2026-08-25 精读系列导览与学术全景
系列说明：本日 42 篇候选论文经逐页全文阅读与顶会标准评审，16 篇触发独立精读（链接见下）。本文是系列的导航与综合。
一、本日精读索引
主题 A：Agent 评测的"反作弊"深水区
| 精读文章 | 一句话核心 |
|---|---|
| SWE Refactor Bench | 行为评测的 Blindness 盲区：空 diff 骗过任何行为测试，三阶段协议下最强模型仅 47/100 |
| CatchBench | 分数在标签过程公开之前不可解释：PRE/LIVE/POST 三信息状态审计竞技场+可采性门槛 |
| Process Evaluation 三层（ICLR 2027） | 动作/任务/步骤是三个层次：judge 的步骤归因有 collider 偏置（+0.537） |
| Signal or Noise | 长度匹配对照证明 Skill 注入平均负收益，两种机制需相反对策 |
| MobilePA-Bench | 能力门设计：短板以乘法杀伤端到端，Memory 维度全员不及格 |
主题 B：Harness 从提示词到可学习系统
| 精读文章 | 一句话核心 |
|---|---|
| Prime Agent | 同一模型换 harness：ARC-AGI-3 从 30.2% 到 95.5% 超人类基线 |
| AutoSaddler | harness 优化=离线 mini-batch 学习：三基准 +9~10pp、样本效率 10× |
| Task-CoEvolve | “在哪评"也是优化变量：20% 评估预算匹配全量搜索 |
| Risa | MoE 路由轨迹做行为坐标系：决策 token 上的一致性是正确性信号 |
主题 C：经验/技能的资产化与其生命周期
| 精读文章 | 一句话核心 |
|---|---|
| LongWoF-Bench | 只有验证器确认的执行经验才可复用：Gene vs Skill +8.7~15.5pp |
| SkillAlchemy | 来源接地的程序准入：自动技能首次比肩人工且注入零传播 |
| Repo2Skill-Evo | 技能静默失效：最强模型维护 F1 仅 69.7%，定位与编辑双瓶颈 |
主题 D：因果测量与系统正确性
| 精读文章 | 一句话核心 |
|---|---|
| Ascp 上下文分配定律 | 窄窗多轮胜宽窗单轮 +0.144，收益全部来自反事实信号 |
| The Mask Is Not the Model | 双前向审计 192/192 定位，挖出 Zamba2/Nemotron-H 真实泄漏 |
| NFV 神经形式验证 | 无证明即弃权：92.2% 精度 vs judge 的 72% |
| ERPO | 查询分布漂移是 RL 崩溃根源：Query-KL 根治高温崩溃 |
系统级工作
| 精读文章 | 一句话核心 |
|---|---|
| Apodex 1.1 | 双扩展面：环境构建+智能体协调作为与模型规模并列的扩展维度 |
二、跨论文趋势综合
趋势一：verifier-grounded 成为共同底座。 16 篇精读中 11 篇的核心机制与"可验证信号"有关：Apodex 的交付契约、LongWoF 的验证器确认经验、AutoSaddler 的失败信号学习、SWE Refactor 的三阶段验收、NFV 的机器检查证明、Ascp 的因果反事实、CatchBench 的可采性门槛……“从生成质量转向验证质量"已从口号变成 2026 年的方法论共识。谁的验证器更便宜、更细粒度、更难被欺骗，谁的学习/评测循环就更快。
趋势二：评测的竞争维度从"分数多高"转向"分数测的是什么”。 本日四篇评测方法学（CatchBench/Signal or Noise/Process Evaluation/MobilePA）不约而同攻击评测的有效性本身——标签泄漏、长度混淆、层次混淆、Blindness。这标志着 Agent 评测进入"元评测"阶段：下一步的护城河不是更大的基准，而是别人无法质疑的测量方法学。
趋势三：产学研从"联合发文"转向"资产+方法学互换”。 本日合作的典型结构：企业出带真实失败信号的资产（微软的 GAIA2/SWE-Bench Pro、EvoMap 的 Evolver 引擎、字节的仓库语料、阿里的生产 RL 环境），高校出可泛化的形式化与测量（POSTECH 的离线学习框架、清华的统计检验、南大的因果推断）。这种分工比论文署名互换深刻得多——企业的数据资产在高校方法学加持下变成行业基础设施。
趋势四：负面证据被反复证明是最有价值的信息形态。 LongWoF 的"失败修正"是 Gene 的核心成分、Signal or Noise 的反模式 Rn 唯一可靠、SWE Refactor 的对抗验证专攻"作者没想到"、NFV 的反驳臂产出 witness——四篇独立工作从不同角度收敛到同一结论：“什么会失败"的知识比"该怎么做"的知识更稀缺也更可迁移。
三、按读者角色的阅读路线
- 研究者（评测/Agent 方向）：主题 A 全部 + Ascp——评测有效性是当前最热的投稿空白带；
- Agent 工程师：主题 B 全部 + SkillAlchemy——harness 优化与技能准入是可直接落地的工程实践；
- 技术管理者：Apodex 1.1 + MobilePA-Bench + SWE Refactor——理解 Agent 的真实能力边界与下一代基准的导向；
- 方法学爱好者：Process Evaluation（因果推断×评测的完整示范）+ NFV（信任边界设计的教科书）。
本系列 16 篇精读全部基于论文 PDF 逐页阅读撰写，数字均可在原文溯源。