论文精读

HUST×清华×面壁智能等推出 SimpleMemVLA：去掉检索/压缩/循环等专门记忆模块，把完整采样历史以时间戳视频格式直接喂给 VLM 主干，子任务隐藏状态作为唯一记忆通道。四个记忆基准全部 SOTA（RoboMME 88.3% vs 检索 31.5%/压缩 22.6%/循环 20.6%，真值感知上限也仅 84.1%），通用控制无损（LIBERO 97.5%），因果干预证实策略真实读取历史。

独立研究者对两节点 split-LLM 训练的预注册审计：隐私损失忽略诱饵行→其返回梯度恰好为零→零模式逐帧完美暴露真实数据（9 种子 4096/4096 全中）。所有运行通过前向隐私检查与质量检查，加上返回梯度后同检查失败。逐行裁剪+加噪以 0.01 nats 代价封堵，并诚实声明五类未测攻击面。

AllSpark 团队推出 TGOPD：对每个提示用少量验证器打分的教师探针估计可靠性，通过门控路由密集 OPD 信号或验证器锚定的 GRPO。4B/35B 两尺度三域 6/6 设置全部超过 Vanilla OPD，35B LiveCodeBench 64.0（其他蒸馏方法全部负迁移），探针填充教师空闲算力使 GPU 利用率 9.8%→78.9%。

MBZUAI×Cerebras 等推出 Uno：在同一 Transformer 内解耦 AR 权重（质量）与 rank-128 LoRA 扩散适配器（速度），冻结 AR 后仅用 7B token 做块级单步扩散蒸馏，配合 Ψ-Spec 采样器做 AR 验证的拒绝采样，实现严格无损、全 batch 区间保持的至高 3× 加速。8B 模型 SWE-bench Verified 68.4%，系统吞吐 5733 toks/s 全面超越 EAGLE-3/DFlash 与闭源 Mercury 2。

UCL×利物浦×华为的 BCR 把 orchestrator–worker 多智能体系统建模为双层协调博弈，证明 follower 子游戏是近似势博弈，并首次给出’只看文本的门控不可能可靠’的信息论不可能性定理。据此提出的 SRMA 仅在环境验证风险严格下降时接受候选记忆，SWE-bench 500 实例解决率 72.2%（免费反思仅 58.4%）。本文精读其双层博弈建模、漂移分析、不可能性定理与 SWE-bench 端到端验证的完整因果链。

中科院自动化所×人大的 CoSkill 把静态元技能工作流重构为可学习的 Meta-Skill Agent，与 Reasoning Agent 共享单骨干联合 RL：推理智能体条件于检索到的任务技能与子技能，任务表现反向指导元技能精炼。ALFWorld 98.4%（+3.5pp）、WebShop 90.6%（+6.2pp），样本效率与墙钟效率全面占优。本文精读’技能从被动对象到主动协作者’的范式转变。

Salesforce Research×UNC Chapel Hill×UW–Madison 的 EvoHarnessBench 把非平稳性从任务流转移到 harness 本身：17 条受控 harness 进化流（802 任务、520 工具、42 技能、62 智能体），分部署评估（能力保持）与自进化适应两设定。基准回答一个此前无人系统提问的问题：当工具、技能、子智能体持续增加时，已部署 agent 的既有能力何去何从。

Amazon×Duke 在 on-policy 蒸馏设定下发现反直觉现象：每条推理轨迹仅监督 1–2 个关键 token（占全部生成 token 的 0.05%）即可匹配甚至超越全 token 训练的推理激励，跨 9 组师生配置、PPO-RLVR 与 Llama 模型一致成立。本文精读这一’有效学习不需要 token 密集’的证据链及其对后训练范式的改写意义。

Fullive-AI×北大×京东×NTU×武大的 HackProbe 是一个通过两个黑盒钩子挂载到任意自进化回路的监控器：秘密固定分布对比核心保证跨代可比，轮换新鲜层抗共适应；四项检验+Šidak 校正输出族校准 p 值，风险感知免疫层从候选池重选诚实更新。本文精读’诊断之外还能恢复’的奖励黑客治理闭环。

杉数科技×上海交大提出 OR-Clarify 基准与 InterOPT 框架，首次系统评测’LLM 在运筹学建模前知道何时向用户澄清’：部分公开描述+隐藏结构化槽位+有界交互模拟用户，度量槽位恢复、静默假设与交互成本。InterOPT 用 Dynamic Gap Search 识别规格关键缺口，choice-based 设定下 exact slot recovery 大幅超越全部基线。本文精读’澄清即决策’这一新问题定义。