本精读合并解读两篇互补论文：南丹麦大学的「过期文档投毒」证明一条真实的过期检索证据就能推翻模型本来正确的答案（中性检索下 Llama 30%、Qwen 37% 被投毒，GPT-5.5 也有 74/83 被推翻），且模型「会读日期但不会推断适用性」，date-only 仅 6/50 转换而显式失效边界达 50/50；NTU 等机构的 HiCoMER 则从记忆侧给出解法——把冲突消解前移到写入时（SFT+GRPO 训练的分层维护器，Conflict F1 从 46.13 提至 87.88），再叠加有效性感知检索，ORR@5 从 28.63 降至 14.18。一篇证明「过期证据有害且模型不会用日期」，一篇证明「写入时维护+有效性感知检索可救」，问题与解法构成证据时效性的完整二重奏。
本精读一次覆盖三篇 2026 年 9 月的 Agent 评测与治理新工作：COLM 2026 的 AgentWorld 用 MMORPG 沙盒评测 3-20 个 LLM 智能体的 50+ 轮黑盒长程协作，并提出因果协作度量 CCE；犹他大学的 KNOWS 基准瞄准「搜索之后」的知识综合、组织与展示，揭示最佳 Agent 端到端成功率不足 3%；昆士兰大学等机构的 GEC v0.2 则定义 LLM Parkinsonism 执行控制失败，用权力分立的全局执行控制架构在合成基准上把 token 消耗降低 36.4% 并把目标漂移归零。三篇合读，恰好拼出「协作—末端交付—执行控制」的完整拼图。
本文合并精读 2026 年 9 月同日发布于 arXiv 的两篇递归自改进（RSI）论文。论文一（Meta AI + UC Riverside）提出 DCE+SRCL：让特权教师在 on-policy 自蒸馏中与学生逐轮共同进化，在 Qwen3-8B 四项数学竞赛基准上取得 65.97% Average@12，较冻结教师的 OPSD 提升 35.62 个百分点，并用固定轨迹探针揭示教师监督退化的机制证据。论文二（中科院计算所）提出演化安全框架：以携带时间历史的安全相关变更为分析对象，建立六种风险表现 × 五类变更载体 × 四层评估单元的分类学与治理原则。本精读各按九部分展开，并以「教师共同进化 ↔ 风险共同进化」的双螺旋视角合并收束：DCE 证明上轮学到的修正行为会经由教师进入下轮监督——这正是演化安全所警告的经验污染与风险继承在能力侧的镜像。
COLM 2026 录用论文发现：同一份 instruct 权重，加不加 chat template 会让模型对自己的说法完全不同——免责语气从 53% 跌到 36%，体验语气从 1% 升到 15%（8 个模型全部成立）。更进一步，作者用 difference-of-means 在激活空间找到免责方向：加上它免责率升 21 个百分点，减掉它降 15.6 个百分点，且无模板模型加上该方向即可复现模板效果——部署层选择在模型内部等价于加一个固定向量。模型「说自己是什么」不再是权重的事实，而是部分由 chat template 设定。
UC San Diego 与 Johns Hopkins 团队提出 PrimeScientist：把「研究努力的战略分配」首次形式化为共享推理预算下的序贯决策问题——可执行计划树保留竞争方案，自适应 MCTS 用剩余预算比调节探索-开采平衡。在 FIRE-Bench 上平均奖励比 AutoResearch 高 10.3%，尝试次数少 50.6%（24 任务中 23 次更少），消融证明预算自适应策略优于 UCT、Greedy 与固定指数。这为算力爆炸时代的自主科学研究确立了「省着花」这一被忽视的元能力。
本期二重奏精读收录两项围绕「AI 智能体」的研究。上篇解读 Lasso Security 的企业研究 The Provenance Tax：Anthropic 即将在 Claude 中部署的 SynthID-Text 水印虽然宣称非失真，但改变了逐 token 采样过程，实验证明它会改变智能体的工具调用与拒绝行为，注入攻击下 gemma-3-27b 的逐项判定翻转率高达 23.5%。下篇解读阿里通义千问技术报告 Qwen3.8-Omni-Flash：一个原生全模态智能体模型，凭 Thinker-Talker 架构、1M 上下文与智能体式选择性感知，把音视频理解的准确率与 token 成本同时推向新平衡，并开源 Qwen-MM-Plugins 与 Qwen-Live-Harness 两个框架。两篇文章合起来，恰好构成 2026 年智能体工程的两条主线：模型行为的可靠性边界，与全模态 harness 的系统化设计。
MIT CSAIL 团队提出 JAZ：一个只比 agent loop 多一点点的极简智能体框架。它仅暴露一个 LLM 原语 invoke——一个函数体由 LLM 在运行时生成的函数——加上动态作用域与 hooks，就涌现出传统上需要专门 harness 才能实现的长程记忆与持续自改进能力：在 StuLife 远程回忆子集上以约 43% 的成本超越 Letta（MemGPT）8 个百分点，在 AppWorld 上以更低成本胜过专门的自改进框架 ACE。本文从语言原语的第一性原理出发，拆解 invoke 的两条定义性质、tail-recursive delegation 如何统一各类上下文管理为特例，并用 MemGPT、RLM、ACE、context rot 研究等外部文献交叉验证其效果优势的根源。
Salesforce AI Research 提出 JITMEM，把智能体记忆的「塑形」时机从写时推迟到读时：写时零损耗保存原始轨迹，读时由 curator LLM 联合当前任务与检索轨迹合成任务自适应 payload，用后即焚。因为 payload 在当前任务上被立即消费，curator 可用 GRPO 直接以任务原生得分训练，信用分配零步延迟。在 ALFWorld、WebShop、τ²-bench 上分别领先最强基线 16.2、16.3、3.9 个成功率点，输入 token 省约一半。本精读覆盖其问题定义、方法拆解、实验证据、根因分析与可迁移灵感。
当 LLM 已经能证明定理，真正的瓶颈变成「哪些定理值得提出」。FAIR@Meta 联合 NYU 与巴黎综合理工的这篇论文给出了一个不依赖人类判断的答案：把定理的有趣度定义为证明代价与陈述描述长度之比。他们训练了一个 27B 难度预测器（比 GPT-5.5 与 Claude Opus 4.6 都准），用有趣度作奖励把 conjecturer 的平均有趣度提升 4.3 倍、与 mathlib 的重合率从 91.9% 压到 30.6%，并用推理期剪枝驱动一个自扩展定理库。本精读覆盖其方法拆解、关键实验、机制根源分析与可迁移灵感。
人大高瓴学院 AEWM 论文精读。论文把语言世界模型的预测目标从「重建环境观测」重构为「预测决策效果并直接编辑 agent 状态」，用 Action Judge 三分类（CRITICAL/EXPLORATORY/NOISY）+ State Revision 推理动作联合编辑组成推理时闭环 EditAct，再用 AEWM-RFT 把编辑能力内化回 agent。Action Judge 基准 macro-F1 70.5% 超最强基线 10.6pp；六基准三骨干平均提升 3.2–6.7 分；9B+EditAct 反超 35B+ReAct。本精读覆盖动机、方法、证据链、外部交叉验证与可迁移灵感。