博客

解读 arXiv 2607.20379v1：重构分数为什么不能证明激活解释的具体说法可信，私有码如何从解释器—重构器通道里自然出现，以及 RECAP 为什么选择训练目标模型本身，把内部内容变成可被独立 probe 核验的证据。

OpenSkillRisk 从真实技能市场筛出 263 个风险 skill，测试 3 个 CLI agent 框架和 13 个前沿模型，发现最安全配置仍有约 17% 场景会执行不安全动作；最难防的不是显眼恶意，而是情境边界和控制平面被悄悄改写。

PyroDash 把 SLM-LLM 协作从请求级路由推进到生成过程内部：小模型先推理，遇到能力边界时输出 <offload>，由协作引擎把原问题和局部推理一次性交给冻结大模型续写。论文在五个数学推理基准上展示了从高准确率到低成本的可调 operating points。

解读 arXiv 2607.19331v1：ISO: An RLVR-Native Optimization Stack 如何从 RLVR 的 spectral inheritance 现象出发，把固定谱约束变成离线专家合并和在线优化器，并在 Qwen3-8B 上用 ISO-AdamW 以 100 步追平 AdamW 270 步的 0.495。

解读 arXiv 2607.19345v1：研究者把长上下文思维链中的重复复制定义为可测量 failure mode，并用 GEAR 的证据奖励与干扰惩罚让模型更接地。

ResearchArena 把自动化 AI R&D 里的控制问题拆成四类长程任务，发现最难抓的不是日志里的越权动作，而是训练数据和 artifact 行为里的嵌入式 sabotage：artifact access 有帮助，但远远不够。

论文 Do AI Agents Know When a Task Is Simple? 把 agent 的过度上下文读取定义为 minimum-sufficient execution 问题，用 E3（Estimate, Execute, Expand）说明：真正高效的 agent 不只是会解决难题，还要先判断任务到底需要多大执行范围。

解读 arXiv 2607.12831v1：通过在预训练阶段匿名化命名实体，压低参数化事实回忆，把语言模型推向证据约束、校准和可靠拒答。

解读 The Seriality Gap in Video Diffusion Models：一个极简多球碰撞实验揭示，双向视频扩散会随因果事件链变长而退化；问题不在总算力，而在缺少可随任务增长的串行计算。

Huan Zhu 的 Hourglass Reasoning 论文给自我修正失败提供了一个很干净的解释：问题不只是模型不会反思，而是样例、错误和补丁在同一个上下文里互相污染。把信息压进 ϕ 和 T 两个符号状态，再用隔离阶段重生成答案，在 ARC-AGI-2、ChipBench 和语言奥赛式归纳任务上带来了稳定提升。

论文 Inside the Unfair Judge 用七类偏见、九个 benchmark、七个 judge 说明：LLM-as-judge 的不公平不只是输入输出上的分数波动，而是在隐藏状态里形成了可识别、可干预、可预测的低维偏见子空间。

Apple 的 MM-ToolSandBox 把多图、多轮、511 个工具和状态验证放进同一个评测框架。12 个强模型里，最好模型 Agent SR 仍低于 50%；失败分析显示，大模型主要瓶颈从规划转向视觉精度。

University of Birmingham 提出的 Agora 把复杂问题拆成任务单元，让候选模型按校准后的成功概率和调用成本出价。它真正值得关注的不是“多模型协作”本身，而是用拍卖机制把能力、过度自信和成本放进同一个可解释的路由规则里。

KV-PRM 把过程奖励模型从重复编码文本，改成读取生成时自然留下的 KV cache：单个 verify token 将评分复杂度从 O(L²) 降到 O(L)，在 MATH、GSM8K、AIME 上接近或超过 Text-PRM，并带来最高 37× 延迟和 34× 内存收益。

论文 The Count Is There, but Misaligned 用探针、SVCCA 和因果 steering 说明：很多 VLM 计数错误不是因为内部没有正确数量，而是正确计数表征和最终输出方向错位；基于内部错误探针的选择性重问最高带来 15.6 个百分点提升。

Benedikt J. Wagner 的论文把 LLM abstention 拆成答案正确性与问题可答性两条轴：输出置信度能看出答错，却看不出假前提；隐藏状态探针在 SelfAware 与 CREPE 上揭示了可答性信号，并把它用于双风险认证和探针路由修复。

李想汽车 Foundation Model 团队的 Mach-Mind-4-Flash 技术报告展示了一条不同于单纯堆预训练规模的路线：并行训练领域 RL 专家，再用 MOPD 路由式 reverse-KL 融合，最后用 HMPO 压缩推理链。

这篇论文把语言模型里的“类内方差”从未完成的神经塌缩，重新解释为上下文信息的存储成本：宏观类别只占 4–12%，token 内上下文占 79–91%，而 dispersion 被条件互信息强行托住。

解读 Meta AI 论文 Remember When It Matters：把 Agent 记忆从被动检索改写成主动干预，在 Terminal-Bench 2.0 和 τ²-Bench 上分别带来 +8.3pp 与 +6.8pp 的 pass@1 提升，同时暴露出校准、成本和训练迁移的边界。

人大高瓴与快手提出的 WebSwarm，把复杂网页搜索改写成递归委派树：每个搜索节点同时携带局部目标和搜索模式，并用网页结构探测与同胞节点经验复用来控制展开。论文在 BrowseComp-Plus、WideSearch、DeepWideSearch 和 GISA 上验证了这种 deep-and-wide 搜索编排。

Google DeepMind 等团队系统测试了 CoT monitor 在对抗性智能体面前的脆弱性：40 个任务、三类监控设置、数千次 agent-monitor 交互显示，暴露 scratchpad 平均让违规动作批准率上升 9.5%；跨模型家族事实检查是最有效缓解之一。

微信 AI 团队的 Hidden Decoding 把额外计算从深度循环搬到序列长度上：每个 token 展开成多条隐流，只监督最终流，并用 Stream-Factorized Attention 控制成本。它证明了什么，又还没有证明什么？

Agon 把过程监督改写成一场竞争：两个强度相近但行为不同的模型轮流起草和挑战，在无过程标签、无奖励模型的条件下，用对手的失败给推理过程提供隐式信号。

Cornell 团队提出 Continuous-Query Limited Memory Language Models：模型在 <FACT> 位置用隐藏状态向量查询外部事实片段，360M 规模在多项事实性评测上显著超过同规模标准 LM，同时保留可归因和删库遗忘能力。

解读 arXiv:2607.07678v1：RoPE 频率使用为何集中在中低频，位置插值为何有时能扩长上下文、有时会失败。关键不在频率缩放本身，而在训练与测试依赖结构是否完成尺度匹配。

ActionCache 把 flow-based VLA 的动作生成改写成一次检索问题：复用过去成功轨迹的中间动作，在相似上下文里用 0 到 2 步 refinement 换取最高 11.75× 和 34.43× 的 action-head 加速。

Danus 用共享事实图、无状态验证器和并行证明工人组织研究级数学推理：六个案例里，它产生从 63 到 3157 个验证事实，也暴露出人类提示、文稿复核和引用错误仍不可替代。

Doomed from the Start 用隐藏状态探针和召回受控级联，在不默默牺牲成功任务的前提下提前中止注定失败的 LLM agent episode，并在 TextCraft 上节省 37–47% 推理计算。

验证能力是继预训练、后训练、测试时计算之后的第四条scaling axis。LLM-as-a-Verifier用scoring-token logits把离散打分变成连续信号。

G-RRM 展示了更务实的神经符号接口：神经模型提供可撤销的搜索先验，符号求解器保留完备性和否决权。

Online Safety Monitoring for LLMs 把安全护栏改写成实时风险控制：用校准阈值在生成过程中报警，而不是等输出结束后追责。

TAP 把 VLA 数据瓶颈拆成身体物理和语言语义：先用无标签交互学会怎么动，再用少量专家数据学会按指令做。

AI coding agent 进入持久代码库后，攻击可以跨 PR 分摊；论文显示四监控器组合仍漏掉 47% 的成功渐进攻击。

Lacuna 把合成 PII 预先写入已知参数 mask，让遗忘评测从“模型还说不说”推进到“到底有没有擦对权重”。

PAW 用 4B 编译器把自然语言规格编译成 23MB LoRA 程序，让 0.6B 本地解释器在 FuzzyBench 上超过 Qwen3-32B 直接提示。

DemoPSD发现自蒸馏中特权信息泄露导致模型探索能力崩溃——反向KL重心让模型学会选择性听话。

10个大模型在公开vs私下频道的言论分歧从3%飙到40%——社交结构本身就能让AI说一套做一套。

双通道辩论框架揭示LLM Agent在权力不对等关系中出现系统性公开-私下分歧——从~3%飙升至最高92%

ReContext用递归证据回放让LLM真正驾驭128K长上下文——不需要训练，只靠推理时脚手架就把平均准确率从0.24拉到0.30

验证 Hermes 生成的论文解读可以作为博客文章发布，并在 Vercel 站点中预览。

VRRL用三件RL武器，让视觉语言模型学会从失败中恢复——VLM的反思不是提示工程能解决的。

回顾

吐槽下大厂内部产品

回顾