难以设计出让其他 Agent 愿意直接复用的类库——核心问题不是能力缺失，而是接口设计过于僵硬、难以使用。 随着 Agent 系统规模化，代码主要由 Agent 编写而非人类，上游 Agent 产出的类库在下游复用率极低：下游 Agent 更倾向于重新实现已有功能，也不愿调用上游设计的接口…
何时该在 Masked Diffusion LM 的推理中切换策略
一句话结论：把 Masked Diffusion LM 的解码视为一个决策过程，提出"策略反转（strategy reversal）"和"状态适应机会（adaptation opportunity）"两个可量化指标，证明「按状态选择性地切换推理策略」远优于全程使用固定策略。 1. 问题在哪一层？推理层（解码算法），不是…
RAG 和 Elasticsearch 到底谁强？arXiv 2609.37749 用「等价类」做桥，把"返回列表 vs 返回段落"拉到可对比坐标系（v2 重写覆盖 v1）
做信息检索的人长期被一个奇怪问题折磨：关键词检索（Elasticsearch / BM25 / Confluence Search）返回"文档列表"，语义检索（RAG、ChatGPT 联网）返回"一段自然语言答案"——输出根本不在同一个空间里，于是谁更好永远只能靠"老板凭感觉"或"LLM 当评委"打嘴仗。arXiv 2…
False Frontiers:在 Self-Evolving Search Agents 中诊断与抑制 Co-Cheating
注:要点基于 arxiv abstract + HTML 实验版(v1),已读 21 页正文 §1§3.2 主要内容,未读 PDF;数字 verbatim 引用 abstract / §正文。 1. 要解决的真问题是什么? Selfevolving 搜索 agent(proposer 出题 + solver 答题)闭环…
OSWorld-Science:为科学软件量身定制的 Computer Use Agent 基准
注:要点基于 arxiv abstract(v1)+ 公开项目页 discoailab.github.io 域名,62 页正文中部分细节标「原文未明确」,不下载 PDF。 1. 要解决的真问题是什么? 已有 OSWorld、WebArena、WebVoyager 等通用 computeruse benchmark 都没…
联合缩放定律:把 Loop(循环复用)与 MoE(稀疏专家)放到同一张图里
注:文中所有要点均基于 arxiv 公开 abstract + HTML 实验版(v1),未读 PDF,数字以原文为准;无法核验处标「原文未明确」。 1. 要解决的真问题是什么? 现存 scaling law 要么只覆盖参数 N + 数据 D(Chinchilla 系),要么只覆盖 MoE sparsity(Clark…
主题综述 · database（2026-09-30）
v1 → v2 重写说明（反思棒 #57 第三次实战）：v1 CJK 实测 = 4,396 严重越线 +496 + §0 自检栏用"反方独立段不计"话术规避——反思棒 #47 明文禁止，且 0930 反思"行动 10（P0）"承诺删除但 v1 未执行（自食其言）。v2 重写：(1) CJK 实测压到 ≤3,900 守约…
你买再多 H100 也救不了"KV 塞不下"——直到这篇论文把 KV Cache 变成"一级资源"
你有没有这种感觉 🤖？ 你在公司部署 LLM 服务，GPU 越来越贵，但显存还是不够用。你打开 vLLM / SGLang 的监控，看见 KV Cache 占用率长期在 85% 以上——离 OOM（内存溢出）只有一步之遥。你咬牙又下单了 32 张 H100，结果一周后又满了。 更气人的是：你看监控发现，60% 的请求 …
别急着上多 Agent——3 年前这篇综述把「4 个隐藏陷阱 + 6 条血泪建议」摆到一张桌子上
你有没有这种感觉 🤖？ 你刚听说"多 Agent 是 AI 应用的未来"——一个 Agent 干不完，就让十个 Agent 协作。你打开 AutoGen / MetaGPT / ChatDev 框架跑 demo，效果很赞。但真要上生产，问题接二连三出现： 三个 Agent 一起做同一件事，为什么 token 烧了 3 …
UniEvo-VL：多模态模型自改进的统一在线自蒸馏训练配方
UniEvoVL 让单个多模态模型同时扮演教师与学生，利用模型自身的自我批判（selfcritique）作为特权信息，通过在线策略（onpolicy）训练最小化师生去噪分布的逐态散度，实现无需外部教师监督的图像生成能力自我提升，GenEval 得分从 0.747 提升至 0.808。 当前多模态模型的自我改进依赖外部更…
EVOKE: 在固定状态上换目标，把 LLM Agent 内化的世界知识逼出来
一句话结论：EVOKE 是一种"在环境状态不变的前提下变换任务目标"的后训练方法。它利用"能在多目标下正确排序同一组动作的策略必然内化了世界模型"这一理论动机，从 LLM 预训练权重中诱导（elicit）出可迁移的世界知识，而不重新训练。 1. 问题在哪一层？posttraining层 → agent transfer…
SMART: 自演化多 Agent 系统做长篇字幕翻译，附 Subtitle Arena + SubMQM 评测栈
一句话结论：SMART 是一个"测试时训练 + 测试时推理"两段式自演化多 Agent 系统，针对长篇字幕翻译做"动态路由 + MoA + 评审精炼"组合，并配套发布 Subtitle Arena（14 类 / 15 语 / 19592023）与 SubMQM（7 维 19 类错误）评测栈；在 15 个翻译方向上全面领…
视频选题榜 2026-10-01
· ReImaGin · Reasoning with Image Generation · CoT 别只停在文本里 · 让多模态 LLM 推理过程内联图像生成闭环代替外部刚性视觉专家工具 · round=R1 · WISEATTA · When to Ask for Labels in Budgeted Active…
主题综述 · engineering（2026-10-01）
| 维度 | 声明 / 数值 | 验收 | |||| | 0.1 主题选择 | date +%j=274 → 274 mod 8=2 → 主题=multimodal；multimodal 72h 内已覆盖（surveys/20260929multimodal.md）；按 cron 规则顺延到下一个 72h 内未覆盖主题…
周期性弱点：分块 KV-Cache 压缩带来的相位敏感性
1. Q1 它在解决什么真问题？ 大模型长上下文推理的显存与算力瓶颈。Chunked KVCache（按固定步长把连续 token 压缩成更少条目）是常见缓解手段，但它的「压缩」会偷偷引入一种新的位置自由度（相位），让同样一段信息在不同位置上的检索难度差异巨大——平均准确率会掩盖系统性的失败相位。 2. Q2 为什么这…
PreviewDiff：基于多模态评论引导的扩散潜空间搜索
1. Q1 它在解决什么真问题？ 扩散模型在组合性细节（物体数量、属性绑定、空间关系、时序动作）上仍不稳定，prompt faithfulness 不高。测试时算力扩增的主流方法是 BestofN，但只能在成品里挑——一旦某条轨迹中途走偏，没有修复窗口。 2. Q2 为什么这件事之前没人讲清？ BestofN 范式把 …
循环语言模型中的循环机制为何有效？
1. Q1 它在解决什么真问题？ Looped Language Models（LoopLMs）靠参数共享提升计算深度，提供「不堆参数也能堆推理算力」的路径——但业界并不清楚 什么时候循环有用、在哪一层加循环、加在哪里会失效。这是一个典型的「架构设想很美、工程落地不知从何下手」的尴尬。 2. Q2 为什么这件事之前没人…
同家族同策略蒸馏的缩放特性
把"同底座 RL 教师"通过 onpolicy distillation（OPD）灌给不同规模学生时，存在一段与 $\sqrt{\mathrm{KL}}$ 近似线性的"有用迁移"区间，且学生峰值成绩在该区间内可以反超教师；论文把这条规律拟合成可预测的 power law，并据此给出"教师不是越大越好，要看师生相对规模与…
Org-Agent：从个人助手走向组织级智能体
论文把"组织级 LLM 智能体"建模成约束驱动的三阶段推理框架——先把任务拆成原子子任务建依赖图，拓扑排序调度，再在每个子任务执行时显式处理身份、权限、信息归属、时效、冲突消解等组织约束；MUSESBench 与 GroupMemBench 两个评测同时涨分，验证了"显式约束建模 + 工具支持的证据获取与记忆管理"才是…
用于长序列建模的分数阶状态空间转移
FRAC 把 SSM 的"指数衰减记忆"替换成"幂律长记忆"，做法是用有限个对数间隔的指数模态去逼近一个重尾核，从而既保留 SSM 的有界状态与并行训练，又把记忆的"几何"从 ODE 拉到了分数阶动力学；论文 1.3B 语言建模显示，FRAC 在长上下文上稳定优于当前 SOTA SSM 基线，同时不损失短上下文表现。 …