这篇来自 VIDRAFT AI Research（韩国）的论文证明：‘看 mask’这个全行业默认的因果性检查，在混合架构时代完全失效——192 次注入故障中 mask 检查 0/192 发现，而两次前向传播的前缀不变性审计 192/192 精确定位到泄漏层。更重磅的是实际战果：在两个已发布模型（Zamba2-1.2B 与 Nemotron-H-8B）中挖出真实因果泄漏——chunk 边界处未来信息泄漏进当前表示，缺陷源于同一段三行代码（inter-chunk 递归 reduce 求和轴错误），两行修复后泄漏精确归零。方法只需两次前向、无梯度，135M 模型 CPU 上半秒。
这篇 ICLR 2027 论文（阿里 Amap × 南京大学）用结构因果模型（SCAE）把编码 Agent 的’过程评测’拆成三个被混用的层次，并给出三个可检验的颠覆性结论：下一动作由’执行出处’（provenance，模型刚看到什么）而非代码图结构决定（top-3 0.326 vs 0.058）；不确定性属于任务而非步骤（190 个步骤级因果效应 0 个通过 FDR）；全轨迹 LLM judge 存在系统性 collider 偏置——judge 能看到下游步骤时，归责位置系统性后移 +0.537。‘过程分数测的是语义相关性，不是认证的因果贡献。’
本文精读 arXiv 2608.20290《Phantom Gains: Auditing Self-Improvement Against a Measured Null》。论文指出：逐题得失（transition-level）分析已成为自我改进研究的标准证据，但一次得失是两个含噪估计之差，极易产生测量伪影。作者让一个从未训练的冻结模型走完完全相同的评估管道，实测每个统计量的噪声底，识别出七种测量失败——单次贪心解码、m=1 扩展统计量、固定 token 上限、欠功效、单训练种子、欠功效探针、只测一次的零假设——每一种在缺少对照时都会反转一个结论。受控审计表明：外部蒸馏能真正改进基模型几乎够不到的题，而三种自训练不能；自训练毁掉的题远超噪声底；其全部新增解均为锐化而非能力扩张。论文主张：逐题审计必须为每个统计量单独实测零假设。
SWE-bench Science 由上海创新研究院与复旦大学联合提出，是一个仓库级科学软件工程基准：119 个任务、98 个真实 GitHub 仓库、覆盖 20 个科学领域，通过证据链协议将公有测试与私有科学断言物理隔离，并把任务分为 Issue 驱动、专家探索、工程集成三种范式。八个前沿 coding agent 横评中最高 Pass@1 仅 47.90%（Claude-Opus-5），而同配置公开分高达 96.64%，暴露出「表面修复」问题。论文还人工归因出四类失败机制，并用 91 任务配对消融证明科学知识注入并非普遍有益——错位信息反而诱发锚定。
康奈尔与斯坦福的两位研究者提出 Adversarial Review（AR）：主编码 Agent 冻结工件后，reviewer 评审、critic 以结构化分歧审计这份评审，收敛后才允许修改代码。AR 在 LiveCodeBench 上以三个 Agent 取得 87% 最高通过率，胜过五 Agent 的 MARS；在 SWE-PRBench 上先暴露「伪共识」失败模式——Agent 为一致而一致，再用一次 prompt 迭代把分歧显式化即取得最高 F1 0.533；在 SWE-bench Verified 上以纯文本 SKILL.md 协议达到 75.2%。本精读拆解其构造式方法、三基准证据链，以及「分歧必须最小、结构化、有证据」的设计哲学。
北大团队用557个真实Agent编码会话的94,813个事件与33,097个Agent PR的69万条文件变更，首次系统测量了编码Agent与技术文档的真实交互。四大发现颠覆行业直觉：60.5%的文档交互指向AGENTS.md等Agent自有工件而非经典技术文档；读文档→写代码的关联在数据上未获解析；零次显式文档验证；文档产出速率达咨询的0.87倍却始终滞后于代码。论文据此提出双瓣循环模型，并指出「可操作性」「可验证性」两大agent-friendly文档假设缺乏行为支撑。
当 Agent 技能库膨胀到成千上万份文档，往上下文装哪几份技能直接决定任务成败与 token 账单。清华交叉信息研究院 Longbo Huang 组首次把「技能选择」形式化为硬 token 预算下最大化「单调次模收益减线性上下文惩罚」，并提出多项式算法 BPS，证明该问题首个双准则(1−1/e, 1)近似保证，收益系数多项式时间最优。目标函数从执行记录拟合，拟合误差可证转移到有界选择regret。在污染受控 BigCodeBench 变体上，BPS 达 0.73 实测成功率，对已发布路由器、检索器与执行器自选的 0.20–0.52 全面胜出，且比最强路由器省 28% token。本精读拆解其形式化、BPS 算法、预算对齐插值证明，以及「上下文价值是集合级而非单体可打分」的核心洞察。
东京大学团队提出Task-CoEvolve，让验证任务集与harness共进化：用方差加权采样把评估预算聚焦在候选harness分歧最大的能力前沿任务上，再用Horvitz-Thompson/Hájek类估计器从采样子集无偏还原全量分数。在Terminal-Bench 2.1上仅用20%预算就逼近全量搜索（均值51.7 vs 52.8），整体搜索成本降67-80%；文本分类7%预算接近全量、20%预算反超。本精读覆盖背景、定位、方法机制、实验证据、效果根源因果链、必要知识反推与通用灵感九个部分。
深度精读浙大 ZJUNLP 联合 NUS、东北大学、赫瑞瓦特大学与腾讯的 MemTrapBench——首个系统评估’记忆诱导认知陷阱’的基准。论文发现：忠实记录、语义相关的记忆仍可能扭曲模型推理与信念，1050 个对抗实例上所有记忆框架全面低于无记忆基线，最好的 EverMemOS 也落后 13.99 个百分点。文章拆解两类四情景陷阱分类、三段式对抗构建流水线、四组归因消融实验，以及仅靠推理时提示就挽回 14.9 个百分点的 AdaptiveMem 修复方案。
深度精读 Phantom Gains——一篇审计 LLM 自训练’自我改进’证据的测量学论文。当社区从平均准确率转向逐题增益/损失转移分析时，转移统计本质上是两个噪声估计的差分，极易产生’幻影增益’。作者让一个冻结控制模型穿过与三轮 LoRA 自训练完全相同的流水线，识别出七类测量失效——每一类在缺少控制时都会反转结论：单次贪心解码的批处理伪影在未训练模型上制造能力变化、expansion 统计给冻结模型分配 0.28 的假获取率、阈值修复后的 null 依然非零。替代方案（逐问题精确检验 + 合并基线池 + FDR 控制）在任何 held-out 副本上检测不到任何真实转移。梯队实验进一步揭示：外部蒸馏能改善 base 模型未触及的问题而三种自训练不能，回归分析以 p<10⁻⁸ 拒绝该不对称性是总体增益差异的副产物。本文为转移级审计立下规矩：每个报告的统计量都需要单独测量的 null。