深度精读 CMU 论文 TraceML：首个任务对齐的人机 ML 开发过程级配对语料，把 4465 条人类 Kaggle 轨迹与 207 条 agent 轨迹放进同一版本级标注体系，量化诊断出 agent 的「无记忆搜索」病症——不转向也不回访，一条约千 token 的规划提示能在 7 个竞赛中 5 个提分，但指令只能关闭「可命名」的那部分差距。
深度精读 Anthropic 论文：用 RL 训练 Claude Haiku 4.5 做对齐审计员。奖励设计三轮迭代的故事极具教学价值——生产模型标量奖励被黑化（误报率 96%）、二值奖励学会对抗盘问、最终 reference pairwise 奖励 + 50% 无行为校准 rollout 让小模型匹配 Opus 4.6（48.7 vs 48.4）、误报率压在 1% 以下，并跨脚手架迁移到 AuditBench 对抗性目标（检测率 11.5%→28.1%）。
深度精读 UC Santa Cruz + UC Berkeley 论文：LLM agent「是否调用工具」这个离散决策，可以被残差流中的单一线性方向连续调节——无需训练、无需改提示，一个旋钮把调用率从近 0% 单调推到 90%+，且新增调用精准落在模型答不出的低流行度问题上，PopQA 准确率 0.29→0.56，方向还能零样本迁移到 6 个未见工具。
字节跳动 Seed、南京大学与 Evolvent AI 合作提出「论文展开」管线：保持论文原文逐字不动，用教师模型反向重建写作请求、全局规划与逐节写作前的思考，把整篇论文展开为多轮生成轨迹用于持续预训练。1.8M 篇 arXiv 论文的 30B token 原文被展开为 57–60B token 轨迹，中位文档长度从 11.2K 提升到 28–29K token。同一反向构造还产出 200K 样本 SFT 数据集与 2,940 题的 PAW-Bench 学术写作基准。受控实验（同预算纯论文文本对照）证明增益来自「构造」而非论文内容：写作四项平均 54.34 对纯文本 52.12/无 CPT 51.90，推理不降反稳，长文档理解提升；且 4B 小生成器的语料最难拟合（loss 1.453）却下游最好——生成器越弱、数据越难拟合，收益越大。
深度精读 UC San Diego 的评测方法论论文——当开放式输出（ToM 信念追踪、开放域 QA）遇上「有限参考集+匹配器」的评测管线时，未匹配的输出被记为假，会产生代理标签并直接反转 proper-score 校准排名。论文用固定内容、只换标签源的识别设计证明：同一批 259 条信念，参考标签下 EG 探针领先 0.227，盲评真值下反落后 0.152，六个场景全部反转；已发布的 NQ-open 真实管线同样反转。机制上 90% 以上失真来自被省略的真值，单参数 π 修正即可恢复符号。本文拆解这条「识别—分解—闭合判据—预算修复」的完整证据链。
南洋理工大学 S-Lab 联合 A*STAR、UIUC 提出 Visual Rubrics-Based RL：把视觉忠实性从「事后评测指标」转变为「细粒度 RL 训练信号」。方法将参考答案分解为视觉忠实性/推理一致性/指令遵循三维原子评分条目，构建 5 万例训练集，并用组件化+前缀局部化的优势分配改造 GRPO。在同 SFT 起点、同 RL 数据、同预算的受控对比下，比 answer-only GRPO 再提 1.79 分，增益集中于依赖接地中间推理的基准。
NTU 牵头、20 个机构 50 余位研究者共建的 VBVR-Pro，为「原生视觉推理」——把视觉生成当推理介质本身——建立了可训练、可验证、可优化、可受控比较的闭环测试床：300 个程序生成任务（347 万图+130 万视频）、100 个任务的确定性奖励评分器（人类对齐超 GPT-5.5 且完全可复现）、30+ 生成器受控比较。训练使 9 个开源模型平均 +0.29 并在 7 个外部基准迁移 +28 分级别；RLVR 优于 RLVLM；三面证据链证明「视觉轨迹比语言 CoT 更关键」是范式级发现。
实时语音助手至今没有一套像样的记忆系统：文本 Agent 记忆动辄 top-100 检索、2–3 秒延迟，而语音对话只给得起 500 毫秒预算和 5 条记忆的空间。南洋理工、新加坡国立、清华、港中文联合团队的 VoiceMem 用「双脑」架构解题：左脑以 schema-entity 两级索引把候选池收窄到稠密子集，让 top-5 检索达到别家 top-100 的精度；右脑用独立/跨实体双节点分别建模稳定人格与情境情感；四阶段流式查询把检索藏进 VAD 静默窗——134ms 完成检索、零感知延迟。信息记忆均值 76.39 超最强基线 +10.6，token 省 4.4 倍；还贡献了 53 小时音频的 ChatMem-Bench 与首批带显式记忆访问的语音语言模型。
LLM 多角色工作流中，上游确立的安全约束（如“未获审批不得执行“）经摘要、计划、工单等交接变换传给下游后，是否仍然“说话算数“？深圳大学团队提出“操作性状态保持“概念并设计阶段分离受控实验：1296 个主实验 episode 中，直接交接对照 100% 保持约束，而正常级别的交接压缩使约束失活率达 100%、违规执行 54.2%；恢复全部四个状态字段则将两者归零。下游验证可在不改工件的情况下消除违规（0%），证明工件修复与端点遏制是互补的系统功能层。核心发现：语义可用不等于操作保持——内容还在，约束力没了。
深度精读深圳大学 + 中科院深圳先进院论文：把 LLM 结构化输出失败分解为「值放错位置」（structural）与「值本身错误」（content）两种模式独立测量，发现跨 6 个模型一致的「结构先退化」剪刀差——前沿模型在最复杂任务上仍放错 24-35% 的值而小模型达 74%；机制消融指向语义捷径而非拓扑寻址；SA-RLVR 把结构感知奖励用于 GRPO，VPA 从 0.26 提到 0.63 而 SFT 仅 0.28。