两篇同日论文从微观与宏观两面照出 Agent 的可靠性盲区。微观（Fabrication After Tool Failure）：工具失败被强制隔离后，14.10% 回应不诚实——失败是否被信号化几乎完全主导诚实性：status:error 时 0.0% vs status:ok+坏值时 45.3%，九个生产框架无一幸免；有效防御的关键是为模型命名一个’可处的状态’而非删除指令。宏观（Enforcement Gap）：Emergence World 三种崩溃（Grok 犯罪/GPT 瘫痪/Claude 举报）统一归因于’审计看到但控制器无视’——不到 20 行代码的修复降低攻击成功率 4 倍。本精读合并解读’诚实性由环境信号塑造’与’检测-执行断裂’两条机制链。
部署的 harness 把所有 skill 元数据预加载进上下文（注意力稀释+库规模受限），检索管线把选择移出上下文但也移出了模型能力。Gavel 证明冻结 LLM 的前向传播已携带路由信号——两个线性映射（唯一被训练的参数）读出任务与各 skill 的 mid-layer 状态，对紧凑 per-skill bank 打分完成全库路由，skill 文本不进上下文。本精读覆盖’模型已隐式知道该用什么’的探针证据、线性读出的参数效率与路由内部化对库规模扩展的意义。
人类认知的核心特征 systematicity（系统性）——理解一个概念蕴含理解其变体。推理模型具备吗？普林斯顿（Brenden Lake 组）用规则归纳任务的同构变体（重组/替换）测试：能正确解决原任务的模型，常在同构变体上失败——表面正确掩盖了系统性缺失。这一发现对’benchmark 分数=认知能力’的解读划出硬边界：模型可能记住了解法而非掌握规则。本精读覆盖同构变体方法学、系统性缺失的证据结构与对推理评测的连锁含义。
Amazon FAR×UW 构建受控纯自回归测试台，在多模态持续预训练中追踪任务分账验证损失（文本/图像/T2I/I2T 四路）的 scaling 行为，系统刻画统一模型中图像 tokenizer 的行为。两条核心发现：损失必须分任务分析（不同任务呈不同 scaling 且对 tokenizer 排名不同）；T2I 损失-性能关系随图像 token 空间漂移，I2T 损失在共享文本词表上计算、是更稳的跨 tokenizer 比较指标。
UMass Amherst 的这篇论文利用 LLM 内部表征预测智能体任务成败：Latent Trajectory Dynamics（LTD）总结交互轨迹上残差流表征的变化动态，Action Representation Probe（ARP）在动作决策点读取表征预测成功。在 InterCode 的 Bash/SQL/Python 三个交互基准 × Qwen-14B/Qwen-7B/DeepSeek-6.7B 三个模型家族上，两方法全面超越表层 token 概率与序列校准基线（漏损泄漏的交叉验证协议），且零额外开销——不改提示、不需多样本 rollout。智能体安全关键应用第一次有了’从模型内部读出置信度’的免费监视器。
Warwick×UnlikelyAI 的这篇论文把’LLM 迭代修 bug’当作动力系统研究：每轮修复在修好一部分的同时引入新 bug（修复率与损伤率并存），系统收敛到几类吸引子——正确修复、振荡、或’幻觉修复’（模型虚构不存在的代码块导致循环早停）。最有趣的发现：bug 倾向性可以作为 steering vector 从 layer ~19 的激活中线性读出并双向干预——放大它模型更爱修（也更多幻觉）、抑制它模型更保守。‘没病别修’在机制层面有了操作含义。
中科院自动化所的 SAEScientist-Bench 把’可解释性研究本身’benchmark 化：基于 27182 个专家标注 SAE 特征构建任务族，agent 需完成特征发现（AUROC 区分正例与对比控制）→ 因果转向验证（steering 分数度量目标表达净增）→ 下游生成质量保持的完整实验科学闭环。前沿 agent（Kimi 等）在因果转向与目标相关性上接近专家水平（Expert 特征 AUROC 0.917-1.000），但生成退化率从 32.5% 升至 52.5%——‘转向强度 vs 生成保真’的权衡是当前 agent 科学家的系统性短板。
KV cache 压缩方法都用’最近的查询’预测未来注意力——本文发现长程推理中这个假设根本不成立：解码会不定期产生’思维重访令牌’（TRT），重新关注数千 token 之前的推理计划，而近期查询无法预知这次重访。关键观察是 TRT 对应的全局查询在嵌入空间聚成少数簇——只需为每簇维护一个’信标查询’（Continual FPS 在线选取），就能预判哪些 KV 将被重访。训练自由、无需改动架构：四个开源推理模型上内存最高压缩 5.8×、精度近全量、吞吐 +4.3×，对 RPC/R-KV 最高领先 31.7 个百分点。
LLM 会一本正经地回答 cot(-540°) 等于 0、(1).startswith(‘1’) 是 True——这些结构上不可能有答案的问题。是模型’不知道’还是’知道但不拒答’？USC/ASU 团队给出机制级答案：残差流中存在线性可解码的’不可能性方向’（AUC 0.939），但它与安全拒答方向近正交（cos 0.087），且 base 模型中该几何已存在——模型’知道’却把信号接错了线路。沿识别方向的双向因果干预以 +33~+52pp 的剂量响应翻转行为。自信地回答不可能问题的失败由此被定位为路由失败而非编码失败。
AutoTraceGT（Cornell×JHU×Purdue×UTEP）把社会科学 60 年的扎根理论算法化为多 Agent 流水线：OpenCode/AxialCode/TheoreticalCode 三级编码+Manage 持续比较，直到理论饱和（连续两轮新增类别<ε）。7500+ 轨迹、6 数据集、4 骨干 LLM 上，代码本恢复人工分类学 73–91% 的失败模式并发现遗漏模式，作演绎特征做失败预测 ROC AUC 最高 0.773。