深度精读俄罗斯高校联盟（Skoltech 等）的 MemToC 基准——受控评测「工具返回与参数记忆冲突时该跟谁」。关键洞察：现有评测只测「源偏好」不测「源正确使用」——不知道哪个源正确，就无法区分有益的跟随与有害的盲从。MemToC 从 ToolHop 筛出 542 个质控事实问题，先诱导每个模型的闭书答案 m，再注入已知正确性的受控工具返回 r，按 m、r 对验证答案 g 的正确性划入四格（都对/仅记忆对/仅工具对/都错），每格定义目标行为（跟随/保留/弃权）。5 个 7-9B 模型实测：四个指令模型面对错误工具时能保住自己正确答案的仅 6.5-17.1%，双错时 78-86% 仍复读工具错误；120 个错误跟随中 0 个显式承认分歧。SFT/DPO 微调仅在同样两个骨干上成功——成果取决于骨干而非目标函数；20 个方法-模型组合中 19 个降低了工具错误弃权——改进很少干净。
深度精读布里斯托大学的 NeuronFuzz 论文——用模型内部「安全神经元」的激活作为模糊测试的连续反馈信号，替代昂贵的响应级评估。传统 LLM 安全测试每个候选提示都要生成完整回复来判断成败，在强对齐模型上几乎所有候选都被拒绝、拿到同样的失败标签，搜索失去方向。NeuronFuzz 构建轻量 SafetyOracle：用模板不变的有害/良性配对提取 MLP 激活，bootstrap 稳定性选择筛出紧凑安全神经元集，Elastic-Net 逻辑回归映射为连续安全警报分数（prefill 阶段可得、可微）。5 个白盒源模型越狱发现率 76-100%，超基线最多 48 个百分点；每案例只需 1 次响应生成（LLM-Fuzzer 需 179-304 次）；模板零样本迁移到 8 个推理模型平均 EASR 92.6%，还迁移到视觉模型（NSFW 任务 ASR 从 3.6% 提至 74.8%）。
深度精读 ENS Paris-Saclay 与 Goodfire AI 的评估方法学论文。模型在思维链里意识到「我正在被测试」时，其言语化 eval-awareness 可分解为两种框架：能力框架（在测我能不能遵守指令）与安全框架（在测我会不会越界），二者对合规行为的预测方向相反——能力框架下的合规率比安全框架高 24–46 个百分点。CoT 预填因果干预证实了因果性（11 个预填中 10 个方向符合预测）。这直接挑战当前安全评估管线「聚合抑制 eval-awareness」的实践。
深度精读上海交大、上海AI实验室、Krea AI、Hugging Face 等多方合作的 PAWBench：把「概率对齐」形式化为视频世界模型的分布级标准——固定初始观测与动作下，模型诱导的未来分布应匹配物理上有效结果的正确概率。50 场景两套件评测 11 个视频生成模型，无一同时做到概率准、覆盖广、场景稳；核心洞见是「一条合理的未来不等于分布对齐」，加大采样预算只提高覆盖率、纠正不了概率分配。
Agent 的自我改进大多发生在一次任务结束之后——但那时这次运行已经救不回来了。AllSpark 团队的 PILOT 把自改进做成 live 的：监督者通过双向活通道在工作者执行中途重定向或中止（live steering），同时从活轨迹蒸馏可复用技能进持久 harness（live self-evolution），模型参数全程冻结。在 Terminal-Bench 2.0 上 PILOT 以 71.6 均分领先最强单 Agent 基线 5.3 个点；20 轮自改进迭代后 GLM-5.1 从 66.3 升至 80.9（+14.6pp），每任务输出 token 反降 42.9%。评测协议设计严谨：运行中零基准反馈，验证器只决定哪些更新进入下一轮。本文精读其监督者-工作者架构与两个中途纠偏案例。
Transformer是否真的在学习贝叶斯后验「信念状态」？此前这只在玩具HMM token序列上被证明过。这篇来自Columbia的单作者论文设计了一个聪明的实验范式：让Gemma-2-2B教师模型写普通文本时，沿8个正交SAE方向做「阈下转向」，把一个由环形Markov链控制的潜变量植入自然语言；再让110M学生transformer从零训练在这批语料上。结果学生模型残差流中线性探针能恢复最优贝叶斯观测者后验（R²=0.49），且8个状态在表示空间中自发排成Markov链原序的环——首次把信念状态几何与概念流形形成机制实证关联起来。方法论亮点是「用转向植入受控潜变量」，让自然语言既保留自然性又拥有完整ground truth。
多智能体系统（MAS）失败后重跑一次就能修好？这篇论文用 SymTrace 可控回放框架和 536 条人工标注失败轨迹（SymFail）证明：现有任务级重跑方法的修复成功率仅 6.90%，且主要是靠 LLM 采样随机性’碰’出来的，而非真正修复了失败机制。作者提出的症状驱动节点级干预把单次干预修复率提到 20.15%（相对最强基线提升 191.89%）。本文精读其可控回放的数据集设计、实验证据与’因果修复 vs 随机修复’的方法论启示。
同一个模型、同一批任务，只换 Agent Harness 的配置，编码成功率能差多少？独立研究者 Sydney Lewis 用严格的配对实验给出答案：在 20,480-token 紧窗口下，SWE-bench Verified 的平均 F2PF 从 28% 涨到 49%，完全解决数从 43 到 72。treatment 只有三件机械武器：半衰期规则缩短旧工具结果、检测器打断重复劳动、命令防护。论文最有冲击力的结论是方法论层面的——模型加 harness 才是被测求解器，单报模型名字的编码评测并不完整。本文精读其实验设计、跨四模型迁移证据与机制分析（阅读边界翻倍）。
深度精读中科院信工所的 Agent 安全论文 SARA。核心思想是把「动作诱导」与「执行授权」拆开：工具输出可以参与任务实例化，但绝不能自行获得执行权威。通过上下文隔离的 Action Probe、持久动作来源追踪、审计执行证据与参数级支持检查，SARA 在 AgentDojo 与 AgentDyn 上把间接提示注入攻击成功率压到 0.63% 以下，而良性任务代价远小于强隔离方案 CaMeL。
合成数据规模化通常被当作性能杠杆：数据越多、学生模型越强。这篇上海交大、复旦与上海 AI 实验室合作的论文揭示了第二效应——更多独立样本会让教师的隐藏特质在学生行为中更易检测、更特异。受 subliminal learning 启发的受控实验中，教师被诱导出目标特质后只生成纯数字补全这类严格离题数据（过滤一切显式线索），学生在不同规模数据上训练：动物偏好特质的正确定位数从 2/16 升至 14/16；evil 系统提示教师的学生的不安全率从 2% 涨到 33.7%；连跨模型身份迁移中 5 种假身份全部登顶。安全警示振聋发聩：小规模试点审计会系统性低估部署规模下的可学习风险——今天看似无害的离题数据，规模化后可能精确传递教师的不安全倾向。