论文一：CarryOn: Object-Based Continuation Carriers for Long-Horizon Agent Context（PackLight, CarryOn: Building Object-Oriented Context for Long-Horizon Agents） 论文二：BELIEFWEAVER: Persistent Belief Graphs and Implicit World Models for Failure Recovery（Failure Recovery via Belief Updates and World Modeling for Long-Horizon Agents） 论文三：Mosaic: Multi-Session Agentic RL with Hierarchical Advantage Shaping 发表时间：均为 2026 年 10 月 机构：论文一 UC San Diego；论文二 University of Maryland + Google + MBZUAI（三共同一作，其中 Shengxin Zhang 挂职 Google，属学界学生 + 企业合著模式）；论文三 HKUST(GZ) LARK 实验室 + 华为基础模型实验室 + 香港城市大学 + HKUST（校企协同，华为侧 Haochen Tan 为项目负责人） 领域标签：cs.AI / cs.LG / cs.CL，Long-Horizon Agents、Context Management、Agentic RL

题目区：为什么把这三篇放在一起读

长时程 Agent（long-horizon agent）指需要连续执行数十到数百步、跨越小时级任务周期的智能体，例如操作整台电脑完成办公流程（OSWorld 2.0 的任务人类中位完成时间约 1.6 小时）、修复一个多文件工程缺陷、或在网络上完成深度检索。这三类任务有一个共同的隐含假设正在崩塌：Agent 的执行状态可以由交互历史（interaction history）承载。

三篇论文在同一个月份、从三个互补的层面宣判了这个假设的失效：

它们合起来构成一条完整的叙事链：历史既是冗余的（CarryOn）、又是易失的（BELIEFWEAVER）、还是训练信号错位的根源（Mosaic）。读任何一篇都只能看到局部，合读才能看到长时程 Agent 状态管理的全貌。

一、论文背景：长时程 Agent 的三重状态危机

要让初学者理解这三篇论文，需要先建立几个概念。

什么是长时程 Agent 的上下文（context）？ LLM Agent 以 ReAct 式循环工作：模型生成动作（点击、输入命令、搜索），环境返回观测，观测追加进上下文，再触发下一步。上下文就是模型每一步能"看见"的全部信息。任务越长，历史越长——这是第一重危机：上下文膨胀。CarryOn 的实测显示，OSWorld 2.0 上基线 Agent 的输入上下文随轨迹增长最终突破 200K token，每一步都在为"图片已经插入 PPT"这句话重复付费。主流解法是压缩/摘要/剪枝（LLMLingua、MemGPT、ACON 等一族工作），或把历史翻译成结构化状态记录。但 CarryOn 指出其通病：摘要是对进度的一份选择性重构叙述，会与 Agent 直接检查、修改的真实任务状态漂移。

什么是失败恢复与回滚？ 长轨迹中，早期错误会传播：错误假设污染后续所有推理，破坏性动作（覆盖文件、错误配置）难以用后续动作挽回。AgentRewind 这类工作给出运行时答案——记录 Agent 上下文与环境状态的对齐检查点（checkpoint），允许回滚（rollback）重试。但 BELIEFWEAVER 追问：回滚解决了"回到哪里"，没解决"接下来试什么"。树搜索式回溯（branching/backtracking）假设失败原因在最近分支上，而长时程失败的原因往往在多个分支共享的更早决策里；一次失败尝试产生的证据，应该能改写其他相关假设的优先级——这是第二重危机：恢复中的证据流失。现有回滚要么丢掉失败记忆，要么只保留"发生了什么"而不回答"这暗示什么方向更值得试"。

什么是 Agentic RL 的单会话假设？ 用强化学习训练 Agent（以 GRPO 为代表的免 critic、组相对优势方法）通常假设一条轨迹 = 一段连续累积的上下文 = 一个训练分段。但现代 Agent 推理技术已经打破了这个单位：上下文压缩（compaction）把历史改写成短前缀再继续，等于开启新会话；子智能体分叉（subagent forking）派生分支会话。Mosaic 指出这是训练与推理的结构性错配——这是第三重危机：训练信号错位。粗糙的广播（broadcasting）做法把轨迹级优势复制到所有会话的每个 token，不区分各会话贡献，随着会话数增长监督越来越失准。

三篇论文分别把这三重危机推到了同一个抽象面前：状态与历史必须解耦。

1.1 三篇论文的元信息与机构关系

• CarryOn（arXiv:2610.18784v2，10 月 14 日更新）：UC San Diego 三人小团队（Yuchen Lu、Julian McAuley、Lei Zhang，通讯作者 Lei Zhang），无企业合著，纯学界工作。有项目页（ethannju.github.io/carryon）但论文未附开源代码链接。
• BELIEFWEAVER（arXiv:2610.18082v1，10 月 13 日提交）：University of Maryland 三位共同一作（Xiyang Wu、Zhichao Liu 均为 UMD，Shengxin Zhang 挂 Google），加 MBZUAI 的 Tianyi Zhou 与 UMD 的 Dinesh Manocha 压阵。属于典型的学界主力 + 企业研究员个体参与模式：核心实验（蒸馏训练、终端基准）在学界完成，Google 侧贡献于世界模型相关视角。无公开代码。
• Mosaic（arXiv:2610.22174v1，10 月 15 日提交）：港科大（广州）LARK 实验室 + 华为基础模型实验室（Haochen Tan 任项目负责人）+ 香港城市大学 + 港科大清水湾。属校企联合培养模式：一作 Yilong Xu 等四位 LARK 学生主导方法与实验，华为侧提供项目领导与通信作者（Zhijiang Guo）。有 GitHub 项目页（lark-ai-lab.github.io/Mosaic/）。

三条时间线高度密集（10 月 13—15 日三天内相继挂出），且彼此未互引（投稿周期错开所致），说明"状态连续性"是各自独立收敛到的方向——这本身就是领域风向的证据。

二、论文定位和关联工作

三篇论文各自站在一条研究谱系的延长线上，定位可以用三张小谱系图说清。

CarryOn 的谱系：上下文管理 → 状态外化 → 对象化。

• 压缩/剪枝系：LLMLingua（prompt 级压缩）、轨迹削减、冗余交互删除——只减负，不改变"历史是基础"的组织方式。
• 摘要系：HiAgent、ReSum（周期性把交互替换为紧凑推理状态）、AgentFold 的折叠操作（把最新交互凝缩为状态摘要或多尺度合并）。
• 状态外化系：MemGPT（上下文分页）、ACM（Agent 自主决定压缩并把丢弃内容卸载到外部记忆、按需取回）、Context-as-an-Environment（程序化上下文管理）。
• CarryOn 的差异点：前述工作的延续基础仍是"压缩后的历史"或"外部维护的状态"，CarryOn 第一次把可复用任务对象本身（文件、结论、应用内状态）作为延续的一等公民，并解决对象有效性随折叠演化的维护问题。AgentFold 是其直接参照系（同为 fold 术语，但 AgentFold 由模型逐 step 输出折叠指令并 SFT 训练，CarryOn 是模型无关的旁路运行时）。

BELIEFWEAVER 的谱系：反思 → 树搜索回溯 → 证据持久化。

• 反思系：Reflexion、Self-Refine——失败后修改行为，但作用域是局部、当次的。
• 树/递归系：Re-trac、HTR（持久假设树）、SciNav（解分支搜索）、AgentRewind（对齐检查点 + 回滚记忆）。
• 世界模型系：RAP、WebDreamer（LLM 预测后果辅助规划）、WorldCoder（可执行世界模型）、Qwen-AgentWorld。
• BELIEFWEAVER 的差异点：把"回滚后保留什么"从记忆问题升级为信念更新问题——不是记录失败，而是用因子化证据（重复尝试、精化关系、目标历史、探针反驳）持续修正每个修复假设的先验；且第一个把这套反复调用的推理角色蒸馏进 9B 学生。

Mosaic 的谱系：GRPO 系 Agentic RL → 过程奖励 → 多会话形式化。

• 单会话系：GRPO 及大量变体，假设轨迹为单段。
• 过程信号系：IGPO（turn 级信息增益奖励）、隐式步奖励——解决稀疏奖励但仍在单会话内。
• 压缩训练系：CompactionRL（把压缩摘要作为可训练分段联合优化任务奖励）、AutoCompact（学会何时压缩）。
• Mosaic 的差异点：第一个把"任意会话数"形式化为通用设定，并给出免 critic 的层级优势设计；其信息增益信号把 IGPO 的 turn 级搬到 session 级，且用按类型归一化解决了不同会话类型增益分布不可比的问题。

跨论文的互引与交汇证据。三篇的参考文献有明确的公共交集：CarryOn 与 BELIEFWEAVER 都引用了 context-folding（Scaling Long-Horizon LLM Agent via Context-Folding）与结构化记忆系工作；BELIEFWEAVER 引用 AgentRewind 作为恢复基础设施；Mosaic 引用 CompactionRL 作为压缩训练先例、并把 IGPO 纳入实验对照。此外三篇对"共同对手"的选择也透露定位：CarryOn 的对照组是摘要系（GS/CGS），BELIEFWEAVER 的对照组是原生续跑与树搜索式结构化续跑，Mosaic 的对照组是广播与单会话 GRPO——各自与谱系中最近的邻居比，而非与稻草人比，这让其实验更具证明力。

横向看，三篇论文还有互引关系：CarryOn 引用 AgentFold 与 context-folding；BELIEFWEAVER 引用 AgentRewind 与 context-folding；Mosaic 引用 CompactionRL 并以 IGPO 为 baseline——它们共同引用的"折叠/回滚"工作正是三重危机交汇处。

三、问题定义：把三篇论文抽象成一个问题

三个场景各不相同（编辑 PPT / 修终端任务 / RL 训练搜索 Agent），但抽象后是同一个结构性问题：

给定：一个执行预算有限的 Agent，其执行会被三类边界切断——折叠边界（历史被替换）、回滚边界（状态被还原）、会话边界（上下文被重写或分叉）。 求：一种状态表示 S 与更新算子 Update，使得跨边界后 Agent 仍能（a）无损获得已达成的进度，（b）利用跨边界积累的证据做更优决策，（c）（训练场景）学习信号能正确归因到各段贡献。 约束：状态维护本身的开销（token、API 成本、控制器调用）必须远小于其节省；表示必须与环境真实状态一致而非漂移的叙述。

一个帮助理解的类比：把 Agent 想成一家跨班次运转的工厂。第一重危机（CarryOn）是每班交接都把全部监控录像（历史）放给下一班看，而非交接"产线现状板"（状态）；第二重危机（BELIEFWEAVER）是每次返工（rollback）都把上一班记录的"哪条路走不通"撕掉，返工班组只能盲试；第三重危机（Mosaic）是绩效考核（RL 奖励）只看整厂最终出货，把辅助工序（压缩、外包班组）与主工序混在一起计分，于是没人知道该优化哪一环。

三篇论文对这个抽象的实例化对偶关系：

这个抽象的精妙之处在于：它把"记性好"（长上下文）问题转化为"状态维护"问题。一旦状态可以显式存续，上下文长度就不再是能力上限的硬约束，训练信号也不再被错误的分段稀释。反过来，如果这个抽象不成立（即历史确实无损承载了状态），三篇论文的收益都应当为零——而三组实验各自用对照（CarryOn 的 GS/SW 反降、BELIEFWEAVER 的 +WM 消融、Mosaic 的广播基线）证明了收益非零，等于从三个方向对抽象做了反事实验证。

四、问题解法：三套机制逐一拆解

在进入机制细节前先给一张总览：三套解法在"谁来维护状态"上的分工不同——CarryOn 是模型外旁路运行时（不改模型、不训练，挂在任意 Agent 旁边）；BELIEFWEAVER 是模型内控制器（教师模型实时扮演四个推理角色，可蒸馏下沉）；Mosaic 是模型上训练信号（状态维护行为本身被 RL 塑形）。这个分工也决定了三者的部署成本：CarryOn 即插即用但每任务付运行时 token；BELIEFWEAVER 控制器调用密集（蒸馏后可省）；Mosaic 一次训练、推理零额外开销但需要重训。

4.1 CarryOn：对象导向的上下文运行时

核心类比：像操作系统的虚拟内存管理——进程不需要把全部数据装进物理内存，靠页表按需换入换出；CarryOn 让 Agent 不必把全部历史装进上下文，靠载体记录按需检查复用。

上下文三组件：

1. 延续载体（Continuation Carriers）：暴露可复用进度，每个载体有稳定身份 + 可复用内容或引用 + 复用条件。按价值存放地分三类：外部对象（代码文件、文档等环境独立存在、可重开的工作产品，载体只记录引用与进度描述）、信息产品（交互中获得的可复用结论，未落地为文件时以带证据指针的声明形式直接存进载体）、情境状态（只存在于特定应用/会话/流程内的进度，如进行到付款步的购物车，载体记录环境锚点与复用范围）。判定标准很清晰：若 VM、会话、轨迹全部消失只剩这份表示，新 Agent 能否理解并使用它——能则是产品，必须回到同一环境才能继续才是状态。
2. 执行上下文（Execution Context）：载体装不下的互补信息——当前焦点、未决约束与义务、未物化的待办。
3. 活尾（Live Tail）：最近一次 fold 之后累积的原始交互，尚未被折叠。

fold 流水线四阶段：

• 追踪候选（Tracker）：识别可能成为载体的进度，维护候选登记表；候选可跨多次追踪持续发育，成熟时发起编译请求，请求同时指明"编译什么"与"需要什么证据"。
• 证据准备（Grounder）：信息产品做来源引用与摘录核对；对象绑定请求做只读环境检查——文件是否存在、内容哈希是否偏离初始快照、docx/pptx/xlsx 容器是否有效、文档差异、指令文本匹配。检查结果为 supported/contradicted/unknown 三值裁决，矛盾即拒。
• 联合编译（Compiler）：同时产出载体编辑 ΔA 与修订版执行上下文——两者耦合设计：载体已捕获的进度不在执行上下文重复，未完成目标必须显式保留。Compiler 的提示词把"节俭即正确"写成硬约束：每句保留的话必须改变未来动作或防止重大重发现。
• 验证与提交：检查引用一致性、来源授权、输出约束，且一次有效 fold 必须包含至少一个载体变更；通过则原子提交并推进折叠边界覆盖整个活尾，失败则一切不动。

触发与开销：OSWorld 上交互文本累积约 6000 token 触发追踪；BrowseComp-Plus 上按 prompt 增长 120K token 触发、连续未折叠则阈值翻倍退避。运行时自身消耗（Tracker+Compiler）在 OSWorld 上平均每任务 0.69M token，占总消耗比例很小。

一条真实折叠示例（论文图 1 顶部案例，帮助建立直觉）：任务是"给香港天气演示文稿加雨雪背景并设 40% 透明度"。折叠前活尾里躺着第 157 步"导出雨雪 PNG"、第 184 步"应用雨天背景"、第 216 步"设置 40% 透明度"等 200 余步交互；折叠后上下文只剩三个载体（雨天合成图 PNG 路径、雪天合成图 PNG 路径、工作 PPTX 路径及"背景已应用"进度）加执行上下文（“保持 40% 透明度、其他内容不动、确认 PPTX 已保存”），从 42.4K token 降到 14.4K（−66.0%）。Agent 下一步直接打开 PPTX 检查保存状态，而不是重读 157 步的历史叙述来"想起"自己做过什么。

4.2 BELIEFWEAVER：证据门控的信念图恢复控制器

核心类比：像医生的鉴别诊断板——每个候选病因（frontier，修复假设）是一张卡片，检查结果（探针证据）不断在卡片间传播更新"这个方向还值得查吗"的判断，且换班（rollback）不擦板。

frontier 与探索图：每个 frontier f_i 是一个可检验的修复假设，规定可能的失败机制、所需证据、评估修复的检查项。持久探索图 G_t 把 frontier 与其尝试、观测、检查点相连，并链接共享机制或精化关系的 frontier。每个 frontier 维护二值信念 b_i = q_i(z_i=1)，整个状态 B_t=(G_t, E_t, b_t) 跨 rollback 持久。

隐式世界模型（IWM）四角色：

1. 候选假设生成：输入任务条款 + 行号索引源码 + 当前诊断 + 历史尝试，输出结构化假设（机制、预测结果、待收集证据、源码定位 ≤20 行、目标检查、可选父假设）。
2. 诊断探针与证据裁决：为每个候选生成诊断命令，在检查点临时副本中执行（30 秒超时、1500 字符输出上限）；证据裁决器对照假设声称的行为返回 consistent / insufficient / contradicted。
3. 前瞻评估：local_code 专家沿控制流/数据流估计机制有效性与一次有界修复的进展概率；contract_judge 检查实现是否违反引用的任务条款；组合出严格进展概率 p_prog = mα+(1−m)β。
4. 关系推断：识别 same_mechanism / supports / requires / conflicts，明确禁止仅凭共享文件推断关系，优先调用/数据流依赖。

信念更新：证据以单边几率因子进入乘法模型 O_i = λatt^n · λrel^r · λtgt^u · λctr^c，b_i = O/(1+O)。四类证据：重复尝试失败（λatt=0.34，来自开发集重试统计）、关系传播（λrel=3.0，共享机制的失败会连坐）、目标历史（λtgt=0.5，目标从未改善的降权）、探针反驳（λctr=0.2）。关键设计：排名与执行资格分离——排名用 S_t = b_i − λfail·ℓ_i，执行资格要求证据裁决为 consistent 且目标检查未通过。

蒸馏：四个反复调用的 IWM 角色蒸馏进 Qwen3.5-9B（LoRA）：先用 859 个教师样本 SFT 热启动；再做三轮在策蒸馏（OPD）——学生自己扮演四个角色跑探索，影子教师对同样请求打标签作监督，师生分歧样本加权；恢复控制器、执行器、信念规则保持不变。验收标准含解析接受率 ≥95%、证据裁决一致率衰减 ≤2pp。

一个具体案例（论文图 2，TB3 货运航班任务）：检查点状态 19/27 项检查通过，候选假设有"缺少可行性检查"与"燃油传播计算错误"两派。控制器对"缺少检查"假设发出探针命令，在环境副本里打印 leg[“fuel_remaining_ok”] 与 leg[“crosswind_ok”] 的存在性——两个检查其实早已写入路径可行性函数，证据裁决为 contradicted，该假设信念掉到 q=0.167；燃油传播假设保持 q=0.500 被选中执行。一次续跑后 24/27 通过（70.37%→88.89%）。这个案例展示了"证据裁决改变假设排序 → 选择修复方向 → 验证器计分回填"的完整环路；论文同时也展示了一个反例（Nginx 任务七轮续跑分数纹丝不动）——信念更新能重定向探索，但不能保证局部修复与检查点得分一致，这是方法边界的一部分。

4.3 Mosaic：会话感知的层级优势优化

核心设定：轨迹 τ_i 由 N_i 个会话组成，会话分三种类型——普通会话（常规推理/工具调用）、压缩会话（把满上下文摘要为短前缀，摘要本身由策略生成、是可训练分段）、子代理会话（fork 出的分支执行）。m 次压缩产生 2m+1 个训练分段；M 个子代理产生 M+1 个。

层级一：会话感知的轨迹级优势估计。把会话数 N_i 作为探索量与结构复杂度的代理信号，但不能直接当奖励。三条排序约束：C1 成功轨迹中用更少会话者优势更高（省成本）；C2 失败轨迹中用更多会话者优势更高（鼓励充分探索）；C3 结果奖励必须主导，会话信号只调幅不改号。实现：在同结果子组内对 N_i 取中心化秩 u_i∈[−1,1]（对长尾鲁棒），乘性调制 Â_sat = (1−ρu_i)·Â_traj，0≤ρ<1 保证不反号。全成功/全失败组里 GRPO 优势为零，落入加性回退（−β1·u 或 β0·min(u,0)），在无结果信号时仍注入会话信号、拉大组内优势方差。

层级二：会话级优势塑形。把每个会话视为状态转移 s=(v_{j−1}→v_j)，定义答案似然势 Φ(y*|x,v)：在状态 v 的上下文后教师强制续写标准答案，取答案 token 的长度归一化对数概率。会话奖励 = 边际信息增益 r_Δ = Φ(v_j) − Φ(v_{j−1})（stopgrad）。直觉：一个带来有用证据、去除噪声或返回高质量子任务的会话应提高标准答案的生成似然。由于不同类型会话的增益分布天然不同（压缩会话均值偏低），按类型分组归一化，避免全局归一化系统性打压压缩会话。末会话塑形置零以防最终答案污染分布。合成：Â_session = Â_traj + λ_r·r̂。两道安全门：全失败门（禁止正塑形强化失败会话）、方向保持门（塑形不得翻转基础优势符号）。超参 ρ=0.2、β0=0.1、β1=0.2、λ_r=0.1。

信息增益的具体算法值得展开一步，因为它解释了成本数字。对每个非末会话 s，rollout 时直接记录两个边界 token 流（h⁻：会话开始时的 prompt；h⁺：会话结束后的上下文——压缩会话取"摘要注入新前缀后的 prompt"，子代理会话取"fork 结果回填后的主 Agent 上下文"），然后在两个边界后各拼接同一段固定的教师强制续写（含标准答案），只对答案 token 打分。每个合格会话只需两次前向打分请求，且 detached 于计算图。相比之下 IGPO 要对每个 turn 都做边界打分——图 3(b) 显示这正是 Mosaic 信息增益计算墙时远低于 IGPO 的原因：把打分粒度从 turn 提到 session，请求次数按会话数而非轮数增长。

五、评估指标与实验证据（含效果优势的根源解释）

进入逐篇解读前先说评估口径的共同点：三篇都刻意选择了"长时程性"有区分度的基准——OSWorld 2.0（人类中位 1.6 小时、500 步预算）、终端三基准（TB3/LHTB 强调更长执行与稀疏诊断）、BrowseComp（1266 题深度检索）——且都在成本侧做了完整记账（CarryOn 含缓存读写的 token 口径、BELIEFWEAVER 区分执行器与教师 API 成本、Mosaic 报告 session 数与 IG 计算墙时）。这意味着性能数字都是"扣除管理开销后"的净收益，评估方法论本身就值得借鉴。

5.1 CarryOn：性能与成本双改善

partial +5.8、binary +3.7，同时总 token 40.10M→19.30M（−51.9%）、总成本 −35.9%（含运行时开销）。BrowseComp-Plus 100 题子集：准确率 49→56（+7），token −22.9%。两个图景性证据：(a) 输入上下文稳定在约 65K token 而基线超 200K；(b) 累计成本约 150 步交叉反超，500 步时累计省 34.1%——管理开销是先付的，回收随轨迹变长放大。

最有证明力的对照是 40 任务子集上的上下文管理策略对比：Sliding Window（partial 37.41）与通用摘要 GS（44.94）都低于不压缩基线（50.32）——激进压缩本身不改善性能，反而有害；把对象化原则塞进文本摘要（CGS）恢复到 50.93；完整 CarryOn 达 55.93 且折叠后文本反而比 CGS 短约 10%。消融：隐藏执行上下文 partial 掉到 44.00；隐藏载体掉到 44.62 且 Agent 调用 +23.8%、成本 +22.3%（Agent 被迫重新提取 PDF 价格表这类已建立的信息）——两组件互补缺一不可。纵向看，80% 的载体观测跨折叠被保留或更新（813 个观测中 278 保留 + 372 更新）而非推倒重建。

根源解释：因果链是——基线让模型每步重读"进度如何达成"的冗余叙述 → 注意力被稀释、成本线性膨胀；摘要基线用重构叙述替代可复用结果 → 叙述与真实任务状态漂移，性能反降；CarryOn 把"达成什么"锚定在环境内可检查的对象上（Grounder 哈希/容器校验保证不漂移）+ 保留"还要做什么" → 信息流从重放历史变为检查现状。这解释了为何它同时提升性能与省钱——这不是压缩率的胜利，是信息组织方式的胜利（CGS 对照实验是论文自己给出的机制隔离证据）。

5.2 BELIEFWEAVER：组件叠加实验与蒸馏收益

113 个终端任务（TB2 65 / TB3 23 / LHTB 25），所有方法从同一检查点、同一剩余预算出发：

三个层次的证据：(1) 组件消融的信息量很大——SC 单独 +2.9，但 WM 接地单独加上反而 −1.7（探针/诊断只有配上"证据如何改变优先级"的信念机制才不变成开销），完整版在 SC 基础上再 +2.2，说明诊断证据与信念传播必须成对工作。(2) 执行器资源：步数 −13.2%、时间 −17.8%、成本 −16.6%，代价是控制器调用 33.4 次/任务——这正是蒸馏动机。(3) 蒸馏：SFT+OPD 达 58.4，比匹配教师（53.7）高 4.7pp，同时教师 API 成本 $0.550→$0.248（−54.8%）、token −55.1%；若把假设生成也交给学生（+GEN），成本再降到 $0.100（−81.9%）、请求 −74.5%，Final 仍比教师高 3.8pp。增益最大的 TB3 +10.1pp；显著性上教师与学生的 Final 增益均有 95% bootstrap CI 支撑（+5.1±2.7 / +9.8±6.1）。

根源解释：学生反超教师不是玄学——OPD 在学生自己诱导的探索分布上收集教师监督，相当于把 IWM 角色适配到学生实际会遇到的状态（教师跑出的轨迹和学生跑出的轨迹分布不同），这与 GKD（Agarwal et al., ICLR 2024）的核心发现同构：在策监督修正曝光偏差，学生自生成序列上的教师反馈能超越离线蒸馏。而"证据跨回滚传播"的机制必要性由消融反向证明：没有信念图时（+WM 单独）诊断证据无处落地，增益为负。

5.3 Mosaic：BrowseComp 主表与机制分析

压缩场景相对广播提升 10.1%（38.86 vs 35.31）且平均会话从 3.17 降到 2.35（−25.9%）。表中最有诊断价值的一行：GRPO 单会话训练后放到多会话推理（test-time scaling）只能到 34.68——多会话推理能力不会从单会话训练中免费泛化，训练-推理对齐本身贡献了主要增益。消融显示两个层级各自贡献、压缩场景叠加增益显著而子代理场景叠加温和（作者归因：子代理轨迹是 DAG 结构，一个会话影响多个后继，即时边际增益与最终贡献错位）。机制分析四点：(1) 会话感知优势确实产生预期排序且拉大组内方差、提升样本效率；(2) 全局归一化系统性打压压缩会话，类型条件归一化修正此偏差；(3) 会话级质量指标：正 IG 会话占比压缩场景基座 37.36%→广播 47.74%→Mosaic 59.92%，子代理 27.39%→41.15%→51.04%；(4) IGPO 的 turn 级信息增益计算昂贵，Mosaic 的会话级方案大幅降低前沿计算墙时间且性能反超（31.36→38.86）。

根源解释：广播的失效机制是信用分配粒度错配——把同一标量复制给功能异质（普通/压缩/子代理）的会话，等于告诉策略"所有段同样好/坏"，会话数因此单调膨胀（广播训练曲线的 session 均值持续上行）。Mosaic 的乘性有界调制保住了结果奖励的排序主导权，塑形信号在每个会话边界上给出"这段是否让答案更可预测"的局部可归因反馈；类型条件归一化消除了对压缩会话的分布性歧视。最终 RQ4 的结论把因果链补完整：性能提升伴随的是会话效用与分配质量（正 IG 率、IG/会话）提升而非会话数量增长。

5.4 外部交叉验证（根源解释的独立证据）

综合判断：“状态与历史解耦"这一根本命题已被多条独立工作线共同支持（AgentFold/ACM 支持推理侧，CompactionRL/ECHO 支持训练侧，AgentRewind 支持恢复侧）；“在策蒸馏可致学生反超"有 GKD 的跨任务先例；仍属合理推测的部分包括：Mosaic 子代理场景下 DAG 结构对即时奖励的失配程度、BELIEFWEAVER 信念因子参数（λatt=0.34 等）在其他域的迁移性（作者自述来自开发集重试统计，非学习所得）。适用边界也须记明：BELIEFWEAVER 依赖验证器反馈与可靠检查点恢复，稀疏反馈/不可回滚场景未验证；CarryOn 的环境检查表是为 OSWorld 定制的，纯对话域的"对象"定义待解。

5.5 实验解读：指标好看与指标证明论点的分界

三篇论文的实验设计里各有一处"数字之外"的证明力值得单独指出。

CarryOn 的分界在于三组对照的递进隔离。如果只看主表（+5.8、−51.9%），无法排除"性能提升来自任何形式的上下文缩减"这一混淆解释。Sliding Window 与 GS 两组对照专门排除了它：它们压缩得更狠却比不压缩基线更差，说明缩减本身不是收益来源；CGS 复现了对象化原则的文本版本（50.93）又隔离出"结构化维护"本身的增量（55.93−50.93=5.0，且文本更短）。此外成本图（150 步交叉、500 步 −34.1%）排除了"一次性省钱"的侥幸——收益随轨迹长度单调放大，恰是"避免重复处理历史"这一机制的时间签名。若把评估换成短轨迹基准，该机制的理论收益会趋近于零（先付运行时开销、来不及回收）——这也是作者选 OSWorld 2.0（人类中位 1.6 小时）而非短任务基准的方法论理由。

BELIEFWEAVER 的分界在于负结果组件与 Step-AUC。+WM 单独叠加反而 −1.7pp 是全表最有信息量的数字：它证明诊断证据在没有信念传播机制时是纯开销，从而把"证据必须跨假设传播才有用"从口号变成了可证伪的机制主张。Step-AUC/Time-AUC 的设计也非装饰：Final 只看终点，一个只在最后冲刺的方法与一个持续早出分的方法在 Final 上不可区分；BELIEFWEAVER 在 Step-AUC 上 +2.9 显著，说明收益来自恢复过程本身的效率而非末端运气——这直接支撑"更有效的恢复"而非"更好的收尾"这一因果解释。蒸馏侧必须留意一个细节：学生的 Final 反超（58.4 vs 53.7）发生在教师与学生共享同一控制器与执行协议的严格配对下（附录 C 明确禁用了影子教师与回退），排除了"学生偷偷用了更强执行器"的解释路径。

Mosaic 的分界在于 RQ4 的行为学拆解。38.86 vs 35.31 只说明 Mosaic 更好，不说明为什么。表 2 的三维拆解（数量/质量/分配）把"更好"分解成可检验的行为假设：若性能提升来自更多探索，session 数应涨；实测 Mosaic 的 session 数反而从广播的 3.17 降到 2.35，而正 IG 会话占比从 47.74% 升到 59.92%——性能提升与"每会话更有用"相关而与"会话更多"无关。这组数据把训练动态的观察（广播的 session 曲线单调上行、Mosaic 的 leveling off）与最终行为连成闭环，也使作者的结论（“中心问题不是用多少会话，而是每个会话能挤出多少有用进展”）有数据而非修辞支撑。另一处须谨慎的数字是 10.1% 相对提升：其基数是 35.31，绝对差 3.55 在 1266 题基准上稳定，但子代理场景的叠加消融只显示温和增益，说明该机制在 DAG 结构下的普适性仍是开放问题。

六、必要知识反推

假设让一个零基础的人复现这三篇论文，最少必须掌握：

领域知识层：长时程 Agent 的双通道进度模型（持久任务状态 vs 交互历史，CarryOn 全部设计的出发点）；终端/计算机使用基准的奖励结构（测试通过率、部分得分、LLM-as-judge，决定三篇的评估口径）；compaction 与 forking 的运行时语义（会话边界的准确定义是 Mosaic 一切形式化的地基）；GRPO 的组相对优势与训练分段在 Megatron 类框架中的对应关系（broadcasting 公式的工程来源）。

方法论知识层：对象身份与版本化（CarryOn 载体的 successor 链、provenance 记录——不懂数据库式版本管理设计不出稳定身份）；概率图模型的因子化信念与几率更新（BELIEFWEAVER 的乘法因子模型直接来自因子图推断）；教师强制似然作为状态价值的代理（Mosaic 的 Φ 势与 IGPO 同源，需要信息论直觉：答案似然的边际变化 = 该段获取的关于答案的信息量）；蒸馏的曝光偏差问题与在策修正（BELIEFWEAVER 的 OPD 直接建立在 GKD 之上）；RL 奖励塑形的保号性约束（Mosaic 的乘性调制与两道门是对势函数塑形理论的小心应用）。

工程知识层：append-only 交互日志与原子提交协议（fold 失败不污染状态）；只读环境探针（哈希、容器校验——在不干扰任务的前提下验证对象有效性）；影子教师标注与 LoRA 多适配器管理（OPD 的工程骨架）；上下文并行下的前向打分与会话级归一化（信息增益的计算成本控制）。

知识融合的关键节点：三篇论文各自的最关键化学反应都在"两个领域的接口"上——CarryOn 把"进度"从 NLP 摘要问题变成 OS 对象管理问题（数据库思维接入 Agent 运行时）；BELIEFWEAVER 把"回滚后学什么"从记忆问题变成因子图推断问题；Mosaic 把"会话数"从工程计数变成依赖结果条件的秩信号（统计思维接入奖励设计）。单独懂任何一门都不够，融合点才是论文的增量。

也可以从"反事实"角度检验这些知识的必要性：若作者不懂版本化身份，CarryOn 的载体在多次折叠后会退化为多份不一致副本；若不懂因子图的局部归一化，BELIEFWEAVER 的关系证据将无法在共享假设间正确传播（要么全连、要么全断）；若不懂奖励塑形的保号理论，Mosaic 的会话信号可能翻转结果奖励方向，训练出"多开会话骗奖励"的策略——C3 约束正是针对这个失败模式写下的。

七、论文中可以提取的通用性灵感

灵感一：状态与历史解耦——为结果建对象，而非为过程写传记。CarryOn 证明（partial +5.8 且 token −51.9%，且摘要基线反降证明非压缩之功），凡是要长期延续的系统，都应把"已达成的可复用结果"从"产生它的过程记录"中析出为一等实体，附上复用条件并做有效性校验。推广场景：长会话协作系统（以决策与产物为锚而非聊天记录）、持续集成流水线（以工件为传递单位）、个人知识管理（以可复用结论而非剪藏全文为单位）、多轮谈判系统（以已达成条款为状态）。

灵感二：负面结果要在假设空间中传播，而非在时间线中沉淀。BELIEFWEAVER 的信念图让一次失败自动改写相关假设的优先级（λrel=3.0 的关系因子使共享机制的假设连坐），失败因此变成证据而非日志。推广场景：科研实验管理（阴性结果按机制关联更新假设库）、A/B 测试平台（失败变体的归因传播）、医疗鉴别诊断、排障知识库（错误码间的机制关联图）。

灵感三：信用分配的粒度必须与行为的结构粒度对齐。Mosaic 显示把轨迹级信号广播到异质会话会在 38.86 vs 35.31 的差距上付出代价，而"类型条件归一化 + 边际信息增益"修复了它。推广场景：多人协作绩效评估（按角色类型归一化个人贡献）、微服务调用链追踪（按服务类型评估边际价值）、课程学习中的模块级反馈、供应链的环节级改进排序。

灵感四：可测的本地信号 + 保号的全局信号是安全的组合模式。Mosaic 的乘性有界调制与两道门（局部塑形永不翻转结果方向）、BELIEFWEAVER 的"排名与执行资格分离”、CarryOn 的"一致性检查只保有效性不判任务对错”，三者在不同层面用了同一模式：局部/辅助信号只允许调节幅度与资格，主导信号的方向不可篡改。推广场景：导航系统（局部路径微调不改变目的地）、风控（辅助特征调阈值不覆盖主规则）、LLM 解码约束（局部重排在全局目标下）。

灵感五：把反复调用的重推理蒸馏成轻角色，让系统分层付费。BELIEFWEAVER 学生以 54.8% 的教师成本反超教师 4.7pp（GEN 变体省 81.9%），前提是控制器/执行器/规则不动、只蒸馏四个高频结构化角色。推广场景：代码助手的诊断角色下沉到端侧模型、客服系统的意图澄清角色本地化、任何"重模型当仲裁、轻模型当日常"的混合架构。

灵感六：开销要趁早付、收益会随时长放大。CarryOn 成本曲线约 150 步才交叉反超、500 步省 34.1%——状态维护是一次性投入换持续红利，评估这类系统必须看长轨迹累计值而非单步开销。推广场景：索引构建 vs 暴力检索、缓存预热、组织流程中的文档化投入。

灵感七：给"未完成"一个一等的数据结构。CarryOn 的执行上下文专门存放义务（obligation，每条一个祈使句 + 来源步骤，最多 8 条并发）、未决约束、待验证存档；BELIEFWEAVER 的检查点与未满足目标检查同理。多数系统只建模"是什么"，这三篇都在显式建模"还欠什么"——因为长时程延续中，欠账清单比现状快照更容易在边界切换中丢失，也直接决定下一步。推广场景：跨 handoff 的工程工单（移交的是待办而非仅现状）、合同履约跟踪（义务条款带证据指针）、智能体外呼任务（跨会话未决事项簿）、CI 流水线失败重试（欠账即重试队列的语义化）。

灵感八：类型异质的单元不可共用同一归一化基线。Mosaic 发现普通/压缩/子代理会话的原始信息增益分布天然错位，全局归一化会让压缩会话被系统性打压；按类型各自中心化重标后，每类才能各自收到有正有负的公平信号。这是一个普适的统计陷阱：任何跨异质群体的相对评价（绩效、实验组、推荐位）若不加类型条件，都会把结构性差异误判为质量差异。推广场景：跨岗位绩效评估按职类归一、多模态特征融合前按模态标准化、A/B 测试跨人群子群分析、模型评估按任务类型分桶报告。

八、加评：三篇合读看到的趋势与留白

把三篇放回一起，能看到 2026 年长时程 Agent 研究的一个清晰转向：上下文工程（context engineering）正在分化为"状态工程"。第一代方案问"如何把历史塞进窗口"（压缩、摘要、检索），这三篇问"窗口之外，系统应该维护什么表征"——对象（CarryOn）、信念（BELIEFWEAVER）、优势归因（Mosaic）分别对应状态的物理层、认知层、学习层。三层独立成立又天然互补：一个理想的系统可以用 CarryOn 式载体管理物理进度、用 BELIEFWEAVER 式信念管理假设空间、用 Mosaic 式信号训练自己——Mosaic 的讨论部分已点名"跨会话状态迁移应成为中心学习目标"，CarryOn 的对象与 BELIEFWEAVER 的信念正是这个方向上两类现成的迁移载荷。

三篇也都诚实地留下了边界：CarryOn 的环境检查依赖 OSWorld 的文件型世界；BELIEFWEAVER 承认在稀疏反馈与不可靠回滚下未验证、信念因子是手调的；Mosaic 的子代理场景中 DAG 结构让即时奖励失配、其多会话训练数据稀缺（作者专门呼吁建设开放训练集与执行环境）。这些留白恰好互相成为彼此的机会：BELIEFWEAVER 的证据因子可以学习化（其结论里自陈"learned and uncertainty-aware belief updates"是未来工作），Mosaic 的会话效用指标（正 IG 率）可以直接拿来评估 CarryOn 式折叠的"每次折叠信息增益"，而 CarryOn 的载体对象给 AgentRewind 式回滚提供了比检查点更细的状态单位。

对从业者的落地判断也可以更具体：CarryOn 的三型载体判定法（“若轨迹全消失只剩这份表示，新 Agent 能否继续”）是一个可以立即在任何长任务 Agent 项目里做的分类练习，哪怕不引入完整运行时，把 prompt 里的"历史摘要"区段改写成"对象 + 复用条件 + 执行上下文"三段就是 CGS 对照验证过的低成本改进（40 任务子集上 +0.6pp）；BELIEFWEAVER 的"排名与资格分离"是一个 20 行代码就能落地的控制器模式（先证据门控、再信念排序、最后回退普通续跑）；Mosaic 的结论则直接影响训练基础设施选型——若你的 rollout 管线已经在产出多分段轨迹，广播归约正在静默地扭曲你的梯度。

对读者的建议：如果只做推理侧工程，优先读 CarryOn 的 fold 流水线与三型载体判定法；如果关心可靠性与恢复，BELIEFWEAVER 的"排名/资格分离 + 因子化信念"是可直接抄用的控制器骨架；如果做 Agent RL，Mosaic 给出的最重要提醒是——在你训练策略之前，先检查你的训练分段单位是否还等于推理时的执行单位；如果不等，广播不是中立默认项，而是一种持续缴税的选择。

附录：三篇论文机制速查卡

最后留一个给读者的问题：如果把这三套机制串成一个系统——CarryOn 载体做物理状态、BELIEFWEAVER 信念做假设状态、Mosaic 塑形做训练信号——最先撞上的工程瓶颈会是什么？三篇的记账数据给出线索：状态维护的开销全部集中在"边界事件"上（fold 编译、探针裁决、边界打分），因此瓶颈大概率是边界检测的时机策略而非表示本身。这或许是下一个值得精读的方向。