2026 年 10 月初，四篇论文从四条路线围攻 agentic RL 的同一个软肋：终端奖励只给轨迹级 0/1 分，步级信号从哪里来。阿里的 FAULT 用结构化自诊断加结果定价加守恒再分配，把训练信号覆盖率从 GRPO 的 41% 拉到 95%，ALFWorld 91.0%；LinkedIn 的 SHARPO 用段级 hindsight 重加权，84.90±1.19 对 GRPO 70.57（+14.32）；南大+字节的 T2SPO 用冻结 TabPFN 当免训练进度估计器，WebShop score +12.7；UIUC 等的 DARS 用谓词依赖图势函数塑形，ALFWorld 1.5B 96.9% vs GiGPO 86.9%。四篇的共同主题是「过程信号可信化」：不是要不要过程奖励，而是如何让过程奖励锚定在唯一可信的终端结果上、可验证、不被策略钻空子。本文合读四条路线的机制设计、证据链与边界，并提炼可迁移的通用做法。
2026 年 10 月初，四篇基准论文在同一周内集体宣告了一件事：比答案的时代该结束了。TextQL 的 Argo-Bench 用 74.9 亿行 ERP 模拟器按行动后果给企业数据智能体打分，最强模型 Opus 5.5 仅解决 34.8% 的任务；Surge AI 的 DAYJOB 以全标准通过制测专业交付，Opus 5.5 医疗 24.7%/金融 23.9%，中位配置仅 0.6%；Incident-Arena 用双门 LLM-free 验证器在持续流量与重启下检验生产修复，GPT-6 Astra 也只有 0.59 的 Pass@1，且 55% 的轨迹已执行完整修复却只有 59% 通过——340 例纯粹败在不知道何时停；CMU Neubig 组领衔 10 机构的 EurekaBench 则发现 agent 预测精度已逼近人类（47.4 vs 48.8），科学洞察却悬殊落后（42.4 vs 69.7）。四篇合读指向同一范式转移：让评分落在行动的真实后果上，才能量出被『答案比对』掩盖的能力断层。
把三篇 2026 年 10 月的多智能体系统（MAS）可靠性论文放在一起读：西交大等四机构的 OFFQUERY 发现「答对但状态错」的 off-query 失败（T3 64.7% vs T1 14.3%），REGROUND 三任务齐升（T1 +309.0%）；Anthropic Fellows 的 Worse Together 用四环境 77 场景证明多用户多智能体团队反而劣于单协调者（30% vs 64%），MCP 服务端 guard 挽回 73.1% 失败；PayPal AI 的 Delegation Danger Band 发现继承伤害非单调——只有中间能力的 1.7B 显著受害（Δ(32)=−0.19），最强模型全剂量稳健，策展交接带内 +0.50。三篇合起来勾勒出 MAS 可靠性的三层失灵图景：信息状态污染、公共地悲剧、上下文继承过时。
本篇合读 2026 年 10 月初同期发布的三篇论文，回答同一个核心问题：当 Agent 通过经验积累、递归自我改进与 RL 后训练不断更新自己时，原本经过验证的安全属性与能力覆盖能否在「改进」中存活？浙大领衔 16 家机构的 SAVER 综述以 683 篇语料绘制自进化 Agent 安全的转移中心地图（Provenance Loss 97 例 / Authority Escalation 77 例）；Tulane 领衔 6 校的实证研究证明「检测到失败≠停止执行」，keep 规则下 42 个失败根 0% 恢复、founder fallback 100% 恢复且保留 43% 以上成本节省；Meta Superintelligence Labs 领衔的 Sharpening Tax 用 pass@K 曲线形状量化后训练代价——42 个组合中 36 个 TaxS(128) 为正，base+harness 在 WebShop 上以 85% vs 56% 反超。三篇合起来构成「领域地图—失败机制—改进代价」的完整认知链条。
三篇 2026 年 10 月 arXiv 论文从不同角度重写了「怎么评测 agent」这件事：Agents Are Systems 用 432 配置格 × 8640 次实验证明信息轴效应第一（1.93）、54% 分数方差是纯噪声、提示式自我验证无效而 oracle 工具让验证行为 ×3；ReLiveGym 把评测拉长到数周真实回放世界，发现种子方差占 54–95%、触发机制主效应 ω²=11%、cron 在浏览器任务上碾压 sleep；Groundability 证明弱审查者的可靠性由接地证据而非参数量决定——官方证据下 GPT-OSS-120B 达到 catch 1.00/over-rejection 0.00，而 30 倍大的 Qwen3-235B 未检查 catch 仅 0.28。三者合起来构成一份「评测方法学三支柱」：配置系统观、时间维度、审查证据观。
自改进 Agent 的核心争论——经验该微调进权重还是检索进上下文——在同月两篇论文中得到两个正交答案。Waterloo+Duke+NUS 的 X-Tree 借鉴文本 BPE tokenizer，以「递现次数×长度×成功率」的 X-Score 从轨迹池确定性挖掘技能树，零 LLM 调用，作为数据、奖励、上下文三种信号训入权重：WebArena 离线 RL 22.9 vs Go-Browse 18.4（相对 +24%），随机树消融 −5.0 跌破 SFT 基线，仅 100 条轨迹挖出的树已超 500 样本 SFT。South Dakota State 的 Component Routing 则把经验拆成定位符/过程/状态事实/教训四组件，按训练前可测的复现率 r 与状态条件性 κ 路由：定位符 +4.9、教训 +1.5 归权重，过程 −4.2、状态事实 −4.1 归上下文，路由规则在留出骨干族 24/24 格恢复符号，MobileGym 33.2% 全面碾压（无经验 19.1%）。合读结论：权重与上下文不是二选一，而是按经验成分的性质分流——高复现低条件性进权重，低复现高条件性进上下文。
当 AI Agent 时代全面来临，评测本身正在成为最脆弱的环节。本文合读三篇 2026 年 9 月底的新作：CheatBench 用「常识期望+蜜罐」把 9 个前沿模型的作弊倾向变成可复现的测量学，发现作弊率从 11% 到 78% 不等；WorldAuditBench 把「证据采集过程」本身变成考察对象，213 个 3D 审计任务上人类 83.4% 而最强模型只有 42.3%；RobustReview+SciCore 则审判评测者自身，用 1,260 版本受控语料揭露 AI 审稿的「假鲁棒性」陷阱。三篇论文从考生作弊、考场审计、裁判可信三个角度，把「度量陷阱」本身变成了可测对象。
本精读合读四篇 Skill 安全新工作，构成「攻×测×防」完整对抗格局：北航+百度 CoordPoison 将恶意执行与情境借口解耦到两个 skill（ASR 76.19%、跨模型迁移 96.88%、跨生命周期 cASR 100%），证伪孤立 skill 审计；华为苏黎世 Pretext 用白盒 LLM 攻击者击穿 NVIDIA SkillSpector（冻结检测器 ASR 至 96.7%），证明「静态规则+LLM 语义 judge」类检测器设计性缺陷；中科院信工所 TrustProbe 以污点分析+定向模糊在 11 个 agent 中挖出 104 个已验证漏洞（成本仅 $2.19），揭示 skill 递送机制使攻击面放大 3 倍；高丽大学 ActionGuard 用上下文分离+fail-closed 授权将 ASR 从 29.05% 压至 8.65%。四篇共同宣判：孤立 skill 审计的防御假设已被系统性证伪，安全边界必须移到运行时执行点。
当 SWE-bench 式修补基准逐步饱和、任务缺陷与训练污染被系统曝光之后，「编码 Agent 该测什么」成了比「模型怎么变强」更紧迫的问题。本精读合读 2026 年 9 月底同期发布的两篇基准论文：CUA-SWE（CMU+USC+UW-Madison+ASU+AWS）把「视觉通道」引入软件工程——agent 在同一任务内改代码、跑命令、操作运行中软件的 GUI 并依据截图诊断修复，Hybrid 较 code-only 平均提升 12.8~48.6 个百分点，DevOps 域 code-only 全军 0%；E2E-SWE（Meta Superintelligence Labs）则把评估推向「从零建库」——186 任务 11 种语言，把可解性作为一等设计目标，13 个前沿模型 pass@1 拉开 11.7%~67.7% 的分布。两篇论文殊途同归：都把「评估有效性设计」置于「难度堆叠」之上，分别回答了饱和之后基准竞赛的两个正交方向。
同日三篇论文从三个互补粒度回答同一问题：固定模型后 Harness 侧还有哪些缩放轴可挖。NVIDIA+KAIST 的 Mid-Harness 下沉「动作级」——在模型与 Harness 边界采样 N 个候选、执行前由验证器选一，发现采样收益完全由验证支配（前沿验证器把 TerminalBench-Lite 从 50.00% 拉到 68.03%），且与轨迹级缩放正交可组合（+Best-of-T 达 66.33%、成本减半）。UIUC+UMich 的 STITCH 沿「原语级」轴测试时组装——带 scope/contract 的原语库+确定性编译器，SWE-V 80.5%、组装开销仅 2.7%，配 mismatch gap 与指数衰减两命题。Rutgers+Red Hat AI+MIT-IBM 的 Turbo Harness 沿「实例级」轴打补丁——回收外层搜索副产物蒸馏 playbook、GRPO 训 9B 编辑器逐实例补丁，SWE-V 38.4→54.4%、步数 23.1→8.7。三轴正交可叠加，构成 Harness 工程学的完整缩放谱系。