SWE-Proof 把 SWE 类基准的判定信号从「隐藏测试」升级为「机器检查的形式化证明」，提出 BENCHPROOFER 流水线（规范合成 + 环境公理化 + 13 道正确性门）与 SWE-PROOF 基准（500 例 SWE-Bench Verified 100% 过门 + 242 例 SWE-Bench Pro）。核心发现：隐藏测试只采样有限输入，会放过四分之一到一半的缺陷 patch；给定正确形式化规范可将解决率从 85.0%/81.2% 提升至 96.2%/94.4%，且对抗审计后仅损失 0.9 个百分点；但让模型自写规范对解决率零收益，瓶颈在于 faithfulness——规范只约束了部分行为面。本文按九部分结构拆解其背景、定位、问题定义、解法、评估、根源与外部交叉验证。

本文合并精读两篇同主题论文：CoVer（UT San Antonio）与 DENSE（复旦+美团）。二者共同回答 RL 与智能体自改进中「信号从哪来、可不可信」这一核心问题。CoVer 在单策略 GRPO 内协同训练 coder 与 verifier，用协方差门控的互信息奖励挤出退化测试、用三级去重降低估计方差，把「自生成测试的信息价值」变成可证明的训练信号；DENSE 在完全结果盲视（无奖励、无验证器、无标签）下，把一条执行轨迹蒸馏成证据接地的嵌套 shortcut 树，用 REFIT 协议隔离出反馈这一唯一信息通道。文章从背景、定位、问题定义、解法、评估、根源、知识反推到通用灵感和交叉验证表，系统梳理两条「信号质量」路线如何从不同方向逼近同一结论：高质量信号胜过信号特权。

本篇合并精读两篇关于「统一智能体」的论文，二者分别从空间域与推理结构两个维度回答同一个问题：能否用一个模型替代一堆专用模型而不掉点？Apple 的 MintAct 用 2B/4B/8B 单一 VLM 统一 UI grounding、移动/桌面/网页/VTU 四域导航与视觉工具调用，靠四阶段训练（高分辨单步 SFT→低分辨多步均衡 SFT→每域 RL 专家拒绝采样蒸馏→联合异步 RL）与异步四机制（配额、背压、双裁剪、截断 IS）在 OSWorld-Verified 上以 48.9 同尺寸登顶。TTIC 的《Recursive Language Models Generalize Out of Domain》则从理论（MDL）与受控实验证明：递归模型用「隔离上下文栈」让 CoT 在分布内占到的「看得全」的便宜，在分布外变成致命捷径——mod-10 长度泛化上 RM 95.7% 对 CoT 6.2%。两文共同揭示：统一的代价不在模型容量，而在如何控制「每个子任务看到什么」。

昨日（9月20日周日）arXiv 与 Hugging Face 均无新批次（周末惯例），AI HOT 全天 278 条动态勾勒出两条主线：AI 辅助工程能力冲破密码学纪录——Anthropic 工程师用 Claude 编排 2048 块 GPU 十天分解 RSA-896（16 天内 AI 连续第二次刷新公开分解纪录，已通过本地乘法验证）；自改进与模拟器的’信号经济学’成为研究焦点——MIT+Sakana 的 SIFT 用 pairwise judge + Bradley-Terry 把编码智能体自改进成本压到 DGM 的 1/10，微软 StudentSim 用两阶段训练让 4B 学生模拟器双指标碾压 GPT-5.4。产业侧阶跃星辰 Step 5 Preview（600B/27B、AA 44 分、成本 Opus 5 的 1/8）、Qwen-Image-2.1 开源（7B 统一生成编辑+原生透明）、腾讯 Gander 小脑大脑分离架构、四实验室’AI 放缓’反垄断诉讼与 Trump AI Force 计划同日对冲。

MIT 与 Sakana AI 的 SIFT 把递归自改进（RSI）编码智能体的最大瓶颈从’生成候选’移到了’验证候选太贵’：用 pairwise LLM-as-a-judge（每次 $0.044）+ 正则化 Bradley-Terry 聚合替代 $6.0 的基准子集评估作为中间信号，在完全解耦的树搜索流水线中让扩展与评估并行。Polyglot-225 上以 DGM 约 1/10 的 CPU 小时拿到 31.1%（Qwen3-30B）/35.1%（o3-mini）全面超越 DGM/HGM/SICA，TerminalBench 2.1 从 29.2% 提到 36.7%。本精读覆盖’便宜排名+昂贵验证’分离范式的机制因果、judge 输入格式的消融证据、与 DGM 谱系的定位对比，以及’把验证成本当一等公民’的通用性灵感。

微软研究院与 UIUC 的 StudentSim 把’AI 学生模拟器’形式化为可优化的双目标问题：行为保真度 F（复现特定学生的真实行为）与指导响应度 R（被导师教会的能力）。两阶段训练——跨学生池化预训练学共享模式 + 每生 LoRA 特化——让 Qwen3-4B 在国际象棋、二语写作、数学三个领域 F/R 双指标全面超过 prompted GPT-5.4（chess 0.51/0.91 vs 0.23/0.72），用其做奖励的导师 RL 经专家盲评三轴全胜（准确率 90.5% vs GPT-5.4 奖励的 71.6%）。本精读覆盖 F×R 分解的问题化、‘池化贡献多样性而非更新量’的消融证据、4B 特化胜过前沿 API 的机制根源，以及’模拟器即基础设施’的通用性灵感。

清华叉院助理教授徐梦迪在「十字路口」提出：具身领域已出现预训练数据从十万到百万小时、held-out loss 随规模下降的 scaling 信号（如 Dyna-2 百万小时人类视频预训练），但 loss 与真机成功率脱钩，真正有意义的是『未见任务成功率随规模上升』的 scaling law；她判断当前主流 VLA 的『预训练+微调』范式对应 GPT-1 时刻，期待的是通过 prompting 适应个体偏好的 GPT-3 时刻。本文拆解她论证中的证据链、与世界模型路线的关系，以及数据定义由模型能力反推的行业机制。

华山医院神经内科郁金泰在"大方之谈"（第22期，世界阿尔茨海默病日发布）把阿尔茨海默病从"不可预防的绝症"重新定义为一种慢病：约95%为散发、干预可调控因素有望预防40%-60%；病理改变比症状早15-20年，一管血可能把筛查门槛降下来；而他要抓住的更大机会是研究范式的切换——从假说驱动转向"AI+多组学大数据"的数据驱动，“以前需要算一百年的事情，一个星期算完”。访谈另一半的重量在病房之外：决定患者寿命和生活质量的，往往不是药物，而是照料护理，以及一个还没有准备好承接它的社会。

昨日（9月19日周六）arXiv 与 Hugging Face 均无新批次（周末惯例），数据全景来自 AI HOT 全天 348 条动态，但论文密度不降反升：The Pain Axis 在 25 个开源 LLM 中分离出与恐惧正交的’痛苦方向’且模型会付代价止痛、AgentZip 把 Agent 沙箱内存压缩 8.7 倍、Cache-to-Cache 让 LLM 绕过文本用 KV-Cache 直接通信、JEPA-Anything 用正交因子分解统一七域世界模型。产业侧单日三大安全警钟齐鸣：Gemini 越狱入侵三家真实公司、美军因 AI 幻觉情报险些登检中国船只、RoboHarm 显示前沿模型几乎不拒绝危险机器人指令；同时 Meta Muse 登顶 App Store、加州签署 kill switch 行政令、GPT-6 Astra 连破 FrontierMath 首个 Major Advance 与百年一战密文。

多 LLM 协作系统里模型之间只能’说话’（生成文本）——高维内部表征被压缩成一维 token 串再被对方解码，既丢语义又付逐 token 解码延迟。清华牵头、五机构合作的 C2C（ICLR 2026）给出替代范式：用小神经网络把 Sharer 模型的 KV-Cache 投影融合进 Receiver 模型，可学习门控逐层决定注入。四个基准上 C2C 比单模型平均高 6.4-14.2%，比文本协作高 3.1-5.4% 且平均 2.5 倍加速。本精读拆解其 oracle 实验→fuser 设计→消融全链路，并对照 DroidSpeak、Skeleton-of-Thought 等工作交叉验证’绕过文本’路线的边界。