自主 ML 研究 agent 缺的不是更强的模型或更聪明的流程，而是’怎么把方法跑通’的操作知识层。BAAI 联合中科大、人大、港理工提出 DisCo 蒸馏框架，把 1000 个 GitHub 仓库蒸馏成 5353 个经过验证的技能，构建 AREX-Skill Library。在固定 GPT-5.5+Codex 的对照实验下，技能让 MLE-bench 相对提升 134.3%、PaperBench 提升 34.4%、FrontierCS 提升 9.2%、PassNet 提升 14.0%，并以更低 token 消耗帕累托支配 Claude Code。本精读拆解技能图三层结构、四阶段蒸馏流水线、对照实验设计，以及’试错成本越高、操作知识价值越大’的机制根源。
Agent 每天与环境交互积累海量轨迹，但经验真的变成了能力吗？ByteDance Seed 姊篇基准 S3Gym 把’自改进’拆成自测试、自判断、自改进三个可测环节，在 7 个可执行验证的文本游戏上比较三种经验注入通路：原始历史 ICL、摘要记忆、参数训练。7 个前沿模型的核心发现：自改进既不自动也不均匀——GPT-5.5 在 PvZ 上 History ICL 的 AUC⁺ 高达 548.5，换摘要记忆暴跌到 33.2；同一模型同一环境换个通路结果天差地别。本精读拆解宽松探索/严格评测的分离设计、自评分与环境真值的对照记录，以及’经验压缩可行性决定通路优劣’的机制规律。
ByteDance Seed 联合 SUTD/GaTech/M-A-P 发布 HarnessDev——首个把评测单元从’任务输出’改为’可运行基础设施’的基准：creator LLM 从无策略弱种子构建完整 harness（Creation），再基于下游执行反馈迭代改进自己的 harness（Evolution），在 2207 个下游实例上按 capability+efficiency 双轴评估。核心发现：模型自建 harness 在 writing/MLE 域追平甚至反超人类参考系统，但在 code/search 域差距显著；Evolution 的增益不稳定且严重绑定 executor；换 executor 后最高回退 10.32 分。这为’harness 工程能否自动化’提供了第一份系统性体检报告。
深度精读 Epiq AI Labs 与康奈尔大学联合发布的企业级问答基准 CorporateBench。论文用程序化生成的时序知识库（KB）构建四家虚拟公司（12 到 10210 名员工、共 26.3 万封邮件），并从 KB 用人工验证的 SPARQL 查询确定性导出标准答案，保证任意规模下的跨文档逻辑一致性。五个前沿模型测试显示：实体抽取基本不随规模衰减，但关系抽取与时序关系严重崩坏；KB 直连（SQL 工具）显著优于 RAG，且两者差距随规模从 0.24 扩大到 0.37，揭示大规模企业通信网络仍是当前 LLM 的重大短板。
深度精读 Thomson Reuters Labs 与多伦多大学/Vector Institute 合作的 LLM 评分器顺序依赖论文。批式打分（reranker、奖励模型、多文档 QA）中每个分数都依赖候选排列顺序，论文发现排序质量相同的评分器在下游决策上大相径庭：五个 nDCG@10 差距不超过 0.010 的已训练评分器，重排后保留集重叠度横跨 0.656 到 0.835。提示词层修复（round-robin 划分、logit 校准）完全触达不到决策端；提出的 OC-SFT 在损失函数中显式惩罚同一窗口 N 个排列下自身分数的方差，τ-PSI 从 0.209 降至 0.083，保留集重叠升至 0.835，单次前向即超过十排列集成的 BSC，且 nDCG@10 不降反微升。
深度精读阿里 DreamX 团队联合北邮、UNSW Sydney 与 Data61 CSIRO 推出的 LoopArena：首个把『模型作为运行时循环控制者』的编排能力本身作为被评测对象的基准。它冻结 Worker 编码智能体与全部执行环境，只比较 Controller 模型在 advance/verify/stop 三类决策上的表现；Type I/II/III 三级成本递减设置使其可低成本诊断循环控制能力。关键发现：完整任务上最强 Controller（GPT-5.5）Strict Success Rate 仅 24.69%，机械重复目标的 fixed control 在全任务上与无控制持平（18.52%），证明有用的循环控制必须随运行状态自适应切换；Type II 切片评估平均省 64.4% 成本且与全任务排序高度一致（Spearman ρ=0.9747）。
提示压缩号称能砍掉 LLM 推理成本，但主流学习型压缩器几乎全部用英语训练和评估。这篇来自 Hostinger 与考纳斯理工大学的论文做了一次严格的受控跨语言审计：在十种语言、五种文字系统的完全平行数据上，用目标模型分词器做预算匹配对照，超过 25.8 万次评估调用后发现迁移差距真实存在且随压缩强度急剧放大——保持率 0.33 时英语保留 57 至 62 个百分点的上下文价值，中文几乎归零。差距由监督语言而非模型架构驱动：三种英语训练的压缩器全部复现差距，多语训练的 XProvence v1 完全没有差距，确定性基线也无差距。非英语的安全压缩预算只有英语的一半左右。
SVD 低秩压缩号称能省显存又保精度，但各家论文的评测基准、压缩率定义、推理后端各不相同，「进步」到底是方法变强还是协议不同造成的？杜克大学与维克森林大学团队发布 LowRankArena：统一任务版本（LM-Eval-Harness v0.4.11）、统一精度下的 keep ratio 定义、统一 vLLM 0.18.1 端到端推理测量，并开放 3TiB 以上压缩 checkpoint 动物园。对 5 种代表方法（ASVD、SVD-LLM、DoBi-SVD、Basis Sharing、MoDeGPT）×3 个骨干模型的对齐审计发现：排名随骨干剧烈变动、MCQ 准确率可掩盖困惑度坍塌（ASVD 0.353 恰好贴着 0.357 随机地板）、低秩省的是 FLOPs 而非时间——prefill 提速最高 4.20 倍，decode 场景 SVD-LLM 吞吐反而跌到 0.80 倍，且 5 个方法在单张 H200 上压缩 70B 全部因工程问题失败。
编程智能体的能力几乎都用 SWE-BENCH 系基准衡量，但其任务来自精修的 GitHub issue——长、结构化、信息丰富；真实用户请求却往往短、随意、信息稀疏。成均馆大学团队先定义六类信息分类学与四个语言学维度，量化出残酷的错位：仅含问题陈述的请求占真实提示的 88% 却只占基准任务的 7%，87% 的真实提示口语化而 94% 的基准问题书面化。据此构造 381 个多变体任务族（族内共享任务与 gold patch、只变信息组合与风格），评估七个模型发现真实输入平均拉低解析率 6.4 个百分点、足以改变排名；受控消融进一步定位：期望行为 [D] 与动机 [M] 是关键信号（+6.8 到 +9.9pp），复现步骤与环境信息只增加 token 却无可测收益，语言风格几乎不影响性能。本文按九部分结构精读这个『表达方式可被逐字段归因』的评估范式。
LLM 能不能认出自己写的文字？这个『自生成文本识别（SGTR）』问题直接关系到 AI 安全：控制协议（蜜罐、受信编辑）和多智能体防合谋都依赖模型无法分辨内容来源，而 LLM-as-a-Judge 评估则可能因评审认出自己的输出而产生系统性偏袒。以往研究结论互相矛盾——有的说模型识别能力很强，有的说不超过随机。本文用『操作化』框架化解了冲突：识别精度随评估格式（成对/单条）、会话格式（用户标签/助手标签）与任务域（摘要/对话/安全问答/代码）大幅波动。核心发现是『质量启发式』主导混杂：模型倾向把自认为高质量的文本归于自己（识别精度与 Arena Elo 分差正相关 R²=0.23-0.34）。SFT 训练可提升 SGTR 并跨操作化迁移，还会放大 AlpacaEval 2.0 评审的自偏好；对抗训练则能把偏好重定向到任意目标模型。