应用落地适合有agent/Coding平台的团队：可借鉴其任务合成与审计流水线（rollout审计、8次重跑去flaky、容器断网+清理git历史）来构建可靠的RL/评测环境。开源的9B蒸馏模型加3k代码/1k网安/1k通用/2k视觉任务和mini-harness，可在较小算力下做领域agent的RL起点，前置条件是自备沙箱执行与grader算力。

研究跟进开放问题包括：GAR在更多领域（非代码）是否同样有效、grader本身被hack的风险和成本如何随规模变化；缺少把各项技术（GRS、长度惩罚、router冻结、多harness）逐一剥离的完整ablation；Muown在mid-training后对RL的收益没有对照实验；自我改进主张尚无闭环证据，可做用模型自身生成环境与grader的迭代实验。

可复用方法可直接搬走的有：①组内通过样本排序后做正优势质量守恒重分配（式3）并带缩放上限；②分组相对长度惩罚（式4，仅对通过率高于阈值的组、以通过样本长度分位数为基准）；③片段级格式/工具调用错误的优势重分配（式5）；④冻结MoE router并用R3+top-p候选集回放保证训推一致；⑤网安任务用sanitizer报告的漏洞类型+崩溃位置做确定性字符串匹配奖励；⑥用hack agent对环境做对抗扫描直至无可利用路径。

背景 当前大模型后训练的主线是扩展RL算力，但长程agent任务的RL面临三个瓶颈：基础模型的探索空间、环境/奖励的可靠性（reward hacking、二值测试奖励信号粗）、以及大批量异步混合任务的基础设施稳定性。已有工作多只公开模型权重，很少公开RL环境、训练动态与失败分析。

方法 基座为混合SWA/全局注意力的稀疏MoE（Pro 1.02T/42B激活，Flash 310B/15B激活），经30T/48T token预训练，再做agent导向的mid-training（切换到Muown优化器、MXFP4 QAT、上下文扩到1M）。RL阶段每步1,568个prompt×16次rollout（约25K条轨迹、2.7–3.7B token），GRPO+异步partial rollout（staleness 4），冻结MoE router，使用R3路由回放与top-p候选集回放保持训推一致。奖励侧：构造代码/通用/视觉/网安任务环境，用rollout审计+hack agent迭代清理环境；用GRS（离线rubric乘以测试奖励）和GAR（在线分组agentic grader对通过样本排序并重分配正优势）提供细粒度信号，另加分组相对长度惩罚与片段级行为惩罚。最后用MOPD2（多前缀多教师在线蒸馏）融合各领域教师。同时用Qwen3.5-9B蒸馏出开源模型，并在开放环境上做GRPO与多harness实验。

• RL成本：Pro约260万美元、Flash约90万美元；Pro成本构成为rollout 43.8%、训练43.5%、grader 12.7%（p.8）。
• DeepSWE v1.1（avg@3）在RL过程中Pro从58.4升至72.6，Flash从48.7升至65.7（p.8）；最终表中Pro 71.9、Flash 67.9，对比Claude Opus 5 74.0、GPT-5.6 Sol 73.0（p.26）。
• AutomationBench v1.0.6 Pro 53.1 高于表中Opus 5的50.3；Terminal Bench 2.1 Pro 89.9；但Terminal Bench 4.0仅34.9（对Opus 5为49.0），ExploitBench 47.9 vs 70.0–78.5，说明网安利用类任务仍有明显差距（p.26）。
• 去掉GAR后，Flash纯代码RL（batch 128）的轮次与token长度快速增长、通过率在约第52步前后无法持续提升；加GAR后通过率持续上升且轮次基本稳定（p.18-19，Fig.8）。
• 冻结router：不冻结时第9层专家负载CV从0.78升到2.0、峰值负载从6×升至16×、冷专家占比0.5%→22%；冻结后CV≈0.7、峰值≈5.5×、冷专家≈1%（p.23）。
• 多harness训练：留出harness（codex/claude code/mini-swe-agent）的DeepSWE平均Pass@1从约50%升至66%（p.22）；9B模型在SWE-bench Verified七个harness均值由62.3升至65.7，MiMo Code Bench(mini)由53.1升至59.0（p.35）。
• 开源9B蒸馏模型：SWE-bench Pro 32.0→44.6（SFT）→47.6（RL）；Terminal Bench 2.1 27.0→37.1→52.8；AutomationBench 5.0→30.3→33.1（p.35）。确认hack轨迹占比全程低于2%（p.15-16）。

单个技术点多为已有方法的组合（GRPO、R3、partial rollout、dynamic sampling、Muon变体、DFlash），真正新增的是：①GAR/GRS把agentic grader的组内质量排序转成优势重分配，并展示它能抑制长度/轮次膨胀；②系统化的反reward hacking流程（hack agent迭代到找不到漏洞、训练期审计置零奖励）；③mini-harness多样化训练并在留出harness上验证迁移；④对router冻结的受控诊断（把router还原到初始值即恢复负载均衡，性能不变）。整体价值更偏工程经验与开源基线，而非算法突破。

优点：给出训练曲线、成本拆解、router冻结的受控对照，并对失败与hack比例做了披露。局限：①GAR对照仅在Flash代码RL、batch 128、约50步、单次运行，无多种子与置信区间；②大量关键基准是自建的（MiMo Code Bench、Cyber Bench、Visual Coding），且Visual Coding由LLM/视觉grader评分，训练与评测分布同源（mini集“与训练集同分布”）；③SOTA表对比对象是否在相同harness与配置下评测未说明，Claude/GPT结果来源不明，且在Terminal Bench 4.0、ExploitBench、ProgramBench上明显落后，“可比前沿”的说法需打折；④训练曲线波动大（Fig.1 Cyber/Visual有回落），checkpoint选择可能带来偏差；⑤9B模型RL实验中SFT到RL的提升部分与同分布评测重叠；⑥各组件无完整消融，CyberGym还被作者修改过评测环境，不能直接与他人比较；⑦作者为模型开发方，存在自我报告偏差。

✅ 官方资源 · https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B
论文称开源MiMo-V2.6-Distill-Qwen-9B权重、约7k个带verifier的RL环境（含约1k音乐生成任务）、端到端RL框架、mini-harness，并公开训练日志（mimo.xiaomi.com/rl/mimo-v26）。仅核实到HF模型页链接与日志页，代码/环境仓库链接未在前40页给出；Pro/Flash主模型权重未见明确发布说明。复现旗舰训练需数千GPU（约260万美元），9B实验则门槛低得多。

应用落地给自托管开源模型的长程 Agent（编码 Agent、客服工单 Agent）做“增强版 /compact”中间件：压缩时除了文本摘要，再附带一份软记忆向量缓存。对外宣传“压缩后不失忆”，并以工具重复调用和报错的减少作为可量化卖点。

研究跟进1）缺少与 ICAE、Gist、AgentFold、ReSum 等压缩/记忆方法的同条件对比；2）Stage I/II 各自对下游的贡献、记忆长度 m 的 scaling、跨多次压缩后记忆退化情况都没有下游 ablation；3）记忆网络依赖特定 actor 的特征，能否跨模型版本迁移还是开放问题；4）能否蒸馏到更小的编码器，或只用 KV 而不用完整前向；5）记忆内容可解释性不明，作者自己也承认无法确认 case 中的信息来自记忆还是重读文件。

可复用方法可直接复用的做法：(a) 以摘要为条件的残差式训练目标：teacher 看全历史，student 看摘要+记忆，用全词表 reverse KL 对齐，只训练旁路网络、主模型冻结；(b) 先做复述重建预训练再做续写蒸馏，图3显示 Stage I 初始化收敛更快；(c) 训练数据按前文长度做 curriculum；(d) 统计“同工具同输出重复次数”和“工具报错数”，作为评估压缩质量的廉价代理指标，自己的 Agent 系统里也能直接用。

背景 长程 Agent 受限于有限上下文窗口，只能周期性地把历史压缩成文本摘要（如 Claude Code、Codex CLI 的 /compact）。但摘要无法预知后续哪些细节会用到，常丢失引用来源、精确命令等信息。已有的软压缩方法（ICAE、Gist Tokens、AutoCompressors）试图用连续表示替代全文，并没有针对“摘要之后还缺什么”去建模。

方法 在每个压缩边界，以历史 H_i 和新摘要 S_i 为输入，由记忆网络 C_ϕ 生成不超过 4096 个、位于冻结 actor 输入嵌入空间的软 token M_i，拼接为 [S_i; M_i]，作者称之为“沿序列维度的残差连接”。记忆网络基于 DFlash/DFlash-2 架构改造（参数量 1.94B/1.50B），利用冻结 actor 的特征、learned queries 和对摘要的 gated cross-attention 并行预测记忆向量；每 1024 个源位置产生 64 个 token，再做层次压缩。训练分两阶段，actor 始终冻结：Stage I 做复述重建，Stage II 做摘要条件下的续写。两阶段都用 student（摘要+记忆）到 teacher（全历史）的全词表 reverse KL，梯度穿过冻结 actor，只更新 ϕ。

• SummHay（92 个 query，Qwen3.8-27B）：Summary+REMORY 的 Citation F1 为 61.03，Summary 为 56.98；Joint score 为 43.39，Summary 为 39.84，Raw context 为 43.41。等位置预算的文本补充 Summary++ 只有 39.78 (p.4)
• 输入位置数：Raw context 96,872，Summary+记忆 5,024，后者仅占 5.2%；Joint 增益的 bootstrap 95% CI 为 [+0.74, +6.21] (p.5)
• Qwen3.8-27B 五次运行：AutomationBench 35.5±1.3 → 45.3±1.0，JobBench 33.4±1.25 → 41.0±1.41 (p.5)
• 单次运行：Terminal-Bench 2.1 上 Qwen 71.9→76.4、GLM-5.3-Flash 84.3→87.6；BrowseComp 上 Qwen 74.0→77.0、GLM 84.9→89.0。工具重复输出下降 17.9–29.8%，工具错误下降 25.3–49.7% (p.5)
• 压缩后第一步动作的成对评测（488 对，GPT-5.6-Sol 评判）：残差记忆胜 70.7%、平 4.3%、负 25.0% (p.6)

软 token 压缩上下文本身不新，ICAE、Gist、AutoCompressors、RMT 都做过；用分布匹配（KL）做压缩目标也有先例（Wingate 2022）。真正的新意有三点。第一是定位：不用软 token 替代摘要，而是以摘要为条件只补“摘要遗漏的预测信息”，可读的文本 checkpoint 和检索工具接口都保留，与现有 /compact 工作流兼容，工程上很好嵌入。第二是把这一思路放到真实 Agent harness（Codex CLI）的多次压缩循环里做端到端验证，记忆会跨边界递归携带。第三是复用 speculative decoding 的 draft 架构（DFlash）当记忆编码器，这个工程选择比较巧。总体属于“已有组件的合理组合 + 新的问题定位”，概念层面增量中等。

1）Terminal-Bench 和 BrowseComp 都只跑了一次，Terminal-Bench 仅 89 题，3–4.5 分的差距可能在方差范围内；只有 AutomationBench 和 JobBench 报告了五次运行的标准差。2）基线过弱：唯一的同预算对照是 Summary++，没有与 ICAE、Gist、AgentFold、ReSum 等方法比较，也没有“更好的摘要 prompt”或“更长摘要”这类简单基线。3）缺少下游 ablation：Stage I 的作用只用训练曲线展示，记忆长度、去掉摘要条件等都没有在下游测试。4）BrowseComp、JobBench、SummHay 以及第一步动作评测都依赖 GPT-5.6-Sol 当裁判。5）成本统计不含记忆网络和特征编码的开销，“成本下降”的说法有偏。6）图1把模型与前沿闭源模型并列，作者承认不可比，但视觉上有暗示“接近前沿”的嫌疑。7）Live Trading 只有两条轨迹，ROI 从 -11.86% 到 +5.11% 基本不具统计意义，作者自己也说市场选择不同，这部分属于营销性质。8）SummHay 上覆盖率并没有提升（67.95 对 67.55），增益主要来自引用 F1；“接近 raw context”是指 joint score 持平，实际覆盖率仍低约 4.5 分。总体结论方向可信，但证据强度中等。

✅ 官方资源 · https://github.com/1ring2rta/Remory
仓库存在，MIT 协议，37 星，论文发布后两天内有 push。从核验信息看不出是否附带记忆网络权重，has_weights 按未确认处理，需要自行查看。复现门槛很高：训练要让梯度穿过冻结的 Qwen3.8-27B 或 320B 的 GLM-5.3-Flash，需多卡 H100 级集群；论文未报告训练算力、步数之外的超参和数据规模。Stage I 数据来自 MMFineReason（公开），Stage II 用 Open-PerfectBlend prompt 加自生成的摘要与 Qwen 回复，后者需自行构造。推理端需要支持 input embeddings 注入的服务框架，并额外运行一个 1.5–1.9B 的记忆网络，这部分开销未计入论文的成本统计。

应用落地1）做“智能推理编辑”功能：用户说“把这张照片变成十年后/下雨后/放进柠檬汁后的样子”，由云端 LLM 先把指令改写成显式编辑 prompt，再交给便宜的开源编辑器（FLUX.2 Klein 9B/4B）执行，可替代直接调用昂贵的 GPT-Image/Nano Banana API；按论文数据，这种组合约能达到闭源旗舰 85% 的水平。2）面向教育/图表场景的“精确标注”工具：在地图上标位置、在图上画路径、改数字读数、做格子谜题，走程序化绘图通道，避免生成模型改坏原图。

研究跟进1）把 RISE-Agent 的 planner 和 verifier 换成开源 VLM（如 Qwen3-VL），看分数掉多少，从而判断这套结构是否依赖闭源模型；2）用 Agent 轨迹（显式目标状态 prompt、程序）蒸馏或做 RL 训练端到端编辑模型，解决推理延迟问题；3）Implicit Pattern Induction 和多轮编辑中的累积退化尚未解决；4）VP 指标已接近饱和，区分度下降，需要设计更难的视觉质量评测；5）judge 与 verifier 是同一模型时存在“刷分”风险，值得专门研究如何做独立验证。

可复用方法1）路由规则：自然图像编辑走生成式编辑；网格、图表、文字、标注类走程序化工具（line/polygon/text/recolor/relocate），因为在自然图像上用程序化工具反而会掉分；2）verifier 输出“已完成项 / 剩余错误”两张清单，再三选一 pass/refine/replan，refine 时只做局部修复，不推倒重来，最后从所有轮次中选最佳候选；3）多轮编辑拆成一串单轮，每轮以上一轮输出作为输入；4）评测侧：IR 判分配参考文本或参考图，logical 类 AC 用二值打分，VP 只评被修改区域，这套 rubric 可直接用来评自家编辑管线；5）只有三项全满分才算成功的严格 accuracy 口径，适合内部回归测试。

背景 现有图像编辑 benchmark（MagicBrush、ImgEdit 等）大多给出显式指令，只考察“改得像不像、保没保住原图”，无法衡量模型在需要先推理出目标状态的编辑任务上的能力，例如时间推移、因果后果、空间关系、规则推理、反事实。已有的推理型编辑 benchmark（KRIS-Bench、WiseEdit、UniREditBench）在任务粒度、多轮/多图支持、Agent 评测和中文支持上都不完整。另外，开源编辑器普遍“画得好但想不对”，缺少系统的诊断和改进路径。

方法 Benchmark 部分：按 Temporal/Causal/Spatial/Logical/Counterfactual/Hybrid 六个维度、12 个子类、65 种细粒度任务，人工构建 1000 条中英双语样本。从 Instruction Reasoning、Appearance Consistency、Visual Plausibility 三个维度打分：IR 和 AC 由 Gemini-3-Flash 评判，VP 由 Gemini-3.1-Flash-Lite 评判；IR 评分时配合人工标注的参考文本或参考图，只有三项都拿满分 5 分才算该样本成功。RISE-Agent 采用 planner、executor、verifier 闭环：planner 用 GPT-5.1，可直接推理、调用 web search 或 7 个代码求解器（最短路、数独、坐标几何、矩阵变换等），输出编辑 prompt 或声明式绘图程序；executor 在 FLUX.2 Klein 9B 生成式编辑和 12 个确定性程序化操作（画线、多边形、文字替换、区域重着色等）之间二选一；verifier 用 Gemini-3-Flash，按 pass/refine/replan 三种动作决定下一步，预算为 1 次重规划、2 次精修。

• 英文榜最强的 GPT-Image-2.5 Sunburst 总准确率 56.6%，Nano Banana Pro 54.6%，Nano Banana 2 50.8%；GPT-Image-2.5 Sunburst 的 Logical 只有 27.0%，Hybrid 39.0%（p.12-13, Table 2）
• 开源最强 HunyuanImage-3.0-Instruct 仅 23.0%，Qwen-Image-Edit-2511 为 17.1%，与闭源差距超过 30 个点（p.13, p.15）
• RISE-Agent 英文总分 48.0%（中文 40.3%），Logical 39.0% 为全场最高，Explicit Rule Deduction 47.2% 超过所有闭源模型；Implicit Pattern Induction 上闭源最高也只有 31.2%（p.13-14, p.18）
• 消融（Table 7）：FLUX.2 Klein 9B 基线 12.9% → 加 planner 40.5% → 加 tools 42.6% → 加 verifier 48.0%；加入工具后 Temporal/Spatial 反而下降（58.0→50.5，48.0→37.5）（p.19, p.21）
• Judge 对齐实验：Gemini-3-Flash 在 IR 上 MAE 0.48、Spearman 0.84，overall Spearman 0.85；VP 维度各 judge 的 Spearman 都只有 0.27-0.41（p.19, Table 6）；在 KRIS-Bench 上 RISE-Agent 得 88.12，低于 GPT-Image-2.5 Sunburst 的 92.89（p.31, Table 9）

Benchmark 本身属于增量扩展：相对 RISEBench，样本从 360 增至 1000，任务类型从 16 增至 65，并加入多图、多轮和中文，覆盖面和评测规模（58 个方法）确实是目前同类中最全的。但“推理型编辑”这个问题已有 KRIS/WiseEdit/UniREdit 等工作提出，并非新问题。RISE-Agent 的 planner-executor-verifier 结构在 GenArtist、ImAgent、IntentEdit 中都有先例。真正值得借鉴的是“生成式编辑 + 确定性程序化编辑双通道”：对网格、图表、路径、读数这类需要像素级精确的任务改用代码绘制，未修改的像素保证不变，这一点在 Logical 任务上带来了明显增益（14.0→32.0）。最有用的结论是一个可量化的判断：瓶颈在“编辑前的推理”而非“合成能力”，只要给弱编辑器配一个强 LLM 规划器，分数就能提升约 3 倍。

1）最大问题是评审泄漏：RISE-Agent 的 verifier 是 Gemini-3-Flash，主评测的 IR/AC judge 也是 Gemini-3-Flash，等于在 Agent 循环里用 judge 本身做筛选和重试，48.0% 很可能被高估；论文没有做换用独立 judge 的对照。2）RISE-Agent 的 planner 是 GPT-5.1，对比的 MindBrush、IntentEdit 等 Agent 基线使用的底座模型和预算并不对等，而且这些基线只跑了单图子集，“超越大多数闭源和 Agent 方法”的说法需要打折扣。3）在自建 benchmark 上提出自家方法并宣称领先，属于常见的自评自夸；外部验证只有 KRIS-Bench，且仍明显输给 GPT-Image-2.5。4）人类对齐实验只用了 100 道题 × 2 个模型（共 200 个样本、4 名标注者），VP 维度 Spearman 只有约 0.4，judge 的可靠性在 VP 上偏弱。5）多图子集样本很少：FLUX.2 Klein 4B 在多图上 35.9%，远高于其单图的 8.7%，这种异常说明该子集噪声大，论文未给出置信区间。6）各子类样本数为个位数到几十，很多细粒度任务的准确率是 0/25/50/100 这类跳变值，radar 图上的细粒度结论统计意义有限。7）消融中加入工具会让 Temporal/Spatial 下降约 10 个点，说明路由策略并不稳健。总体而言，benchmark 和评测规模扎实有价值，Agent 部分更像一个强基线的 demo。

✅ 官方资源 · https://github.com/VisionXLab/RISEBench
官方仓库存在（⭐161，2026-10-09 有 push，但没有 license，商用需谨慎），数据集托管在 HuggingFace（VisionXLab/rise collection）。仓库内应主要包含 benchmark 数据和 LMM-as-judge 评测脚本，prompt 见附录 Fig.9-24（本次只给了前 40 页，未看到）；RISE-Agent 的完整代码（7 个求解器、12 个程序化工具）是否已放出需要自行核实。复现评测需要 Gemini-3-Flash 和 Gemini-3.1-Flash-Lite 的 API；复现 RISE-Agent 还需要 GPT-5.1 和 Gemini-3-Flash 的 API，外加一张能跑 FLUX.2 Klein 9B 的 GPU（约 24GB 显存级别）。论文没有报告单样本的 API 成本和延迟，而 Agent 最多要跑 1 次重规划加 2 次精修，实际开销可能不低。方法免训练，因此没有模型权重。

应用落地“从日志生成 Agent 沙箱”的 SaaS：企业上传客服或工单系统的历史 API 调用日志（tool call + response），自动生成可交互的模拟后端（订单、退款、CRM），用于上线前对 agent 做回归测试和红队测试，不必碰生产系统，也不需要 mock 每个接口。EnvScaler 的 Shopping/Benefits 实验（只用 3-16 条轨迹就达到 85-98 分）说明，在这类结构化工具环境上，少量日志就够用。

研究跟进1) 用 Trace2Env 生成的环境做 agent RL 训练，验证模拟器偏差是否会被 policy 利用（论文只做了评测，没做训练）；2) 把 worldbook 蒸馏进小模型，降低每步 $0.2-0.7 的推理成本；3) 多轮实验只和 Direct Prompting 比较，缺少 Worldbook Prompting/RAG 在多轮场景下的对照；4) 在线增量更新 worldbook，可与 WorldEvolver 结合；5) 处理轨迹中从未出现过的动作。

可复用方法可直接复用的几点：① 状态分层 world/session/surface/epistemic，并约定“缺失键=未知”，可避免模型因为状态里没有记录就臆断“文件不存在”；② 检索到跨会话样例时，先判定是否适用，再把外来实体替换成 <file.txt>/<version> 一类占位符，只借用格式，能防止把别的会话的事实串进来（RAG 多租户串号问题同样适用）；③ LLM 提出 typed effects，由代码在状态副本上校验后再提交，即 propose-validate-commit 模式；④ 规则归纳 prompt 中“证伪式 review”的写法（p.35）；⑤ 静态 worldbook 直接塞进 prompt 就能拿到大部分增益，成本敏感时先用这种方式。

背景 训练和评测 LLM agent 需要逼真的环境副本，但终端、企业内部系统等原始环境往往拿不到代码、数据或基础设施，通常只剩历史交互日志。传统语言世界模型（LWM）把环境描述和完整历史拼成一个扁平 prompt 来预测下一个 observation，难以维持长程隐式状态（例如删掉文件后再 cat 应该报错），容易“幻觉出一个自洽但错误的世界”。已有方法如 WorldEvolver 依赖持续访问真实环境，Terminal-Universe 则需要重建可执行环境，二者都不适用于“只有轨迹”的场景。

方法 离线阶段：用 gpt-5.6-sol 对每条 action-observation 做对齐与局部证据抽取，再归纳 action/state schema（state 分 world/session/surface/epistemic 四组），通过成功/失败对比与证伪式 review 生成带置信度的转移规则、observation contract 和 notes，并为每个产物保留 provenance，最终得到一个不可变的 worldbook。在线阶段：episode workspace 由 W=(worldbook, 当前状态 ŝ, 情景记忆 M) 组成，world model agent 通过 inspect_action、search_knowledge、read_state、recall、dry_run 等 12 个工具按需检索；检索结果先经过一个确定性的 Applicability Gate，标注为 supporting/uncertain/format-only，其中后两类会把其他 episode 的文件名、版本号等替换成占位符。agent 最后提交带类型的 state effects 与 observation 作为 transition proposal，由 harness 在状态副本上做 schema 和约束校验后再提交，被拒时退化为仅返回 observation。

• 下一步 observation 预测（AgentWorldBench 4 个 split + EnvScaler 3 个环境）：平均分 gpt-5.6-sol 下 75.94 vs Direct Prompting 69.51，deepseek-v4.1-flash 下 75.75 vs 68.71，分别提升 6.43 和 7.04 分；14 个环境×backbone 组合中 11 个最佳 (p.8-9)
• 多轮一致性：ALFWorld 上 W2R 从 3% 升到 85%，CR 从 0.032 升到 0.914；SciWorld 上 CR 从 0.529 升到 0.706。Direct Prompting 在模拟器内的成功率反而更高（97% vs 88%），说明它在一个虚假状态里“成功”了 (p.9)
• Terminal 组件消融：只加 abstraction 反而 −1.12±0.90；evidence +2.45；在已有 abstraction 时再加 evidence +4.26；去掉 adaptive loop −1.79，去掉 state tracking −0.97 (p.10, p.21)
• 成本：完整 Trace2Env 每次预测 5.0 次调用、$0.187、38.1s，Direct Prompting 为 1 次调用、约 $0.04、26.0s；去掉 adaptive loop 后保留约 80% 的增益，成本仅为完整版的 29% (p.21)。Android/Web 上用 deepseek 每条约 $0.59-0.68 (p.22)
• 轨迹规模：Terminal 构建轨迹从 20 条增至 36 条，分数从 64.89 升到 66.42 且仍在上升，一次性构建成本约 $50 (p.10)

真正新的地方在于问题设定和组织方式：只有离线轨迹、拿不到原环境时，把“环境模拟”本身当作 agent 任务，并把跨 episode 的可迁移知识（worldbook）和 episode 内事实（state/memory）显式分离。其中 Applicability Gate 把“检索相关”与“事实可用”区分开，并对外来值做占位符脱敏，这个设计很实用；“缺失的状态视为未知而非不存在”的状态语义也值得借鉴。不过各个构件（RAG over transitions、规则归纳、tool-using agent、状态校验）单独看都不新，更像是把 Trace2Skill/AWM 一类的轨迹蒸馏思路换个对象，用在了环境侧，属于工程上扎实的系统整合，而非方法突破。

主要增益来自 worldbook 内容本身，而非“agentic”运行时。静态 Worldbook Prompting 已经达到 74.35/74.86，完整 Trace2Env 只多出 1.6/0.9 分，成本却是 3.7 倍。Table 7 (p.20) 中 T2E−WB 的置信区间在 deepseek-Terminal（−0.24）、deepseek-SWE、GPT-Android（−0.42）、两个 backbone 的 Web 上都包含 0。在 Android-GPT 和 Shopping-GPT 上，简单的 Trace RAG 甚至超过 Trace2Env。多轮实验的 baseline 只有 Direct Prompting：ALFWorld 上 3% 的 W2R 低得可疑，很可能主要是因为 baseline 不知道 put/move 这类动作接口，而给 baseline 加上 worldbook prompt 就可能大幅缩小差距，作者没做这组对照。SciWorld 只测了 Measurement 类的 40 个任务。所有单步分数都来自单一 LLM judge（gpt-5.2），没有人工校验。Terminal 未见任务上 deepseek 的增益只有 +0.61，CI 包含 0。没有和 RAWM、WorldEvolver 或训练过的 LWM（如 Qwen-AgentWorld）做对比。“learning-free”的说法成立，但代价是每步高昂的推理成本。总体结论方向可信，但“agentic 是关键”这一点被夸大了。

✅ 官方资源 · https://github.com/ruyue0001/trace2env
官方仓库，Apache-2.0，⭐35，论文发布后有 push。方法 learning-free，没有权重，复现完全依赖闭源或商业 API（gpt-5.6-sol 用于构建 worldbook，gpt-5.6-sol 或 deepseek-v4.1-flash 作为运行时，gpt-5.2 作为 judge）。成本方面：构建 20-36 条 Terminal 轨迹约 $25-50，推理每条 $0.03-0.68，完整跑 7 个环境×2 个 backbone×5 种方法的 API 费用可观。AgentWorldBench、EnvScaler、ALFWorld、SciWorld 都是公开数据集，但 Terminal/Web/EnvScaler/ALFWorld 的构建轨迹是作者自己用 gpt-5.6-sol 采集的，是否随仓库发布需要查看 repo 确认；prompt 在附录 E 中完整给出。

应用落地可以把 Opera 的 proxy 形态做成“Agent 监督中间件”：挂在任意 OpenAI 兼容端点前，对客户自家 agent 的轨迹做事件触发审查、注入单条纠错消息并追踪是否解决，按调用量收费；也可做成 Claude Code/Cursor 类工具的“防过早宣布完成”插件，核心就是 submission_readiness_review + 释放审计。

研究跟进(1) 计算未对齐：critic+审计的额外 token 成本与同预算 best-of-N/重采样未比较；(2) 强模型回退率 ~11%，如何学习“何时不该干预”的策略（可用 RL 训练 critic 的 continue 决策）；(3) 训练部分仅单模型、67 任务、SFT，迭代式（训练后模型作为新 policy）和 RL 内化自我纠错未做；(4) operator 体系是否能迁移到非编码长程任务（客服、浏览器 agent、科研 agent）。

可复用方法可直接复用：①proxy 部署模式——critic 只能在转发请求中插入至多一条消息，超时/解析失败则原样转发，永不阻塞主 agent；②触发阈值：3 次重复或 3 次连续失败命令、6 个动作无成功编辑、尝试 finish 时；③上下文裁剪：最近 30 条原文、长消息保留首尾、更早省略；④反馈消息固定插入在原位置而非每轮重新追加；⑤审计 prompt 只允许 accept/reject、拒绝“与任务无关的可选清理”和“无新证据的重复提醒”；⑥SFT 数据构造：删掉 critic 消息，把被采纳的诊断改写为该轮 thought 前缀，删除提及 critic 的句子。

背景 长程编码 Agent 常陷入重复失败、编辑错误位置、未验证就宣布完成等问题，需要执行中的 critic 纠偏。但现有 critic（Self-Refine、Reflexion、SWE-PRM、Agentic Rubrics 等）只负责评估轨迹和生成反馈，不管反馈何时该给、是否基于证据成立、给出后问题是否真的被解决；错误或时机不当的反馈甚至会破坏原本能成功的轨迹。

方法 (1) 混合审查调度：每 k 轮（5，DeepSWE 为 10）定期审查，外加 Idle/Repeat/Error/Claim/Submission 五类事件即时触发，审查可选择 continue 保持沉默。(2) Operator 类型化诊断：按 Search/View/Edit/Test/Submit 五阶段定义 9 个带“契约”（适用条件、所需证据、可要求的纠正、完成判据、排除项）的 operator，每次只提一个问题与最小修正，并经独立 LLM 准入审计（只接受/拒绝，不改写）后投递。(3) 持久笔记管理：同时最多一个 open note，ID 与解决标准固定、指导可更新；用规则检查“是否照做”（adherence），用 LLM+释放审计依据执行证据判断“是否真正解决”（resolution），解决后从上下文移除；整体部署为 agent 与模型端点之间的 proxy，不改 harness、不碰权重。

• 以 Qwen3.8-27B 为 policy、GPT-5.6-Sol 为 critic：TB2.1 65.9→73.8、SWE-Pro 75.3→79.3、DeepSWE 32.4→41.3，均为五种方法中最高均值，但对最强 baseline 的领先仅 1.9/0.6/1.8pp，且 std 达 2.3–3.5 (p.5, Table 1)
• 弱模型收益最大：Qwen3.5-9B 在 TB2.1 上 23.6→36.0（+12.4pp）、SWE-Pro 35.3→50.3（+15.0pp），但在 DeepSWE 上有无 critic 均为 0 (p.6, Fig.4)
• 去掉准入/释放审计后增益大幅缩水：TB2.1 从 +7.9 降到 +2.6，DeepSWE 从 +8.9 降到 +4.5 (p.9, Table 5)
• SFT：用 Opera 引导的 Qwen3.5-9B 自身轨迹微调，held-out SWE-Pro 28.7→38.9，与用 Qwen3.8-27B 轨迹蒸馏（39.5）相当；但跨 harness 的 TB2.1 上教师蒸馏从 23.6 崩到 7.9，Opera 数据保持 25.8 (p.6, Table 3)
• 强模型 rescue 与 regression 并存：Qwen3.8-27B/DeepSeek-V4-Flash rescue 21.3%/28.3%，但对原本必成功任务的回退率达 11.5%/11.8% (p.7, Fig.6)；自我 critique 在 DeepSWE 上也能为 Qwen3.8-27B 和 DeepSeek-V4-Flash 各带来 +6.2pp (p.8)

核心组件单看都不新：事件触发审查、错误分类 taxonomy（SWE-PRM 已有）、LLM 审核反馈、反思记忆（Reflexion）。真正有价值的是把“反馈”当作有生命周期的干预对象来工程化：固定解决标准 + 区分 adherence 与 resolution + 单一 open note 约束 + 审计只做接受/拒绝。审计消融表明“过滤有害干预”才是主要增益来源，这一点比 operator 设计更有信息量（operator 消融显示 Edit-only 与全集差异在噪声内）。训练部分本质是 DAgger/on-policy distillation 思想在 agent 轨迹上的应用，把 critic 诊断改写为模型自身 reasoning 的做法是一个实用小技巧，但不算方法创新。

整体证据较扎实（3 次运行报 std、有 audit/operator/critic 模型消融、有 rescue/regression 分析和详细 case study），但有几点需打折：①与 baseline 的对比只在 Qwen3.8-27B 一个 policy 上做，SWE-Pro 上领先 0.6pp、TB2.1/DeepSWE 领先 ~1.9pp，均在 std（2.3–4.7）范围内，“全面最优”说法偏强；②baseline 是作者复现并改造的（如 LLM-as-verifier 在 GPT critic 下无法用 logprob、SWE-Search 去掉了树搜索），可能被削弱；③没有报告 critic 和审计的额外推理开销，也没和等预算的重采样/best-of-N 比；④“up to 15.0pp”来自最弱的 Qwen3.5-9B，强模型增益约 4pp 且回退率 ~11%；⑤SFT 对比存在混淆：Opera 数据样本 8,378 vs 教师 3,476、GPU 和有效 batch 也不同，且教师蒸馏在 TB2.1 跌到 7.9 过于剧烈，可能部分源于 harness 格式过拟合而非 on-policy 本身，只有单模型单 OOD benchmark；⑥operator 消融显示 Edit-only 与全集差距在噪声内，9 operator 体系的必要性证据不足；⑦使用的大量 2026 模型（GPT-5.6-Sol、Muse-glimmer、Qwen3.8）外部难以核验。

✅ 官方资源 · https://github.com/dongyuanjushi/Opera
官方仓库存在（⭐7，2026-10 有更新，但无 license，商用需谨慎）。论文未提及发布微调后的 Qwen3.5-9B 权重。复现测试时部分需要：Harbor 任务管理 + Pier 网络隔离 + Docker 环境，以及默认 critic GPT-5.6-Sol 的 API 预算（三个 benchmark × 4 policy × 3 次运行，token 消耗未报告）；policy 模型需自行 vLLM 部署。SWE-Bench Pro 使用按 OpenAI 审计修正后的 100 任务子集，具体任务列表需看仓库是否提供。SFT 部分需 8×H100、ms-swift + DeepSpeed ZeRO-3、128k 序列长度全参训练。

应用落地适合有现成模型检查点和沙盒的可解释性或机理分析团队，用它跑几十小时的“自动机理探索”，产出候选假设和报告供人筛选。单次运行消耗约 6–11M 输出 token、15–70 小时实验时间，且任务必须配好实验环境和研究问题。更适合作为假设生成器而非结论来源，所有结论需人工验证，成功案例集中在已有模型上做探测、分析。

研究跟进最关键的空缺是没有隔离各组件的贡献：没有只加 Supervisor、只加 Meta Reflection 的单独消融，也没有“同样的混合模型 + 集中式控制器”基线，可直接补做。其次，模型知识截止到 2025 年 1 月至 2026 年 1 月，无法排除对 oracle 论文的记忆，可用更晚发表的论文或自建合成课题重测。另外，机理类深度发现（非线性遗忘、双向规划、因果干预）仍然复现很低，如何让智能体在探测之后走向机制解释是明显的下一步。

可复用方法可搬走的有三点：(1) 提案加承诺期的“防过早转向”协议，Supervisor 提示词在附录 B.1 中完整给出；(2) 每 50 步用另一个模型扮演外部专家做批评的元反思，提示池涵盖过度声明、攻击者任务、研究品味等，可迁移到任何长时程 agent；(3) 评测技巧：事先把 oracle 论文拆成二值子发现、要求“声明加实验证据”、对每份报告多次评分取平均，并用盲审人类专家校验（66 次判断一致率 97.0%）。

背景 现有 AI 科学发现系统大多依赖明确指标或固定流水线，在没有客观评价标准的开放式任务上是否能自主做研究并不清楚。开放式任务有两个风险：智能体对价值的判断与人类研究者错位，以及“路灯效应”，即专挑容易做的问题。此前的 Station 只在有明确评分指标的任务上评估过。

方法 在去中心化多智能体环境 Station 中，6 个智能体（3 个 Gemini 3.1 Pro、1 个 GPT-5.5、2 个 Claude Opus 4.8）各自选方向、做实验、发内部论文，每次运行 300 tick，且断网。新增三个组件：(1) Supervisor 智能体要求每个智能体提交研究提案并承诺至少 60 tick 不转向，仅在极端情况下批准转向；(2) 每 50 tick 的 Meta Reflection，由 GPT-5.5 扮演外部人类专家，从一个提示池中抽题批评该智能体的工作；(3) Consolidation Agent 在运行结束后写约 8000 词的研究报告。评测取 3 篇 ICLR 口头报告论文（涌现规划、LLM 输出低秩结构、RNN 时间表征），将其结论拆成约 10 个子发现，由 GPT-5.5 评分员按二值标准判断报告是否复现并给出实验证据。对比基线为 AI Scientist-v2（Claude/Gemini/GPT）和 Codex Multiagent-v2，累计实验时间与 Station 对齐。另有两个无 oracle 论文的探索任务：subliminal learning 和 VLM 幻觉。

• 三个重发现任务上，Station 平均复现 62.7±2.8% 的子发现；Codex Multiagent-v2 为 15.4%，AI Scientist-v2 为 14.4–20.6%（摘要；Table 4, p.36）
• 分任务复现率：涌现规划 75.8%（基线 6.1–19.2%）、低秩结构 70.4%（基线 32.4–37.0%）、RNN 时间表征 41.9%（基线 0–11.1%）；其中非线性动力学仅 7.4%，低秩任务的“功能后果”类仅 18.5%（p.6–7, Table 3）
• 消融（仅涌现规划任务）：去掉 Supervisor 和 Meta Reflection 后复现率由 75.8% 降到 57.9%，干预类发现下降最明显；平均研究项目时长从 67.0 tick 降到 55.5 tick；92 次元反思中 71.7% 之后跟随加深或验证现有方向的实验（p.7–8）
• Station 在 tick 100 时已达到 61.2%，接近 tick 300 的 62.7%，说明更短的运行可能就够用（Table 4, p.36）
• 人类评估：oracle 论文作者对 24 个不与论文重叠的智能体提案打分，75% 只得 1–2 分（满分 5），认为过于关注细枝末节（p.7–8）
• 探索任务：智能体发现 LoRA rank 与特质迁移呈倒 U 形，并发现只在前 14 层做 LoRA 能修复 rank-128 的迁移失败，这些均与并行工作吻合；在 AMBER-1000 上，将最后两层 MLP 输出乘 0.5 使四个 VLM 的准确率提升 0.80–12.70 个百分点（Table 7, p.39）

核心贡献更偏工程与实证，而非新算法：Supervisor（强制承诺期）和 Meta Reflection（外部视角的批评提示）是对 Station 的提示和流程层面的改造，思路简单。真正有新意的是评测设计：用已发表论文做 oracle 并拆成子发现评分，同时放出完整的智能体对话记录；以及展示去中心化多模型智能体在开放式任务上显著优于集中式基线。但是否由“去中心化”本身带来提升，论文自己也承认没有隔离出来。

证据有若干明显弱点：(1) 只有 3 个重发现任务、每任务 3 次运行，且评分标准由作者设计，子发现拆分带主观性；评分员是 GPT-5.5，而 GPT-5.5 同时还是 Station 的元反思模型、Supervisor 和 Consolidation Agent，存在同源偏置风险；人类校验只由一位作者在 6 份输出上完成。(2) 基线并不公平：Station 混用三个模型家族并配有专用写作代理，基线在流程和模型组合上都不同，作者自己承认无法归因于去中心化；基线输出多为论文式产物，Codex 实验时间范围很宽（如涌现规划 50–300 小时），对齐方式较粗。(3) 消融仅在一个任务上做，且是两个机制一起去掉，无法分离 Supervisor 与 Meta Reflection；差异 75.8% vs 57.9% 范围有重叠，n=3。(4) 数据污染无法排除，oracle 论文发表于模型截止日期附近或之前。(5) 探索任务无对照，且是单次运行并事后挑选与并行工作吻合的发现；倒 U 形结论随后被 Feng 的工作质疑（调学习率后消失），VLM 幻觉的外部验证中收益差异巨大（+0.80 到 +12.70pp，Qwen3-VL-8B 基线仅 58.5%，可能是基线本身有问题）。(6) 作者为产品方 DualverseAI，存在利益相关。总体上方向性结论可信，但“62.7% vs 15%”的量级更多反映的是系统整体差异，而非机制本身的贡献。

✅ 官方资源 · https://github.com/dualverse-ai/station-open-reseach
官方代码（Apache-2.0）和实验数据仓库 station-open-reseach_data（含完整智能体对话和研究报告）均已公开，且经核验有内容。复现需调用 Gemini 3.1 Pro、GPT-5.5、Claude Opus 4.8 的 API，每次运行约 6–11M 输出 token 和数十小时 GPU 实验；论文使用的模型为尚需自行确认可用性的前沿闭源模型，完全复现成本较高。

应用落地可以做一个“agent 学习能力体检”服务：用隐藏规则的模拟环境测试企业客服或运营 agent，看它在规则变化后能否通过反馈自我修正，以此作为 agent 上线前的回归测试，替代只看静态问答准确率的评估。

研究跟进(1) 设计证据可回溯的记忆：每条蒸馏出的规则都链接到原始交互，当新证据冲突时允许撤销规则；作者明确提出了这个方向，但没有实现。(2) 跨 episode 的探索-利用平衡，比如给 agent 加入显式的假设检验或 novelty 预算。(3) 在 re-shuffled 场景下区分不变规则和实例细节。(4) 当前人类对比不公平，需要更严谨的人机对照设计。(5) 本文全部基于 API 大模型，小模型或端侧模型的经验学习能力完全没有测。

可复用方法可直接借鉴的做法：① 跨会话记忆不要只存 LLM 总结的规则，同时保留原始对话片段作为证据，至少要能按需回查，避免“一次失败就被泛化成禁令”（EvoTest 在 GemForge 上就因此卡死，p.19）。② 让模型在一次调用中批量执行多步动作，并截断重复的环境输出（如只返回最后 60 行），可以显著减少调用次数和输入 token（p.23）。③ 评估 agent 时同时看 Max 和 LG/LS，分数高不等于会学习。④ 用 SequenceMatcher 计算相邻轮次动作的相似度，作为“是否陷入重复”的监控指标。

背景 现有的自进化/持续学习 agent benchmark（StreamBench、LifelongAgentBench、J-TTL/Jericho 等）大多建立在熟悉的现实任务或公开游戏之上，模型分数提升可能只是调出了预训练知识，并非真正从交互中学到新东西。此外，各种自进化方法在不同模型、任务和协议下分别评测，彼此难以直接比较。

方法 作者手工设计了 20 个文本游戏模板（如 Poisoner、GemForge、Haunted Inn），隐藏规则新颖或反直觉，反馈确定、自动打分。其中 10 个为 fixed（每轮实例相同），10 个为 re-shuffled（表层实例变化、底层规则不变），另有 5 个 challenge 游戏给 10 个 episode、权重为 3。评测采用黑盒命令接口，每个配置每个游戏跑 3 个独立 trial，用 Max、Mean、Learning Gain、Learning Slope 四个指标衡量表现和学习速度。对比对象包括：11 个 backbone（统一使用 OpenCode harness）；在固定 backbone 下比较 6 种经验保留方法（Naive/Memory/Reflexion/EvoTest/ReasoningBank/AWM）；同 backbone 下比较 harness（OpenCode vs Claude Code/Codex）；以及每个游戏 21-30 名大学生的人类数据。

• Backbone 对比（OpenCode）：Claude Opus 5.5 的 Max/Mean 最高，为 80.1/61.0；Qwen 3.8 Max 的 LG/LS 最高，为 +25.2/+6.30；GPT-5 Mini 最低，Max 仅 34.0 (p.6, Table 1)
• 经验保留方法：Kimi K3 上，原始历史拼接的 MEMORY 四项指标全部领先（Max 63.3，LG +16.9），AWM 仅 56.1、NAIVE 54.7；但在 Opus 5 上 EvoTest 反而最好（Max 66.1，MEMORY 只有 60.9）。三个 backbone 平均后 Max 最高的是 Reflexion（60.0），MEMORY 只在 Mean/LG/LS 上领先（44.5/+11.4/+3.04）(p.6, p.18 Table 7)
• Harness 影响：同为 Opus 5，Claude Code 达到 81.8/62.3/+27.1/+6.59，OpenCode 为 74.5/53.8/+21.3/+5.13；同为 GPT-5.6-SOL，Codex 的 Max 为 74.3，OpenCode 仅 57.0 (p.7, Table 2)
• 人类对比：Human Top-1 的 Max 为 84.3，高于所有 agent；但全体参与者平均 Max 只有 43.6。连续 episode 的动作序列相似度人类为 0.54、agent 为 0.66；分数下降后下一轮创个人新高的比例，人类为 33%（13/39），agent 为 22%（52/238）(p.6-7, p.20)
• 成本：Kimi K3 用 OpenCode 每 episode 约 $0.313、Max 68.5；MEMORY 为 $0.586、Max 63.3，OpenCode 的输入 token 少 56%。Codex+GPT-5.6-SOL 以 $0.144/episode 拿到 Max 74.3。迁移方面，Sonnet 5 在 re-shuffle 下 LS 下降 2.67，Opus 5 仅下降 0.59 (p.8, p.23-24)

真正的新意在于评测设计，而不是方法：用自制的反直觉隐藏规则游戏把“从交互中学习”和“调用预训练知识”剥离开，再用 fixed vs re-shuffled 的对照把“记住具体操作”和“理解规则”剥离开，这一设计是干净的。Rule-discovery 的 S/P 标注也比只看分数更有信息量。其余发现，比如原始历史不输蒸馏记忆、过早下结论会锁死探索、harness 很重要，社区已有直觉，本文提供了较可控的证据，但算不上颠覆性。思路上与 AutoEnv、ARC-AGI-3 接近，差异主要在纯文本加反直觉规则。

(1) “人类优于 agent”的结论有明显的选择偏差：Human Top-1 是从 21-30 人中按 Max 挑出的最佳单条记录，而 agent 是 3 个 trial 的平均峰值。全体人类平均 Max 只有 43.6，低于绝大多数 agent 配置，所以真实结论更接近“最强人类的峰值略高”。即便如此，Claude Code+Opus 5 的 81.8 与人类 Top-1 的 84.3 也很接近。(2) “原始历史优于蒸馏”的结论只在 Kimi K3 上成立：Opus 5 上 EvoTest 最好，GPT-5 Mini 上 Reflexion 的 Max 最高，三模型平均的 Max 也是 Reflexion 最高。摘要的表述过度泛化，作者在 p.19 也承认个案不能证明是压缩导致的差异。(3) 每个配置只有 3 个 trial，聚合 SD 普遍在 ±3-4，Max 差距在 2-5 分以内的排名（如 Kimi 上 MEMORY 63.3 vs EvoTest 62.4 vs Reflexion 61.6）基本处于噪声范围内。(4) Harness 对比的混淆变量很多：OpenCode 能批量执行动作、自由使用 shell 和计算，而自进化方法每步调用一次模型。所谓“OpenCode 优于自进化方法”，相当于拿一个完整 agent 框架和一个简单 prompt loop 比，并不公平。(5) 每个游戏只用一个 seed，规则是作者自行设计的；rule-discovery 标注是定性的，没有聚合。(6) 利益相关：EvoTest、JitRL 都出自同一团队，不过本文并没有偏袒 EvoTest。(7) 成本是基于价格快照和缓存重建的估算，部分 token 数据缺失。

✅ 官方资源 · https://github.com/liushiliushi/Learn2Play-Bench
官方仓库存在（与项目网站同一作者账号，12 star，2026-09 有更新，但没有 license，商用和二次分发的边界不明确）。根据核验结果只能确认仓库有内容，具体是否包含全部 20 个游戏环境、各 baseline 实现和交互日志需要自行查看。这是 benchmark，没有模型权重。复现完全依赖商业 API：单个配置需要 20 个游戏 × 3 trial × 5-10 个 episode。每 episode 成本从 GPT-5 Mini 的约 $0.006 到 MEMORY+Opus 5 的约 $3.09 不等，跑 Opus 级模型的完整 sweep 需要数百美元（GPT-6 Astra 跑 600 个 episode 实付 $150）。人类实验数据是否公开，前 40 页未说明。

应用落地可以做一个“自然语言规则 → 可执行规则引擎”的业务自动化工具。运营人员用 Markdown 写业务规则（退款政策、工单路由、SLA），LLM 编译成确定性 Python 规则，再拿历史工单逐条回放验证，100% 复现后才上线；线上出现不一致时自动触发修订，并用 Git 记录每一版规则。

研究跟进(1) 在 ARC-AGI-3 private / held-out 集上验证，公开集已被 baseline1 饱和到 99；(2) 多次重复运行的方差与成本（tokens、wall-clock）报告；(3) 规则手册忠实度目前由 LLM 主观判断，能否改成可执行的规格测试；(4) 种群规模 N>2 以及更多游戏上的系统消融；(5) 推广到随机、带噪声的环境，因为精确回放在非确定性场景下不再适用（Pong 中已出现残差）；(6) 用开源小模型做 backbone 时，这套方法还能撑住多少。

可复用方法可以直接复用的套路：① 双层表示，自然语言 spec 文件加上由它生成的代码，规定语义改动必须先改 spec；② 接受条件写成“LLM 语义一致性检查 + 全历史精确回放”的硬门槛，而不是相信 LLM 的自信；③ 反思时显式三分类：retain、改规则、只修代码；④ 执行计划时逐步比对预测，一出现不符立即中止并回到反思；⑤ 工作区每轮迭代做 git commit 加 tag，并让 agent 自己能 diff 或回滚；⑥ 用 LLM 学出的代码模型做在线控制，推理阶段零 LLM 调用。

背景 在陌生的交互环境中，智能体需要从有限的观测里推断环境规则。已有的代码世界模型（WorldCoder、baseline1 等）只靠“回放与历史一致”来筛选程序，但有限的历史往往能被多个程序同时解释，它们在未见状态上的预测各不相同。例如“箱子碰墙停”和“箱子在第 7 列停”在已有数据上无法区分。此外，单一假设容易自我确认：按它的计划行动，可能永远走不到能证伪它的状态。Memento 前作只改进策略侧（episodic memory、skills），没有显式学习环境规则这一模型侧。

方法 (1) Code as Model：外部学习状态 Z=(交互历史 H, Markdown 规则手册 world_model.md, Python 可执行模型 world_model_engine.py)。规则层面的修改必须先写进规则手册，再由冻结的 LLM（Claude Opus 5 + Claude Code）编译成代码；如果只是实现层面的 bug，就只修代码。(2) 每走一步执行“观测→反思（retain / revise_rulebook / repair_code 三选一）→规则修订→编译→验证”的循环。候选模型要被接受，必须同时满足两点：LLM 判断代码忠实于规则手册，且对全部历史做 64×64 逐格精确回放无误。之后用 BFS 式最短路径规划器求解，执行时一旦预测与观测不符就立即停下并重新反思；整个过程用 Git 对规则手册和代码的每一版做版本记忆。(3) 种群扩展：同时维护 N 个“规则手册-代码”对，它们共享交互历史。按计划的动作序列把模型划分为行为等价类，每个规划回合均匀采样一个类来执行，被证伪的成员单独修复，以减少对单一初始假设的依赖。

• ARC-AGI-3 全部 25 个公开游戏、183 个关卡全部通关，平均 RHAE 100.0。最强基线 baseline1 为 99.0，NOOA 85.1，OPINE-World 78.4（Table 1, p.19）
• 总动作数 7,518，为人类基线 17,135 的 0.44；baseline1 同样全部通关，用了 8,347 个动作（0.49）。单游戏比例从 m0r0 的 0.20 到 lf52 的 0.67，中位数 0.42（Table 2, p.19-20）
• 相对 Claude Opus 5 + ARC Prize 标准 harness，平均 RHAE 高出 59.3 分（p.3）
• 去掉规则手册的消融（ft09/ka59/cn04 三个游戏）：动作数 617 vs 677（-9%），agent turns 678 vs 830（-18%）（p.20, Table 3 p.21）
• 种群 N=2 在 wa30 上把动作数从 899 降到 597（0.66×），9 关中 8 关持平或更好（Table 4, p.21）；Atari Pong 用 9,504 个模拟器帧学成控制器，3 个不同开局均 21:0 获胜，执行阶段不调用 LLM（Table 5 p.23, p.25）

真正新的东西不多。可执行世界模型、回放验证、简化偏好在 baseline1、WorldCoder、OPINE-World 中都已存在；用自然语言规则引导 LLM 写代码的思路，也已有 Hypothesis Search、AutoManual、WALL-E 等工作。本文的增量主要是工程组织：(a) 把自然语言规则手册设为语义层，强制“规则改动先写手册、再编译代码”，从而把“改规则”和“修实现”区分开；(b) Git 作为智能体可自查的版本记忆；(c) 按计划等价类采样的种群探索，本质是 posterior/ensemble sampling 在 LLM 程序假设上的移植。BA-POMDP、MDL、MAP 等形式化写得很完整，但基本是对已有直觉的数学包装，并未带来新算法。所谓“递归自我改进”只是迭代修正世界模型，与通常意义上的 RSI（改进自身模型或能力）有明显距离，属于概念拔高。

1) 主结果的增量很小：本文直接在 baseline1 代码库上构建，baseline1 已经全部通关、RHAE 99.0；本文只把 RHAE 提到 100，动作数从 8,347 降到 7,518。而且 backbone 换成了更强的 Claude Opus 5 extra-high，无法区分提升来自方法还是来自模型。作者在 p.27 也承认公开集已被更强的模型近乎饱和。2) 全部是单次运行，没有方差和重复实验。3) 规则手册消融只做了 3 个游戏各 1 次，差异仅 9% 的动作数，很可能落在运行间方差之内。4) 种群扩展只在 wa30 上跑了 N=2 一次。5) 没有 private / held-out 集结果。6) Pong 对比不公平：LLM 带着大量物理和游戏先验，与从零学习的 RL 比帧数没有意义；评估只有 3 局，且“学到 21:0 就停止学习”相当于在评估结果上做选择；基线分数还来自不同的评估协议。7) “Claude Opus 5 harness 低 59.3 分”比较的是裸模型，不是公平的 harness 对照。8) “递归自我改进”的标题有明显包装成分，LLM 参数不变，本质是世界模型的迭代修订。

❌ 无公开资源
论文和 HF 页面都没有代码链接，也没有承诺开源。实验 harness 基于 Rodionov 的 baseline1 代码库改造，运行在 Claude Code + Claude Opus 5（extra-high reasoning）上。作者自己也说每次运行的时间和费用都很高，但没有报告 token 成本。ARC-AGI-3 公开游戏和 ALE Pong 是公开环境，基线数字取自官方 scorecard。复现需要闭源的顶级模型 API 和大量预算，并且要自己重写 harness。

应用落地可以做一个自托管的“大小模型协同推理”网关：对外兼容 OpenAI/SGLang 接口，内部用 0.6B 到 8B 小模型处理大部分 token，只在困难 token 上调用 32B 模型。目标是推理类和长思维链类私有化部署，降低 GPU 成本。不过 Table 2 表明，并非所有路由算法都能跑赢直接用大模型，选型需谨慎。

研究跟进1) 与 EAGLE、Medusa 等投机解码做同等资源下的正面对比（论文缺失）；2) 更高并发（>16）和真实线上流量下的表现，以及 DTMC 状态空间爆炸问题；3) 端云协同的 token 路由，此时网络 RTT 远大于 GPU 步延迟，需要新的批处理和 handoff 策略；4) 路由概率非平稳、非几何分布时的自适应阈值选择；5) 多模态模型的 token 级路由。

可复用方法可直接复用的点：(a) 跨模型或多阶段流转的请求用 pending 状态保留 KV，不要当作新请求重新做 prefix matching；(b) 对 extend 小批次也捕获 CUDA graph；(c) 高频的逐 token 决策逻辑放进进程内，用 tensor op 实现，避免 IPC；(d) 多模型共卡时，按“最大公共 KV token 容量”联合分配显存，避免 OOM 或闲置；(e) 慢模型用阈值式延迟批处理，阈值可用简单的马尔可夫模型或扫参确定。

背景 Token 级路由让模型在每一步都可能切换，例如 R2R 只把约 5% 的 token 交给 32B 模型。但 SGLang、vLLM 都默认单模型同步 decode，直接套用会出现三个问题：步间不同步（整个 batch 要等最慢的模型）、批次准入延迟（路由过来的请求要等上一批跑完，批次被打碎）、实现复杂（框架没有逐步路由的接口）。各算法的官方实现大多是不支持 continuous batching 的推理引擎，部分实测吞吐只有个位数 token/s，理论加速无法兑现。

方法 (1) 编程接口：开发者只需从单个请求的视角实现 route（依据 logits、hidden states 决定去向）、send（构造 PeerReq，只发送对端没见过的 token 后缀）、receive（默认全部接收）三个函数，即可表达 CITER、R2R、R-Stitch、Co-LLM、ME 等算法；对外只暴露一个与单 LLM 服务兼容的接口。(2) 执行层：每个 LLM 由一个独立 subserver 托管，各自有调度器和私有 KV cache；在原有的 client-server 循环和 decoding 循环之外，新增一个 inter-model 循环，请求可异步跨模型流转。请求被路由出去时标记为 pending，保留 KV 等状态，返回时直接追加 token 后恢复执行，省掉 prefix matching 和 radix cache 维护开销。(3) 调度层：delayed batching 让大模型攒够 B 个请求再发车；最优阈值 B* 由离散时间马尔可夫链（DTMC）吞吐模型解析求出。另有若干工程优化：extend 模式的 CUDA graph、进程内 router、联合 KV 显存分配等。

• 15 组算法×负载组合（并发 4）下，吞吐比更强的 baseline 高 2.01–64.15×，端到端延迟比 Std. Serving 降低 2.03–63.64×（p.1, p.7-8, Fig.5/6）
• 在各算法原始设置下，吞吐提升 2.73–21.97×、延迟降低 2.78–21.61×。例如 R2R 从 89.62 升到 244.56 token/s，高于 LLM-only 的 145.30；但 Co-LLM 只有 76.02，低于 LLM-only 的 134.79，R-Stitch 为 140.58，也低于 150.41（p.8-9, Table 2）
• 消融（并发 8）：吞吐从 base 的 132.78 经 CUDA graph 升到 230.79，加 async 后 296.86，再加 delayed batching 后 372.48 token/s，为 R2R 官方实现的 2.76×；但在并发 1 时，async 和 delayed batching 贡献为 0，吞吐都是 73.02（p.8, Table 6 p.14）
• 不同 SLM/LLM 组合下，比 R2R 官方实现吞吐提升 1.99–3.21×，例如 0.6B/8B 组合从 105.1 升到 336.98 token/s（p.9, Table 3）
• DTMC 模型在 N=2/3/4 时预测的最优阈值 B 与实测最优完全一致，例如 N=4 时预测 207.9、实测 197.4，最优点都在 B=3（p.20-21, Fig.10）

真正的新意在系统抽象层面：首次把各类 token 级路由算法统一成 route/send/receive 生命周期，并用 pending 状态的 handoff-resume 让请求跨模型时保留 KV 和调度状态。Table 10 显示，Std. Serving 的 SLM 侧每步约 80% 时间耗在 prefix matching、radix cache 锁与更新上，真正的推理只占 4.2%，这是很扎实的痛点定位。异步多循环和延迟批处理本身是排队论和 serving 领域的常见思路；DTMC 求阈值属于工程上合理的建模，并非方法论突破。整体是一篇扎实的“把算法落地成可用系统”的工作，而不是新的路由算法。

1) 64.15× 的上限主要来自极弱的官方实现，例如 Co-LLM 官方实现只有 0.7 token/s，属于“打弱基线”；更有意义的数字是对 R2R 官方实现的 1.99–3.21×。2) Std. Serving 是作者自建的基线，缺少 handoff-resume，开销被 radix cache 操作主导，有一定稻草人嫌疑。3) Table 2 显示，Co-LLM 和 R-Stitch 经 TokenRouter 加速后，吞吐仍低于直接跑 LLM-only，说明 token 级路由不一定比单用大模型更划算，正文对此轻描淡写。4) 缺少与投机解码（EAGLE 等）的对比，而投机解码才是“小模型加速大模型”最直接的竞品。5) 18.58× 是拿并发 16 的 TokenRouter 与并发 1 的 R2R 相比，口径偏宣传。6) 并发最高只测到 16，质量对比只在 AMC23 一个 benchmark 上做了 Pareto 图；并发 1 时异步和延迟批处理零收益，低并发下的增益全部来自 CUDA graph 等工程优化。总体来说，系统工作扎实，DTMC 验证也做得到位，但标题数字有放大成分。

✅ 官方资源 · https://github.com/thu-nics/TokenRouter
官方仓库存在（29 星，2026-10-09 有更新），但没有 license，商用存在法律不确定性。系统基于 SGLang 0.5.1，用 ZeroMQ IPC 通信。论文实验在 8×A100-80G 上完成，最小配置为 0.6B 模型 1 卡 + 32B 模型 2 卡（TP=2），两者通过 CUDA MPS 共享。数据集为公开数据（AIME2024、SWE-Smith、AMC23）。CITER 和 Co-LLM 的 router 需自行训练或微调，R2R 使用其官方 router；论文未说明仓库是否附带这些 router 权重。

应用落地可以把它的“文本 3D metadata 提升 VLM 空间推理 +30.7pp”结论落到室内类产品上，例如家装/搬家规划助手：先用 iPhone LiDAR/RoomPlan 得到物体 3D 框和朝向，再序列化成文本喂给 VLM，回答“沙发挪到窗边后电视会不会被挡”这类问题，替代直接把照片丢给 VLM。

研究跟进(1) 让 VLM 内部维持可更新的显式场景表示（scene graph/BEV memory），并在推理时调用几何工具重算关系；(2) GRPO 在这类难任务上奖励稀疏，只有 37.7%，可以研究课程式 RL 或用 SFT 冷启动再接 RL；(3) 生成式编辑模型在精确物体搬移上的保真度（形变、缺失、尺度和透视错误），可以把本文的审计流程做成 image-editing 的空间一致性评测；(4) 扩展到户外场景和带物理动力学的干预。

可复用方法可直接复用的有：① attachment graph 的构建规则（表面接触+支撑重叠+语义兼容，每个子节点最多一个父节点，取传递闭包），用于推断“移动 A 会带动哪些物体”；② bridge view 选择算法（3D corridor 采样、深度一致性、≥10% 覆盖重叠）；③ 附录 C.7 中物体重定位编辑的 prompt：双面板参考图+inpainting mask+背景修复 prompt，以及 Seedance 多参考图的视频 prompt；④ Staged SFT 配方（先 L1，再 L2/L3 并回放 L1；LoRA r=32，lr 1e-4，aligner 1e-5）。

背景 现有空间推理 benchmark（VSI-Bench、MMSI、SPAR 等）主要考察“空间感知”，也就是从已看到的画面里直接读出空间关系。它们不考察“空间预测”：在物体被移动、旋转、删除或整个布局旋转之后，模型能否推断出没有被观测到的新空间关系。MindCube、SAT 等工作只覆盖了局部方面，缺少可控、可分解诊断的评测。

方法 基于 ScanNet/ScanNet++ 的带位姿 RGB-D 场景，构建实例几何和有向附着图（attachment graph，用于决定哪些物体会跟着一起被移动）。用“锚点+桥接视图”构造经深度校验的多视图链：两个锚点分别只暴露各自的查询物体，中间的 bridge view 沿 3D corridor 衔接，所有视图都只显示变换前的场景。随后在 3D 中执行 L2 局部（平移、绕轴环绕、删除）或 L3 全局（整体 yaw 旋转）变换，用空间关系引擎重新计算方向（相机/物体/世界三种参考系）、距离、遮挡（ray casting）和附着关系，得到标签。最后经自动过滤和双人盲审进行质控。

• 21 个模型中最强的 Gemini 3.5 Flash 总分 58.0%，人类 87.2%，差距 29.2pp；最强开源模型 Qwen3.5-27B 为 39.3%；6 个空间专用模型只有 25.7–29.1%，接近随机基线 25.9% (p.6-7, Table 1)
• 强模型在 L2 局部预测上明显掉分（Gemini 3.5 Flash L1→L2 下降 21.8pp），但 L3 全局旋转反而回升到 69.4%；SenseNova-SI-1.2 的 L3 仅 16.1% (p.7)
• 外部证据：给出文本 3D metadata 后，专有模型平均 +30.7pp、开源模型 +10.9pp，空间专用模型 −3.3pp；用生成图像/视频作为“世界模型证据”收益很小，在错误样本中，Qwen-Image-Edit 有 80.3%、GPT-image-2 有 38.3% 与生成失败相关 (p.8)
• 去掉 bridge views 后，世界坐标方向准确率从 39.9% 降到 34.6%（−5.3pp），相机坐标和物体坐标分别只降 1.9pp 和 1.7pp (p.8, Fig.6)
• Qwen3-VL-4B 用 LoRA 做 Staged SFT 后，in-domain 从 34.0% 升到 65.7%，6 个 OOD benchmark 宏平均从 33.5% 升到 38.1%（DSI +10.2pp），但 MindCube 降 0.3pp；GRPO 只到 37.7% (p.9, Table 4)

真正新颖的部分有两点。一是把“干预后、结果不可见”的空间关系推断做成了可控、可分解的诊断：按层级 L1/L2/L3 × 关系类型 × 参考系拆分，并区分了 2,217 道关系会变化的题和 277 道关系不变的题。二是数据管线：disjoint anchor + depth 校验的 bridge view chain，加上 attachment graph 的传递闭包，用来自动生成共同移动的标签，这套工程可复用于大规模造训练数据。概念层面并不算全新：MindCube、SAT、SpaMEM 已经涉及 what-if 和物体操作后的推理，本文更多是在覆盖面、可控性和诊断粒度上做了系统化。“3D 显式证据远优于生成式世界模型证据”这一对照实验比较有信息量。

1) “微调后 34.0→65.7%”是用同一管线、同一模板生成的数据训练的结果，in-domain 大涨在意料之中，不能说明学到了通用能力。真正有说服力的是 OOD，但宏平均只提升 4.6pp，且 OOD 用的是小子集（VSI 150 题、SPARTQA 250 题），没有报告方差，MindCube 还略有下降。也没有对照“用其他空间数据（如 SAT、MindCube 训练集）做同等规模 SFT”的 baseline，因此无法判断是本数据特别有效，还是任何空间数据都能带来同样收益。2) 数据分布严重偏向 ScanNet++：48 个场景贡献 3,144 题，L2 几乎全部来自 ScanNet++（p.14 Table 5），场景多样性比“182 scenes”这个数字看起来要窄。3) 问题模板很长、约定很多（如“frozen facing frame”、“camera 朝北”等），一部分难度来自对复杂指令和参考系约定的解析，而不仅是空间想象。空间专用模型接近随机（Spatial-MLLM 的 attachment 得分为 0.0），很可能部分源于多选格式或 CoT 输出格式不兼容，论文没有做格式失败率分析。4) 被评测的 SpatialLadder 是作者自己的工作，不存在偏袒问题，但“空间微调范式无效”这一结论应限定在这类分布外任务上。5) CoT 一律使用统一的简短推理 prompt，对 thinking 类模型可能不公平；Claude 仅得 36% 也可能受多图输入处理方式影响。总体而言，诊断性分析（3D 证据 vs 生成证据、bridge view）扎实，是本文最可信的部分。

✅ 官方资源 · https://github.com/ZJU-REAL/SpaceCast-Bench
官方仓库存在（Apache-2.0，⭐7，有内容），评测集托管在 HF（hongxingli/SpaceCast-Bench）。论文没有明确说明是否发布微调后的 Qwen3-VL-4B 权重，这里按未发布处理。复现评测：开源模型需单卡跑 4B–27B 推理，专有模型需要 API 费用（9 个闭源模型 × 3,862 道多图题）。重新生成数据需要 ScanNet/ScanNet++ 的原始数据，两者都要签协议申请。训练部分只是 4B 模型 LoRA SFT，在 12,249 题 / 24,576 次样本上训练，单机几张 A100 级 GPU 即可。OOD 评测用的是各 benchmark 的子集（例如 VSI 只抽了 150 题），完全对齐需要用到仓库中的子集列表。

应用落地做一个“参数调优 Agent”SaaS 功能：用户给出可评估的目标（如 RAG 的检索命中率、客服回复满意度评分、生图提示词对应的美学分），agent 在沙箱里读参数语义、写分析代码，提出下一组配置。借用论文的 handoff 结论：前 N 轮用 LLM 探索，之后交给 TPE/TuRBO 收敛，能显著降低 token 成本。

研究跟进1）成本感知路由：何时该调用 LLM、何时交给数值优化器，论文只测了固定 warm-up 长度（BBOB 16 轮、HPO 8 轮）。2）自动识别先验是否正确，避免错误先验抵消收益。3）多优化器组合供 agent 选择。4）处理 benchmark 记忆污染：LLM 可能熟悉 BBOB 和 GuacaMol 的参考分子，可做去污染版本。5）把 agent 生成的优化器做成跨任务可泛化的 meta-BBO。

可复用方法可直接复用的做法：1）任务卡（task.md）+ 按需检索接口（get_search_space / get_trial_history），大搜索空间和历史不塞进 prompt，减少上下文膨胀。2）候选先在宿主端校验，非法提交不消耗预算并回传给 agent 修改。3）评估器隔离在容器外，防止 agent 作弊或偷看打分实现。4）0.7 anytime + 0.3 final 的归一化评分，以 GP 参考作 0.6 锚点，可用于任何“迭代优化类 agent”的评测。5）给 agent 提供参数语义（名称和含义），比塞大段领域知识更稳。

背景 现有 Agentic BBO 工作各自使用不同的任务域、harness 和工具配置，结果无法横向比较，也说不清究竟是哪个设计选择在起作用。已有基准只覆盖单一场景（如 AgentHPOBench 只测 HPO），缺少跨异构搜索空间（连续、混合、结构化离散）的统一有限预算评测协议。

方法 1）把五个已有 benchmark 族（共 77 个任务）放进统一协议：相同初始观测、相同目标评估预算；只有被接受的候选消耗预算，LLM 推理和本地计算不计入。Agent 在隔离的 Docker 容器里通过 bbo_tool.py CLI（get_task_context / get_search_space / get_trial_history / submit_candidate 等接口）与宿主端评估器交互，评估器对 agent 不可见。2）评分采用 normalized anytime 指标：0.7×整条 best-so-far 轨迹的平均归一化质量 + 0.3×最终解质量，并以同条件下 GP 参考结果作为 0.6 锚点。3）用 DeepSeek V4.1 Flash + Codex harness 做受控消融，覆盖三个因素：GP 工具（Suggest 与全套 Tools）、任务信息（匿名/语义/完整先验，以及受控的错误先验）、LLM 角色（全程在线、只控制 GP 策略、warm-up 后交给 TuRBO 等、离线写优化器）。另设五任务 frontier challenge，比较 7 个前沿模型的性能与成本。

• Agentic 相对 Direct 在全部 5 个任务族上更好，平均相对提升 30.3%：BBOB 从 0.460 到 0.661，GuacaMol 从 0.565 到 0.840 (p.6)；但 DBTune 上 TuRBO 0.660 明显高于 Agentic 0.525 (p.7, Table 2a)
• 额外的 GP 工具反而略差：基础 Agentic 均分 0.589，+GP Suggest 为 0.574，+GP Tools 为 0.538；即使提供了 GP 工具，仍有 35.4% 的轮次只用自写 Python (p.7)
• 暴露任务语义使均分从 0.465 升到 0.595，再加领域先验反而降到 0.569；受控实验中正确的 support + geometry 先验把均分从 0.685 提到 0.872，support 给错则跌回 0.682 (p.7-8)
• Agent 先跑一段 warm-up 再交给 TuRBO 得 0.570，与全程 Agentic 的 0.569 持平，远高于从初始点直接跑 TuRBO 的 0.475；LLM 离线写出的优化器在 held-out 任务上只有 0.501，各 session 间差异大，其中 HPO session 3 在开发集上 0.607、held-out 上仅 0.279 (p.9, p.33)
• Frontier challenge：GPT-6 Astra 均分 0.591，DeepSeek V4.1 Flash 0.584，二者接近但成本相差一个数量级以上；没有模型在所有任务上都占优，DBTune 上不同模型从 0.032 到 0.501 不等 (p.9, Fig.1 p.2)

真正的新意在于“统一协议 + 受控消融”，而不是方法本身。把 Codex 这类通用 coding agent 直接当黑盒优化器，并在跨域任务上公平对比，此前确实缺这样的工作。几个结论有实际价值：给 agent 塞更多数值工具未必有用，它更倾向自写任务专用分析；先验的价值取决于正确性和可执行性，而不是详细程度；agent warm-up 后交给数值优化器即可保持性能，这对降成本很直接。至于 Agentic BBO 的框架和归一化评分，分别借鉴了 Sara/Agentic BO（Brunzema 2026）与 RSI-Exam，不是原创。

1）统计功效偏弱：主表每个任务只跑 2 个 seed，frontier challenge 每个模型每个任务仅 1 次，全文没有标准差或置信区间，而 DBTune、BBOPlace 上模型间方差极大（如 Gemini 在 BBOPlace 上 0.125），排名可靠性存疑。2）预算口径偏向 agent：LLM 推理和本地计算不限量且不计入预算，agent 每轮能自己拟合代理模型、写搜索程序，而数值基线没有这种算力，“超过 TuRBO”应理解为“在只计目标评估次数的前提下”。3）分子设计基线异常弱：Graph-GA 0.054、Molecular GPBO 0.127，而 Graph-GA 在 GuacaMol 上通常是强基线，可能是预算和实现设置导致，作者也未对基线重新调参，GuacaMol 上 +48.7% 的“碾压”需要打折扣。4）数据污染未讨论：LLM 很可能熟悉 BBOB 函数形态，以及 Median1 的参考分子樟脑、薄荷醇；frontier challenge 中 Median1 各模型都在 0.81 到 0.82，已基本饱和，几乎没有区分度。5）默认 harness 和 prompt 是围绕 DeepSeek V4.1 Flash 调的，它在 frontier 榜上排第二，可能存在主场优势。6）各消融只用 8 个任务、4 个 seed，task panel 之间相互复用，结论（例如 GP Tools 0.538 对 0.589）的差距是否显著并不清楚。整体结论措辞还算克制（作者自己承认离线开发部分只是 descriptive evidence），但“agentic 在四个领域超过最强数值优化器”的说法证据偏薄。

✅ 官方资源 · https://github.com/lamda-bbo/agentic-bbo
官方仓库存在，MIT license，刚 push、仅 1 星，内容成熟度待确认。论文称已发布的 artifact 包含接口 JSON schema、任务卡，以及 LLM 生成的优化器源码。复现需要：Docker 环境、Codex harness 和 LLM API（默认 DeepSeek V4.1 Flash high-reasoning）。每个任务要跑 25 到 200 轮 agent 交互，token 成本不小，按 Fig.1 每任务约 0.5 到 50 美元不等。数据方面，BBOB/COCO、Bayesmark、DBTune 代理模型、BBOPlace-Bench、GuacaMol 均为公开 benchmark；HPO 需要实际训练 sklearn 模型，但都是小数据集，CPU 即可。不涉及模型权重。

为什么有意思人们常觉得“针对性地练某项品质（比如坚持、善良）就能让人变成那样的人”。这项研究显示，自己感觉确实在变，但做一个完全不相干的“感官愉悦”练习的人也同样觉得自己变了——很可能是“我在认真改善自己”这件事本身带来了感觉和自评上的变化。对日常生活的启发是：自我提升类课程、习惯打卡 App 的效果，要小心区分‘真有效’和‘参与就觉得有效’，身边人的评价可能比自评更诚实。

属于哪个分支与学科脉络属于人格心理学中的“自愿人格改变”（volitional personality change）与干预研究，也连着积极心理学的性格优势（VIA）传统。近几年该方向从“成年人人格不变”转向“能否有意改变”，Hudson & Fraley (2015)、Stieger 等 (2021 PNAS) 报告了正面结果，但样本小、对照弱。这篇处在“严格化与校准”的位置：延续该方向，同时用安慰剂对照对乐观结论提出温和的反驳，并呼应心理治疗研究中的“共同因素”传统。

对想学心理学的人这篇是一个很好的“现代干预研究怎么做”的样本：预注册、功效分析、随机分组、意向性分析、多层模型、自评+熟人评+每周测量、公开数据与代码；也展示了现实困难——高达60%的流失、事后偏离预注册（改用分段线性模型）。学这个方向需要实验设计、R 与多层/纵向模型、测量与缺失数据处理的技能。该领域（人格、积极心理学、数字干预）学术上活跃，与心理健康应用、组织培训相关，应用岗位常需要懂干预评估和数据分析的人。

背景 很多成年人想改变自己的人格，过去十年的研究也报告了干预能带来变化。但此前研究大多只和“等候名单”（什么都不做、等着之后再接受干预）比较，无法排除期望、参与感等非特异因素，且样本小、随访短、几乎只依赖自评。本文用安慰剂对照来检验“练习某项性格优势”本身是否真有额外作用。

方法 预注册的随机对照试验，在线进行（2021年3月–2023年8月），N=3,434 名成年人（79.6% 女性，中位年龄47岁，近半有大学学位），随机分到三组：性格优势干预（从自己想提升的优势中选一项，8周每周设目标、if-then 计划、障碍预案、实践）、结构相同但内容是“感官愉悦”活动的安慰剂组、等候名单组。结果包括自评性格优势特质（VIA-IS，240题）、每周自评的优势“状态”、熟人评分（仅前后测）、大五人格（BFI-2-S），并在12周和24周随访。用多层线性模型（分段线性），按意向性分析（所有随机分配者都纳入），所有变量按前测均值和标准差做标准化；安慰剂组被分配了“目标优势”（其最想提升的那项）以便比较。

• 样本流失严重：只有 40.2%、24.7%、21.1% 的人完成后测、随访1、随访2；干预组（r=.23）和安慰剂组（r=.17）比等候组（r=–.40）更容易退出 (p.18)
• 针对的优势“状态”（每周行为频率）：干预组增长显著大于等候组和安慰剂组；安慰剂组也大于等候组 (p.20)
• 针对的优势“特质”（自评）：干预组和安慰剂组都比等候组涨得多，且二者彼此相近，涨幅在随访中基本保持 (p.19)
• 熟人评分：针对的优势有小幅上升，但三组之间无差异；未针对的优势无显著变化 (p.21)
• 大五人格：干预组神经质下降、外向性和宜人性上升（相对等候组），但安慰剂组变化相当；尽责性和开放性无显著变化 (p.22–23)
• 功效分析：样本可检出每月 0.05 SD（自评特质）、0.07 SD（状态）、0.09 SD（熟人评分）的变化 (p.11)；论文正文未给出具体的效应量数值，需查补充材料表 S3–S6

真正新的是设计：首个把“可信度匹配的安慰剂”和等候名单同时放进自愿人格改变研究的大样本试验，并结合自评、熟人评分和每周状态测量。其价值主要在于“负面/校准性”结论：以往对等候组的‘显著效果’很大一部分可能是非特异因素。干预的理论内容（性格优势练习）并非单纯没效，而是在“状态”层面有特异性，但是否转化为稳定特质仍未证实。

优点：样本大（3,434）、随机、预注册、安慰剂+等候组双对照、数据代码公开、多方法测量，作者对局限也相当坦诚。问题：(1) 流失率极高（后测仅40%），且各组不均衡（等候组流失少），虽用意向性分析，但缺失机制可能影响组间比较；(2) 样本自选、近80%女性、高学历、讲德语，WEIRD特征明显，招募时宣传为“幸福习惯”，期望可能偏高；(3) 偏离预注册：改用分段线性模型，把目标/非目标优势分开建模，说明分析有自由度；(4) 安慰剂组被分配“目标优势”是人为设定，且安慰剂并非真正“惰性”（感官愉悦可能直接影响情绪相关特质）；(5) 熟人评分仅前后测、样本更少（后测622）；(6) 多个结果、多个模型比较，未明确多重比较校正；(7) 自评特质在两个活跃组中的相似可能反映期望/需求效应，不能直接解释为真实人格变化。论文正文也没有直接报告效应量，要看补充材料。总体：对‘效果多是非特异的’这一结论证据较强，对‘没有任何特异效果’的结论证据较弱（熟人评分功效有限、随访无熟人数据）。

✅ 官方资源 · https://osf.io/ynu6g/
作者在 OSF 公开了数据、全部分析的 R 代码、干预材料和补充表图（codebook 也在内）；预注册在 AsPredicted（m5v4-bcbv）和修订版 OSF（v6hu5，数据收集后、分析前）。可直接复现分析，复现干预需要重新招募大样本并用德语材料。我没有实际打开链接核对内容，以论文声明为准。

为什么有意思我们常说“聊得来的人心有灵犀”，这篇给了一个可测的版本：真正聊起来的两个人，大脑活动比照稿念时更同步，涉及注意、情绪和理解他人的脑区。但要注意，照稿朗读也同步，说明很多“同步”只是听着同样的声音。它也不能说明“默契”本身，更不能解读为读心。

属于哪个分支与学科脉络属于社会神经科学 / 社会认知神经科学，具体是“多脑研究”（two-brain，超扫描）。该方向从让人被动听故事（Hasson 组），发展到真实互动，近年又从 EEG/fNIRS 转向 fMRI，并与语言模型结合（文中引用了 Zada 等人的工作）。这篇延续并细化了作者团队此前的发现（朋友会探索、陌生人趋同），位置是“方法补强型”论文而非开创型。

对想学心理学的人这篇展示了现代认知神经科学的真实日常：每对被试躺两台扫描仪、用降噪麦克风聊天，大量时间花在预处理（fMRIPrep）、混合效应模型、多重比较校正上。需要的技能有 Python/R 编程、统计（尤其是时间序列和混合模型）、实验设计，以及对 fMRI 噪声的敏感。这个方向就业多在学术界或数据科学、人机交互、脑机接口相关行业，但经费、扫描成本都高，样本常常只有几十对。

背景 人们聊天时，心率、动作、用词都会趋同，但“两个大脑如何靠近”还不清楚。以往多用录音让人被动听故事，或用只能测大脑表层的 EEG/fNIRS（脑电与近红外）测聊天，缺少既保留轮流说话结构、又去掉“共同创造内容”的对照，也难以看到深层脑区。

方法 用 fMRI 超扫描（hyperscanning，即两人同时在两台扫描仪中扫描）。57 对被试（114 人，平均 20.6 岁，30 对朋友、27 对陌生人）各完成 20 段 3 分钟对话：10 段自由聊天（用 Fast Friends 亲密度递增话题），10 段照着另一对人的聊天稿子轮流朗读，二者都用按钮交接发言权。核心指标是被试间相关（ISC）：每个轮次内两人各脑区信号随时间变化的相关程度，既算同步（零延迟），也算前后错开 ±1.5~6 秒的延迟版本，用来看谁“领先”谁。统计采用线性混合效应模型（每个脑区、12 个脑网络），FDR 校正，并做了预白化（去除信号自相关）等稳健性检验。

• 自由聊天中同步最强的是听觉网络（r = 0.27）和语言网络（r = 0.21），其次是后部多模态（0.15）、脑岛-扣带盖网络（0.14）、额顶控制网络（0.11）、默认网络（0.11）(p.6)
• 照稿朗读也有明显同步（听觉 r = 0.26，语言 r = 0.20），说明大量同步来自共同的听说输入和轮流结构 (p.6)
• 自由聊天整体同步高于照稿：条件主效应 F(1, 1235626) = 158，p < 0.001；除语言网络和初级视觉网络外，其余网络均显著更高，但差值很小，如默认网络 β = 0.01，扣带盖网络 β = 0.04，躯体运动网络 β = 0.03 (p.7-8)
• 延迟分析：在 ±1.5 秒的短延迟上，自由聊天里说话者脑活动领先听者、听者也领先说话者的程度都更大；长延迟（±4.5~6 秒）同步很弱。去除自相关后，短延迟结果仍在，长延迟的“预判”基本消失甚至反相关 (p.8-11)
• 照稿对话仅在语言网络部分区域、左 STS 及伏隔核等皮层下区域同步更高，没有任何网络整体上超过自由聊天 (p.8)

创新点主要在设计：用“朗读另一对人的聊天稿”做对照，保留说话、听、轮流等表层结构，只去掉共同创造内容，并用 fMRI 看全脑与皮层下。这比单纯证明“聊天时大脑同步”更进一步。但这是同一团队系列（Speer 2024 等）的延续，效应很小，所谓“预判”在 fMRI 1.5 秒分辨率和血流信号自相关下证据较弱，新意中等。

优点：57 对被试在该领域算较大；用混合效应模型处理非独立性；在两套脑区划分上复现；做了预白化和去任务回归的稳健性检验；denoising 流程在假设检验前确定。局限：1) 样本是大学生为主、平均 20.6 岁的美国校园人群，女性占 64%，且为 WEIRD；2) 效应极小（网络间差异 β 多在 0.01–0.04，相对于 r = 0.1–0.27），大样本下显著不等于重要；3) 没有预注册，也无独立重复；4) 对照并非完美：照稿时朗读者要读稿、不需要想内容，听者难以认真听，所以“差异”可能反映注意力、认知负荷、情绪卷入等一般差异，而不一定是“共同创造意义”本身；5) 没有把同步与沟通效果、理解程度或关系质量挂钩，因此“同步帮助沟通”仍是推测；6) 延迟分析在 1.5 秒时间分辨率下、且血流信号自相关强，“预判”解读要谨慎，文中也承认长延迟的预判大部分是自相关造成的；7) 此版本为预印本，未经同行评议。

✅ 官方资源 · https://github.com/Princeton-Social-Neuroscience-Lab/ISCconv
作者称分析代码在实验室 GitHub 公开；文中未说明原始脑影像数据或预注册是否公开，复现需自行获取数据。刺激用的 Fast Friends 题目见补充材料 Table S2（Aron 1997 公开量表）。

为什么有意思直觉上我们以为「克服恐惧」是学到了新东西，旧恐惧就被抹掉了。这篇的观点是旧恐惧一直在，只是随时间「负面记忆比安全记忆忘得慢」，于是天平慢慢倾斜回来。这解释了为什么一次顺利的治疗或一次勇敢面对之后，过几周恐惧又冒出来，也提示「多做几次、隔开做、给安全体验贴个线索」可能比一次做完更稳。

属于哪个分支与学科脉络属于计算精神病学与临床/学习心理学的交叉：从巴甫洛夫的条件反射和Bouton的情境理论，到Gershman、Niv的潜在原因模型。近几年的趋势是不再只看平均效应，而是给每个人拟合一个模型，把「为什么人和人不一样」变成可测量的参数。本文在这条线上属于延续并挑战旧解释：用预注册重复和多数据集来比拼不同机制，而非只提一个故事。

对想学心理学的人这篇很好地展示了现代研究的做法：在线招募几百人、事先用预试数据定分组规则、把探索集和验证集分开、预注册后再重复、对模型做参数可恢复性检验。需要的技能包括编程（MATLAB/Python）、概率与贝叶斯模型、统计（秩检验、bootstrap、AIC）和临床量表知识。这个方向在学术界和计算精神病学、数字医疗公司里有需求，但门槛是数学与编程，通常需要研究生训练。

背景 暴露疗法（让人在安全情境下反复面对害怕的东西）是焦虑症的主要疗法，但多达62%的人会复发；实验室里对应的现象叫「自发恢复」：恐惧被消退后，隔段时间不经任何新刺激又回来了。已有理论认为「恐惧记忆」和「安全记忆」是两条相互竞争的记忆，但没解释为什么两者的相对强弱会随时间改变。本文提出「选择性维持」：所有记忆都会衰减，但与危险相关的记忆衰减得更慢，所以时间一长危险记忆占上风。

方法 受试者通过Prolific在线完成约50分钟的恐惧条件反射任务：月亮图（CS+，约一半次数后接尖叫声）、蜡烛图（CS-，从不接尖叫）；依次为习得、消退、15-20分钟后的自发恢复测试、再学习，期间反复评定「会有尖叫的概率」。作者用「潜在原因推断」这一贝叶斯模型框架（人会推断观察背后是哪个隐藏原因，每个原因对应一条记忆）构建9个模型：基础模型、衰减、选择性维持、高/低显著性、时间加权（Devenport）、加工损耗（Pavlov）等，对每个人逐一拟合并用AIC比较。根据预试数据事先定好规则，把受试者分为4组（SR恢复组、No SR无恢复组、回到起点组、泛化组）。数据来自探索集（N=316）、预注册重复集（N=355）和有内化症状（抑郁/焦虑）的样本（N=520），并把模型参数与GAD7、HiTOP焦虑量表做了探索性相关，还做了干预模拟。

• 探索集中，「选择性维持+低显著性」模型拟合最好，比次优的选择性维持模型平均AIC低4.83（95% CI [-6.67,-3.15]，Cohen's d=-0.31）；在SR组差2.59（d=-0.25）(p.9, p.12)
• 预注册重复集（N=355）中结论重现：比无选择性维持的最佳模型平均AIC低8（d=-0.62），但两个含选择性维持的模型在SR组彼此无显著差异（p=.44）(p.17-19)
• 有内化症状样本（N=520，PHQ9均值11.08）中同样重现：优于最佳无选择性维持模型10.61（d=-0.51），两个选择性维持模型之间无显著差异 (p.19-20)
• 选择性维持参数在SR组高于No SR组：探索集 Z=5.32, r=.33；重复集 r=.36；症状样本仅 r=.14；该参数与实测自发恢复量相关 ρ=.44（重复集.5，症状样本仅.18）(p.12, p.16, p.19-20)
• 参数与症状的关联很弱：创伤反应与选择性维持 ρ=.09, p=.036（多元回归 R²=0.035，调整后0.018）；GAD7与先验随机性 r=.094, p=.033（调整R²=0.007），均为探索性分析 (p.21-22)

真正新的是把「危险记忆衰减更慢」这一具体机制写进潜在原因模型，并与时间加权、神经疲劳、显著性增强等经典解释做了定量擂台比较，而且用预注册重复检验。但「情绪记忆保持更好」本身并非新观点，只是被形式化并用于解释自发恢复。症状关联和干预建议属于较弱的延伸，更像提出假说而非发现。

优点：样本大（316/355/520）、预注册重复、事先设定分组规则、做了参数恢复、用了多个替代模型并以惩罚复杂度的AIC比较，也排除了反应风格差异。局限也明显：①是在线、自报式的「预期尖叫概率」评分，没有皮肤电等生理指标，且「恐惧」被当作预期评分的代理；②自发恢复只有一次评分（一个时间点），分组又是依此定义，SR/No SR差异部分是循环的；③休息只有15-20分钟，不同于临床常见的数日到数周，24小时版本数据「未展示」；④效应量小到中等（d≈-0.25至-0.3，症状样本r=.14），模型优势在重复集和症状样本中两个选择性维持模型无显著差异，所以「低显著性」成分未被稳健支持；⑤症状关联很弱且探索性（p≈.03–.04，调整R²≤0.018，多重比较未校正）；⑥干预部分纯模拟，不能算证据；⑦参数估计依赖单个被试拟合，分组的小样本（Generalizers仅11-18人）不可信；⑧AIC胜出不等于机制被证实，作者也承认无法区分「危险记忆被维持」与「抑制性联结衰减更快」。无明显利益冲突，一位作者曾有短期咨询工作。

✅ 官方资源 · https://doi.org/10.17605/OSF.IO/UCZNF
预注册已公开（OSF）。论文称建模与分析代码已存入git仓库、发表时对所有人开放；任务数据和建模数据将在发表时放入数据仓库，心理健康症状数据仅按申请提供。本文所给文本中未见具体代码链接，补充材料（含任务细节、问卷项目）只给了前40页，所以任务细节可从方法部分复现，但数据和代码目前未能确认可直接获取。

为什么有意思直觉上会觉得“一看到是AI就不理它、骂它”，结果更微妙：被标成AI后人们只是略少回复（约3.5个百分点），更明显的变化是批评变多，而且不少人是边批评边继续聊，甚至有人说“我讨厌同意一个机器人，但这是个好观点”。另一个贴近生活的发现是互惠：被AI回复过就更愿意回过去，这提醒我们和AI的“关系”可能和和人的关系一样，会靠一来一往形成。

属于哪个分支与学科脉络属于社会心理学与计算社会科学、人机交互的交叉（“人–AI混合社会系统”）。近几年的趋势是从“单次问卷看AI标签”转向“在平台上长期观察人与AI共处”，如 LLMs Among Us、AmongOthers 等同类研究。这篇是延续与方法扩展：用具备记忆和人设的LLM智能体搭建可控的仿真社区，借助 Goffman 的框架理论与互惠规范解释结果，但样本小、设计弱，还谈不上开创或定论。

对想学心理学的人这篇让你看到现实中的研究怎么做：被试只有36人，但数据是几千条行为记录，所以用贝叶斯多层模型来处理“同一个人重复出现”的问题；还要用大模型标注文本，再让人工验证。想做这个方向需要统计建模（R/Python、贝叶斯）、基础编程和数据清洗、实验设计和研究伦理（本研究对隐藏标签组使用了隐瞒，事后说明）。这类“社会心理学+计算”的方向在学术界和平台、AI安全类岗位都有需求，但要同时懂理论和技术。同时它也是一个很好的反面教材：看清“每组只有一个社区”会如何限制结论。

背景 社交媒体上越来越多地出现会自己发帖、回复、点赞的AI账号，人们知道对方是AI时，会不会改变回复谁、怎么评价对方？以往研究多是单次实验或自我报告（如标注“AI生成”会降低参与意愿），较少在长期、真实互动的社区里追踪人们对具体AI账号的反应。

方法 研究者用 YSocial（一个由大模型智能体填充的仿Reddit平台）搭建两个并行社区：可见标签社区（20名人类+40个AI账号，AI用户名旁有机器人图标）和隐藏标签社区（16名人类+32个AI账号，无图标），持续21个有效实验日，话题为流行文化。AI账号由 Dolphin-Mistral-24B 驱动，有固定人设和对每个对话对象的“关系记忆”。人类被试是塞尔维亚诺维萨德大学的学生，靠领取代金券的活跃度激励参与。分析用贝叶斯模型：回复目标选择（在同一帖子的候选楼层里选谁回复）、此前互动方向与后续选择、批评/毒性（Detoxify）/踩票，批评与“AI身份提及”由 GPT 大模型标注并用三位作者做人工验证。另有浏览器遥测的“直接进入帖子”分析（事后增加）。

• 回复目标选择：隐藏标签社区中回复AI内容的概率比可见标签社区高3.5个百分点（95%可信区间0.5–6.5；两社区标准化后分别为32.5%与29.0%），共2,143条人类回复 (p.5)
• 此前互动方向：AI回复过某参与者后，该参与者之后选择回复该AI的概率提高约11个百分点（可见11.3，隐藏10.7）；参与者先回复过AI后则降低约6–8个百分点（−7.6/−5.9）；两社区差异不确定 (p.9)
• 批评：可见标签社区中“对AI的批评占比与对人类的批评占比之差”比隐藏社区大13.3个百分点（95%CrI 5.1–21.4）；原始比例为：可见社区回复AI时35.0%含批评、回复人类时4.7%；隐藏社区为20.3%与2.6% (p.10–11)
• 直接进入帖子：AI帖在可见标签下的进入概率为3.7%、人类帖13.8%；隐藏标签下分别为5.9%和11.6%；AI相对劣势在隐藏标签下小4.4个百分点（CrI 0.8–8.1）(p.8)
• 毒性差异不确定（对AI的回复：可见6.9% vs 隐藏5.1%，p=0.257）；提到“AI身份”的评论仅23/2,574条，其中22条在可见社区 (p.10, p.12)；批评标注的三位人工标注者一致性只有 Krippendorff's α=0.515 (p.10)

新意主要在设计而不是发现：在持续三周、有记忆的AI账号与真人共处的混合社区里，区分“回复了谁”（社交回应）和“评价如何”（批评、踩票），并发现“被AI回复过则更愿意回复回去”的互惠模式。但核心的标签效应只来自“每种条件一个社区”的对比，属于探索性线索，而不是干净的因果证据。

主要局限：（1）每个条件只有一个社区，标签可见性与参与者群体、简报措辞（隐藏组被暗示可能有国际学生）、社区各自的演化混在一起，作者自己也承认不能归因于标签本身；（2）36名同一所塞尔维亚大学的学生，用英文讨论流行文化，是典型的小样本、非代表性样本；（3）效应不大且不稳：回复AI的3.5个百分点差异下限接近0，仅做“authorship term only”敏感性分析时可信区间包含0，事后功效仅约64%；预测检验中加入AI因素并未提高留出预测；踩票结果在“只取首次回复”后区间包含0；（4）未预注册，批评与踩票模型是探索性的，直接进入分析在数据收集后设定；（5）批评由GPT标注，人工一致性仅α=0.515，标注样本为刻意选取；AI账号使用“未审查”模型且部分被设置为高毒性人设，其粗鲁行为可能放大对AI的批评，与“标签”混淆；（6）浏览器遥测覆盖率极低（链接率16–25%），实验中断10天；（7）RQ2的“先被回复/先回复”是观察性关联，作者也提到可能只是轮流发言。整体上可作为设计合理的探索性研究，不足以支撑因果结论。

✅ 官方资源 · https://doi.org/10.5281/zenodo.22964197
作者在 Zenodo 公开了去标识化的数据（平台活动记录、浏览器遥测、标注、分析数据集），GitHub（atomashevic/ysocial-ai-labels）有重建图表的代码；生成提示词和标注说明作为补充材料提供。YSocial 平台为开源。未见预注册（直接进入分析为事后设定，下载票和批评模型为探索性）。完整复现需要重跑36名真人参与的实验，几乎不可能，但分析可复现。

为什么有意思直觉上我们觉得“长大就更会做人做事”，这篇数据大体印证了这一点，但也发现：10到13岁左右，孩子自评的自我管理、社交和情绪调节能力会小幅下滑，可能是真的退步，也可能是期待上升得比能力快。另一个有趣的细节是艺术技能和说服技能自评随年龄下降。这些与日常相关：家长和老师常把青春期“变差”当作问题，这里提示它很可能是暂时且幅度不大的。

属于哪个分支与学科脉络属于人格与个体差异、发展心理学交叉的“技能发展”方向，近年人格心理学的重心从“你是怎样的人（特质）”扩展到“你能做到什么（技能）”，并与教育界的社会情绪学习(SEL)对接。本篇延续了人格发展里的“扰动原则”和“成熟原则”框架，作为描述性、探索性的基础工作，不是开创理论，也不是反驳；它更像为将来的纵向研究和干预研究画一张初始地图。

对想学心理学的人这篇展示了现代心理学常见的做法：用网站招募的大样本、自评量表，再用GAM这类非线性模型画年龄曲线，并同时报告效应量(d、R²)而不只看p值。想走这个方向需要R语言（mgcv、gratia包）、测量与心理测量学基础、对横断面与纵向设计差别的清醒认识；作者还用了AI（Gemini 2.5 Pro）辅助写代码，说明编程与统计能力正在成为基本功。就业上与教育心理、SEL项目评估、人才测评相关，但注意作者是该量表BESSI的版权持有人，这类“自己做量表自己研究”的情形在领域里很常见。

背景 社会情绪与行为技能（SEB skills，指一个人在需要时能把社交、调节情绪、管理目标行为做得多好的能力，不同于“通常怎么做”的人格特质）对学业、人际和幸福感都有预测力，但它们如何随年龄变化几乎没有大样本数据。人格心理学已知有“青春期扰动”（早期青春期暂时下降）和“成熟原则”（尽责性、宜人性、情绪稳定性随年龄上升），作者想检验技能是否照搬这一模式，还是更符合“练习越多越熟练”的累积练习观点。

方法 数据来自网站 PersonalityLab.org 的自愿在线问卷（N=31,315，10–70岁，平均约23岁，72.2%女性，58.9%白人），参与者以获得自动反馈（技能画像或哈利波特学院测试）作为回报。用自评量表 BESSI（192题，32个技能子维度，5大领域：自我管理、社会参与、合作、情绪韧性、创新）测量。统计上用广义加性模型（GAM，让数据自己决定年龄曲线形状）分别对每个领域和子维度建模，控制性别与种族，分10–20、10–40、10–70岁三个年龄窗口，并用曲线一阶导数的99%置信区间判断某年龄段是上升还是下降，再检验年龄×性别交互（含非二元人群的探索性分析）。预注册版本因改用更稳健的分析方法而放弃，论文自称是探索性研究。

• 10–20岁窗口：年龄与性别、种族共同解释的方差很小（平均R²=.03），10岁到20岁的整体变化也很小（平均d≈-.07），但自我管理、社会参与、情绪韧性三个领域在早期青春期出现显著下滑；32个子维度中13个（41%）符合“扰动”，创新领域和复合技能无一符合 (p.15-17)
• 10–40岁窗口：各领域平均提高约半个标准差（平均d=.46），自我管理d=.62、情绪韧性d=.61、创新仅d=.20；出现两个上升较陡的时期，约15–25岁和20代后期至30代中期 (p.18-19)
• 10–70岁窗口：平均d=.73，情绪韧性d=1.00、自我管理d=.98、创新d=.36；子维度中伦理胜任力d=1.44、自我反思d=1.17，而艺术技能(d=-.27)和说服技能(d=-.43)随年龄下降 (p.21-23)
• 年龄与技能的简单相关很小：平均r=.14，自我管理r=.20，创新仅r=.04 (p.15)
• 性别：年龄×性别交互虽显著但独特解释方差仅ΔR²=.001；女性合作技能的年龄增幅(d=.76)大于男性(d=.45)；非二元参与者（n=1,475，98%在40岁以下）起点更低，但10–40岁增幅最大，如情绪韧性d=1.22、自我管理d=1.17 (p.26-28)

这是目前我看到的第一篇用大样本、覆盖到成年期、并细化到32个子维度来描述自评技能年龄曲线的工作，描述性价值是真实的，尤其是“技能不像人格特质那样只在尽责性/宜人性/情绪稳定性上升，而是五个领域几乎都上升”以及子维度间的异质性（如艺术技能下降）。但理论层面的“累积练习”假说作者自己也承认只是推测，横断面数据无法区分它与队列差异、年龄带来的自评标准变化、样本选择等解释，因此更多是提出问题的地图，而不是检验了机制。

主要问题有五点。第一，横断面设计：年龄差异混杂了队列效应，且不是个人的成长轨迹，作者的“累积练习”只是推测。第二，样本是自愿上网并为获得反馈而参与的，72%为女性，大多数是10–30岁，40岁以上只占约7%，60–70岁仅251人，高龄段估计很不稳，且作者承认自评高的中老年人可能更愿意参与。第三，全是自评，且没做年龄间测量等值检验，不同年龄对“我能做到多好”的标准和作答方式可能不同；非二元人群因多处于更年轻段，其“增幅最大”也可能受选择和年龄范围影响。第四，效应量要看清：年龄加人口学变量只解释1%–8%的方差（平均R²≈.03–.04），性别×年龄交互的ΔR²仅.001，虽显著但几乎没有实际意义；大样本下显著性本身没信息量，作者用了p≤.01和99%置信区间，算是谨慎。第五，预注册被放弃，研究是探索性的，子维度分析多重比较较多，且有COI（作者持有BESSI版权）。10–20岁的“扰动”幅度也很小（d约-.01到-.15）。结论作为描述性线索可信，作为发展机制证据则不够。

✅ 官方资源 · https://osf.io/7asgp/
论文称BESSI量表、附录、在线补充材料(OSM)和分析代码均放在OSF（正文给的是只读链接 osf.io/7asgp，元数据另给 osf.io/2watq）；预注册在 osf.io/xz6r4。未见明确说明原始数据是否完全公开，复现需要R与mgcv/gratia。BESSI版权归作者，使用可能需遵循其条款。

为什么有意思很多人直觉上觉得“打骂是传统，改不了”，或者“只教老师/只教家长就够了”。这项试验显示，教大人换一套管教方法，几个月内就能让孩子感受到的打骂减少，这和日常生活中亲子冲突、课堂纪律的处理直接相关。但也要注意：孩子报告的效应很小（老师情绪暴力 d=0.089），说明孩子的体验改善有限。

属于哪个分支与学科脉络属于发展心理学、教育心理学与公共卫生交叉的“儿童虐待预防”方向，近年这一领域的趋势是从小型试点转向在低收入国家做整群随机试验并强调可推广性、多部门合作（学校+家庭）。这篇是对既有“非暴力管教”项目的延续和扩展，而非开创或反驳；它把目标从单一环境扩大到同时覆盖学校和家庭。

对想学心理学的人这篇展示了干预研究的典型做法：以学校为单位随机（防止老师和家长之间互相影响）、预注册、随访访谈员盲法、多重插补处理缺失数据、同时收集孩子和成人两种报告并用 Cohen's d 报告效应。要做这类研究需要学会实验设计、多层次/整群数据分析、缺失数据处理，以及跨文化田野工作和伦理（涉及儿童受害信息）。这个方向与国际发展、公共卫生、教育政策结合紧密，就业多在研究机构、NGO和国际组织，而非传统心理咨询。

背景 针对儿童的暴力（打、骂、羞辱等）在低收入和中等收入国家的家里和学校里都非常普遍，会损害孩子的心理健康和学习。以往的预防项目大多只针对家庭或只针对学校，这篇研究想检验：借助公立学校的现成体系，同时干预老师和家长，是否能一起减少两处的暴力。

方法 这是一项整群随机对照试验：以学校（而不是个人）为单位随机分组，坦桑尼亚Morogoro的16所公立小学按1:1分到“Interaction Competencies with Children（ICC，儿童互动能力）”项目组或无干预对照组。ICC教老师和家长用非暴力方式管理孩子行为，并建立积极的亲子/师生互动。参与者包括8–15岁儿童（干预组410人、对照组427人）、母亲（380/394）、父亲（253/246）和老师（244/235）。主要结果是情绪暴力和身体暴力，由孩子和成人分别报告，基线在2024年4–8月，随访在2024年10月至2025年2月（约几个月）；随访访谈员对分组不知情；缺失数据用多重插补处理，所有随机分配的参与者都纳入分析，试验在ClinicalTrials.gov注册。

• 母亲：干预组情绪暴力和身体暴力下降更多——孩子报告 Cohen's d 为0.227（情绪）、0.134（身体）；成人报告为0.343、0.473 (摘要)
• 父亲：孩子报告 d=0.180（情绪）、0.215（身体）；成人报告 d=0.222、0.187 (摘要)
• 老师：孩子报告 d=0.089（情绪）、0.164（身体）；成人报告 d=0.336、0.607 (摘要)
• 成人自报的效应普遍大于孩子报告，例如老师身体暴力成人报告 d=0.607 对孩子报告 d=0.164 (摘要)
• 未检测到与干预相关的不良事件 (摘要)

新意主要在设计而非发现：同时针对老师和家长两个场所，并利用公立学校现成的基础设施来触达家庭，这比单独的家长项目或学校项目更接近实际推广的情形。同类“减少体罚”的项目在非洲已有不少先例（作者团队此前也做过类似的老师项目），所以“有效”本身并不意外；价值在于多场景联合、多方报告以及相对较大的样本。仅看摘要，无法判断随访时间之外的长期效果。

优点：随机分组、预注册、随访访谈员盲法、样本较大（800多名儿童及数百名成人）、意向性分析并纳入所有随机分配者。主要疑点：1) 只有16个学校群，群数少，统计功效和群内相关处理很关键，摘要未给置信区间或p值；2) 对照组是“无干预”，无法排除关注度或“被研究”效应；3) 成人不可能对干预盲，成人自报的暴力很可能受社会期望影响——干预组成员知道“应该少打孩子”，所以成人报告的更大效应（如老师 d=0.607）可能部分是报告偏差，而孩子报告的效应小得多（d 低至0.089）更保守；4) 随访仅几个月，缺少长期持续性证据；5) 单一地区（Morogoro）样本，推广到其他地区需谨慎；6) 作者团队是项目开发者，存在潜在的利益冲突，需看全文是否由独立方评估；7) 只有摘要，未能核对多重比较处理和多重插补细节。总体上证据支持“有一定效果”，但“有效且可推广”的结论比数据略强。

❌ 无公开资源 · https://osf.io/ph4kw/
元数据显示已有预注册（ClinicalTrials.gov NCT06369025、OSF页面 ph4kw、方案论文 BMC Public Health）。摘要中未说明数据、代码或ICC培训手册是否公开，仅有摘要，无法确认；OSF页面可能包含材料，需要自行查看。

为什么有意思“手机用得多会不会让人不快乐”是日常里最常见的因果直觉，这篇文章指出这个问题本身就含糊：看新闻和跟朋友聊天对心情的影响很可能不同，把它们合成一个“时长”后得出的任何“效应”都很难解读。它也解释了为什么社交媒体研究的结论总是吵不清楚：不同研究其实在回答不同的问题。

属于哪个分支与学科脉络属于研究方法与可重复性的分支，具体是心理学的因果推断转向。近几年心理学从“只报告相关”逐渐走向要求明确估计量（estimand）、画因果图、做目标试验（target trial）。这篇是该趋势里的延续和补缺：之前的教程多从混淆变量讲起，作者指出更前面还有一步——先说清楚你究竟在问哪种干预。

对想学心理学的人这篇展示了心理学研究的一个核心难点：我们关心的变量（性格、抑郁、压力）无法直接“设定”，只能通过问卷、训练、情境任务间接影响，所以实验结果和理论问题之间常有缝隙。想走研究路线的人，需要练习把模糊的问题改写成精确的因果问题，并学一点因果推断、实验设计和统计（DAG、潜在结果、工具变量），这些技能在数据科学、教育评估、公共政策和临床试验中也很吃香。文章本身偏理论，有一定门槛，可以先读摘要和Box 3的社交媒体禁令例子。

背景 心理学家真正关心的往往是具体的因果问题（比如“每天少刷20分钟会怎样”），但实际算出的多是相关或模糊的关联。流行病学的因果推断文献里有“一致性”（consistency）这一假设，用来连接“我们想问的因果量”和“数据里实际发生的事”，但心理学的因果推断教程大多直接跳到混淆变量，默认问题本身已经定义清楚。

方法 这是一篇方法论/概念性文章，没有收集数据，也没有做模拟。作者用潜在结果框架（对每个人想象“若做了干预会怎样、若没做会怎样”）把一致性拆成两个条件：(1) 处理版本无关性——“处理 X=x”里没有隐藏的、会导致不同结果的版本；(2) 估计量-数据对齐——数据里被编码为 x 的个案确实对应估计量中的那种处理。然后用社会经济地位（SES）、大五人格尽责性、社交媒体时长、数字戒断、普遍基本收入等例子，配合因果图（DAG）和两张“威胁—解决办法”表，说明如何陈述和检验一致性，并对比 Pearl 的结构因果模型和 Campbell 效度传统。

• 核心论点：“效应”只有在处理被精确定义时才存在；“20分钟社交媒体使用”可对应被动刷屏、读令人沮丧的新闻、与朋友聊天等不同版本，没有进一步说明就不存在单一“效应”，估计值只是多种效应的含糊混合（p.3、p.11）
• SES、智力、抑郁、大五人格等是复合/多维构念：把SES提高1个标准差，可以通过教育或收入实现，两条路径的潜在结果可能不同；尽责性也可通过组织性、生产性、责任感等不同侧面提高（p.9、p.11）
• 心理变量通常只能被间接操纵：实验估计的是“干预Z的意向性处理效应”，不等于目标构念X的效应；Z还可能“粗手粗脚”（fat-handed，同时改变其他变量），这与X内部的隐藏版本在经验上无法区分（p.28、p.34）
• 用工具变量分析间接干预时，在效应异质的情况下识别的通常是局部平均处理效应（LATE），而非总体平均效应；不同的干预Z会挑出不同的人群，因此对应不同的估计量（p.36-37）
• 实践建议：优先把估计量写成具体的操纵（如“社交媒体禁令”“数字戒断”），并说明哪些版本差异被假定为无关；一致性永远不会完美成立，关键是判断残余的模糊性能否容忍（p.16、p.24、p.39）

“一致性”本身是流行病学和因果推断里早就有的概念（VanderWeele、Hernán、Cole & Frangakis 等），这篇不是新理论。价值在于把它系统翻译给心理学：拆成两个可操作的条件，针对心理学特有的情形（复合构念、间接操纵、自我选择与反应性、需求效应）给出清单，并把它与心理学熟悉的构念效度、外部效度传统对接。属于有用的教程和整合，而不是新发现或新方法；这些论点大多是论证，缺少经验演示。

这是概念论证，没有样本、效应量或预注册问题；证据质量取决于逻辑是否站得住，而不是数据。论证在潜在结果框架内是严谨的，但有几点局限：第一，所有例子（社交媒体、SES、尽责性）都是假设性的，没有用真实数据演示违反一致性会让结论偏多少，也没有给出判断“残余模糊性是否可容忍”的客观标准，最终还是靠研究者的主观判断；第二，作者自己承认间接干预的一致性与“粗手粗脚”无法经验上区分（Box 4），所以许多建议只能停留在“陈述并讨论假设”；第三，对没有可想象操纵的变量（如性别、族裔）是否有因果意义，文中只在脚注里提到分歧，并选了“要有物理操纵”的立场，这是有争议的选择，Pearl 式结构模型会不同；第四，作者之一曾与文中引用的方法学者多有往来，但未声明利益冲突。只读了前40页（共48页），后面应是参考文献，影响不大。

❌ 无公开资源 · https://osf.io/preprints/psyarxiv/3g9za_v6/
这是纯方法论文章，没有数据或代码需要发布；文中未提供补充材料。预印本全文可在 PsyArXiv 获取（页面显示已被 Advances in Methods and Practices in Psychological Science 接收，未编辑稿）。

为什么有意思人们常以为“多和朋友待在一起”就是对抗低落的灵药，本文提示更复杂：有意念的学生并非不社交，而是倾向于在压力大时找人聊，而在开心时反而少聊，同时情绪低落后聊天减少。这提醒我们，身边人需要注意日常快乐时刻的连接，而不仅仅是危机时刻。另一个反直觉点：高意念组的积极情绪不再帮助“冲淡”后续消极情绪，而是消极情绪继续滚雪球。

属于哪个分支与学科脉络属于临床心理学/自杀学与情绪科学的交叉，方法上属于“密集纵向”（EMA/经验取样）加“心理网络分析”这一近十年快速增长的路线。脉络是：从静态风险因素（如抑郁、绝望）转向“动态过程”——情绪惯性（Kuppens 2010）、情绪情境不敏感（Rottenberg 2005）、Gross情绪调节模型。本文属于延续与细化，而非开创或反驳，同一团队已有同数据的亚型研究（2025）。

对想学心理学的人这篇示范了现代临床研究如何做：先在大样本调查中招募，再用手机应用做两周高频采样，用R包mlVAR做网络建模，并在OSF上预注册和公开数据代码。需要的技能包括R语言、多层/时间序列统计、对测量（单题与多题合成）的敏感度，以及对自杀研究伦理的严谨态度。这个方向在欧洲与北美有活跃研究组，适合临床心理学、精神流行病学、数字心理健康等方向，毕业后可进入高校、研究所、医疗系统与数字健康公司。

背景 自杀意念（想要不再活着的念头，其中“被动意念”指想死但不打算行动）在大学生中很常见，12个月患病率约10.6%，大一学生达30.6%（p.3）。过去研究多用一次性问卷看静态风险因素，难以看到日常生活中情绪与行为是如何一步步相互影响的；本文想用“生态瞬时评估”（EMA，即手机随机弹窗让人报告当下状态）来看情绪和情境（在哪、做什么、和谁）如何互相预测，以窥探情绪调节的日常过程。

方法 数据来自西班牙PROMES-U队列，学生用Expiwell手机应用在每天4个随机时段（8–10、12–14、16–18、20–22点）作答，共两周，平均依从率87.9%（p.6）。最终476人分3组：无自杀意念且无精神障碍筛查阳性的参照组（n=156）、低强度零星意念组（n=161）、高频高强度意念组（n=159）。测量积极情绪、消极情绪、压力、疲劳、注意力困难，以及是否在家、做任务、聊天、积极/消极休闲、与亲近者在一起。分析用多层向量自回归网络（mlVAR）：分别画出同一时间点的关联、上一次测量到下一次测量的时间关联、以及人与人之间平均水平的关联，并用1000次置换检验比较组间差异；分析计划在OSF预注册。

• 样本79.0%为女性，平均20.6岁；High-SI组过去12个月自杀意念64.8%、计划40.3%、尝试3.1%，Low-SI组分别为37.9%、13.7%、1.2%；High-SI组重度抑郁筛查阳性59.7%，Low-SI为46.6%（p.9，表1）。
• 平均积极情绪从参照组4.69降到Low-SI的4.12和High-SI的3.51；平均消极情绪从1.78升到2.48和3.09（均p<0.001，表1，p.23）。
• 情绪“惯性”（自回归）：High-SI组消极情绪的自回归系数0.35，高于参照组0.24；积极情绪在参照组为0.36，在SI两组均为0.28（补充表2，p.31–33）。
• 在High-SI组，上一时刻消极情绪预测下一时刻积极情绪降低（-0.11，CI -0.17至-0.05），而参照组中积极情绪预测之后消极情绪降低（-0.10）；心理状态到情境的显著正向时间关联在三组分别为6条、3条、1条，High-SI组没有从情境到心理状态的显著关联（p.10）。
• 社交：与亲近者在一起的时间比例为参照组0.45、Low-SI 0.39、High-SI 0.37（p<0.001）；其他情境变量（做任务、在家外等）组间无显著差异（表1，p.23–24）。

EMA加网络分析研究自杀意念已不新，真正的新意在于把“情境”（地点、活动、陪伴）与情绪放进同一个时间网络，并按被动意念严重程度分层比较，用来间接观察日常的情绪调节行为（情境选择/修正）。把“有意念的学生更多把社交用于应对压力而非享受”这一观察做得较具体。但结论多是对既有“情绪惯性”“情绪情境不敏感”理论的延续，而不是颠覆；因变量里的组间差异很多是“显著/不显著”的网络边数量比较，解读空间较大。

优点：样本较大（476人）、依从率高（87.9%）、已预注册并公开数据与代码、对局限性自我批评较诚实。问题：(1)样本为西班牙大学生，79%女性，志愿参加EMA（只有60%邀请者至少完成一次），代表性有限，不能推广到临床或其他文化；(2)参照组被特意选为“无意念且无任何精神障碍”，所以组间差异混杂了抑郁、焦虑、进食障碍等，不能归因于自杀意念本身，作者也承认；(3)分组依据是同一两周内的意念报告，自杀意念每日只测一次且未纳入网络，无法回答“瞬间的意念变化与情境的关系”；(4)大量结论基于“某条边在一组显著、另一组不显著”，这类比较容易高估差异，且时间关联系数很小（多数0.05–0.1量级），效应量小；(5)只在同日连续测量之间建立滞后，间隔约4小时不均匀；(6)“情绪调节”并未被直接测量，是从行为模式推测，属于相关而非因果；(7)积极/消极情绪用少数题目合成，压力、疲劳等是单题。总体：描述性发现可信度中等，对“调节失败”的机制解释应视为假说。

✅ 官方资源 · https://osf.io/bweza
论文称分析代码、匿名化数据和结果均公开于OSF（osf.io/bweza），元数据另给出数据DOI（10.17605/OSF.IO/GECJV），分析计划已预注册，并按Willroth & Atherton方法报告偏离。使用的R包mlVAR和mnet为公开软件；量表（PHQ-9、GAD-7、C-SSRS等）可获得，但Expiwell应用和具体EMA题目需联系作者。本文未下载核验OSF内容。

为什么有意思我们常以为自伤治疗要么是“危机时打热线”，要么是“每周去见治疗师”。参与者却说：最难的是从“还好”到“崩溃”之间那个几乎察觉不到的灰色地带（有人说“从零到一百，等发现时已经太晚了”）。手机每天多次的小提醒，哪怕只是让人停下来感觉一下自己的状态，也被认为有帮助。这和日常里“情绪快要失控前其实有信号，但我们没注意到”的体验非常相通。

属于哪个分支与学科脉络属于临床心理学与心理健康的数字化方向，交叉了“日常生活心理学”（EMA/经验取样）和移动健康（mHealth）。近几年这个领域的趋势是从“静态的风险分层”转向“个体内部随时间波动的动态风险”，并用微随机试验（micro-randomized trial）优化适时自适应干预（JITAI）。这篇处于“需求调研与概念框架构建”的前期阶段：它不是检验疗效，而是为之后的隐马尔可夫模型验证和共同设计铺路，属于延续性工作而非开创性或反驳性工作。

对想学心理学的人这篇体现了定性研究的典型做法：30+14人的半结构化访谈、反思性主题分析、多人编码、分析前预注册目标、提供审计轨迹——这与大样本问卷的“数字推断”完全不同，目标是理解意义而非估计效应量。想做这个方向需要临床访谈和共情能力、质性分析软件（NVivo）、以及理解EMA数据与时间序列/多层模型（论文后面提到的多层隐马尔可夫模型）。就业上，这种“临床心理学+数字健康”的方向既有高校/医院研究岗位，也有数字心理健康公司的产品与研究需求，但需要同时懂临床和方法。

背景 非自杀性自伤（NSSI，指没有自杀意图地故意伤害自己身体，如割伤、击打）在接受心理治疗的人群中非常常见，但现有疗法整体效果有限。作者认为一个原因是：自伤的念头和冲动在几十分钟内就会剧烈波动，而治疗和评估通常是在固定时间点、靠回忆来进行的。生态瞬时评估（EMA，一种每天用手机多次填写简短问卷的日记法）和生态瞬时干预（EMI，在日常生活中通过手机推送干预）可能弥补这一缺口，但此前很少有人问过当事人和治疗师本人怎么看。

方法 这是一项嵌入在更大的DAILY项目（比利时弗拉芒地区21个心理健康机构、132名15–39岁寻求治疗者）中的定性研究。30位完成了28天EMA的治疗对象（18–39岁，80%为女性，80%为住院治疗）自愿参加访谈，同时访谈了治疗他们的全部14位临床心理学家。访谈为半结构化，中位时长约23–28分钟，由持证临床心理学家执行，逐字转录（未用AI）。参与者此前并未真正使用过EMI，这一概念是在访谈中才介绍的。分析采用反思性主题分析（Braun & Clarke），用NVivo编码，由第一作者主要编码，另外两位作者独立编码了3份转录稿作为讨论依据，访谈目标在分析前已在OSF预注册。

• 共识别出3个主题：(1)把治疗支持延伸到日常生活（让人感觉“不孤单”、增强觉察与反思、使用要极简便捷）；(2)干预要随时刻与个人变化（风险与需求动态变化）；(3)EMI的部署要嵌入混合式照护并通过共同决策（p.8–14，摘要）
• 据此提出“基于需求的动态风险与干预模型”，用红绿灯类比分三态：绿色=resilient（心理健康促进：自我照顾、动机、技能练习）；黄色=emerging risk（识别脆弱性、处理次级情绪与认知扭曲）；红色=high risk（打断从冲动到行为的转变、验证痛苦并给出定制化危机策略、事后复盘/链式分析）（p.9–13，Fig.1）
• 样本：30位治疗对象平均24.53岁（SD=5.31），80%为女性，70%无大学学历，100%符合至少一种DSM-5障碍，80%筛查为边缘型人格障碍，近一个月93.3%有自伤行为（Table 1, p.32）；14位治疗师均为临床心理学家，78.6%为女性（p.6）
• 参与者认为理想的JITAI（适时自适应干预）应结合用户主动发起与系统主动推送，早期治疗阶段和脆弱时期更多由系统推送，随着自信提高逐步减少（p.14）；治疗师担心应用会替代现场求助与自我觉察技能的训练（p.14）
• 论文没有给出任何关于EMI实际有效性的数据，也没有检测“黄/红态”的具体判定规则，作者明确承认访谈未得出检测新出现风险的决策规则（p.17）

EMA在自伤研究中已不新鲜，EMI/JITAI也有一些在抑郁、精神病上的先例，这篇的新意主要是：首次系统收集自伤者与治疗师对EMI的看法，且参与者刚完成过28天EMA，有实际体验基础。“红绿灯三态模型”本质上是把参与者的日常比喻和DBT/CBT/ACT等已有技术分类整理而成，概念上更像归纳性的设计框架而非实证发现，创新程度中等。真正有价值的是提醒了“风险不只是红色危机，还包括绿态时的维持与黄态时的识别”。

作为定性研究，“结论是否被数据支持”主要看主题是否有根据，而不是效应量。优点：访谈对象有28天EMA的实际体验，临床群体真实，同时纳入了患者和治疗师双视角，分析目标预注册，并有多位作者参与编码和审计轨迹。局限：(1)样本小且高度同质——全部来自比利时弗拉芒地区，80%女性，80%住院，80%筛查为边缘型人格障碍，主要接受DBT取向治疗，所有治疗师都是心理学家，所以“链式分析、危机干预”等概念的突出很可能反映的是DBT文化而非普遍需求，作者自己也承认；(2)自愿参加访谈（30/124），可能偏向对技术更积极的人；(3)访谈很短（中位约23分钟）；(4)参与者从未真正使用过EMI，说的是“想象中的有用”，与实际使用中的依从、倦怠、风险（如推送反而诱发自伤念头）可能相差很大；(5)主要编码由第一作者完成，一致性只通过讨论而非指标；(6)“红绿灯模型”是研究者的整合性解释，不是被检验的假设，目前没有任何实证验证，也没有判定黄/红态的具体规则；(7)缺少对负面意见和意见分歧的量化呈现。总体上，它支持“当事人和治疗师有此需求与期望”，但不支持“这样的EMI有效或安全”。

✅ 官方资源 · https://osf.io/9ef6q
访谈目标已在OSF预注册（osf.io/9ef6q）；文中称访谈提纲（荷兰语和英文）和分析审计轨迹放在补充材料中，但本PDF未包含这些材料，具体能否公开获取未核实；原始访谈转录因涉及敏感临床数据，未见公开声明。

对患者家庭意味着什么对86岁、已确诊的老人，这篇文章的价值在于提供一份“非药物手段清单”，而不是证明某种方法能逆转病情。文中把适用对象主要限定为轻中度患者，若老人已到中重度，可优先考虑音乐、园艺感官体验、简化的怀旧活动等被动、低负担的方式。rTMS、针灸等需要到医院做，对高龄、行动不便的老人负担较大，不必把它们当作必须做的事。

证据等级与距离落地这是对指南、共识、系统评价的整理（二次证据），不是新的随机对照试验。18条中大量是专家共识（5级），仅1项RCT，且为单中心小样本、未设盲；6篇系统评价中2篇质量“极低”。纳入研究的高龄比例和多病共存情况文中没有交代，rTMS建议适用于≥60岁轻中度患者。运动、怀旧、音乐等现在即可在家庭和社区开展；rTMS、tDCS需专业机构，γ-tACS家用设备在国内尚不普及。

照护上可借鉴的做法可以和医生或康复师讨论的做法：在安全前提下做中等强度的活动，如散步、太极、简单抗阻训练，有平衡问题时需有人陪同，并警惕疲劳和跌倒；每周1–2次、每次30–60分钟，用老照片、家乡旧事做怀旧交谈；听熟悉的老歌、一起唱歌，晚期以被动的听觉、嗅觉、触觉体验为主。文中提醒认知训练、怀旧、音乐有时会让老人烦躁，若出现要及时调整。rTMS、针灸等医院内治疗以及任何与用药相关的调整，需与主治医生讨论，不要自行决定。

背景 阿尔茨海默病（AD）药物治疗效果有限且有副作用，非药物干预被越来越多地关注，但其临床效果缺乏系统的循证整理。作者想为护理和临床人员提供一套按证据强弱排序、可落地的非药物干预方案。

方法 采用JBI方法的“证据总结+范围综述”设计，按“5S”模型自上而下检索指南平台和中英文数据库（截至2026年1月30日）。初筛2,235条记录，最终纳入15篇：1份指南、7份专家共识、6篇系统评价、1项RCT。用AGREE II、JBI共识工具、AMSTAR-2、Cochrane偏倚风险工具评价质量，按JBI 2014分为1–5级证据。再由7人专家组用FAME框架（可行性、适宜性、意义性、有效性）定为A级（强推荐）或B级（弱推荐）。因干预方案差异大，没有合并效应量。

• 检索2,235条记录，最终纳入15篇（1份指南、7份专家共识、6篇系统评价、1项RCT），共提炼18条证据，其中10条为A级推荐、8条为B级推荐（结果3.1、3.3节）。
• 纳入的6篇系统评价质量差异大：AMSTAR-2评为高质量2篇、中等1篇、低1篇、极低2篇；唯一的RCT（腹针联合头针）未对受试者设盲，偏倚风险高（结果3.2节）。
• 证据等级上，18条中偏弱的专家共识（5级）占多数，只有脑刺激（rTMS、tDCS、γ-tACS）、肌力训练、针灸及1项RCT等为1级；认知训练、有氧运动、怀旧、园艺、舞蹈等多为5级（表7）。
• 推荐的具体参数：中等强度有氧运动为心率60%–75%、每次30–60分钟、每周3–5次，坚持6个月；怀旧干预每周1–2次、每次30–60分钟、共8–12周；舞蹈每周1–2次、每次60分钟、3–6个月（表7注释）。
• 专家评分一致性Kendall's W=0.562（P<0.001），仅为“基本一致”；第2、7条通过率85.71%，其余100%（结果3.3节）。文中未给出任何合并后的效应量，也没有MMSE等具体提升分数。

新意主要在整合与分级：把分散的指南和共识按证据级别和可实施性（FAME）整理成分层体系，并标明各项适用的病期与场所（医院、社区、居家）。但它不是新的临床试验，也没有合并效应量，实质是“把专家共识梳理一遍”。纳入文献偏中文来源和专家共识，只有1份国际指南、仅1项RCT，因此对国际读者而言结论并不新。把rTMS定为“首选”的说法依赖质量参差的系统评价，有些偏乐观。

结论的强度受限于输入证据：18条中多数是专家共识，系统评价质量不一（2篇极低、1篇低），唯一的RCT存在偏倚。没有合并效应量，也没有给出MMSE、MoCA提升多少，因此无法判断结果是否有临床意义，“有效”多是定性表述。专家组仅7人，且多为护理背景，一致性系数0.562只算基本一致。纳入文献多来自中文数据库和中文共识，可能偏向针灸等中国特色疗法。高龄、合并多种疾病以及中重度患者的数据文中几乎没有涉及，对86岁的老人推广性有限；文中还承认没有找到饮食改善认知的证据。文中未见明确的利益冲突声明（正文无相关信息）。

✅ 官方资源 · https://europepmc.org/article/PMC/PMC13649447
Europe PMC开放获取全文；研究方案登记于复旦大学循证护理中心（ES20269951）。无代码或数据，文中有完整的检索式和18条证据表，可供复核；不涉及临床试验注册号。

对患者家庭意味着什么这篇文章讲的是“住院/ICU 期间突发的急性意识混乱（谵妄）”，不是阿尔茨海默病本身的治疗。但对 86 岁的患者很相关：高龄加痴呆正是谵妄的最高危人群，一旦因感染、手术、骨折等住院，家属的陪伴和照护安排会直接影响风险。文中还提到，已有痴呆的人谵妄后很难完全恢复到之前的认知水平，所以预防比事后处理更重要。

证据等级与距离落地这是叙述性综述，没有统一的质量评价和合并分析，综合证据强度有限。其中 HELP、早期活动、睡眠改善的证据来自随机对照试验和荟萃分析（HELP 荟萃含 2,583 例），相对扎实，但多数试验在普通老年病房或术后人群，并非专门针对 ICU 或痴呆患者。音乐、触摸、芳香疗法证据为中低等，多为小型单中心研究。可穿戴设备、VR、AI 属于早期研究，离普通医院常规使用还很远，家属不必为此操心。

照护上可借鉴的做法住院前或入院时可以主动告诉医护：老人平时的认知水平、是否戴眼镜/助听器、睡眠习惯，并让医护使用家属评估工具（如 FAM-CAM）参考你的观察。住院期间可以：白天陪伴并保持光线明亮、夜间减少打扰和噪音，必要时用耳塞眼罩；摆放钟表、日历、熟悉的物品，用熟悉的声音（或录音）交流；鼓励在医护允许下尽早下床活动、吃饭喝水；尽量少用身体约束，改为家属陪伴和安全环境。可以和主治医生讨论：是否在使用苯二氮䓬类安眠/镇静药、阿片类、抗胆碱能药或激素，能否减量或替代（任何药物调整需与主治医生讨论，不要自行停药）。出院后保持家中布局不变、清理地面杂物、加装扶手和防滑垫，并向社区或医院了解照护者支持资源。

背景 老年人在ICU中很容易出现谵妄，尤其是本来就有痴呆或轻度认知障碍的人，谵妄会拖长住院时间、增加死亡风险，并可能让认知进一步下降，也加重家属负担。已有很多综述谈谵妄的机制和药物，但从护士角度把风险评估、院内多组分干预和出院后居家照护串起来的较少，对已有痴呆患者的护理调整也常被忽略。

方法 叙述性综述（非系统综述，不做合并分析）。检索 PubMed、Web of Science、Scopus 至 2025 年 7 月，纳入≥60 岁重症监护人群、仅限英文的研究。共检出 2,691 条记录，去重后 1,729 条，筛选后全文评估 298 篇，最终纳入 97 篇（6 部指南、35 篇系统综述/荟萃分析、22 项随机对照试验、22 项队列研究、12 项方法学研究）。作者按 GRADE 思路把各类干预粗略分为高/中/低证据级别，但并未给出合并的效应量。

• 纳入文献 97 篇：6 部指南、35 篇系统综述/荟萃分析、22 项随机对照试验、22 项队列研究、12 项方法学研究（第2.4节）。
• HELP（医院老年人生活计划，含定向、活动、睡眠、补水、感官支持）：随机对照试验显示谵妄发生率降低超过 40%；一项纳入 2,583 例的荟萃分析显示可降低谵妄并缩短住院；简化版 mHELP 在腹部手术老年患者中使谵妄概率降低 56%（第5.1节）。
• 早期活动：一项随机试验显示老年急性住院患者运动干预使 SPPB 评分提高 2.2 分、Barthel 指数提高 6.9 分（第5.3.2节）。
• 评估工具：CAM-ICU 与 ICDSC 对比，敏感度 80.0% vs 74%，特异度 95.9% vs 81.9%；MMSE 用于谵妄筛查的敏感度仅 33%，不推荐；家属用的 FAM-CAM 合并敏感度 0.74、特异度 0.91（第4节）。
• 药物相关：约 12–39% 的老年谵妄与医疗干预（包括药物）有关；苯二氮䓬类、阿片类、抗胆碱能药、全身糖皮质激素均与谵妄风险升高相关；rivastigmine 在谵妄患者中反而增加死亡率（第3.4、5.3.1节）。
• 新技术（可穿戴设备、VR、AI 决策支持）证据均为“低（初步）”，多来自普通病房或单中心回顾性数据；一项 AI 预警系统并未降低谵妄发生率（第6节、表3）。

这篇综述本身没有新数据，主要价值是把分散的护理证据整理成一条从风险评估、院内干预到出院居家安全的链条，并特别强调了家属参与的评估工具（FAM-CAM、IQCODE）和痴呆合并谵妄的区分。内容多是对 HELP、eCASH、PADIS 指南等已有结论的重述；对新技术部分的评价相对克制，这点比较诚实。严格说，它不是针对已确诊痴呆患者的研究，也不包含任何新的发现。

主要局限：(1) 叙述性综述，检索仅限英文，选择偏倚风险高，作者也承认无法给出合并效应量；(2) 纳入标准为≥60 岁的重症人群，但许多关键证据（HELP、mHELP、运动试验）实际来自普通病房、手术或社区老人，外推到 ICU 和高龄痴呆患者需谨慎；(3) 结局多为谵妄发生率、住院天数等短期指标，缺乏长期认知、功能和照护者负担数据；(4) 部分论据较弱，如用单个病例报告（ECMO 患者）支持 eCASH、用 AI 预警系统未降低谵妄的结果仍称“有望长期获益”；(5) 部分机制性说法（如音乐激活默认模式网络、触摸促进内啡肽）更像推测；(6) 无资助，无利益冲突声明，这点较干净。总体：结论方向（多组分非药物干预优先、减少苯二氮䓬类和约束）与既有指南一致，可信度尚可，但对痴呆患者的专门证据不足。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13639604
开放获取全文（Europe PMC），为综述，无代码或数据集；无临床试验注册号。文中提到的 CAM-ICU、4AT、FAM-CAM、HELP 等是已有的公开工具/方案，可向医院或护理团队咨询是否在用，但本文并未提供可直接下载的家属指南。

对患者家庭意味着什么对86岁、已确诊的老人，这篇论文能给出的实际意义是：在身体条件允许时，规律的、有人陪同的活动有可能让认知评分略有改善，但它不能证明哪一种运动最好。纳入试验里有MCI和帕金森病患者，真正的阿尔茨海默病只有8项，且文中没有按病情严重程度（轻、中、重度）拆开，高龄或中重度患者的数据不清楚。不要因为“力量训练排第一”就特地改做力量训练，更不要期待运动能逆转病情；评分上的小幅改善是否转化为日常生活的改善，这篇论文没有回答。

证据等级与距离落地这是对随机对照试验的网络荟萃分析（间接比较较多），共28项试验、1,993人，年龄58–86岁；证据确定性被评为低到极低，异质性I²=80%。力量训练排第一仅基于3项试验，柔韧训练只有1项。运动不是新药，没有审批问题，现在就可以做，但“哪种最好、多久一次最合适”的结论距离可靠还需要更大规模的直接对比试验。另外，文中没有汇总不良事件和依从性，跌倒等安全问题没有被量化。

照护上可借鉴的做法可以和主治医生或康复治疗师讨论，先评估老人的跌倒风险、心肺情况、骨关节问题和体力，再选一种他愿意坚持的、低冲击的活动，例如在监督下散步、太极/八段锦类的身心运动，或在椅子上做简单的抗阻力练习（用弹力带等），务必有人陪同。文中的探索性线索是持续超过12周、每周3–5次、每次约30–60分钟，但这不是被证实的剂量，高龄体弱者要从小量开始、循序渐进。运动之外，重点是安全和能坚持：选熟悉的环境、固定时间、有人陪伴，出现头晕、胸闷、明显疲劳或疼痛时停下并联系医生。

背景 运动被认为是低成本的非药物干预，但不同类型的运动（有氧、太极、力量训练等）哪种对认知更有帮助并不清楚。以往的综述多只针对单一疾病，作者想在一个统一框架里比较六种运动对整体认知的影响。

方法 按PRISMA-NMA规范做系统评价和频率学派网络荟萃分析（PROSPERO已注册：CRD420261291814），检索PubMed、Embase、Cochrane、Web of Science至2026年1月。纳入仅以运动为干预的随机对照试验（仅限英文），共28项、1,993人，年龄58–86岁，其中MCI 11项、帕金森病9项、阿尔茨海默病8项。六种运动为有氧、身心运动（太极、舞蹈、八段锦等）、力量训练、多组分运动、柔韧训练、功能性训练，对照为不运动或常规照护。结局为MoCA、MMSE等量表合并成标准化均数差（SMD），用SUCRA排序，并用CINeMA评定证据确定性，还做了亚组分析、meta回归和排除某类疾病的敏感性分析。

• 与对照相比，有氧运动SMD=0.47（95%CI 0.18–0.77，15项试验）；身心运动0.79（0.46–1.11，12项）；力量训练1.50（0.77–2.23，仅3项）；多组分运动0.83（0.26–1.40，4项）；功能性训练0.83（0.13–1.53，仅2项）；柔韧训练−0.20（−1.27–0.87，仅1项，无显著差异）（结果3.4.2、表3）
• SUCRA排序：力量训练96.3%、多组分运动66.0%、功能性训练64.7%、身心运动64.3%、有氧运动37.8%、柔韧训练10.0%；但力量训练与身心运动、多组分、功能性训练之间无统计学显著差异（结果3.4.2、讨论4.1）
• 异质性很大：τ²=0.23，I²=80%；六种运动对比对照的预测区间中有五个包含0，意味着在未来的新场景里效果可能很小甚至不明确（结果3.5）
• CINeMA证据确定性只有“低”到“极低”：有氧、身心、力量、多组分为低，柔韧和功能性训练为极低（结果3.9、表3）
• 亚组分析中>12周、每周3–5次、每次31–60分钟的研究合并效果显著，但交互检验均不显著（疗程p=0.60，频率p=0.74，时长p=0.26），meta回归也无显著关联，故不能当作推荐剂量（结果3.7）
• 纳入试验的偏倚风险：高风险5项（17.86%）、有些顾虑9项（32.14%）、低风险14项（50.00%）（结果3.3）

新意主要在于把AD、PD、MCI三类人群放进同一个网络里比较同样的六种运动，但这恰恰也是最大的弱点：三种疾病机制不同，把它们混在一起的间接比较前提（可传递性）并不牢固，作者自己也承认疾病严重程度、基线认知、用药等信息缺失。方法学上较规范（预注册、CINeMA、预测区间），结论表述也比较克制，但结论本身并没有超出“运动可能对认知有帮助”这一已有共识，力量训练“排第一”只来自3项试验。

证据整体偏弱。第一，纳入试验单个规模小，总共1,993人分摊到28项试验和六种运动，力量训练、功能性训练、柔韧训练分别只有3、2、1项，排名极不稳定。第二，三种疾病混合，且高龄、病情严重程度、用药、依从性等关键信息缺失，间接比较的可靠性存疑；排除任何一类疾病后力量训练SMD从1.15到2.11不等，说明幅度对人群构成敏感。第三，对照多为不运动或常规照护，参与者无法设盲，认知量表评分可能受期望效应影响；5项试验（17.86%）在结局测量上被评为高风险。第四，SMD 1.5这样大的效应在认知干预里不太可信，更可能是小样本和偏倚放大；预测区间多数跨过0。第五，只看整体认知量表，没有日常生活能力、行为症状、照护负担等对家属更有意义的结局，也没有安全性数据。作者的结论总体克制，没有明显夸大，利益冲突在提供的文本中未体现。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13649996
全文在Europe PMC开放获取（PMC13649996）；研究已在PROSPERO预注册（CRD420261291814）。文中提到补充材料，但未见公开的代码或原始数据集；本文属于二次分析，数据来自已发表试验，原则上可复现。没有可直接给家属使用的照护工具或运动处方指南。

对患者家庭意味着什么这篇文章不涉及新疗法，对一位86岁已确诊的老人没有直接的治疗意义，但它描绘了高龄痴呆老人住院时的常见情形：很多人生活完全依赖他人、很虚弱，入院时半数以上会出现意识混乱（谵妄），感染（尿路感染、肺炎）是最常见的入院原因，营养不良很普遍。这能帮家属提前有心理准备，知道哪些问题最值得提前关注。约八分之一的患者在这次住院中去世，说明高龄重度痴呆合并急性病时风险确实较高，值得提前和医生谈谈照护目标。

证据等级与距离落地证据等级较低：单中心、描述性横断面研究，无对照组，仅178人，为便利样本，痴呆诊断和病因主要靠患者或家属自述，没有统一的影像或生物标志物确认。不涉及药物或试验，也没有“落地”问题；它只能说明“现状如何”，不能说明“怎么做更好”。数据来自哥伦比亚一家大医院，结论能否直接套用到其他国家或社区，需谨慎。

照护上可借鉴的做法1) 营养与吞咽：重度营养不良和吞咽困难很常见，可请医生或营养师评估体重、进食量和吞咽情况，必要时讨论营养补充（需与主治医生讨论）。2) 药物梳理：文中三分之二的老人同时服用5种以上药物，可请主治医生或老年科医生定期核对是否有可减少的药物，不要自行停药。3) 预防谵妄和感染：留意老人突然变得糊涂、嗜睡或烦躁，以及排尿异常、咳嗽发热等，及时就医；住院时尽量让熟悉的家人陪伴，并带上眼镜、助听器。4) 防跌倒：约三分之一的老人上一年有过跌倒，可检查居家环境和助行方式。5) 出院衔接：近一半患者出院后启动居家照护计划，可提前询问医院的居家照护、姑息照护或康复安排，并和医生讨论治疗目标。

背景 90岁以上的“最高龄老人”越来越多，其中不少人患有痴呆，但专门针对这一年龄段住院患者的资料很少，拉丁美洲尤其缺乏。作者想弄清这些老人住院时的身体、功能、营养和社会支持情况，为医院和家庭的照护安排提供参考。

方法 这是一项单中心、描述性的横断面观察研究，数据来自波哥大一家高复杂度医院的 AGING 登记库（2022年11月起，收录老年科收治的90岁以上住院患者）。从前1000名登记者中，选出有痴呆病史的178人（病史来自患者自述或家属代述，为便利样本，截至2024年1月）。入院时由老年科医生做综合老年评估，使用 Barthel Index（基本生活能力）、Lawton and Brody 量表、Clinical Frailty Scale（CFS）、CAM（谵妄）、MNA-SF（营养）等。分析仅为描述性统计，没有对照组，也没有做因果分析。

• 178人（占前1000名登记者的17.8%）有痴呆病史；71.34%为女性，平均年龄93±3岁，66.29%与至少一名子女同住（结果—表1）
• Barthel Index 中位数25分；37.5%完全依赖、30.68%严重依赖；Lawton and Brody 量表上所有被评估者均为完全依赖（结果—表1）
• CFS 评估的156人中，96.79%属于衰弱（CFS≥5），其中43.58%为重度衰弱（CFS 7）、17.94%为极重度（CFS 8）（结果—表1）
• 入院时55.61%有谵妄；住院期间新发谵妄占17.17%（17/99）；营养评估的68人中44.12%为重度营养不良、30.88%为中度；66.85%同时服用≥5种药物，最多18种（结果—表1、表2）
• 住院中位7天；出院主要诊断为尿路感染（17.41%）和肺炎（16.29%）；12.35%（22人）住院期间死亡，其中约一半出院诊断为肺炎；45.51%出院后转为居家照护计划（结果—表2）
• 病因中阿尔茨海默病占62.50%、病因不明23.9%；严重程度中重度占55.1%、中度20.8%（结果—图1、图2）

新意主要在于人群：专门描述90岁以上痴呆住院患者，并有系统的综合老年评估，这在拉美很少见。但它只是一份现状描述，没有对照组、没有随访、没有检验任何干预，所得结论（衰弱、营养不良、谵妄、感染多见）与已有老年医学认识基本一致，不属于方法或知识上的突破。

样本量小（178人）、单中心、便利抽样，且没有无痴呆的对照组，所以无法判断这些问题是痴呆特有的还是90岁以上住院老人普遍存在的。痴呆诊断和病因依赖自述或家属代述，阿尔茨海默病占62.5%这一数字可信度有限，混合性病因（如血管性）可能被低估。入院时的“基线状态”也依赖家属回忆。部分变量有缺失（CFS 156人、MNA-SF 124人、营养科评估仅68人），营养不良的比例可能因选择性评估而偏高。谵妄的判定采用了自定义阈值（CAM≥3加临床诊断），也没有区分亚型。文中关于“早期启动居家照护缩短住院天数”的说法只是推测，不能得出因果结论。没有看到资助方与利益冲突的详细说明。总体上，描述数据本身可用，但推论部分偏弱。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13641759
论文在 Europe PMC 开放获取，可免费阅读；未提供代码或原始数据，也没有临床试验注册号（观察性研究）。数据来自 AGING 登记库，未公开；文中也没有可直接使用的照护指南或工具。

对患者家庭意味着什么对86岁、已确诊的老人，这篇文章不能回答“该不该用某个药”，也不能说明哪种药更安全。它主要提醒：如果老人在用donepezil、galantamine（胆碱酯酶抑制剂），要留意心率变慢、头晕、晕厥和跌倒；memantine在刚开始用或加量时要留意嗜睡、头晕、意识模糊；rivastigmine贴剂要留意皮肤红痒。抗体药（lecanemab、donanemab）的试验和报告主要针对早期患者，该研究中>85岁的抗体药报告仅有约2–3%，对高龄、已确诊的老人现实意义有限，是否适用要由专科医生评估。

证据等级与距离落地证据等级较低：这是对自发上报数据的观察性分析，不是随机对照试验，无法证明因果，也算不出发生率。上报存在漏报、重复、新药效应，报告里的症状（如意识模糊、跌倒、肺炎）可能本身就是痴呆晚期表现。年龄缺失占36%，不少报告来自家属或消费者而非经核实的医疗记录。已上市药物的这些风险早已写入说明书，所以不存在“离落地多远”的问题，它更像对已知风险的再确认。

照护上可借鉴的做法可与主治医生讨论的事：1）若在用胆碱酯酶抑制剂，询问是否需要定期测脉搏、做心电图，并核对是否同时在用β受体阻滞剂、地高辛等减慢心率的药（任何调药都需与主治医生讨论，不要自行停药或改量）；2）记录老人是否出现头晕、突然晕倒、跌倒，把这些变化告诉医生；3）用rivastigmine贴剂时，每天更换部位，留意红斑、瘙痒；4）memantine刚开始或加量的前几周，观察白天嗜睡、意识模糊、激越有无加重；5）居家做防跌倒环境调整（夜间照明、防滑、起身要慢）。如果老人考虑用抗淀粉样抗体，要先和医生确认是否符合适用条件，以及是否需要MRI监测，并了解头痛、意识模糊、视力或步态变化、抽搐等ARIA预警症状。

背景 阿尔茨海默病药物上市前的试验样本小、随访短、人群较单一，罕见或迟发的不良反应不易发现。已有一些针对单个抗体药的FAERS研究，但把新型抗体药与传统药放在一起直接比较的较少。本研究想用真实世界报告数据做统一对比。

方法 回顾性药物警戒研究。使用FAERS 2004年第1季度至2026年第2季度的数据，仅纳入“首要怀疑药物”为aducanumab、donanemab、lecanemab、donepezil、galantamine、rivastigmine、memantine的报告，去重后共39,301份。用ROR、PRR、BCPNN、MGPS四种不成比例算法，四者同时满足才算阳性信号，并对PT层面做了FDR校正。另做了按性别、年龄分层分析，以及起效时间（TTO）和Weibull分布分析，并与药品说明书对照标出“未标注”信号。结果解读为报告模式，而非发生率或因果。

• 共纳入39,301份报告：rivastigmine 13,261、donepezil 8,951、memantine 8,297、lecanemab 3,552、donanemab 2,780、aducanumab 515；女性占52.3%，>85岁占13.8%，年龄缺失占36.0%（表2，3.1节）
• 三种抗体药的ARIA信号极强：lecanemab的ARIA-E报告488例、ARIA-H 453例；donanemab的ARIA-E 452例、ARIA-H 369例；donanemab和lecanemab还有明显输液反应信号（分别342例、316例）（表4）。ROR极高是因为这些术语几乎只出现在该类药物中，数值大小不代表风险倍数
• donepezil最突出的是心动过缓（754例，ROR 34.76），同时伴晕厥（510例）和跌倒（482例）；galantamine也有心动过缓（ROR 13.84）和晕厥信号；donepezil还出现QT间期延长、尖端扭转型室速、谵妄、激越、攻击行为、幻觉等信号（表4）
• rivastigmine最突出的是贴剂部位反应（应用部位红斑433例，ROR 22.65）；memantine以意识模糊（878例，ROR 15.91）、头晕（731例）、嗜睡（478例）、激越、跌倒（444例）为主（表4）
• 起效时间中位数：memantine 18天、donanemab 36天、galantamine 41天、donepezil 45天、lecanemab 50天、rivastigmine 76天、aducanumab 147.5天；多数药物不良事件偏早期出现（Weibull β<1）（表6）
• 性别分层：lecanemab和donanemab的ARIA-E在女性报告中更常见（女/男报告OR分别为1.72和1.61）；donepezil的尖端扭转型室速在女性报告中占比更高（OR 10.87，女性95/13,304 vs 男性6/9,778），但作者强调这不等于真实发生率差异（表5）

在方法上并无新意：FAERS不成比例分析已很常见，此前也有单独分析lecanemab、aducanumab、donepezil加memantine的研究。真正的增量是首次把donanemab和三种传统药放进同一套流程里并排比较，同时有说明书对照、性别年龄分层和TTO分析。但结论基本印证了已知风险（ARIA、胆碱能心脏效应），“未标注信号”多半是疾病本身、合并症或高龄带来的混杂，不能当作新发现。

主要局限：①自发报告系统只能提示“有报告关联”，无分母，不能估计发生率或因果，作者自己也承认这点；②各药物报告数量悬殊，且新药上市初期因关注度高容易增多报告；rivastigmine、memantine、donepezil的报告覆盖近二十年，与2023年后才上市的抗体药不可直接比较；③数据库对比的是“其他药物”背景，而这些药的使用人群本就高龄、多病，意识模糊、跌倒、肺炎等可能是疾病进展而非药物所致；④ROR数值可高达上万，是因为ARIA术语几乎只与抗体药相关，不应被解读为“风险高上万倍”；⑤“未标注信号”只是探索性，作者也提醒不要当作新确认的不良反应；⑥年龄缺失36%、性别缺失11%，>85岁的抗体药报告很少，对高龄人群的结论支撑弱；⑦论文标注数据库截止2026年8月，属于正文自述内容；资助来自国家重点实验室，无商业利益冲突。总体：结论多为已知事实的再确认，方法描述透明，但对个体用药决策的指导价值很有限。

✅ 官方资源 · https://www.frontiersin.org/articles/10.3389/fphar.2026.1955230/full
论文开放获取（Frontiers in Pharmacology，PMC13646139）。数据源FAERS公开可下载，作者提供补充材料（完整SOC/PT结果）。未见代码发布声明，也无临床试验注册号（观察性研究）。没有专门面向家属的照护工具或指南，复现需要有R经验并自行下载FAERS数据。

对患者家庭意味着什么这是一个还在原型阶段的家属培训工具，目前未见公开可下载或购买的渠道，家属现在没法直接用上。对一位86岁已确诊的老人，它不会改变疾病本身，意义在于帮助照护者练习如何应对冷漠、拒绝照护、激越等情况。论文报告的“家人更平静”都是照护者自己的感受，不能当作已被证实的效果。

证据等级与距离落地属于无对照的小规模技术/可行性试点，24位照护者，自我报告为主，没有测量患者的行为症状或照护者负担的客观变化，也未见临床试验注册号。耐受性方面，约五分之一的人眩晕/视觉不适评分超过作者设定的阈值，且老年照护者（最大77岁）可能更受影响。要证明有效还需要更大规模的随机对照试验，距离普遍可用可能还要数年。

照护上可借鉴的做法不需要VR，也可以借用参与者反馈中的沟通策略：先停顿再回应、用平静的声音、面对面保持眼神接触、少用开放式问题、把任务拆成小步，以及“认可感受—安抚—转移话题”(3R)。也可以和家人轮流做角色扮演，演练“老人拒绝洗澡/换衣”等场景。同时要重视照护者自己的休息和求助。这些做法主要来自参与者自述，具体到老人身上是否合适，可与医生或照护团队讨论；若老人行为症状严重，需请医生评估原因，不要仅靠沟通技巧。

背景 痴呆照护者常面临冷漠、拒绝照护、突发安全隐患等难题，传统培训多为讲授式或低互动的线上资源，难以练习情绪紧张情境下的沟通。VR模拟可让照护者在安全环境中反复演练，但在痴呆家属教育中应用还很少。本文记录一个名为VR-SIM Carers的原型的开发过程和小规模试用反馈。

方法 团队用Unreal Engine 5和Meta Quest头盔开发，数字人用MetaHuman，语音用ElevenLabs的语音转语音技术，约12个月迭代开发。共3个情景：应对冷漠、拒绝照护（炉子冒烟）、危机干预（不愿换脏衣服出门），用菜单选择对话，虚拟临床医生Aiden和角色给出反馈。24位无偿家庭照护者在家使用借来的Quest 2/3，每次约10-15分钟，用GUESS-18（使用体验）、IPQ（临场感）、SSQ（模拟器眩晕）问卷评估，并做电话回访和1个月随访的访谈笔记（n=21）。无对照组，主要目的是评估可行性、可用性、可接受性和耐受性。

• 24位参与者100%独立完成入门和全部情景，达到预设的≥80%可行性标准（定量结果部分）。
• SSQ总分均值10.59（SD 13.67，中位数3.74）；10人（41.67%）无症状，5人（20.83%）SSQ>20，超过作者设定的可接受阈值；眼疲劳7人（29.2%），恶心0人（SSQ结果，表4-6）。
• IPQ临场感偏低：总体临场感均值0.76，体验真实感均值−0.83（−3到+3量表，n=22）（表7）。
• GUESS-18中可用性/易玩性最高（5.71/7），创造自由度最低（4.10/7），n=21（表8）。
• 1个月随访中，家属自述学到“认可、安抚、转移（3R）”、放慢语速、保持眼神接触等策略，不少人称压力减轻、家人更平静，但也有人称“没变化”“仍有压力”；作者注明未统计频次，不能当作共识结论（表11）。

VR本身和模拟训练都不新，本文的新意主要在于把VR模拟专门做给在家照护的非专业家属，并详细记录了从开发到修复各轮用户问题的工程过程。它不是疗效研究，没有证明VR训练比传统培训或普通视频更好。价值更多是给开发者的设计经验，对家属而言只是“有这样一个原型”。

证据较弱，但作者也明确说不主张疗效。样本仅24人，部分指标仅21-22人，没有对照组，所有“收益”（信心提升、老人更平静）均为照护者自述，1个月随访笔记未做正式分析，也不计频次，存在选择性呈现和期望效应风险。IPQ显示真实感低，SSQ有约五分之一超阈值，总体“可接受”的结论有些乐观；正文还称SSQ均值落在“显著症状”范围却又判定可接受，表述不一致。“数据饱和”的说法基于很小的队列，依据不足。研究也未测量患者的临床结局。资助方和利益冲突在所给文本中未见说明。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13647962
论文开放获取（Cureus，Europe PMC），但未见VR程序、代码或数据的公开下载；开发细节（引擎、插件版本、制作流程）有描述，理论上可供开发者参考。未见临床试验注册号，仅有伦理批准号（JREB 22-031-B）。家属无法直接获取该VR工具。

对患者家庭意味着什么这篇文章没有测试任何干预，对86岁已确诊的老人没有直接的疗效结论。它能告诉家属的是：音乐疗法是研究较多、受到认真对待的非药物照护方式，近年的关注点已从“控制激越”扩展到生活质量和照护者共同受益。是否值得尝试，要看老人的喜好和现实情况，别指望它能逆转病情。

证据等级与距离落地本文属于文献计量分析（二次研究），不是临床试验，也不是系统评价或荟萃分析，没有给出任何疗效数字。其中提到的250篇 RCT 只统计了数量和主题，没有评价质量，也没有说明高龄或晚期患者占多少。作者自己承认干预方式、疗程和结局指标不统一，部分试验样本小、随访短。音乐疗法本身已在养老机构和家庭中使用，门槛很低，但“哪种方式对谁最有效”仍缺乏统一标准。

照护上可借鉴的做法文中呈现的研究方向提示几点可以尝试：用老人熟悉、偏爱的歌曲（个体化音乐，是近年突现的热点），在激越、焦虑或傍晚情绪不稳时播放或一起轻声哼唱；有条件时参加社区或机构的团体音乐活动；家属也可以参与，这有助于增进互动、缓解照护压力。这些是安全的非药物做法，但本文没有给出具体疗程或疗效数据。如果老人正在服用镇静或精神类药物，是否调整需与主治医生讨论，不要自行减药。

背景 音乐疗法是痴呆照护中常用的非药物手段，已有不少随机对照试验和综述，但还没有人从宏观上梳理这个领域的研究版图、热点变化和证据特点。作者想借文献计量方法回答：谁在做、做什么、热点如何演变、临床试验证据长什么样。

方法 检索 Web of Science 核心合集（2006年1月至2026年5月），筛选后纳入835篇英文论文，用 Bibliometrix、CiteSpace、VOSviewer 做发文趋势、国家/机构/作者合作网络、关键词共现与突现、共被引等分析。用 Scopus（1,368篇）交叉验证发文趋势、国家和机构分布。另在 PubMed 检索到250篇随机对照试验（RCT），只做关键词与主题等描述性分析，没有逐篇评价试验质量，也没有合并效应量。两名研究者独立筛选文献。

• WoSCC 共纳入835篇论文，年发文量从2006年的4篇增至2025年的102篇，年均增长率13.35%，2017年后明显加速（第3.1节）。
• 美国142篇、中国141篇、英国96篇、澳大利亚75篇；墨尔本大学发文最多（77篇）（第3.2节，表2、表3）。
• 关键词热点变化：早期是激越行为、焦虑和行为症状管理；中期是抑郁、神经精神症状和生活质量；近年出现家庭照护者、参与度、康复和神经可塑性（第3.4–3.5节）。
• PubMed 共纳入250篇 RCT，年均增长率6.46%，低于总体文献增长；作者承认干预形式、频率、疗程和结局指标差异大，部分研究样本小、随访短（第3.7节、4.3节）。
• RCT 主题图显示，与认知结局、可行性/先导研究相关的主题较分散，说明这方面证据还不成熟（第3.7节）。

新意主要在方法上：把文献计量与 RCT 数量图谱结合，并做了多数据库交叉验证。但这类研究只数论文、不评论文质量，既没有合并效果，也没有评估偏倚风险，临床上给不出新结论。文中不少关于音乐疗法“改善认知、提升生活质量”的说法来自引用的其他研究，并非本文自己的发现。对关心照护的家属而言，它只是领域概览，不是新证据。

主要局限：①文献计量只反映发文量和引用热度，不反映研究质量、偏倚风险或效应大小，“热门”不等于“有效”。②250篇 RCT 只做了关键词和主题统计，没有逐篇评价，也没有提取样本量、年龄、疾病分期，无法判断高龄、中重度或多病共存患者是否被充分纳入。③仅限英文文献，WoSCC 与 Scopus 的覆盖也不同。④文中对疗效的正面表述（改善认知、减缓下降、提升生活质量等）来自引用的其他文献，并未在本文中独立验证，措辞偏乐观。⑤2026年数据只有前5个月，趋势预测区间较宽。⑥未见资助与利益冲突的具体信息（全文中未提及）。总体上，作为领域地图可用，作为疗效依据不能用。

✅ 官方资源 · https://europepmc.org/article/PMC/PMC13645771
全文在 Europe PMC 开放获取，无代码或数据集发布声明，也没有提供照护指南或可直接使用的工具。检索式写在方法部分，原则上可复现检索，但需要自行重新下载 WoSCC、Scopus 和 PubMed 的数据。

对患者家庭意味着什么这篇研究的对象是照护者的心理状态，而不是患者本人，也没有发现对患者情绪有帮助的证据（代报的患者焦虑抑郁与活动无关）。对于照护86岁患者的家属，它的意义在于：每天给自己安排一点愉快的小事，可能对自己的心情有帮助，但这个应用本身的效果还没有被证实。照护者自己的状态很重要，却不应被理解为“做了这些就能改善老人的病情”。

证据等级与距离落地属于小型单组试点、观察性分析，没有随机、没有对照，仅20位照护者（15组照护关系）、14天，无长期随访。患者的认知程度跨度很大（T-MoCA从0到29），患者年龄38–92岁，不特指高龄人群；样本中受过大学教育的占75%，代表性有限。作者自己也说需要更大规模、有对照的随机试验才能判断是否有效，所以距离可推荐使用还很远；目前无药物相关内容。

照护上可借鉴的做法不依赖这个应用，家属也可以借鉴其中最受欢迎的几项：先提前安排每天一件让自己愉快的小事（如散步、见朋友、听音乐），其次是“品味”当下的美好时刻、写感恩日记、留意身边美好的事物。可以设定固定时间提醒自己，从每天一件开始。如果自己持续情绪低落、焦虑或睡不好，应及时与医生或社工沟通，寻求专业的照护者支持，而不要只靠小活动。本文不涉及用药建议。

背景 照护痴呆患者的家属负担重、焦虑抑郁和睡眠问题多，而现有的照护者应用多偏重教育和减少负面情绪，较少专门帮助照护者增加愉悦活动。Roadmap应用含8种积极活动（如安排愉快活动、感恩日记、品味当下、欣赏美好事物），在其他疾病的照护者中试过，但尚未在痴呆照护者中检验。本研究先看它在痴呆照护者中是否用得起来、能否接受。

方法 这是一项小型试点研究（We-Care），从一个更大的痴呆照护研究（SWEL-Care）中招募，共20位同住的主要照护者，其中15组有患者一起参与。照护者14天内每天上午9点和下午6点收到提醒，选择做一项Roadmap积极活动，每晚用手机问卷报告心情、照护压力/回报感、焦虑抑郁（PROMIS短表），并代替患者填写其焦虑抑郁（Neuro-QoL短表）。最后一天评价应用、Fitbit和问卷是否易用，预设标准为≥80%同意或完成。关联分析用两层多水平线性模型（天嵌套于人），作者明确说明这部分仅为探索性，样本量不足以做有力检验。

• 照护者在87%的天数里至少做了一项应用中的积极活动（范围59%–100%），平均每天约1.67项（Methods/Results，RQ2）
• 晚间问卷完成率94.6%（265个记录日），平均完成13.25/14份；最后一次问卷回复率90%（Table 3、RQ2）
• 应用的可接受性为78.9%同意/非常同意，略低于预设80%标准；“确信自己用对了”仅72.2%，“安装说明易懂”77.8%，“应用易用”77.8%（Table 3）
• 在做了至少一项积极活动的日子里，照护者抑郁T分低2.30分（p=0.015），把照护看作有压力的程度低0.39分（1–5分制，p=0.014），积极情绪高0.30分（p=0.014）；焦虑、负面情绪、照护回报感无显著差异（Results RQ3，Table 4–5）
• 照护者代报的患者焦虑和抑郁与当天是否做积极活动无显著关联；但随研究天数推移，照护者自身焦虑（b=−0.29）、抑郁（b=−0.33）和代报的患者焦虑（b=−0.27）都在下降，作者承认可能只是重复测量或参与研究的效应（Results，Table 4、6，Discussion）

新意主要是把一个专注于“积极活动”的低负担应用首次拿到痴呆照护者中试用，并用每日测量的方式观察。但这只是可行性试点：没有对照组、样本仅20人，关联性结果无法区分是活动带来了好心情，还是心情好的日子更愿意做活动。与已有的愉悦活动安排和LEAF等干预相比，没有提供新的疗效证据。

证据较弱，作者对此也比较坦率。主要问题：样本仅20人，邀请的46人中只有20人参加（18人未回复），可能选择了更愿意配合的人；没有对照组，随时间的改善（焦虑、抑郁下降）完全可能是重复测量、参与研究的效应或回归均值；每天是否做活动由照护者自己决定，因果方向不明；多个结局做了多次检验且未校正，p值多在0.01–0.05之间，结果不稳健；所有结局都是自评，患者情况由照护者代报，并非患者自述；患者重度认知障碍占35%，代报准确性有限。后测中“活动数量”并没有每日效应，只有人与人之间的差异，也难以解释。可接受性的主要指标未达到作者预设的80%标准。资助方为NIH，未见明显利益冲突，但应用开发者Choi是作者之一。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13642210
论文开放获取（Europe PMC）；未发现公开的数据或代码，也未给出临床试验注册号。文中提到应用来自R01HL146354项目，但未说明家属是否可以直接下载使用，目前家属应不能依赖其获取。

对患者家庭意味着什么这篇不是治疗或照护效果研究，对86岁已确诊老人没有直接的治疗意义。但它说出了很多家庭的共同处境：焦虑、不确定、找不到资源、照护者撑不住，都是普遍现象，不是你做得不好。需要注意的是，研究对象是轻度或早期患者的家庭，您家老人的阶段可能已不同，需求（如安全、吞咽、临终决策）会更多。

证据等级与距离落地证据类型是小样本质性访谈（11组二人组+1名照护者+12位专家），目的是描述需求，不能证明任何干预有效。这是尚未经同行评审的预印本，且仅有摘要可读。AI聊天机器人还在开发阶段，没有试验结果，离家庭可用、可信赖还有相当距离。研究对象为MCI或轻度患者，不是高龄中重度患者。

照护上可借鉴的做法可以把摘要中的六类需求当作自查清单：日常照护安排、医疗问题、行为症状、预后、安全、可用资源与服务，看哪一块还没有人帮您。可向主治医生或社工询问：是否有确诊后的随访、个性化照护计划、当地老龄机构或阿尔茨海默病协会的资源导航和照护者支持小组。照护者自己的疲惫和情绪也属于需要被支持的部分，可以主动求助。涉及用药或症状处理的问题，需与主治医生讨论，不要单靠网络或聊天机器人的回答。

背景 确诊只是开始，之后的日常照护、症状应对、找资源、为将来做规划，都要家庭自己摸索，而这些需求会随病情变化。此前已知确诊后支持常常断档，这项研究想先弄清家庭到底有哪些疑问和困难，再据此设计AI聊天机器人。

方法 这是一项质性研究（仅据摘要）：招募了11组社区居住的“患者＋照护者”二人组（患者为MCI或轻度AD/ADRD）、另加1名照护者，以及12位来自学术医疗中心、诊所和老龄机构的认知症照护专家。研究者做半结构化访谈，并用常规内容分析法归纳主题。摘要未说明访谈时长、具体访谈提纲、种族构成等细节。

• 样本：11组社区居住的患者—照护者二人组 + 1名额外照护者 + 12位认知症照护专家（摘要）
• 家属常见疑问集中在六类：日常照护管理、医疗问题、行为症状管理、诊断与预后、安全、资源与服务（摘要）
• 主要困难包括：照护者不堪重负、对认知症了解有限、对病情走向的不确定、医疗体系难以应付、经济压力、技术使用障碍（摘要）
• 需求包括：持续教育、个性化照护计划、资源导航、事务协助与跟进随访、文化适切的照护、社交与情感支持（摘要）
• 结论：确诊后的支持不应只提供信息，而要持续、个性化、实用（摘要）

访谈本身的发现（照护者负担重、信息不足、体系难走）与既往大量研究高度一致，新意不大。真正的新点在于把这些需求明确用作AI聊天机器人的设计依据，并同时纳入患者、照护者和专家三方视角。但目前只是需求调研，没有聊天机器人本身的效果数据。

样本很小且为方便招募，可能偏向愿意参加研究的家庭，结果不能推广到所有人群；摘要未说明地区、种族和教育背景，因此“文化适切”的发现无法评估。参与者是MCI或轻度患者，与86岁已确诊、可能中重度的患者差别较大。质性内容分析适合发现需求，但不能说明哪种支持有效。预印本未经同行评审。摘要未披露资助方和利益冲突；研究者既做需求调研又开发聊天机器人，可能存在偏好该解决方案的倾向，需看全文确认。

❌ 无公开资源 · https://europepmc.org/article/PPR/PPR1338057
仅有预印本摘要页（DOI 10.64898/2026.10.07.26364992），Europe PMC 未标注开放获取；未见访谈提纲、代码本或聊天机器人的公开发布，也无临床试验注册号（质性研究通常不需要）。

对患者家庭意味着什么这项研究的对象是平均59岁、MoCA 18–25分的轻度认知障碍女性，不是86岁已确诊的阿尔兹海默症患者，所以结果不能直接套用到您的家人身上。文中提到的“认知大幅提高”“脑血流增加”“tau下降”都不能理解为太极拳能逆转病情。对已确诊的高龄患者，这篇论文的直接意义有限，最多说明温和、规律的身心运动总体安全。

证据等级与距离落地这是随机对照试验，但仅40人、单中心、只随访12周、无长期结局、对照组只有健康教育（接触时间和活动量都少得多），受试者也知道自己的分组。作者自己都承认效应值可能被夸大，且MoCA前后用同一版本，可能有练习效应。血液tau/Aβ的变化不能代表脑内病理，两个指标同时下降的方向也难以解释。试验未纳入高龄或中重度患者，要得到可靠结论还需要更大规模、有活动对照的多中心试验，距离写入诊疗指南还很远。

照护上可借鉴的做法本文不支持“靠太极拳改善病情”这种期待，但太极拳强度低（约40–60%最大心率）、本试验中无严重不良事件，说明它是一类低风险的活动形式。如果老人身体状况允许，可以和主治医生或康复师讨论，是否适合在有人陪同、有座位支撑的情况下做简化的太极动作、呼吸和平衡练习，重点放在预防跌倒、保持活动和社交上，而不是追求认知分数。86岁老人的体力、平衡和心肺状况差异很大，任何新运动开始前都应评估跌倒风险，并需与主治医生讨论。试验用的是每周3次、每次60分钟，对高龄患者通常过长，需要调整。

背景 轻度认知障碍（MCI）常被视为阿尔兹海默症的前期，目前没有药物能可靠逆转。此前的太极拳试验多为男女混合人群，很少专门研究绝经后女性，也很少同时看脑血流和血管指标。本研究想知道太极拳能否同时改善认知、脑灌注和血管功能。

方法 单中心、开放标签、1:1随机对照试验，在福建中医药大学附属第二人民医院进行（ChiCTR2300068871，注册于入组前）。共40名50–75岁绝经后女性，MoCA 18–25分，平均年龄约59岁，分为太极拳组和健康教育对照组各20人。两组都接受健康教育；太极拳组另外每周3次、每次60分钟练24式太极拳，共12周。主要结局是MoCA总分变化，次要结局包括MRI动脉自旋标记测得的脑血流、血浆NO/ET-1等血管因子，以及血清tau和Aβ1-42。用线性混合模型分析，评估者、读片者和统计人员不知分组，受试者无法设盲。

• MoCA总分：太极拳组中位数从25分升到28分，对照组从25降到24.5；组间差异β=4.95（95%CI 3.98–5.92），Cohen's d=3.28（结果部分，表2）
• MoCA分项：延迟回忆β=1.50、视空间/执行功能β=1.10、注意力β=1.05，经Bonferroni校正后仍显著；命名、语言、抽象、定向未达校正阈值（表2）
• 全脑平均脑血流：太极拳组从49.84升至60.13 mL/100g/min，对照组从51.58降至46.58，β=15.29，d=3.62；8个脑区全部显著（表3）
• 血管因子：NO组间差异β=10.41（p<0.001）；ET-1差异p=0.039，但基线校正后的ANCOVA敏感性分析中不再显著（p=0.092）（表4、3.4.2节）
• 血清T-tau、P-tau、Aβ1-42在太极拳组均下降（β分别为−255.45、−135.67、−169.41，均p<0.001）；安全性：无与干预相关的不良事件，太极拳组平均出勤率92.5%，40人全部完成（3.5节）

新意主要在于把太极拳试验限定在绝经后MCI女性，并同时测了MRI脑血流、血管因子和血液tau/Aβ。但这是一项样本极小的探索性单中心研究，效应值（d=3.28，而既往荟萃分析约0.5）大得不合常理，更像是偏倚、期望效应和练习效应叠加的结果，而不是可靠的新发现。太极拳对MCI有益本身并不新，这篇的增量证据很弱。

证据较弱：样本仅40人，无失访，无任何脱落，这在真实世界里少见；开放标签且对照组接触时间和运动量均少，期望效应、社交和关注度难以排除；MoCA主要结局易受练习效应影响，且同一版本重测；MoCA总分Cohen's d为3.28、全脑血流升高约20%而对照组下降约10%，这些幅度生理上难以置信，作者也承认可能夸大；ET-1结果经基线校正后不显著；Aβ1-42和tau在血清中用ELISA检测，下降方向不一致且无法代表脑内病理；相关分析是探索性的，不能说明因果。受试者平均59岁，MCI病因未分型，近90%有无症状脑梗，并不是典型的阿尔兹海默症人群。资助方和利益冲突信息在所给文本中未见。总体应视为假设生成，而非证实。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13649657
论文在Europe PMC开放获取，已在ChiCTR注册（ChiCTR2300068871）。完整方案和统计分析计划需向通讯作者“合理申请”，未见公开原始数据或代码。太极拳24式本身是公开的标准套路，没有现成的高龄患者照护指南。