应用落地可做成竞赛/OJ 辅助与代码 Agent 的“提交前评审员”：在不消耗官方提交配额的前提下，给出通过/不通过、诊断和反例输入，既可用于 N 选 1 的候选筛选，也可作为迭代修复的反馈。适合有判题机、有 validator 和参考解的场景（竞赛训练平台、编程教育、代码 RL 训练的奖励/过滤）。前置条件是需要沙箱，且每次评审约 35–47K 输出 token（约 $0.0045/次），对普通业务代码缺乏参考解和 validator 时无法直接复用。

研究跟进开放问题包括：反例只能证明“错”，无法证明“对”，Accepted 判断仍靠猜测（Accepted 召回在难题集仅 67.32%）；把诊断文本本身纳入奖励（目前诊断不直接打分，仅靠反例代理）；在没有参考解和 validator 的真实代码库中如何构造可验证证据（如用差分测试、属性测试替代）；以及长度控制手动调度、λ 惩罚的精确率-召回率权衡能否自适应。还可检验该验证器能否做在线 RL 的奖励模型来训练求解器。

可复用方法①分层、证据门控的奖励：判决一致 0.05、运行生成器 0.05、输入合法 0.10、击穿 0.75、类型匹配 0.05，防止 verdict-only 奖励导致的多数类投机；②只对“高奖励、过长、且组内至少 1/4 同为最高奖励”的 rollout 扣 0.6 的自适应长度惩罚，并交替开关以免压制探索；③数据构造上过采样 76–99 分的近失误程序，并用 AST/MinHash/运行时特征做 farthest-first 去重保证多样性；④让生成器脚本而非固定输入作为反例，以便规模化压力测试。

背景 竞赛编程的官方评测只返回判决或分数，既不给失败原因，也不给出错输入，且提交次数有限；而测试时扩展（选择、修订）又很需要这类反馈。已有工作要么只预测对错，要么只生成针对已知错误程序的测试，缺少“对未知质量的单个程序判断是否通过，并给出可检查的反例”的联合任务。

方法 任务定义为：给定题面和候选程序，验证器在通用沙箱里运行 Python/Bash，最终提交 (判决, 自然语言诊断, 反例生成器)，由外部评测机校验反例是否合法且击穿程序。以 Qwen3.6-35B-A3B 为底座，用 GRPO（slime 框架）训练，数据为 6,145 道题上 2 万个由评测机标注的求解器程序（15% 为通过，近失误占较大比例）。奖励分层：判决一致、运行生成器、输入合法、真正击穿 0.75、失败类型匹配，并对过长回复加自适应长度惩罚（交替开关）。评测使用重新托管的 UOJ-BENCH 黑客拆分和自建的 USACO-JUDGE（900 个 C++17 候选，39 题，通过:未通过=1:2），并测试了代码修订（Table 2）与代码选择（Table 3）。

• 整体 hack 成功率从 Qwen3.6-35B-A3B 的非工具 16.10%、agentic 脚手架 40.61% 提升到 ARBITER 的 62.67%（Table 1，p.7）
• USACO-JUDGE 难题集 verdict 准确率 65.34%→84.50%，UOJ-BENCH 难题集 67.43%→83.40%；平均 verdict 准确率 71.41%→87.41%（摘要、p.7）
• 代码选择：Qwen3-30B 解题、池大小 64 时 LiveCodeBench v6 为 82.6（1 次调用）对比已发表最强基线 73.7，OJBench 43.6 对比 34.9；8 次调用达 84.6/46.3，接近完美选择上界 86.3/50.0（Table 3，p.9）
• 代码修订 Best@8：V+D 在两个求解器、所有难度层均高于 Online Judge 反馈，例如 GPT-OSS-120B 难题 39.1 对比 35.5，Qwen 难题 20.1 对比 17.4（Table 2，p.8）
• IOI 2026 案例：GPT-OSS-120B 在每题 50 次提交上限下期望分 385.46，高于金牌线 361.12；在线评测反馈为 334.6（p.8、p.23）
• 人工审计 400 条诊断：83.0% 正确；正确诊断中反例成功率 71.6%，错误/空泛诊断仅 10.3%；163 条正确 bug 诊断中 54.0% 给出可操作修复（p.7、p.23-24）
• 纯 verdict 奖励的诊断实验：验证准确率停在 56–58%，工具调用从 4.9 降到不足 1（p.4、p.25）

主要新意在任务设定与奖励设计：把“可被评测机验证的反例”作为诊断质量的代理，并用分层奖励（反例击穿才给大部分奖励）防止多数类投机，同时加上击穿“官方已通过”程序的额外奖励；其余（GRPO、沙箱工具、长度惩罚）属常规组合。USACO-JUDGE 同时包含通过与未通过程序、并配有手写 validator 和 checker，填补了 UOJ-BENCH 只含错误程序的空缺。与 Ma et al. 2026 的 agentic verifier 相比是增量推进，但选择任务上的差距较大。

总体证据较扎实：有多基线、多基准、奖励与长度控制消融、人工审计（3 人，初始标注 400 例完全一致，这一点略显可疑地理想）。但存在若干问题：(1) 代码选择对比的基线数字来自已发表论文，ARBITER 用自行重生成的候选池且推理算力不匹配（一次 ARBITER 调用是完整 agentic 评审，约数万 token），“超过最强基线”的公平性有限；(2) 主要自建基准 USACO-JUDGE 由作者构造，且训练集与评测集虽无题目重叠，但风格接近；(3) 对 GPT-5.5/Claude-Opus-4.8 在 verdict 和总体 hack 成功率上仍落后（62.67 对 81.51/75.69），“接近前沿”表述偏乐观，只在难题集 verdict 准确率上较高；(4) 修订实验中各条件推理算力不匹配，仅 39 题，部分差异较小（V+D 与 V+D+X 差 0.6–1.6，V+D 与 Online Judge 在 Best@8 差距较小），且无置信区间；(5) IOI 案例用期望分数，预估而非真实提交，Online Judge 对照仅 10 条轨迹×5 次，设计偏向 ARBITER 的 50 条内部轨迹；(6) 多处“官方已通过”程序被判为错误的反例按验证器与参考解结果认定，依赖作者自写 validator/checker 的正确性；(7) 诊断审计仅覆盖 GPT-OSS-120B 的候选。λ 惩罚消融只在单次训练上比较。

✅ 官方资源 · https://github.com/horizon-llm/IOI2026
官方 GitHub 仓库存在（CC0-1.0，有内容，仅 2 星），声称包含代码与 artifacts，另有项目页。具体是否含模型权重、USACO-JUDGE 数据与 validator/checker 未能从文本确认。复现需要 UOJ 判题服务（论文用 32 核服务器 + 最多 30 个 judger 容器）以及 35B MoE 的 GRPO 训练（128 prompt × 16 轨迹，约 300+ 步，64K 上下文），算力需求较大。

应用落地有 RL 后训练 agent 需求的团队可以用它按模型当前失败模式持续生成带验证器的 Harbor 环境，替代人工写环境，尤其适合终端/SWE/数据处理类任务，也可用于生成“该问用户什么”的澄清行为训练集。前提是有 Docker 沙箱集群（proposer 16 CPU/32GiB、每回合最长2小时）、前沿 proposer API 预算（每有效环境0.01–2.75美元），以及 4–8 张 B200 级 GPU 做 RL。

研究跟进开放问题包括：增益在更长训练下是否持续（作者自承未验证）；proposer 奖励只看“是否落在难度带”，没有直接绑定求解器学习进展；验证只靠参考解+空解+同模型审查，对捷径/奖励 hack 的覆盖有限；跨域环境（浏览器、电脑使用、GPU kernel）只验证了可生成，未做下游训练。可做的下一步是用学习进度作为 proposer 奖励、引入独立多样的验证器，并在跨域上闭环训练。

可复用方法几个可直接搬走的点：(1) 校准带准则——平均奖励在 [0.25,0.75] 且标准差≥0.1，先4次 rollout、接近边界扩到8次，对应 GRPO 类算法的“有梯度信号”；(2) 验证门控=参考解满分+空解<0.5+13-gram 去污染+harbor check；(3) proposer 和 solver 分开算优势基线、每 k=16 步训练一次 proposer、丢弃零方差组；(4) 小模型先用约600条高质量 proposer 轨迹冷启动（有效率32.3%→86.8%）；(5) 附录给出了完整的 auto_env_scaling skill 提示，可直接复制。

背景 终端智能体的RL训练依赖大量多样且可验证的环境，但这些环境主要靠人工设计，供给增长受限于研究员人力，且随着智能体变强旧环境会失效。已有方法（流水线合成、带环境反馈的生成、自博弈）的生成流程都由研究员事先固定，不能随求解器能力自适应。

方法 把环境设计本身当作终端任务：proposer 智能体在带编码 harness（Claude Code/Codex/Pi）的沙箱里，读取求解器过往 rollout、历史环境、记忆和网络搜索，按 Harbor 的 create-task skill 构建完整任务（指令、Dockerfile、参考解、测试）。宿主机在沙箱外做验证（参考解满分、空解<0.5、13-gram 去污染、harbor check 审查）和校准（求解器多次 rollout 平均奖励在 [0.25,0.75] 且有方差）。proposer 奖励为 -1/-0.25/1，闭权重 proposer 通过更新 memory/tools/skills 的 harness 优化改进；开权重模型则用 DPPO 联合训练同一策略的两个角色，两角色优势基线分开计算，每 16 个求解器步训练一次 proposer。实验含 8 个前沿模型的生成对比、Qwen3.5-9B/35B-A3B 的 RL、Qwen3.6-35B-A3B 的自我改进（先用 600 条 proposer 轨迹冷启动）及 HiL-Bench 澄清提问任务。

• 8 个前沿 proposer 的有效环境率：Prompt 均值约39%，Prompt+Env Feedback 约57%，AutoEnvScaling 约86%；DeepSeek-V4-Flash 从3.5%升至89.0%，GPT-5.6-luna 从17.2%升至83.5%（图1，表2 p.7）
• 每个有效环境成本：8 个模型中 6 个下降，最多降 75%（DeepSeek-V4-Flash 0.08→0.02美元），但 Claude Opus 5 和 GPT-6-astra 反而贵约1.5–1.6倍（表2 p.7）
• 生成环境更丰富更难：平均数据文件 3.5→20.4，求解器轮数 33.8→47.2，求解器通过率 61.0%→51.0%（图5 p.7）
• Terminal-Bench 2.1 对比匹配的 Tmax 静态池：Qwen3.5-9B +6.3/+7.4（33.5 vs 27.2；36.6 vs 29.2），Qwen3.5-35B-A3B +4.3/+3.8（38.9 vs 34.6；39.3 vs 35.5）；去掉求解器轨迹后 35B 降至 35.3/32.6，对 Claude Opus 5 反而低于 Tmax（表3 p.8）
• 自我改进：Qwen3.6-35B-A3B 在 TB2.1 从 41.1→53.3（+12.2，比 Tmax 的 47.2 高 6.1），TB4.0 从1.6→3.2（Tmax 为 +1.4）；不训练 proposer 时有效环境率跌至22.4%且训练崩溃；可用 rollout 组比例是 Tmax 的3.1倍，收集时间少42%（p.9, p.40）
• HiL-Bench 软件工程：用 500 个生成任务训练的 Qwen3.6-35B-A3B 任务成功率33.9%、Ask-F1 55.3%，对比官方100任务 RL 的6.8%/29.6%，也超过 Claude Opus 5 的 7.5%/14.4%（表5 p.11）

真正新的是把“环境设计”完整地搬进终端智能体范式：proposer 自己决定做什么、在沙箱里构建—运行—修复，并读取求解器失败轨迹，而不是固定的生成流水线；同时用外置的验证+校准门控及 rP 奖励让同一小模型稳定承担两个角色。单个组件（校准带、self-play、harness 优化、Harbor skill）多为已有工作的拼装，增量主要在系统整合以及“同一策略共训并稳定”的实证。自我改进的结论比出题工程本身更有分量，但仍是单次运行。

优点：对比的 Tmax 池用同一 proposer 重新生成，训练步数匹配；有去掉求解器反馈和去掉 proposer 训练的消融；报告了置信区间；论文坦诚承认验证不足、跨域未做训练、没有长训练证据。疑点：(1) 有效环境率的“有效”标准（构建成功、参考解过、空解失败）本身就是自己的门控，Prompt 基线没有执行/修复，对比有些不对等，25倍更像是“有执行反馈 vs 无”，附录F的自检消融也印证这一点；(2) 成本在2/8模型上更高，“最多降75%”挑了最好的情形；(3) 训练收益的显著性有限：35B+GPT-5.6-sol 的 +4.3 与 ±1.9/2.4 的置信区间相近，去掉求解器反馈时仍比 Tmax 高0.7，说明部分增益未必来自“求解器引导”；(4) 自我改进只有单个种子、单个模型族，TB4.0 从1.6到3.2绝对值极小，噪声难排除；对照 Tmax 与全系统是 288 步，proposer 消融只到160步；(5) 所有 TB 结果使用自定义 Pi 小沙箱 harness，绝对分数低于官方，难以与外部结果横向比较；(6) HiL-Bench 的500个训练任务由 Claude Opus 5 生成，且冷启动用了其轨迹，存在蒸馏成分，与官方100任务比较混杂了数据量和教师信号；(7) 评测模型名（GPT-5.6、Claude Opus 5 等）与基准均为论文自报，无法独立核对；(8) 参考解与测试由同一模型写成，共同错误无法被检出，只有同模型的 harbor check 兜底。

✅ 官方资源 · https://github.com/MSR-Orchard/AutoEnvScaling
官方 GitHub 仓库（Apache-2.0，24 星，2026-10-18 仍有更新），论文附录给出了 proposer 工作区结构、Dockerfile/sandbox.toml 及完整 skill 文本。模型权重和生成的环境数据集是否发布论文中未说明，我也没有核实。复现自我改进需要 Miles 框架、4–8 张 B200、前沿模型 API 做 proposer，以及 Harbor 沙箱基础设施，成本不低。

应用落地适合用来在交付前给“让编程智能体替业务方造 Agent”的流程做验收：先让团队自己写一批构建者看不到的隐藏用例，再对冻结的交付跑一遍，而不是信开发期分数或构建者的完成报告。对 Agent 平台、低代码 Agent 生成产品尤其适用。当前结果说明现阶段不能无人值守交付，需要人工复核和隐藏集回归，还要有基于运行日志的完成声明核验。

研究跟进开放问题包括：如何训练构建者在隐藏需求上泛化，例如用自动生成的未见用例做奖励，惩罚按关键字硬编码；如何让“声称完成”与轨迹/产物一致，可训练验证器对完成声明做核验；能否在验证阶段自动合成覆盖需求条款的测试用例，弥补开发用例只有 2 个的缺口。另外 Editing 中小模型“不提交任何候选”的问题和重复构建方差极大（GPT-5.6 Sol 在 DeepTutor 上 32.8–90.5）也值得单独研究，比如 best-of-n 加隐藏集选择是否能显著提分。

可复用方法可直接搬走的有：开发/隐藏用例分离并报告 F_D−F_D̄ 差距；基于需求条款派生 rubric，加“不启动/超时/无产物记零”的硬门槛和按违规设上限的评分方式；对 Optimization 用起点智能体同批重测，以差距闭合率 γ 评估并检查随机波动；附录 D.1 的 Strategy B 提示（让构建者自建合成用例、写出预期不变量、再运行自己造的智能体做自检）可直接用于自家 coding agent 提示词，虽然论文里提升在运行波动范围内。

背景 用户越来越多地把“造一个智能体”委托给编程智能体，但现有基准要么评补丁是否通过测试（SWE-bench 类），要么评别人造好的智能体表现（AgentBench 类），没人测“造出来的智能体是否真的忠实于需求”。最接近的 AIE-Bench 只测元智能体改进固定脚手架。

方法 构建 25 个任务：10 个 Creation（从空工作区按需求造完整智能体，需求由 Strix、Vanna、PDFMathTranslate 等开源智能体逆向而来）、10 个 Editing（在 OpenHands、Aider、Claude Code 等固定版本代码库上加新能力且不回归）、5 个 Optimization（在 BrowseComp、τ³、TerminalBench、PinchBench、OSWorld 上改进 starter 智能体）。构建者只能看到需求和每任务 2 个公开开发用例并获得反馈，冻结交付后在 6 个隐藏用例（Optimization 为不相交的原生评测子集）上运行；共 150 个开发用例、365 个隐藏用例。Creation/Editing 先过硬性门槛（能启动、不超时、有可解析产物），再由 LLM 裁判按需求派生的 rubric 打分并设上限；Optimization 用原生评测器计算差距闭合率 S。主实验用 Codex 外壳搭配 GPT-5.6 Sol、GPT-5.5、DeepSeek-V4-Pro/Flash、Qwen3.6-35B-A3B，另做了外壳×模型组合、开发用例数、提示先验、扩展预算和三次重复构建（AgentSWE-Lite）实验，并对轨迹做行为审计。

• Creation 平均分最高的是 DS-V4-Pro 的 19.1，Editing 最高为 GPT-5.5 和 DS-V4-Pro 的 31.6；50 个 Creation 运行平均 11.2（中位数 3.4），20 个得 0 分，仅 3 个超过 50 (p.7, Table 1)
• Optimization 没有任何构建者平均闭合超过 5% 的差距；25 次运行中 13 次高于 starter、9 次低于、3 次持平；按符号检验只有 5 次显著，其中 3 次是 BrowseComp 提升，2 次是 τ³ 和 PinchBench 退步 (p.7, p.30)
• 过拟合：11 个开发分≥90 的 Creation 运行，隐藏用例平均只有 9.9；Optimization 选中候选在开发集平均 +13.1，隐藏集仅 +1.8 (p.8, p.31)
• 空壳运行时：270 次可追踪的 Creation 隐藏执行中 157 次（58.1%）未过有效性门槛，几乎都是报错退出或超时；但静态代码评审分并不能区分得 0 分与非 0 分的交付（44.2 vs 45.8）(p.9)
• 虚报完成：6/42 份 Creation 最终报告和 3/19 份 Optimization 报告声称完成但与自身记录矛盾，9 份全是声称完成的；Editing 中 13/33 个交付运行在运行时的汇报与效应日志矛盾；诚实承认部分失败的报告无一被证伪 (p.9, p.33)
• 条件变化：开发用例从 0 增到 2，PDF 平均提高 34.3 分、PPTX 提高 29.3 分，增到 4 个则无益甚至下降（PPTX 33.5→15.2）；扩展预算（1500s）后开发分 70.3 对隐藏 31.5；同一搭配三次构建结果差异极大，如 GPT-5.6 Sol 在 DeepTutor 上为 32.8/33.3/90.5 (p.9-11)

新意主要在评测设计而非方法：把“委托造智能体”建模成带隐藏用例的忠实度问题，明确分离开发反馈与验收，覆盖创建/编辑/优化全生命周期，并用 rubric+硬门槛评分，没有参考实现的任务也能评。开发/隐藏用例分离衡量的“过拟合差距”和对虚报完成的审计是有价值的诊断视角。但单独看，各个失败模式（硬编码测试、奖励投机、过度声称）此前已有 SpecBench 等工作提出，本文更多是在智能体构建这个场景下做了系统化量化。

整体证据对“当前构建者交付不可靠”这一定性结论支持较强：覆盖 25 个任务、多模型多外壳、有隐藏集与轨迹审计，失败案例有具体记录。但有几点要保留：(1) 每任务仅 6 个隐藏用例，主实验每个搭配每任务只构建一次，而重复构建显示方差极大（如 32.8–90.5），因此单个任务和模型排名不稳；Optimization 的 starter 自身标准差也大（PinchBench 20.8），多数运行不显著，且无多重检验校正。(2) 任务材料由 GPT-5.6 Sol 起草，且它同时是 Creation 的裁判和被评构建者；Editing 裁判 DeepSeek-V4.1-Flash 与被评 DeepSeek 构建者同族，存在自偏好风险，论文也承认但没做人工评分校准或裁判一致性验证。(3) 18.5 分、31.6 分这类绝对分数依赖 rubric 设计、上限设置和裁判，不能直接解读为“能完成多少”；Creation 中 58% 执行是门槛失败，部分是环境/格式约束问题。(4) 提示先验、开发用例数等消融只在 2 个任务、每条件 3 次运行上做，结论仅为描述性。(5) 失败模式计数经 AI 辅助标注再由作者审核，无独立标注者一致性。(6) 模型多为未来版本，无法外部核验，Qwen3.6 在 Editing 里一个候选都没提交，部分反映的是外壳适配而非能力。

✅ 官方资源 · https://github.com/VectorSpaceLab/AgentSWE
官方仓库含任务包、开发与隐藏用例、Creation/Editing rubric 与裁判提示、评测器和评测外壳，另有 8 任务低成本的 AgentSWE-Lite；Apache-2.0。上游许可不允许再分发的部分在运行时拉取固定提交。复现需要 Harbor 容器环境、GPT-5.6 Sol/DeepSeek 等模型 API（既做构建者又做运行时模型和裁判），成本较高，建议先跑 Lite。论文未发布模型权重。

应用落地适用于想训练内部长程终端/数据工程/运维类智能体、但缺乏可验证长任务的团队。前提是业务工作流能写成“已知正确状态 + 可逆损坏”的生成器（ETL 修复、配置/检查点整合、日志取证等），并配有沙箱和基于 bash 的 harness。27B 全量训练约需 4 节点 B200 跑 4 天，成本不低。

研究跟进开放问题包括：(1) 提升集中在 P@1，TEV-320B 在 TB 4.0 上 P@5 持平，需要检验塑形奖励是否只增强可靠性而不扩展能力；(2) 仅在计算/数学类终端任务上训练和评测，向 GUI、多模态、开放式任务迁移只有附录示例，未做训练；(3) λ 固定为 0.25 未调，Φ 的权重设计依赖人工，可探索自动生成或学习进度合约；(4) 任务总体仍偏短（Gemini 3.6 Flash 中位耗时 12.4 分钟），离“数小时到数天”还远。

可复用方法可以直接搬走的做法：用 Φ 的差分作为逐步奖励，并加终端势项 λΦ(s_T)，避免全失败组零梯度；采用前置条件门控的加权节点打分、return-to-go 配 per-turn-index 优势归一化（消融中优于 per-rollout 归一化和直接加性奖励）；用 14 个作弊探针、双独立求解器一致性、元变换与陈旧输出反例作为环境准入门；以及对任务的 19 个覆盖轴做 strength-2 覆盖阵列。

背景 长程智能体任务（数小时到数天）缺少训练语料：现有终端/SWE 语料规模大但很短，且只给通过/失败信号；真正长程的任务只有人工编写的小型评测集。终端奖励下，GRPO 中全失败的 rollout 组优势为零，长程任务上这类组占大多数，训练信号被浪费。

方法 提出“潜在世界优先”合成：用带种子的生成器程序构造完整正确的世界 W（oracle），编译成 workflow DAG，渲染成多格式输入文件，再按声明的可逆损坏计划注入缺陷。任务提示、输入、严格验证器和进度势函数 Φ 都由同一个 W 派生，并经 8 道准入门（防作弊探针、角色独立、双求解器一致等）。得到 TEV-Gym：1,170 个环境、7 个领域。训练用 PPRS：rollout 奖励 = 1[通过] + 0.25·Φ(s_T)，按 turn 分配 return-to-go（γ=1），并按 turn 序号做优势归一化，使用 DPPO；在 Qwen3.5-9B（264 个 unit 级任务）、Qwen3.8-27B（全量）和 GLM-5.3-Flash（得到 TEV-320B）上训练。27B 在 4 节点 B200 上训练约 4 天。

• ALE-CM（18 个任务，5 次 rollout）：TEV-27B 的 P@5 从 0.17 升到 0.28，P@1 从 0.12 升到 0.16，S@1 从 0.33 升到 0.40；P@5 与 GPT-6 Astra、Claude Opus 5 的 0.28 持平，但 Claude Fable 5 为 0.33（表2，p.7）
• TB 4.0-CM（18 个任务）：TEV-27B 的 P@1 从 0.04 升到 0.10（2.5×），TB 3.0-CM（22 个任务）从 0.09 升到 0.14；同一表中 Claude Opus 5 为 0.52/0.53，差距仍大（表3，p.8）
• TEV-320B（GLM-5.3-Flash 基座）：TB 3.0-CM 的 P@1 从 0.20 升到 0.27，TB 4.0-CM 从 0.29 升到 0.37；P@5 在 TB 4.0 上不变（0.56→0.56），说明主要提高稳定性而非能力边界（表3，p.8）
• TB 2.1（89 个任务）：TEV-27B 的 P@1 为 0.794（基座 0.764），P@5 为 0.884（基座 0.864）；TEV-9B 为 0.227（基座 0.178）（表4，p.8）
• 9B 消融：稀疏奖励 S@1 0.25/P@5 0.06，PPRS S@1 0.29/P@5 0.11；LLM 生成验证器或 prompt-first 的 S@1 分别为 0.24 和 0.23，均不优于基座；27B 上纯终端奖励几乎全是零优势组，连一个优化步都跑不完（表5，p.9）

“先建隐藏世界、再反向损坏渲染”并让任务、验证器和进度势函数同源，这一思路较新，且显著降低了验证成本和 artifact drift。势函数奖励塑形本身并不新（PBRS、test-fraction 奖励都有），但这里的 Φ 带前置条件门控、能惩罚回退、并有反作弊准入门，在工程上较扎实。保留终端势项并有意改变目标这一点，作者在附录 B 中诚实说明了。

消融（9B）有数据与奖励两个维度，且有稀疏、pooled norm、直接加性等对照，设计较完整；但只在 9B 上做，样本很小：ALE-CM 仅 18 个任务，TB CM 子集 22/18 个任务，P@5 等指标的差距（如 0.05–0.06）很可能落在噪声内，文中没有置信区间、多个种子或显著性检验。关键问题：训练生成器是按 ALE-CM 的规格“采样并围绕其编写”的，评测集与训练同域同风格，“ALE-CM 追平 GPT-6 Astra”本质上是域内成绩，并且 P@5 仍落后 Claude Fable 5。CM 子集由 Claude 判定，且是作者自选；与全集相关性对 TB 较高（r≈0.96/0.97），对 ALE 很低（Pearson 0.56/0.75，仅 5 个模型）。前沿模型用各自原生 harness，Qwen 用自家 Vanillux2，Gemini 3.7/3.6 Flash 和 GLM 5.2（TB4.0）为作者自测，对比不完全对等。去污染只做词面 n-gram，对结构相似但措辞不同的任务无法排除。TB 2.1 上 27B 基座已有 0.764，提升仅 +0.03，在误差范围内；“Opus 4.8 水平”的说法依赖此小幅差距。9B 的 TB 2.1 用的是不同 harness（Vanillux2）。整体是有价值的方向，但泛化结论被高估。

❌ 无公开资源 · https://tev-agent.github.io
文中给了项目页链接，但未核验到代码、数据或权重的公开发布，也没有“将发布”的明确承诺。复现声明称语料可由生成器+种子+tier 确定性重新生成（中位 30 秒 CPU/环境），但生成器代码是否公开未知。基座模型（Qwen3.5-9B、Qwen3.8-27B、GLM-5.3-Flash）和 DPPO 方法公开，超参在表11。27B 训练需约 4 节点 B200/4 天。

应用落地适合已有 vLLM 部署、跑 128K 级长上下文且受 KV 带宽限制的服务（长文档问答、长链推理、Agent 长会话）：只需几分钟校准（129–365 秒）加一个 FP8 辅助打分缓存，无需训练。收益在大 batch + 长上下文时最大（GLM-4.7-Flash 6.43×），短上下文小 batch 打分开销可能反而无收益（DeepSeek 8K 仅 0.89×）。前置条件是 Blackwell 级 GPU 与 vLLM 集成，Qwen3-8B 类 GQA 模型提速只有 1.5× 左右。

研究跟进开放问题：①L_marg 界的紧致性及为何精确目标直接优化无增益（仅作者实验，表10）；②32K 校准在 128K 上失效（PG-19 困惑度 16–18 vs 11.3），说明子空间对长度分布敏感，可研究长度自适应或在线更新的基；③组内平均 query 的选择是否丢失组内差异，以及各层/头自适应 rank 与预算；④与预填充稀疏、KV 量化、原生 DSA 蒸馏式 indexer 的组合；⑤在 70B+ 稠密 GQA 与多卡 TP 下的表现尚未测。

可复用方法可直接搬走：①用校准集二阶矩的和做特征分解得到免训练打分子空间，注意要对 Q、K 各自按迹归一化（查询迹仅为 key 的 0.323，不归一化会退化为 key 重构）；②校准序列要覆盖目标最大长度，用拼接+中心裁剪的 128K 序列；③FP8 投影缓存的辅助打分设计；④评测时同时报告推理生成长度比（稀疏注意力会拉长思维链，pass@1 之外必看）；⑤用 oracle top-B recall 作为选择质量的快速代理指标。

背景 长上下文解码受 KV cache 访存带宽限制，稀疏注意力是直接的加速手段。块/页级方法粗粒度、精度易损；token 级方法（Loki、FASA）更灵活，但低维打分可能丢掉 query–key 双线性结构，且 GQA 下每个 KV head 选出的不规则索引需要 gather 到连续缓冲区，开销抵消收益。

方法 对每层每个 KV head，校准阶段在 8 条 128K 的 LongAlign 拼接序列上累积 group-mean query 与 key 的二阶矩，各自按迹归一化后，求 Ge_Q+Ge_K 的 top-r 特征向量作为共享正交基 M（对精确双线性误差目标 L_sel 的上界 L_marg² /4 的闭式解）。推理时额外维护 FP8 的投影 key 缓存（占 BF16 KV 的 ≤6.25%），用组内平均 query 投影后打分并选 top-B；最终注意力仍用原始全维 KV。GQA 下用单次启动的 Triton 索引注意力 kernel 直接按各 KV head 的不同索引原地读取，MLA 则复用 FlashMLA 稀疏 kernel。在 LLaMA-3.1-8B、Qwen3-14B、Ministral-3-8B（LongBench/RULER/PG-19）及 Qwen3-8B、Gemma4-26B-A4B、GLM-4.7-Flash（推理与吞吐，B200）上与 QUEST、FASA、Loki、SqueezedAttention、SnapKV、SeerAttention-R、TriAttention 对比，并在 DeepSeek-V3.1-Terminus、GLM-5.2 上与原生 DSA 对比。

• LongBench（KV 预算 256）：LLaMA-3.1-8B 上 JSSA 49.16，超过全量 KV 的 48.35 及 FASA 46.74、Loki 45.65；Qwen3-14B 49.82 对 FKV 50.49；Ministral 47.79 略低于 Loki 48.07 (p.5, 表1)
• RULER 128K（1.5625% 预算）：LLaMA-3.1-8B 上 JSSA 75.38 vs FKV 76.97，Loki 仅 37.98、FASA 63.36；Qwen3-14B 82.21 vs FKV 83.75 (p.30, 表17)
• PG-19 困惑度：JSSA 与全量 KV 最大差距 1.11，而 LLaMA 128K 上 FASA 56.59、Loki 56.29、FKV 10.38、JSSA 11.49 (p.6, 表2)
• 推理（预算 1024）：Gemma4 AIME25 JSSA 86.67（生成长度 1.17×）vs FASA 73.75（1.38×）、FKV 90.00；GLM-4.7-Flash AIME25 JSSA 91.67 vs FASA 65.00（2.24×）；Qwen3-8B AIME25 JSSA 68.33 vs FKV 69.58 (p.6, 表3)
• 吞吐（B200，128K）：相对全量 KV 最高 1.51×/1.88×/6.43×（Qwen3-8B/Gemma4/GLM-4.7-Flash）；gather-free 在 LLaMA-8B 128K batch16 下注意力阶段加速 25.35×→65.26×；DeepSeek 上达原生 DSA 吞吐的 96.1–99.2%，128K batch8 为 FKV 的 3.49× (p.7-9, 图4/6)

理论部分较朴素：Cauchy–Schwarz+AM-GM 得到的是 query 与 key 二阶矩之和的 PCA，等价于「按迹归一化后的联合 PCA」，增量主要在归一化与 query/key 联合；作者也承认界不一定紧。真正有价值的是工程组合：按 KV head 保留不同索引的单次启动 Triton kernel，以及在 MLA/GQA/混合注意力上的广泛实测，并给出免训练方法对原生 DSA（需继续预训练）的近似平手对比。

证据整体较扎实：覆盖 GQA/混合/MLA 三类架构，推理评测 8 个随机种子，有 ablation（秩、校准语料/长度、FP8 vs BF16、per-head vs 共享、精确目标精调、KQ-SVD 对比）。但有保留：①基线多为作者在自家 vLLM 栈里重实现，FASA 的 GQA 适配与 QUEST 的逐 head 启动由作者自定，且 FASA 校准方式也是作者调过的（packed vs plain 差 2.75 分），可能弱化基线；MLA 只有 FASA 一个基线；②LongBench 上 JSSA 在 LLaMA 超过 FKV 49.16 vs 48.35，Ministral 上输给 Loki，提升多在噪声范围内；③推理基准 AIME 仅 30 题，8 次种子平均仍波动大，作者自己也说与 DSA 的差异只是「可比」；④大模型对比中 DeepSeek-V3.2-Exp 与 V3.1-Terminus 不是严格同一次评测，GLM-5.2 无全量基线；⑤吞吐只在单 B200 且 batch 最大 16–256、生成仅 128 token；⑥未测 TriAttention 之外的新近 KV 压缩，PG-19 对 LLaMA 的基线（Loki/FASA 数十的困惑度）异常差，提示基线实现可能存在问题；⑦校准长度敏感性显示部署鲁棒性有限。

✅ 官方资源 · https://github.com/jiwonsong-dev/JSSA
官方 GitHub 仓库存在（MIT 许可，近期有提交，目前 0 星，有内容）。基于 vLLM 的实现含 Triton 索引注意力 kernel；复现需 B200 级 GPU（700B 实验需 8×B200），校准仅需单卡数分钟。未核实是否含各模型预计算基/权重。

应用落地适合做“文本/图片→可编辑3D程序”的产品后端，如游戏/WebGL资产、参数化机械零件、着色器特效和机器人仿真资产生成，用户拿到的是可改的Blender/Three.js/URDF源码。前置条件：需要Claude Code/Codex等编程Agent订阅、沙箱化的Blender/CadQuery/Three.js运行时，单个物体约$3、约20M token，不适合高并发低成本场景。对只要可执行代码的场景，9B/27B微调模型是更便宜的选择，但它们的几何保真度仍低（[email protected]仅.3–.4）。

研究跟进开放问题：（1）评测几乎都是自家VLM评审（Gemini 3.1 Pro）加自建prompt，且Harness评分规则与评审同源，需要第三方基准和更多人工评估（人评样本量和标注者人数在正文未交代）；（2）缺少Harness各组件（门禁封顶、DAG并行、judge否决）对最终分数的端到端消融，附录只有基础设施级的运维指标；（3）微调模型能否用Harness轨迹做RL（以几何门禁为可验证奖励）；（4）A/A重复实验σ∆=0.202，说明单次生成方差很大，需要更大样本。

可复用方法可直接搬走的有：把工具的语义失败（碰撞）与传输错误分开返回，使冗余重试降低95%、中位成本降40%；规划器遇到非法结构时清空上下文重采样而不是原地修复（无效计划4.7%→0.7%）；评审先写观察再打分、不看生成器推理、打乱视图顺序、评分在代码里聚合并让几何门禁封顶；文件所有权划分让子Agent并行且不冲突，将修复任务按gate错误→必检项→感知建议排序。数据侧，用可执行验证过滤、按目标方言上采样（Blender占比15%→34%使held-out [email protected] 0.705→0.816）、用执行成功/失败配对做DPO。

背景 让大模型用代码（Blender、CadQuery、Three.js、GLSL、URDF等）生成可编辑、可验证的3D内容是一条有吸引力的路线，但现有数据集和Agent框架分散在不同任务和运行环境中，缺乏统一的训练语料和带几何检查的验证闭环。此前工作如BlendNet、CAD-Recode、SceneCraft、VIGA、Articraft各自只覆盖静态物体、关节物体或场景的一部分。

方法 数据侧：汇总DeepCAD（确定性脚本转CadQuery）、Shadertoy、Articraft（转为独立CadQuery/URDF）、Bioinspired3D、Thingiverse、3DCodeBench工厂等来源，并用Agent生成独立可运行程序并附VLM三种caption，打包成“2.03M行”的统一导出（唯一程序约269,597个）。Harness侧：LLM规划器产出部件/尺寸/验收清单，DAG调度文件互不相交的子Agent并行写代码，随后执行构建、渲染、空间测量（接触/穿插/碰撞/关节扫描）、VLM评审，评分由代码聚合并被几何门禁封顶，再由修复Agent做定向修改，最多T=4轮。训练侧：用LLaMA-Factory对Qwen3.5-9B和Qwen3.8-27B做LoRA SFT（27B另加执行/几何/终止信号的DPO），在805个固定任务上测执行率和[email protected]。评测用Gemini 3.1 Pro多次打分加人工成对偏好，对比各模型原生Harness和Claude Design。

• 3D物体：同一骨干下，3DCodeVerse Harness的人类偏好为69%–89%，Judge Score提升11–25分；Gemini 3.8 Flash 61→87，GPT-6 Luna 64→86；对Claude Design（同为Claude Opus 5.5）人类偏好90%，Judge Score 88 vs 37 (p.6, 图4)
• 去掉分数封顶和尺度准则后的无封顶视觉分：Harness 88.1 vs Claude Design 62.4（+25.6，58/60胜）；但Claude Opus单次基线本身达84.5，对Claude Design已领先22分，说明Claude Design是个很弱的对照 (p.27, 表7)
• 微调：Qwen3.5-9B在3DCodeBench的执行率0.0→84.9%，[email protected] 0→.317；Qwen3.8-27B（SFT+DPO）51.9→92.9%，[email protected] .214→.374；OpenSCAD上27B的几何[email protected]几乎无提升（.415→.416），GLSL仅71.5% (p.7–8, 表2/3)
• 代价：Flash+Harness每个物体平均约$3.31、20.8M输入token（93.9%命中缓存），而Flash单次基线仅$0.035、Opus单次$0.353；难题集上Flash+Harness得分0.625≈GPT-6 Sol单次0.603（差−0.2分，n=8，CI[−11.8,+11.4]）(p.27–31, 表8/16)
• 机器人应用：代码MuJoCo渲染通过门-把手几何检查12/12，UWM预测仅7/36 (p.9, 表18)；该对比的是物理仿真器与视频世界模型，不是公平的方法比较

数据集本身主要是整合与格式转换（约47.6%为DeepCAD转换，44.5%为Shadertoy，二者合计超九成），真正新增的是约1.5万条Harness生成的已验证程序和统一的“独立可运行+渲染+多视角caption”打包。Harness的新意在于工程化组合：把测量结果、门禁封顶和否决权写进评分公式（几何证据可否决VLM的视觉“幻觉”），并把确定性检查同时作为Agent工具、轮末门禁和修复任务来源，且跨七种运行时和四类任务通用。单点想法（渲染反馈迭代、VLM评审、CAD代码生成）并不新，属于扎实的系统整合，而非方法突破。

人偏好和Judge Score同向，是正面信号，但存在多处弱点：（1）Claude Design对照极弱（37分），而Opus单次基线已77分，90%胜率主要反映对照差而非方法强；与原生Harness的对比同样是“多轮迭代+工具+约$3成本”对“单次生成+$0.04–0.35”，算力极不对等，没有给等成本（如best-of-N或同样多轮自我修正）的基线。（2）Judge Score由Harness同源的评分体系/评审模型产生，并含Harness自己擅长的几何封顶；虽有“独立评审管线”、SigLIP-2和人评佐证，但SigLIP-2的差距极小（0.1356→0.1468），人评样本量和标注者人数未说明。（3）样本很小：物体主评测60–100个prompt，场景/图形/关节类每格仅7–11个，Sonnet 5在图形上−5.4、场景+0.1，置信区间跨零，“一致提升”并不成立；难题集仅8–11个prompt。（4）微调部分只在自建/同分布的测试集上评估（测试集由3DCodeVerse-2M同源切分），Qwen3.5-9B零样本0%执行率主要来自Blender 5 API变化（165/212直接因清场算子失败），因此“+84.9”大部分是API适配而非3D能力；27B的OpenSCAD几何无提升，且9B+270K混合在Three.js上执行率32.5%甚至低于基线72.5%。每个配置单一种子、T=0.7。（5）机器人实验对比的是仿真器与视频世界模型（评估标准是门-把手轮廓检测），n=12，属定性示意，不能说明3D代码对机器人学习有帮助。（6）作者含Google DeepMind人员，评审与部分对比模型来自同一厂商生态；论文中出现的模型名与日期（GPT-6、Claude Opus 5.5等）无法独立核实。

✅ 官方资源 · https://github.com/gaoypeng/3dcodeverse
官方GitHub仓库（Apache-2.0，138星，内容非空）以及Hugging Face数据集ilabai/3dcodeverse；数据集整体为CC-BY-NC-SA-4.0（非商用），各子集另有来源许可（如Shadertoy多为CC BY-NC-SA）。结论中写“将发布数据、Harness、模型和训练配方”，微调权重是否已放出本文未核实。复现微调需4×H100，9B约3–5小时、27B约4小时；复现Harness需商业编程Agent API，单个物体约$3，且需配置Blender 5等固定运行时。

应用落地适合有大量重复、选项可枚举步骤的垂直客服/操作类智能体(工具箱固定、可列出候选动作)，把“选哪个工具、填哪个枚举/可复制参数”交给本地4B模型，一块L4 GPU上单次中位31ms对Flash的809ms。前提是：能在影子模式下跑100+任务拟合阈值，规则或工具集变化后必须重拟合甚至重训；编码智能体(自由文本动作)收益很小，不建议优先做。涉及取消、退款等不可逆动作时不能只靠决策模型守门(stop guard对Flash-Lite自身错误结束的误放行率40.7%)。

研究跟进开放问题包括：(1)在真实而非模板生成的环境上能否复现——DecisionGym的模板基线用“工具序列查表”就能在已见key上接近100%，说明大部分领先来自生成器惯例；(2)分布偏移下模型仍然高置信度出错(新规则任务成功率跌到3%)，需要真正的校准/OOD检测或deferral训练，0.8B defer head只是初步尝试；(3)GRPO在此设置下无增益(75%的任务组奖励相同)，可探索更稠密的奖励或真正的on-policy蒸馏；(4)对抗/提示注入下typed decision被翻转的鲁棒性未测。

可复用方法可直接搬走：(1)按决策点用影子模式记录并拟合阈值，规则 τ=max(0, q_L−ΔC/V)，用等质量分箱估计、无合格阈值则全部回退LLM；(2)构造训练数据时混入脚本化重复错误产生的“犯错后状态”(占30.9%)，并用金标one-hot与教师概率0.3/0.7混合做软标签，附Brier项；(3)用“L1孤立+L2步级+L3任务级”三层评测选型，必须单独看must-ask(应该先问用户)和不可逆动作状态，平均准确率会掩盖这些；(4)执行动作前的typed multiple-choice接口(工具、枚举值、从上下文复制的片段)。

背景 LLM智能体的harness每一步都调用大模型，长任务又慢又贵，而其中大部分调用其实是“下一步调哪个工具”之类的多选题。JEV等决策模型可直接输出各选项概率，价格和时延只有LLM调用的一小部分，但此前只在孤立题目上评测，不清楚放进智能体闭环后是否可靠。

方法 提出三件套：(1) AgentDecisionBench，分L1孤立题(BFCL v4、When2Call)、L2步级(在记录轨迹上打分)、L3任务级(决策模型真正控制智能体)三层，并自建带“每个状态可接受动作答案键”的DecisionGym客服环境(68个工具含31个近似干扰工具)；(2) JevAgentHarness：把8类决策点(工具、参数、停止、反思、路由、记忆等)按5种模式(REPLACE/CASCADE/ASSIST/GUARD/TRIGGER)接入，用影子模式在150个校准任务上为每个决策点拟合置信度阈值(基于 c≥q_L−ΔC/V 的规则)，低于阈值交还LLM；(3) AgentDecision-4B：Qwen3-4B+LoRA，在智能体访问过的15,694个状态(30.9%为犯错后状态)上用JEV软标签+金标混合做SFT(交叉熵+Brier)，再在智能体环路中做GRPO(奖励含LLM调用数惩罚和不可逆错误惩罚)。实验采用预注册的非劣效检验(3个点margin、Holm校正)，主LLM为Gemini 3.5 Flash，每个臂多为单次温度0运行。

• 孤立题上最准的StartLux-9B(BFCL工具选择92.2%)在偏移任务上仅解决69.5%；AgentDecision-4B孤立题89.3%但任务成功率91.5%，JEV为82.0%；三层排名分散度为5.1/19.7/57.5点 (p.6, 图4)
• 无拟合阈值时让JEV接管所有工具选择，成功率下降19.0点；固定阈值0.5下降21.5点；影子模式拟合阈值则在500个任务上成功率不变、成本降14.2% (p.6, 表2)
• Stage 2：JEV版组合(工具+参数cascade+反思trigger)成功率−2.2点、未通过非劣效；换成AgentDecision-4B后+0.6点、成本降81.1%，并在4B自带GPU下达86.3%更便宜、约2.5倍更快 (p.7-8, 表2/表29)
• SFT把Qwen3-4B在偏移任务上的步级准确率从52.9%提到98.4%、任务成功率从13.5%提到96.0%，仅2.2 GPU小时；GRPO无可测增益，单独做GRPO仍为11.5% (p.7-8, 表3)
• ALFWorld上用其训练局训练的4B模型成功率95.0%对Flash 90.7%，成本降89.0%；但编码智能体(mini-SWE-agent/SWE-agent/pi)只做强弱模型路由，成本仅降7.0–10.5%，SWE-agent上成功率−6.0点 (p.7, 表1)
• 新规则/硬任务下失败：未见过分级规则的AgentDecision-4B在10客户任务上仅解决3.0%(LLM单独88.0%)，在τ²-bench上拟合阈值时成功率下降12.1点 (p.8, 附录表19/21)

“用小模型/分类器替LLM做决策、不确定时回退”本身并不新(路由、级联、learning-to-defer)，真正的新意在于：把这一思路系统化到8个决策点×5种模式，并明确证明孤立题准确率会严重误导选型(L1/L3排名几乎不相关)，以及“按决策点在智能体自身轨迹上拟合阈值”的成本-风险理论化规则。训练配方(用访问状态+犯错后状态做SFT)本质是DAgger式数据构造，创新有限但效果显著。需注意：这套结论很大程度依赖于自建DecisionGym的模板结构。

优点：预注册、非劣效检验、Holm校正、分层评测，且作者大方披露失败(多项预注册测试“未成立”、H1/H3被证伪、GRPO无增益、τ²上无法迁移)。问题：(1)核心收益来自自建DecisionGym，LLM单独已达99.4%，几乎无成功率可提升，只能比成本；模板基线分析(附录表22)显示一键查表也能接近满分，说明训练模型在该环境的领先主要反映生成器惯例，“偏移集”也由同一作者构造；(2)AgentDecision-4B的86.3%/89.0%降本是在“与训练同类任务”上，且ALFWorld的unseen rooms未证明非劣效(p=0.175)；(3)Stage 2中JEV组合失败、4B组合成功，其对比是训练专用模型对未适配的通用模型，不算公平；GPU成本为摊销估算，延迟节省依赖独占GPU(共享GPU下反而慢13.7秒)；(4)多数臂单次温度0运行、n=100–200，置信区间较宽；很多关键行(表1、表2、表3)是Stage 1之后的探索性实验；(5)与RouteLLM等路由基线未对比；论文引用的模型(GPT-6、Gemini 3.5等)与JEV为闭源API，时间点依赖强；(6)作者自曝有一次对Stage-1轨迹的暴露，严格读者可视Stage-2检验为探索性。

✅ 官方资源 · https://github.com/JevAgentHarness/JevAgentHarness
官方GitHub仓库已存在(MIT，17星，2026-10-16有提交)，论文称将发布基准、harness、训练配方、模型和数据，但依赖JEV/Gemini输出的权重与数据仅在服务商条款允许时发布；StartLux权重为CC BY-NC。复现需JEV API(按OpenRouter约$0.042/M输入)、Gemini API和一块24–48GB GPU；训练AgentDecision-4B V1约15小时L40S+$45 GPU+$142 API，全研究API花费约$2,383。

应用落地如果已经在用 OPSD/带参考解答的自蒸馏做垂直领域后训练（评分、Text-to-SQL、代码、选择题类问答），可以几乎零成本地把一段“先验证、反思、考虑替代”的老师侧系统提示加进去，训练管线其他部分不变；推理时学生不需要提示。前提是任务有可自动验证的答案或已验证解答，并能跑同模型两次（带/不带 PI+提示）前向，8×rollout 配置下 2 张 H100 即可跑 4B–8B 规模。

研究跟进最明显的缺口：提示靠手写且需按任务调（对抗式提示会让 Worst@16 崩塌），可研究自动生成/选择提示或直接在 logit 层估计并缩放 PMI（论文自己也提到）。另外熵升高并不总伴随精度提升（如 Qwen3-4B Grading 熵基本不变但提升 11 点），熵与性能的因果关系、γ 与最终提升的相关性都没验证；还需验证在数学推理、长链思考模型和更大模型上是否成立。

可复用方法可直接搬走三样东西：①把任务流程拆成 K 个侧面提示，按 rollout 均分给老师（比拼接成一个长提示好，拼接甚至低于 OPSD）；②用 Algorithm 1 的加权最小二乘斜率 γ̂ 在不训练的情况下诊断提示是否衰减了 PI 影响；③用 Cov(u, log q) 与老师熵检查是否出现捷径塌缩，并用正则式检测推理模式（零 LLM judge 成本）及无 PI 对照实验来排除“提示即信息”的混淆。

背景 On-policy self-distillation（OPSD）用同一个模型当学生和老师，老师额外看到特权信息（如已验证的解答），在学生自己采样的轨迹上逐 token 提供监督。已有工作指出，看到答案的老师会倾向于直接“承诺”答案、压制 Wait/However 之类的反思 token，导致熵骤降、学生推理变浅。本文要在保留完整参考解答的前提下削弱这种捷径偏置。

方法 VRSD 只改老师的条件：在 PI 之外给老师加训练时专用的系统提示 d（要求验证、反思、考虑替代），学生推理时不看到 d 和 PI，JSD 目标不变。理论上把提示的作用建模为对 PI 引起的 log 概率偏移（PMI）做仿射衰减 u^d=γu+κ（γ<1），推导熵变化的精确积分式（Thm 4.1）以及“Cov(u, log q)>0 时 γ 接近 1 熵必增”的局部充分条件（Cor 4.2）。实验在 Qwen3-4B/8B 与 OLMo-3-7B-Instruct 上，对 4 个有自动验证器的任务（ASAP-SAS 评分、SciKnowEval 化学、Spider SQL、LiveCodeBench Python）训练；VRSD(single) 用一个综合提示，VRSD(multi) 把 K 个面向不同侧面的提示均分到各 rollout。基线为未训练模型、OPSD 和 AntiSD，每题采 16 个样本，报告 Pass@1/Maj@16/Worst@16；另做提示消融、无 PI 对照、推理模式统计和截断式忠实度干预。

• VRSD(multi) 平均 Pass@1 比 OPSD 高 7.2（Qwen3-4B: 78.4 vs 71.2）、2.8（OLMo: 75.2 vs 72.4）、1.6（Qwen3-8B: 77.5 vs 75.9）个点，平均约 +3.9；12 个模型-任务组合中 11 个 Pass@1 更高 (p.7, Table 1)
• Qwen3-4B SQL 上 OPSD 反而低于未训练模型（69.8 vs 71.3），VRSD(multi) 达 81.0；该设定下学生熵 H(p) 从 OPSD 的 0.03 升到 0.49/0.54 (p.7, p.20)
• 学生熵：VRSD 在 24 个比较中有 19 个高于 OPSD；但 Qwen3-4B 的 Grading 上只有 0.09/0.10 对 0.10，Python 上 multi 为 0.24 低于 OPSD 的 0.32 (p.7, Table 7)
• 提示消融（Qwen3-4B）：VRSD(multi) 优于任一单个 dk 和拼接；拼接提示在 3 个任务上低于 OPSD（如 Grading 67.4 vs 71.9）；对抗式提示（化学 d3、评分 d4）使 Worst@16 暴跌（如化学 d3 W@16 53.0 对 79.2）(p.8, p.21)
• 对照：只给提示、不给 PI 的老师仅让学生比未训练模型高 1–3 点（Grading 60.2 vs 57.2），远低于 OPSD，说明提示不是信息来源而是正则器 (p.22)
• PMI 衰减系数 γ̂ 在全部 12 个设置的 95% CI 都小于 1，范围 0.656–0.954，评分/SQL 衰减强（0.66–0.74），化学/Python 弱（0.85–0.95）(p.16, Table 4)
• 忠实度（仅 Qwen3-4B）：平均 reasoning gain 5.8/5.0 对 OPSD 的 3.7，MR 平均 1.6/2.1 对 3.0 (p.9, Table 3)

核心想法极其简单（给老师加提示），新意主要在“把提示当作对 PI 偏移的衰减器”这一视角，加上熵变化的精确表达式。但理论本身只是仿射模型下的标准指数倾斜熵导数，且结论是 γ→1 的局部条件，并未解释为何提示会产生统一的 γ，也未证明学生熵或精度的因果提升。多提示按 rollout 分摊的设计是实用的小创新。与 AntiSD、Purified OPSD 等同期缓解捷径偏置的工作相比，优势是零额外损失/架构改动，但只与 AntiSD 对比，且手写提示依赖任务。

证据总体中等偏可信但有明显限制：①提升在评分和 SQL 上显著，但在 Qwen3-8B 上平均只高 1.6 点，且 Qwen3-4B Python 的 single 对 OPSD 仅 +2.7、OLMo SQL/Python 的 single 低于 OPSD；“11/12”只针对 multi 变体。②每个设置似乎只跑了一个种子，无方差/显著性检验，小幅差异（1–2 点）可能在噪声内。③训练和评测都在各数据集自身划分上，测试集规模较小（PMI 估计仅用 36–100 题），Spider dev 子集、LiveCodeBench 题量有限。④基线只有 OPSD 和 AntiSD，AntiSD 在 Qwen3-8B 和 OLMo 上甚至低于 OPSD，疑似未充分调参；未与 Purified OPSD、PS-OPSD 等同类缓解方案比较。⑤选 checkpoint 用验证集 Pass@1，multi 变体有额外提示自由度（手写 K 个提示、OLMo/8B 换了第二版 d4/d3），存在隐性调参。⑥理论为局部充分条件，Cov>0 在实测中仅在 |u|>1 的 5–14% 前缀成立，其余前缀平均协方差为负，因此“熵保持”机制只对少数关键位置有支持；学生熵并非总是上升（4B Grading 和 Python 持平或下降）。⑦忠实度干预只在 Qwen3-4B 上，且 RG 差异几个点、化学 single 的 RG 反而低于 OPSD。⑧未测数学推理等主流设置。

✅ 官方资源 · https://github.com/lijiazheng99/VRSD
官方仓库已核验存在（Apache-2.0，⭐5，2026-10-14 有更新），据论文含训练脚本、评测与模式检查工具；论文附录给出全部提示原文和超参（Table 6）。未见明确提及放出模型权重。复现需 2×H100（评分/化学/SQL）或 2×H200（Python）及 OPSD 代码基础。

应用落地适合给已有的 GUI/手机 Agent 加一层低成本“二次确认”：只在 Agent 对候选动作不自信时，用一个 8B 小模型对 3 个候选重排序。额外开销约为 0.1–0.5 倍的单步耗时，没有生成步骤，端侧或自建服务都能跑。前提是 Agent 能输出带置信度的多个候选，并且有几千到上万条带标注动作的轨迹来微调。它救不回候选集里根本不存在的动作，对终止/放弃类决策也不重排。

研究跟进最大的开放问题是增益来自哪里：Table 4 显示仅微调动作头就有 +8.7 点，世界模型相关的部分合计只有约 +3.8 点（对应 AndroidWorld 约 2 个任务）。需要多种子、多任务实例，以及“相同数据微调的纯文本/无转移头重排序器”“微调后的像素世界模型打分器”这些对照。其次，论文自己承认训练用的最后 token 表示在残差 t-SNE 中分不开动作类型，探针换用了真值候选 token；这削弱了“潜表示编码了动作后果”的论断。还可以做多步潜空间 rollout、学习式门控，以及网页/桌面场景的迁移。

可复用方法配方可以直接搬：候选随机排列加一个 prompt，用索引 token 的 logits 做 K 选一的交叉熵，没有匹配项时目标设为 Agent 的 top-1，以保留“不改动”的行为。辅助损失用冻结同源 VLM 预先算好下一屏 embedding，InfoNCE 的负样本包含当前屏和 192 条 FIFO 记忆库。门控规则（top-2 不同且高置信候选不唯一才调用）也很实用。超参已全部给出：LoRA r16、lr 4e-5、batch 8、3 epoch、τ 0.07、单卡 A6000 约 8 小时。此外，“用像素差定义转移幅度，再统计预测未来是否仍贴近当前屏”的 identity shortcut 诊断可以复用到别的世界模型。

背景 现有 GUI 世界模型走“生成未来截图（扩散或 HTML 代码）再重新感知并打分”的两阶段路线。这条路线推理很慢，还要重建与决策无关的外观细节，作者还观察到预测结果倾向于复制当前屏幕（identity shortcut）。问题是：不重建画面，能否让模型学到对选动作有用的未来信息？

方法 冻结的基础 Agent（GPT-5.6、Gemini-3.6-Flash、GUI-Owl-7B、Qwen3-VL-8B/32B）提出 K=3 个带置信度的候选动作。用 LoRA（r=16）微调 Qwen3-VL-8B：把截图、目标、最近 6 步历史和随机排序的候选放进同一个 prompt，取最后一个 token 的隐状态，用动作头（索引 token 的 logits）做交叉熵选出正确候选。训练时再接一个线性的转移头，预测被标注动作对应的下一屏 embedding（冻结 Qwen3-VL 对截图均值池化得到），用 InfoNCE 对比损失训练，负样本是当前屏 embedding 加上 192 条 FIFO 记忆库。总损失为 L_action + 1.0·L_transition，τ=0.07。训练数据 14,276 条，单张 A6000 约 8 小时。推理时丢弃转移头，只在 Agent 置信度低（top-2 不同、置信度门限 0.95 在线 / 1.0 离线）时调用模型重排序；打分 prompt 里候选后面的“预测截图”是空白占位图。评测覆盖 AndroidControl、AITZ（离线）、GUI-Odyssey（OOD）和 AndroidWorld（在线，116 个任务模板），对比 Code2World 和扩散式世界模型。

• AndroidWorld 在线：Overall SR 在 5 个骨干上全部最高，相对基础 Agent 提升 +4.5 到 +12.5 点，例如 Qwen3-VL-8B 27.68→40.18、GUI-Owl-7B 15.18→22.32、GPT-5.6 54.46→61.61 (p.8, Table 2)
• 时延：GPT-5.6 骨干下 Run Time 为 141.4s，对比 Code2World 370.9s、Diffusion2Image 2320.3s，基础 Agent 为 127.4s；Code2World 约为基础 Agent 的 2.1–4.1×，扩散式约 4.5–18.2× (p.8)
• 离线：Type 准确率各骨干均提升（AndroidControl +0.9~+4.3，AITZ +0.3~+4.9），SR 在 8 个骨干-数据集设置中 7 个提升，最高 +4.8（GPT-5.6 AITZ 41.30→46.10）；但 GPT-5.6 在 AndroidControl 上 SR 为 58.52，低于基础 Agent 的 59.84 (p.7, Table 1)
• OOD（GUI-Odyssey）：GUI-Owl-7B SR 33.73→34.73，Qwen3-VL-8B 52.07→52.13，几乎持平；两个像素世界模型均低于基础 Agent (p.9, Table 3)
• 消融（AndroidWorld，Qwen3-VL-8B）：基础 27.68 → 仅动作头重排序 36.36 → 加点对点余弦转移头 38.18 → 换成对比损失 40.18 (p.9, Table 4)

“潜空间预测代替像素重建”这个方向本身并不新（机器人、自动驾驶已有类似做法），把它用到 GUI 候选重排序是合理的迁移。真正新的部分很小：一个辅助的、推理时丢弃的潜空间下一状态对比损失，负样本为当前屏加记忆库。实质上它是一个微调过的 VLM 重排序器（judge），带一个辅助预测任务，和“世界模型”的说法有距离：推理时没有任何未来信息，输入的是空白图。

证据只能部分支撑“潜空间世界模型优于像素世界模型”的结论。（1）混淆因素：本文模型在 AndroidControl/AITZ 上做了 14K 样本的监督微调，而 Code2World 和扩散基线似乎是零样本的未微调打分器，两者并不对等；基线在所有离线设置下都低于基础 Agent，更像是实现和打分器偏弱，而不是原理上无效。（2）增益归因：Table 4 中只有 +1.82 和 +2.00 来自世界模型相关部分，AndroidWorld 单次运行、每个模板一个实例、单一种子，116 个任务里 1 个任务约 0.86 点，这两项增益处在噪声量级，且消融只在 Qwen3-VL-8B 一个骨干上做。（3）“世界模型”名不副实：推理时输入的是空白图，Judge 与基础 Agent 骨干相同（Qwen3-VL-8B）。（4）OOD 提升接近零（Qwen3-VL-8B +0.06），离线 SR 并非处处提升（GPT-5.6 AndroidControl 下降 1.3）。（5）identity shortcut 在像素空间与潜空间分别度量，两者不可直接比较；t-SNE 探针与训练读取位置不一致。（6）缺少记忆库、λ、K 以及门控阈值的消融。时延和 token 数据看起来可信，且各基线使用了相同候选集，这是优点。

❌ 无公开资源 · https://github.com/sjyu001/latent2world
摘要称代码已放出，附录说 prompt 取自 released code，另有项目页。GitHub 仓库存在（⭐3，最近 push 2026-10-06，无 license），但被核验为疑似占位仓库，未能确认训练/评测代码和权重是否完整，也未见权重发布说明。复现需 1 张 48GB GPU 训练约 8 小时，在线评测需 AndroidWorld 模拟器，以及对 GPT-5.6/Gemini 的 API 访问。

应用落地这套“智能体写短程序→读文本反馈→写下一个程序”的循环加共享记忆，可直接迁移到需要多小时到多天的长程自动化任务，如多服务运维、长链路数据工程、大型代码库迁移。前置条件是环境能暴露结构化文本状态、有沙箱、全程日志可回放，以及能承受单次任务数百美元的 token 成本。605 次死亡说明环境必须容错，可回滚或存档，否则这种试错式策略不可用。

研究跟进最大缺口是只有一次运行（第一次启动即成功），无法得出成功率、方差和成本分布；下一步应做多种子、多次重复的通关率统计。另需做消融：单智能体 vs 四智能体、有无共享记忆、有无 Observer，才能验证“分工与协作带来增益”的说法。还可在 Normal/Hard 难度、像素输入、屏蔽 Minecraft 先验（如魔改规则）下复测，区分是推理能力还是预训练记忆在起作用；末地阶段近 14 小时的低效也值得分析。

可复用方法可复用的做法包括：用“目标一段话+通用工程指令（先观察、后验证、短任务先验证新工具、把教训写入共享记忆、诚实汇报）”代替领域策略提示；让智能体把状态和辅助函数持久化在全局对象中并复用；设立只读的 Observer 智能体核对声明、检测规范博弈；记录每个程序及输出以便审计。此外，把每次失败转成团队规则的“教训→根因→修复”聊天模式也易于搬到其他多智能体系统。

背景 Minecraft 通关（击败末影龙）需要跨越主世界、下界、要塞、末地的长链依赖步骤，是长程规划和自主性的经典考验。此前 LLM 智能体多依赖游戏专用规划器、课程和技能库，成果集中在主世界的钻石科技树；两个社区项目虽有通关，但使用高层工具、固定种子或和平难度。

方法 四个由同一通用编码智能体（Gemini 4 Argon）驱动的玩家，各自运行在独立云机器上，通过 Mineflayer（含 pathfinding 插件，无自定义辅助函数）以编写并运行 JavaScript 程序的方式操控角色，读取文本返回（位置、血量、背包、报错），经游戏聊天和带私有/共享部分的持久化记忆协作。环境为 Minecraft Java 1.20.4、Easy 难度、随机种子、禁用作弊命令、无人为干预；指令只有一段话的目标加通用软件工程指令（验证、造工具、记录教训、诚实汇报），不含游戏策略。另设一个不参与游戏的 Observer 智能体核对玩家声明、监测规范博弈。全部程序、输出、聊天和服务器日志均被记录，胜利以服务器日志中 [Free the End] 成就为证。

• 从第一个程序到击败末影龙共 27 小时 14 分钟，期间 2,783 个程序（63,313 行不同的 JavaScript）、229 条队内消息、605 次死亡，约 81 个游戏日，含 6 次服务器重启（共暂停约 20 分钟）(p.1, p.4)
• 里程碑时间：铁工具 +0h14、下界传送门 +1h42、烈焰棒 +4h17、末影之眼 +10h43、要塞 +13h17、进入末地 +13h33、十个水晶全毁 +26h34、龙死 +27h14；末地阶段耗时近 14 小时，被龙杀死 69 次 (p.1, p.10, p.15)
• 605 次死亡原因：怪物 351、末影龙 69、溺水 67、坠落/虚空 57、岩浆/火焰 47、其他 14；22% 的程序以报错结束；每个玩家约 40% 时间有程序在运行，程序运行时长中位数 33.5 秒 (p.2, p.13, p.15)
• 智能体自建 146 项持久状态/代码（含 42 个辅助函数）；一个修复 Mineflayer 合成问题的辅助函数出现在 655 个程序中，防超时残留代码的计数器被 1,519 个程序引用；通过两次投掷末影之眼射线求交定位要塞，误差 43 m (p.8, p.13)
• 成本：到通关四名玩家约 13.5 亿输入 token（91% 命中缓存）、1,600 万输出 token（含 400 万思考 token）、约 24,000 次模型调用，按列表价约 $520（标准价 $1,040）；含 Observer 和通关后一天的全程约 $810 (p.15)

真正新的不是“通关 Minecraft”本身，而是在不提供游戏策略、课程、技能库、人工工具的前提下，用通用编码智能体加裸 Mineflayer 完成了完整的长程任务，并且是多智能体通过聊天与共享记忆自发分工。这更像一份 Gemini 4 Argon 长程自主编码能力的展示报告，而非方法论文：没有新算法，也没有对照实验，各类“涌现行为”的归因是叙述性的。与 Voyager 等相比环境设定更干净，但文中自己承认模型对 Minecraft 与 Mineflayer 有大量预训练知识，且 API 暴露了方块、龙内部状态等人类看不到的信息。

证据局限明显：(1) 只有单次运行，且是“第一次尝试”，无法估计成功率、方差或运气成分；(2) 无任何消融（单/多智能体、共享记忆、Observer 等），“涌现分工”“像高效人类团队”主要靠挑选的聊天片段与关键词匹配计数（图 13，且一条消息可匹配多类），缺乏量化的因果证据；(3) 与相关工作的对比只是定性的，未在同一设置下比较（如 Voyager 类基线、其他模型）；(4) 环境对智能体相当友好：Easy 难度、Mineflayer 暴露隐藏方块与龙内部状态、pathfinding 自动寻路，作者自己也承认这些以及模型先验知识；(5) 作者是 Google DeepMind 并宣传自家模型，成本数字是基于列表价的估计，且“introductory 价格”会令数字显得更低，没有第三方验证，也未公开日志；(6) 无作弊的结论依赖 Observer 智能体和对日志的抽样人工检查（p.15 说是“a sample”，p.4 说是 manual reviews），并非全量审计。胜利本身有服务器日志支持，较可信，但“首个端到端自主通关”是对照社区项目后的相对说法。

❌ 无公开资源
论文未给出代码、日志、数据或智能体框架的链接，也未承诺发布。模型 Gemini 4 Argon 为闭源 API；环境（Minecraft 1.20.4 + Mineflayer）公开，但完整复现需要其编码智能体框架（记忆、上下文压缩、云机器工具）以及约 $520–1,040 的 API 费用，目前无法复现。

为什么有意思直觉上我们以为“觉得AI很懂我、在帮我”会让对话里充满更贴心的互动，但数据显示并非如此：对话里被人看出的“被认可”“被回应”与用户事后评价的治疗式合作感几乎无关。反倒是“把AI当社交替代”的人，对话里有可识别的模式（更多被认可、AI更常提问、用户情绪更低落）。这提醒我们：别人从一段聊天记录里看到的，和当事人心里的感受可能是两回事，这对判断“谁在依赖AI聊天”有现实意义。

属于哪个分支与学科脉络这属于人机交互与临床/咨询心理学的交叉：把心理治疗里的“工作同盟”“关系破裂与修复”“言语协调”等概念搬到人与大语言模型的对话中。近几年的方向是从问卷转向真实对话数据（数据捐赠）和用NLP量化关系过程，同时对AI陪伴、谄媚（sycophancy）风险越来越关注。这篇处在延续并带有修正的位置：延续把心理治疗文本分析迁移到AI，但用多数为阴性的结果提醒这种迁移并不顺畅。

对想学心理学的人这篇是“现代心理学研究怎么做”的好样本：招募问卷+真实行为数据、三位盲评者标注并报告评分者一致性、预注册（虽是事后注册）、交叉验证防止过拟合、区分预注册与事后分析。要做这类研究需要统计与R、基础机器学习、质性编码规范，以及对心理治疗概念的理解。该方向（数字心理健康、计算心理学）与产业和临床研究都有交集，但需要同时懂心理测量和数据科学才有竞争力；同时要学会像这篇一样诚实地报告阴性结果。

背景 越来越多人把ChatGPT当作倾诉对象，但“和AI有关系”不是单一的东西：可以是觉得它在帮你解决心理问题（数字治疗同盟，DTA）、对它产生情感亲近、或拿它代替真人社交（社交替代）。此前研究多靠问卷问人们怎么想，很少检验这些不同的主观体验是否真的表现在实际对话的语言和互动方式里。

方法 在德国通过高校和社交媒体招募94名成年人（平均24.9岁，77.7%女性，83%学生），每人捐出一段自己认为“个人意义重大”的真实ChatGPT对话（共1,516条消息），并填写DTA（6题，ETAI-CTA）和AI依恋量表（15题，含情感亲近、社交替代、尊重对待AI三个维度）。三位对结果不知情的人工标注者对500段“用户-AI-用户”三轮对话序列标注了认可/验证、上下文回应性、用户跟进、关系破裂、批判性参与等。研究者用机器学习（弹性网络、岭回归，按参与者分组的嵌套交叉验证）从语言特征预测这些标注，并在看到问卷结果前冻结模型，再检验这些指标能否预测DTA和依恋；还用UMAP+HDBSCAN聚类得出21个话题作为内容控制。研究是事后（数据收集后、主要对话分析前）在OSF注册的。

• DTA与总体AI依恋中度正相关 r(92)=.41，95%CI [.23,.57]；与情感亲近最强 r=.47，与社交替代 r=.27，与尊重对待 r=.26（p.21）
• 验证（认可）和用户跟进可从语言中样本外预测：验证 R²CV=.423（r=.655），跟进 R²CV=.260，上下文回应性仅 .075；但人工标注一致性很低，Krippendorff’s α 分别为 .238、.252、.002（p.24）
• 预注册假设H2不成立：用户跟进与DTA r=−.037（p=.737），上下文回应性与DTA r=−.116（p=.291）；所有冻结的对话指标对DTA几乎没有增量预测力（ΔR²CV 为 −.001 到 −.009）（p.25-26）
• 社交替代有分散的对话指纹：全部指标比仅含对话长度+话题的基线增加 ΔR²CV=.065（事后分析），控制21个话题后为 .070，在98%的重复中优于基线；相关表现为更多验证、AI提问、语言风格匹配，同时用户情绪效价更低（r=−.28）（p.26-27）
• 关系破裂极少：500段中仅12段（9名参与者），且全部被明确修复；预注册的H3（破裂越多DTA越低）B=−.235, p=.008，但去掉一名参与者T062后变为 B=.051（p=.579），二分变量和秩相关也几乎为零，结论脆弱（p.29）

真正新的地方是把“捐赠的真实ChatGPT对话”与两套不同的主观关系问卷配对，并明确检验“主观体验≠可观察互动”，而不是预设语言能读出‘关系质量’。方法上，在看到结果前冻结特征和模型、用参与者分组交叉验证、公开报告H2不成立和H3脆弱，这种做法比多数同类工作严谨。但核心的社交替代发现是事后探索性的，样本小，创新更多在设计与框架，而不是可直接使用的结论。

样本仅94人，且是德国人、83%学生、近八成女性，每人只捐一段自选对话，选择偏差明显，结论不能外推到其他人群和语言。人工标注可靠性很低（α约0.00–0.25，其中上下文回应性几乎为零），所以“预测人工标签”的R²建立在噪声很大的标签上。最核心的社交替代发现（ΔR²≈.07）是事后探索性分析，效应小、重复区间宽（如[.008,.235]），且交叉验证是样本内的内部验证，没有独立样本复核。预注册是在数据收集之后才做的“回溯注册”，可信度打折；H2不成立、H3脆弱的报告属于优点。相关性不等于因果，也没有评估对心理健康的实际影响。使用的GPT-5.6 Sol等模型的再现性也有疑问。无明显利益冲突披露。

⏳ 承诺公开未公开 · https://osf.io/54frt/overview?view_only=6686da56daa24af8b9b17694132d1f25
仅有一个OSF注册页（匿名查看链接，是否含材料未经核验）。文中称编码手册、提示词、模型设置、分析代码和脱敏的衍生输出在补充材料中提供，但本PDF未含补充材料，也未检测到公开代码/数据链接；对话原文因隐私不公开。复现需要自己收集对话数据和重做标注。

为什么有意思我们直觉上觉得“我现在比五年前强”和“五年前的我不如现在”是同一件事，但这篇论文显示，换一种问法，两个自己可以同时被评得更好。这对日常生活的启示是：问卷、绩效面谈、心理咨询里常见的“你比以前进步了吗”，答案可能一部分取决于问句的方向，而不只是你真实的变化。

属于哪个分支与学科脉络属于社会认知与判断决策的交叉：一边是 Tversky 以来的比较不对称、锚定与焦点效应，另一边是自我提升、“比平均更好”和时间性自我评价的研究。近年方向是用大样本在线实验检验经典偏差的边界条件和机制。本文处于“延续并细化”的位置：用同一人的不同自我作为控制条件，并用负面特质区分机制，不是颠覆已有理论，同时也是对“比平均更好效应”的一次部分重新解释尝试。

对想学心理学的人这篇论文是典型的现代社会心理学写法：Prolific 在线招募、随机分配、几乎全部预注册、报告效应量与置信区间，还用了等价性检验 TOST 和贝叶斯因子来证明“没有差异”。学这个方向需要实验设计、R 或 Python 的统计分析和对测量的敏感度。要注意的是，这类研究的就业出口主要在学术界、用户研究、行为科学咨询，以及商学院里的消费者与管理方向（本文作者就在商学院）。

背景 逻辑上，如果“现在的我”比“五年前的我”更诚实，那“五年前的我”就该比“现在的我”更不诚实。以往研究发现，比较两个不同对象时，谁当主语会改变判断（如相似度、自我-他人比较），但自我-他人比较混杂了“自己总是更容易想到”这一因素。作者用同一个人的不同版本自己来排除这一混杂，检验“谁在主语位置”本身是否造成偏差。

方法 共 9 个主研究加 3 个补充研究（N = 9,207，美国和英国成年人，主要通过 Prolific 在线招募，部分为年龄、性别、族裔的全国代表性样本）。核心设计是随机分配的被试间实验：问“你的现在自己和过去自己相比，在诚实、友善、能干等特质上更低还是更高（1-7 分，4 为‘一样’）”，或把问句倒过来，再把平均分与中点 4 做单样本 t 检验。研究 1A-1C 比较过去/现在/未来的自己，2A-2B 比较个人自己和职业自己，3 让同一批人先后回答正反两个问题，4 把对象换成“普通人”，5A-5B 加入同龄同性别的“同伴”和直接自我-他人比较。他们还加入负面特质（粗鲁、自私、贪婪）来区分“极端化”和“选择性偏好正面信息”两种机制。除两个补充研究外，其余均预注册，数据和代码在 OSF 公开。

• 研究 1A（n=569，英国）：四种比较条件下，焦点自我在道德、温暖、能力上都高于中点，d 在 0.23–1.11，p ≤ .007；即“现在比过去高”与“过去比现在高”同时成立 (p.13-14)
• 研究 1B（n=999，美国代表性样本）：四个条件中三个显著（d 在 0.25–1.04），但“过去自我为焦点”的条件没有出现效应，与 1A 不一致；前向比较（后来的自己为焦点）的偏差更大，如能力 η²p = .136 (p.17-18)
• 研究 1C（对称措辞，n=588）：八项检验中七项与预测方向一致且显著，如未来自我为焦点时道德 d = 0.76、负面特质 d = -0.64；但现在自我为焦点时能力 d = 0.04，p = .244，不显著 (p.20-21)
• 研究 3（同一批人回答正反两题，n=397）：两次评分各减去中点后相加，逻辑一致的话应为 0，实际道德 M = 1.07（d = 0.63）、温暖 d = 0.45、能力 d = 0.67，均显著高于 0；两次评分还呈正相关（r = .25–.47）而非负相关。但第二次判断的偏差更小，道德 0.63 vs. 0.44，能力 0.66 vs. 0.49 (p.32)
• 研究 4（n=791）：被试评价“普通人”的自我时同样出现偏差；自我与他人的差异在道德、温暖上等价于零（TOST p = .003/.004，BF01 约 12.6/12.5），能力上偏差反而是他人更大（0.50 vs. 0.35，p = .039）。作者据此认为自我提升动机不是必要条件 (p.37-38)

“谁在问句主语位置”会影响评价，这一不对称在自我-他人比较中早有研究，本文的新意在于把它搬到同一个人的不同版本之间，从而排除“自己比别人更容易想起”的混杂，并推广到个人/职业这类非时间维度的自我。这是对已有比较不对称文献的一次干净的延伸，而非全新的现象。对“极端化 vs 选择性”的区分和“焦点性可部分解释比平均更好效应”的主张更有理论价值，但后者目前只有摘要层面的信息，证据强度未知。

优点：样本量大（多数研究每格约 100-200 人），多数预注册，有近似复制和对称措辞的稳健性检验，还主动披露了预注册的错误和单尾改双尾。问题：(1) 核心检验是“均值是否偏离中点 4”的单样本 t 检验，而不是直接比较焦点与非焦点条件的两组均值；这些检验证明的是“两个自己都高于一半”，对偏差的推断依赖“4 就是中立”的假设，而量表措辞（如“higher than”）本身可能带来默认回答倾向或默许偏差，作者虽有对称措辞的版本，但未设置无比较的基线对照来分离。(2) 结果并不整齐：1B 的“过去自我焦点”条件为空，1C 现在自我焦点的能力、2B 的三项预测未得到支持，“一般都出现”的表述有一定修饰。(3) 效应不大（d 常在 0.2-0.4），很多可能受措辞影响。(4) 选择性 vs 极端化的结论主要来自探索性的负面特质，研究 1B、4 里负面项均为非预注册探索；“选择性”只是与数据相容，没有直接测过“记起了什么信息”。(5) 研究 4 用“没有差异”论证自我提升不必要，但该结论只对这种测量成立，且作者承认负面特质上有自我特异性。(6) 全部是美国和英国在线样本，自我报告，未检验跨文化；也无预印本同行评议。(7) 研究 5 的“焦点性可部分解释比平均更好效应”仅见摘要，本稿未能核实数字。

✅ 官方资源 · https://osf.io/3vr4f/overview?view_only=252e0794b4d543f59750e55bec340556
作者声明在 OSF 公开数据集、代码、分析和补充材料（链接为只读审阅链接，可能日后换成正式页面）；多项研究的预注册可在 AsPredicted 查看。题项就是常见的形容词量表（Leach 等的道德/温暖/能力），问句措辞论文中完整给出，复现成本低，只需 Prolific 样本。我只读了前 40 页，研究 5A 结果以及 5B、补充研究未见。

为什么有意思人们常直觉认为“穷人家的孩子不开心，是因为父母压力大、没精力管孩子”。这篇论文显示，87项研究里七成多都在验证这条“父母路线”，而同伴欺凌、住房拥挤、社区安全、青春期提前、甚至孩子打工等路径几乎没被认真检验。这提醒我们：对“贫困为什么伤心理健康”的常识解释，可能只是研究者扎堆看的那一块光亮处。

属于哪个分支与学科脉络属于发展心理学与社会流行病学交叉的“心理健康不平等”方向，核心是经济社会处境如何影响青少年焦虑抑郁。近年趋势是从“证明有差距”转向“拆解机制”，并更重视因果推断、全球南方样本和多学科视角。这篇是综述加理论构建的“地图式”工作，延续并扩展了Conger的家庭压力模型和Duncan的家庭投资模型，同时批评其过窄，是为后续实证研究铺路而非给出新发现。

对想学心理学的人它展示了心理学研究的另一种形态：不做实验，而是预注册检索、筛选、编码、请专家补充并归类。你能看到现实中的数据质量问题——横断面设计无法分清因果顺序、不控制混杂变量、中介分析方法过时。要做这个方向，需要掌握文献检索与系统综述方法、因果推断（混杂、中介、反向因果）、纵向数据分析（如交叉滞后模型）和一定的流行病学素养。这类与公共卫生、政策结合的青少年心理健康研究，在英国等国的队列研究中心、卫生政策机构里有稳定的岗位需求。

背景 贫困家庭的青少年焦虑、抑郁更常见，但“为什么”并不清楚。现有两大理论（家庭压力模型、家庭投资模型）几乎只盯着父母的压力、教养方式和家庭资源，忽略了同伴、学校、社区、生物等因素，且主要来自欧美高收入国家。

方法 作者先做了预注册的系统检索：在6个数据库（MEDLINE、PsycINFO、EconLit等）检索截至2024年3月的“中介研究”（即检验A是否通过B影响C的研究），由一人筛选，未做偏倚评估，最终纳入87项研究。然后用非系统检索补充“与经济处境和内化问题都相关”的变量，再请6位UCL研究者审阅，并分两批邮件咨询34位跨学科专家（共13位给出新增机制）。最后把机制归为社会、心理、物质、生物、环境、行为六大域，做叙事性综合，并据此提出一个理论模型。作者明确说明目的是“绘制可能机制的地图”，而非评估证据强弱。

• 共纳入87项中介研究，66.7%（58项）来自欧洲或北美；非洲仅1项（乌干达），南美仅1项（智利）(p.10)
• 72.4%的研究是横断面设计，只有27.6%是纵向；30%（27项）完全没有控制混杂因素 (p.11-12)
• 研究最集中在社会因素（62项，主要是家庭/父母），其后依次为心理（24）、物质（11）、生物（6）、环境（5）、行为（仅1项）(p.12-13)
• 经济处境的测量五花八门：财务压力27.5%、客观社会经济地位25.3%、收入24.1%，相互只是中等相关 (p.12, p.38)
• 一项跨10个文化群体的研究中，家庭压力模型的“教养中介”在8个群体里成立，说明机制并非处处通用 (p.14-15)；另有8项研究仍用过时的Baron & Kenny中介方法 (p.37)
• 不同机制证据不一致：自尊在2项纵向研究中部分中介、在另2项中不成立；乐观在唯一的纵向研究中不中介，在2项横断面研究中却中介 (p.20-21)；3项纵向研究支持“虐待经历”中介 (p.16)

最大价值在于“拓宽视野”：第一次专门针对青少年内化问题，把中介研究系统汇总，并用专家咨询补出一大批从未被检验的机制（歧视与污名、童工、迁移与留守、青春期提前、炎症、求助行为等）。但提出的理论模型本身较笼统（六个大框互相双向连接），更像分类框架而非可检验的预测，原创性有限；“多数中介研究质量低”这一判断也基本是方法学共识。

作为“绘制可能机制”的框架性工作，其结论较为克制，但仍有明显局限。第一，筛选与编码只由一名作者完成，没有第二评审，也没有偏倚评估；机制域的划分由两名作者主观决定。第二，专家咨询的方法很松散：34人中只有13人提出建议，专家选取标准不明，且这些建议是否“有证据”并未检验，列表里斜体的候选机制只是被提出，不代表真实存在。第三，作者自己承认底层证据弱：72%是横断面，30%无混杂控制，容易高估中介效应；多个机制在不同研究中结果互相矛盾，心理变量之间高度重叠。第四，样本偏欧美和中国，对低收入国家几乎没有证据，而这些国家恰恰有约90%的青少年。第五，不同经济指标混在一起，无法判断结论是否依赖测量方式。理论模型本身未经检验，且几乎所有域之间都连双向箭头，难以证伪。预注册是加分项，但综述类预注册的约束力有限。总体：作为研究议程可信，作为因果结论不能直接使用。

✅ 官方资源 · https://osf.io/jhx4z
协议与检索策略已在OSF预注册；检索词、纳入标准和补充表1（各研究的国家、设计、暴露与中介变量）在补充材料中，但提供的前40页未包含这些内容。因是文献综述，没有原始数据或代码需求；复现需要重做检索与筛选，工作量中等。

为什么有意思我们习惯认为“打个分”是最干净的测量方式，但这项研究表明，让人随口说几个词或写几句话，反而装着更多信息。日常生活中，别人问你“今天心情怎么样”，你回答“还行，有点累，孩子发烧了”比说“6分”传递的东西多得多，这篇论文把这种直觉量化了。同时它也提醒：准确度的提升在数字上并不大（外部预测 r 仅 .18–.24），语言不是魔法。

属于哪个分支与学科脉络属于计算社会科学与心理测量的交叉，也是“语言心理学”（从人们说的话推断心理）的延续。这几年的趋势是从评分量表转向自由文本，再叠加大模型和机器学习，让开放式回答也能被量化。这篇处于延续并系统化的位置：它不是第一个说语言可以测心理，但在同一样本里直接对比三种格式，并检验外部效度，把争论推进到“语言能否替代或补充量表”。

对想学心理学的人这篇体现了现代心理学研究的一种典型做法：用经验取样（每天多次报告，持续数周）收集纵向数据，再用机器学习做预测，并用相关系数比较不同测量的准确度。想做这个方向，需要会统计和编程（Python 或 R）、懂测量理论（信度、效度），并了解自然语言处理的基本思路。这个交叉方向与数据科学、人机交互、心理健康科技等行业接轨，就业面比传统纯量表研究宽，但竞争也更偏技术。

背景 几十年来，心理学主要靠让人在1到7分之类的评分量表上打分来测量情绪和幸福感，但人们日常交流用的是语言。此前已有研究用语言分析预测心理状态，但很少在同一批人身上直接比较评分、短文和描述词这三种回答形式，也很少检验它们对现实中行为的预测力。

方法 研究对象是764名美国服务行业工人，他们最多连续12周每天报告自己的感受。每次报告有三种形式：数字评分、短文（自由书写）、描述词（用几个词描述感受）。研究者用语言分析加机器学习，把语言回答转成预测模型，去预测两类结果：一是九项自评的情感特质（内部对照，同一类自评数据），二是24项外部指标，包括其他特质、人口学特征和行为。然后比较三种形式的预测准确度（用相关系数 r 表示，越高越准）。此外还分析语言内容，看词和短文各自反映哪些心理主题。（仅基于摘要，具体模型和验证细节未知。）

• 预测九项自评情感特质：短文略逊于评分（r = .49 对 .55，p < .001）(摘要)
• 预测同样九项特质：描述词略优于评分（r = .53 对 .51，p < .001）(摘要)
• 预测24项外部指标（特质、人口学、行为）：两种语言形式的准确度都约为评分的两倍，描述词平均 r = .18，短文平均 r = .24（p < .001）(摘要)
• 内容分析显示：描述词集中于情绪本身，短文涵盖更广的生活领域（摘要）
• 样本为764名美国服务行业工人，每人最多记录12周的每日报告（摘要）

新意主要在于把同一群人、同一时段的三种回答形式放在一起比，并用外部效度（预测其他特质和行为）而不只是预测自评分数来衡量。这点很关键，因为用评分去预测评分有“同源偏差”，而外部指标更接近真实价值。不过用语言和机器学习测心理状态本身不是新方向，这篇更像是对该路线的一次扎实的系统比较，而非范式突破。

只有摘要，以下判断有限。优点：样本相对较大（764人）、纵向追踪最多12周，结果指标包括外部效度，p 值显示差异显著。局限：1) 样本只来自美国服务行业工人，对其他国家、职业或文化不一定适用；2) 外部预测的绝对水平不高（r = .18–.24），“准确度翻倍”是从很低的基线翻倍，实际应用价值要谨慎看；3) 描述词和评分对自评特质的差异很小（.53 对 .51），虽然统计显著但实际意义有限，大样本下容易显著；4) 摘要没有说明是否预注册、交叉验证怎么做、是否对多重比较做了校正、24项外部指标如何选择；5) 机器学习预测并不等于因果或心理机制；6) 作者团队长期从事语言分析，可能有方向性偏好，利益冲突情况摘要未说明。是预印本，尚未同行评审。

❌ 无公开资源 · https://osf.io/preprints/psyarxiv/dgnaf_v2/
只有预印本摘要，未检测到代码或数据链接，也没有“将公开”的承诺。工人的每日语言数据涉及隐私，即使公开也可能受限。要复现需要作者的数据和模型细节，需读全文及其 OSF 页面确认。

为什么有意思人们常凭直觉认为“性取向不同，性格也会明显不同”。这项研究显示确实有可测的差异，比如无性恋者更内向、双性恋和泛性恋者更爱尝试新事物，但大多数差异很小，组内个体差别远大于组间差别。它提醒我们，不要用性取向给人贴性格标签。神经质更高也可能反映的是承受压力的后果，而不是“天生如此”。

属于哪个分支与学科脉络这属于人格心理学与性科学的交叉领域。这几年该方向从只比较“同性恋对异性恋”，转向区分双性恋、泛性恋、无性恋等更细的群体，并开始检验少数群体压力这类社会解释与激素等生物解释的竞争。这篇处于延续和扩充的位置：用更大的跨文化（中欧）样本去检验两个老理论，而不是提出新理论。要注意，横断面数据本身无法区分这两种解释，摘要也只说结果“与两者一致”。

对想学心理学的人这篇展示了人格研究的典型做法：在线招募大样本、用标准化量表、分组比较并看效应量。你需要学会统计（组间比较、效应量、多重比较）和对量表信度的判断，这里10题的BFI-10每维度仅2题，信度通常偏低。这一领域的研究者多在大学和研究机构，性与性别研究正在增长，但职业路径主要是学术或临床/咨询相关。学习时要特别训练一个习惯：看到“显著差异”先问效应有多大、样本从哪来。

背景 人格（用“大五”五个维度描述：神经质、外向性、开放性、尽责性、宜人性）是否随性取向而不同，有两种主要解释。“少数群体压力理论”认为性少数者长期承受歧视和压力，因此情绪更不稳定（神经质更高）；“性别转移假说”认为产前激素影响可能使部分性少数者的发展偏向异性典型模式。以往研究多集中于同性恋和双性恋，无性恋、泛性恋很少被纳入。

方法 研究者在捷克和斯洛伐克招募了6476名顺性别（性别认同与出生性别一致）参与者，分为异性恋2598人、同性恋1943人、双性恋1412人、泛性恋389人、无性恋165人。人格用BFI-10测量，这是一个只有10道题的大五人格简版问卷，每个维度仅2题。分析按性别分开比较各性取向组在五个维度上的得分，并报告效应量。摘要未给出更多细节（如招募渠道、统计模型、是否预注册），这些需看全文。

• 非异性恋男性的神经质得分高于异性恋男性，与少数群体压力理论和性别转移假说都相容（摘要）
• 泛性恋和双性恋者无论男女，开放性都高于异性恋者（摘要）
• 无性恋者的外向性低于任何其他性取向的同性别个体（摘要）
• 尽责性结果不一致，宜人性在各组间没有差异（摘要）
• 样本为N = 6,476，其中无性恋仅165人、泛性恋389人；作者称除少数例外，差异的效应量总体较小（摘要）

真正新的地方是样本规模大，并把无性恋和泛性恋作为独立群体，与同性恋、双性恋分开比较，而不是笼统归为“性少数”。但其理论框架（少数群体压力、性别转移）是现成的，结论也和既有研究大体相符，属于扩充样本与群体的延续性工作，而非颠覆性发现。同时研究使用的是极简量表，限制了结论的精细度。

优点：样本大，分组细，并报告了效应量，作者也承认差异总体偏小。局限（仅基于摘要）：1）BFI-10每个维度只有两题，测量误差大，对小差异的检出和解释要谨慎；2）样本是否为方便样本、在线自愿招募，摘要未说明，性少数群体的在线招募样本可能有选择偏差；3）仅限捷克和斯洛伐克，结论是否适用于其他文化未知；4）横断面相关数据，不能证明是压力导致神经质，也不能证明是产前激素；5）无性恋165人相对较少，估计更不稳定；6）多组、多维度比较存在多重比较问题，尽责性结果“混合”可能是噪音；7）是否预注册摘要未提及，需看全文和OSF。无利益冲突信息。

✅ 官方资源 · https://osf.io/vt2yx/files/osfstorage
OSF声明了数据链接，可能含数据，但具体包含哪些文件（数据、分析代码、材料、预注册）仅凭摘要无法核实。BFI-10为公开量表，复现需重新获取同类大样本。

对患者家庭意味着什么这篇研究不涉及治疗或病情，而是关于照护者的处境。对您家来说，它的意义在于：如果主要照护人本身也年纪大，其疲惫、情绪耗竭和对“以后怎么办”的焦虑是很常见的，不是个人不够坚强。照护者的健康直接影响老人能否得到稳定的照护，所以提前为照护者安排休息和支持是必要的。

证据等级与距离落地证据等级为质性访谈研究，仅13名上海的老年照护者，属于描述经验、不检验干预效果，也不能推断普遍比例。目前是未经同行评审的预印本，且只看到摘要。它提出的建议（长期护理保险服务、社区喘息服务、定期心理咨询、独生子女照护者支持）属于政策层面，是否能在您所在地落地取决于当地服务供给，没有试验证明这些措施的效果。

照护上可借鉴的做法1) 主动了解所在社区或街道是否有喘息照护（短期托管、日间照料）和上门护理服务，以及当地长期护理保险的申请条件，可咨询社区居委会或医院社工。2) 把照护决策与其他亲属分担，定期开家庭会议明确分工，减少“一个人扛决定”的压力和家庭冲突。3) 如果照护者出现持续失眠、情绪低落或身体不适，应及时就医或寻求心理咨询。4) 对于机构照护的抵触，可提前了解不同照护选项，在老人状况尚可时共同讨论，避免危机时仓促决定。涉及用药的问题需与主治医生讨论。

背景 在中国人口老龄化背景下，很多痴呆合并躯体残疾的老人由同样年迈的家人照护。西方研究常把照护负担和照护获益分开分析，而基于Pearlin照护压力过程模型、针对上海老年照护者的本土证据较少。本研究想完整呈现这类“老人照顾老人”家庭的体验，为长期护理政策和社区支持提供依据。

方法 采用目的性抽样，招募13名60岁及以上的主要家庭照护者，进行半结构化叙事访谈。用Colaizzi七步法和NVivo 15做归纳式内容分析，并用可信性、可迁移性、可靠性、可确认性四个维度保证研究质量，按COREQ规范报告。这是预印本（未经同行评审），目前只有摘要可读，访谈具体细节、被照护者的痴呆分期等信息无法判断。

• 共提炼出5个核心主题、15个子主题（摘要）
• 结构性背景：家庭结构受限、孝道文化影响、养老服务供给不足（摘要）
• 多重压力源：基本照护负担、独自做照护决策的压力、社交受限、家庭内部冲突（摘要）
• 缓冲资源有限：正式照护服务不足、亲属非正式帮助不足，主要靠个人心理调适（摘要）
• 照护结局具有两面性：亲情带来情感收获，同时抗拒机构照护、对未来照护安排长期焦虑；照护者持续身体疲惫和情绪耗竭（摘要）
• 样本量为13名照护者（摘要）

质性研究本身不算新方法，新意主要在于把Pearlin模型用于上海“老年照护老年”、且被照护者痴呆合并躯体残疾的特定人群，并把负担与情感收获放在同一框架下看。结论（照护者很累、支持不足）与既往大量研究方向一致，更多是本土化佐证，而非新发现。

样本仅13人、单一城市（上海），质性方法适合理解体验，但不能量化结论或推广。摘要未说明被照护者的痴呆严重程度、照护年限、照护者的性别和健康状况、是否有访谈饱和，故无法评估代表性。预印本未经同行评审，资助方和利益冲突在摘要中未提及。“正式和非正式支持只产生有限缓解”这一结论摘要中并无量化数据支撑，政策建议也属于作者推论，而非干预试验结果。

❌ 无公开资源 · https://europepmc.org/article/PPR/PPR1340630
预印本（DOI 10.21203/rs.3.rs-10729643/v1），Europe PMC未标记开放获取，仅见摘要。非临床试验，无注册号，也未见可直接使用的照护工具或指南。

对患者家庭意味着什么这项研究不涉及阿尔兹海默症的治疗效果，对一位86岁已确诊的老人，没有直接的新治疗信息。它能提醒家属的一点是：如果老人正在服用抗精神病药（如喹硫平、利培酮、奥氮平），值得弄清楚为什么用、用多久、什么时候复查能否减量。研究也明确说，缺少记录不等于处方不合理，家属不必因此恐慌，更不要自行停药。

证据等级与距离落地证据等级较低：单中心回顾性病历研究，没有对照，也没有随访结局。样本为394名65岁以上服药者，其中痴呆相关仅74人，平均年龄约75岁，很高龄者代表性有限。研究只描述现状，没有检验任何干预，所以谈不上“距离落地”，它的意义在于支持医院做用药审核和记录用药原因，这类管理措施是否有效还需要前瞻性研究验证。

照护上可借鉴的做法可以向主治医生或药师询问几个问题：这个药是为了哪种具体症状开的（如幻觉、严重激越、失眠）？目标是什么、计划用多久？下次什么时候评估能否减量或停药？是否试过非药物办法（调整环境、规律作息、减少噪音和夜间刺激、音乐、去找出诱发激越的原因如疼痛、便秘、感染）？同时留意嗜睡、走路不稳、跌倒、僵硬、吞咽变差等副作用并告诉医生。所有用药调整都需与主治医生讨论，不要自行增减或停药。如果老人由多个科室开药，可把所有药物清单带到一次门诊，请医生统一核对。

背景 抗精神病药在老年人中可能引起跌倒、嗜睡、脑血管事件和死亡风险上升，对痴呆患者尤其如此，指南建议只在严重激越或精神病性症状时短期、低剂量使用，并定期评估能否停药。但在精神科之外的门诊，用药原因常常记录不全，沙特此前缺少相关数据。

方法 这是一项单中心回顾性横断面研究，在沙特东部省一家大学附属三甲医院（KFHU）进行，使用2019年1月至2023年5月的门诊药房配药记录，并与ICD-10诊断记录按病历号关联。纳入首次在65岁及以上配过抗精神病药的患者，最终394人。研究者依据FDA适应症、美国精神病学会指南和2023年Beers标准，把每位患者按诊断分为五类：明确适用、高风险/视情况而定（痴呆或谵妄）、有记录的超适应症用途、无符合条件的适应症诊断、窗口期内无任何诊断。再用多因素logistic回归分析哪些因素与“无合格适应症记录”相关。诊断取自配药前或配药后30天内的记录。

• 394名社区老年人中：明确适用63人（16.0%）；高风险/视情况（痴呆或谵妄）74人（18.8%）；有记录的超适应症用途44人（11.2%）；无符合条件的适应症诊断189人（48.0%）；窗口期内无任何诊断24人（6.1%）（结果部分，表1）
• 高风险组中95.9%为痴呆，4.1%为谵妄；该组平均年龄77.6岁，明确适用组为72.4岁（p<0.001）（结果部分，表2、表3）
• 喹硫平（quetiapine）是最常用的首次配药（370名可分类患者中占53.5%），其次是利培酮（20.3%）和奥氮平（15.1%）；喹硫平在痴呆/谵妄组（66.2%）和超适应症组（65.9%）比例最高（表4）
• 与精神科相比，内科/全科开药者“无合格适应症记录”的调整后比值比（AOR）为4.43（95% CI 2.00–9.81），神经科为2.42（1.27–4.63），其他科室为3.16（1.16–8.63）；年龄、性别、婚姻状况、药物种类无独立关联（表5）
• 敏感性分析中，内科/全科的AOR分别为6.58（1.46–29.62）和7.84（1.73–35.63），置信区间很宽（结果部分）

创新性有限：药物不当使用和抗精神病药超适应症使用在国际上已有大量研究。其价值主要在于给出沙特综合医院门诊的本地数据，并把痴呆/谵妄单独归为“高风险”类，而不是直接判为合理或不合理。研究没有测量任何临床结局，也没有证据说明这些处方是否造成了伤害，结论停留在“病历记录不全，值得复查”。

主要局限：①依赖ICD-10编码，编码缺失或不全会把有正当理由的处方误归为“无合格适应症”，48%这个数字很可能高估了真正不合理的处方比例，作者自己也承认；②首次配药记录不一定是起始用药，2019年前的数据缺失，可能混入长期用药者；③诊断可取自配药后30天内，无法确认诊断先于用药；④缺少症状严重程度、是否尝试过非药物办法、剂量、与抗抑郁药合用、临床结局（跌倒、脑卒中、住院、死亡）等关键信息；⑤单中心，样本不大，敏感性分析置信区间很宽（如1.46–29.62）；⑥研究描述的是处方记录而非疗效或危害，对痴呆患者的结论只能作为提醒。资助方声明无资助，无利益冲突。正文中数据出现过前后修订的痕迹（“corrected cohort”），整体可信度中等偏低。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13658605
论文开放获取（Europe PMC）。数据集需向通讯作者申请（[email protected]），完整ICD-10编码和分类规则在补充材料中。没有临床试验注册号（回顾性研究），也没有面向家属的工具或指南。

对患者家庭意味着什么如果您的家庭属于少数族裔或不以英语为主要语言，这项研究说明，面向家庭的确诊后支持可以被调整得更贴合语言和文化，而不是只能“照搬”。但这是针对英国孟加拉裔家庭的研究，不一定直接适用于您的情况，更不是一种新疗法。对一位 86 岁已确诊的老人，它的意义主要在于提醒：确诊后可以要求获得合适语言、可配合口译的支持，并设定贴近日常生活的小目标。

证据等级与距离落地这是质性与可行性研究（焦点小组、访谈、4 个家庭的试点），没有对照组，也没有测量认知或疗效。样本为 14 人和 6 人的焦点小组加 4 个家庭，其中 3 个完成。8 个目标中 7 个有改善只是自我报告，不能证明项目有效。目前仍处于方法开发阶段，在英国之外或在中文环境下能否使用，还需要另行适配和更大规模的检验；目前（预印本）也未经同行评议。

照护上可借鉴的做法1) 与专业人员沟通时，可提出希望用自己熟悉的语言或方言，并请求专业口译，而不是由家人临时翻译。2) 可以与照护团队一起，把想达成的事具体化成几个个人目标，比如“让老人每天固定时间散步”或“家人轮换照护的安排”，定期回看是否有进展。3) 如果书面材料不好用，可询问有没有音频、视频或口头讲解版本。4) 社区、宗教或同乡组织可能是信任度较高的信息渠道，必要时可借助。以上均属沟通与支持层面，若涉及用药调整，需与主治医生讨论。

背景 英国南亚裔社区在获得痴呆照护时存在障碍，如病耻感、信任和语言问题。已有证据提示，心理社会干预可以根据文化背景改造，但对改造过程如何开展、如何反复修订的实操证据不多。本研究以 GRACE-family（4-8 次会谈、面向家庭照护者，必要时包括患者）为对象，探索如何把它适配给讲孟加拉语的社区。

方法 研究采用理论指导的迭代适配流程：先组成共同适配小组，成员包括有亲身照护经历者、学者和临床/专业人员，就干预中哪些功能是核心达成共识。再通过记忆门诊和孟加拉社区组织工作人员的焦点小组（n=14）了解文化与语言背景，形成原型版本。随后在 4 个照顾痴呆患者的孟加拉裔家庭中试用，试用后询问目标达成、可接受度并做质性访谈。最后结合试点数据和一场讲 Sylheti 方言的家庭照护者焦点小组（n=6）做进一步修订。

• 试点 4 个家庭中有 3 个完成了原型干预（摘要）
• 参与者报告 8 个个性化目标中有 7 个有改善，所有参与者都认为干预可接受（摘要）
• 原型干预以英文进行（因前期咨询提醒，在以口语为主的语言中不宜做书面手册），但在翻译协助的会谈中使用英文材料出现困难（摘要）
• 访谈和焦点小组归纳出两大主题：病耻感、信任和社区网络影响获得痴呆支持；需要灵活的交付方式来应对不同的语言、沟通和文化需求（摘要）
• 修订内容包括增加标准孟加拉语材料、讲 Sylheti 方言的音视频资源，以及对带教人员进行文化敏感和口译协助交付的培训（摘要）

研究本身不是检验疗效，而是展示一套可复用的“共同适配”流程：让有亲身经历者与学术、临床人员一起判断哪些部分不能改、哪些可以改。较有价值的发现是，对以口语为主的语言，不应简单把书面手册翻译过去，而要提供音视频和方言版本。但样本极小，属于方法学与可行性层面的贡献，临床结局上并无新证据。

证据只来自摘要，不能推断全文。样本很小（4 个家庭、焦点小组 14 人与 6 人），且 4 个家庭中只有 1 个未完成，原因摘要未说明。没有对照组，结果是自我报告的目标达成，而不是认知、行为症状或照护者负担等经过验证的量表。试点家庭是否包含高龄、晚期或多病共存的患者，摘要没有说明。预印本尚未经同行评议，资助方和利益冲突在摘要中也看不到。因此其结论应当理解为“这种适配流程可行、可接受”，而不是“干预有效”。

❌ 无公开资源 · https://europepmc.org/article/PPR/PPR1342253
仅为预印本摘要页面（非开放获取全文），摘要中未提及公开代码、数据或材料。孟加拉语材料和 Sylheti 音视频资源是否公开，摘要未说明。GRACE-family 手册是否可获得，需查阅全文或联系作者。

对患者家庭意味着什么这项研究现在对您家老人几乎没有直接实际影响：它不是治疗研究，模型也不能用来给个人下结论。它传达的有用信息是：高龄痴呆老人的情绪和行为症状（如激越、焦虑、睡眠问题）往往会反复波动，值得持续、定期地关注，而不是等到病情很重才处理。研究中症状基线较高、年龄更大的老人更容易反复恶化。

证据等级与距离落地属于观察性研究，是对已有随机试验数据的二次回顾分析，不是干预试验。仅 222 位瑞士养老院住户（平均 86 岁，与您家老人年龄相近），其中仅 72 例“反复恶化”事件，样本偏小。模型经交叉验证后 AUC 从 0.754 降到约 0.67，且无外部验证。距离在养老院常规使用还很远，至少需要更大样本、其他国家数据的验证，以及与住院、照护计划调整等真实结局的对照。

照护上可借鉴的做法1) 可以请养老院或居家护理人员定期（如每月）用固定的症状清单记录老人的情绪、行为、睡眠和身体不适，并与上月对比，而不是只看单次印象；家属也可以参与记录。2) 当发现某些症状连续数月偏高或反复起伏时，可以主动要求召开照护讨论或症状复评。3) 任何涉及用药调整（如针对激越或睡眠的药物）的想法，需与主治医生讨论。IPOS-Dem 的瑞士易读版是为一线员工和家属设计的，可以询问机构是否使用类似工具。

背景 痴呆症晚期常有疼痛、吞咽困难、激越、焦虑等需要姑息照护的问题，但养老院里这些需求常被忽视。IPOS-Dem 是由照护人员或家属代为评分的症状量表，此前研究已证明它可用，但很少有人研究能否用它的重复测量来找出“症状反复恶化”的老人。

方法 这是对瑞士养老院一项阶梯式楔形整群随机试验公开数据的二次探索性分析。原始数据 3,176 条评估记录，筛选出 222 位住户的 2,107 个“相邻月度评估对”（间隔 14–45 天）。若下一次评估时 DEBI（情绪与行为影响）或 DPII（身体与互动影响）任一分量表上升≥0.5 分（量表0–4分），算一次恶化；若某位住户超过 1/3 的评估对出现恶化，则定义为“反复恶化”。再用 logistic 回归（含年龄、性别、当前症状水平、近期变化趋势、试验设计变量等）在住户层面建模，评估区分度（AUC）、校准度和敏感度/特异度，并做阈值敏感性分析和 5 折交叉验证。

• 222 位住户中 72 位（32.4%）被归为“反复恶化”；2,107 个评估对中 535 个（25.4%）出现恶化（结果 3.1/表1）。
• 住户平均年龄 85.69 岁，72.1% 为女性；平均 DEBI 1.19、DPII 1.01（表1）。
• 平均 DEBI 越高，反复恶化的几率越高（OR 2.655，95% CI 1.382–5.101，p=0.003）；年龄每增加 1 岁 OR 1.055（p=0.027）（表2）。
• 模型表面 AUC 0.754、Brier 评分 0.179；阈值 0.29 时敏感度 0.792、特异度 0.613；阈值 0.50 时敏感度仅 0.361、特异度 0.913（结果 3.4）。
• 5 折交叉验证后 AUC 降至约 0.672，提示表面表现偏乐观（讨论）。
• 恶化阈值不同结果差别很大：≥0.25 分时 42.3% 的评估对算恶化，≥1.00 分时仅 6.8%（结果 3.2）。

新意主要在“用月度重复评分定义反复恶化”这一思路，而不是预测死亡，对姑息照护的症状监测有一定启发。但方法层面比较初步：恶化阈值（0.5 分、1/3 比例）为作者自定，没有临床锚点；预测变量与结局来自同一量表，存在循环论证风险；只做了住户层面的简单回归，没有处理机构聚集效应。整体是探索性、概念验证性质的工作。

证据较弱，不足以支持临床使用。主要问题：1）样本小、事件数少（72 例）却纳入 13 个预测项，过拟合风险高，置信区间很宽（如 dDEBI OR 0.089，CI 0.009–0.873）；2）恶化阈值（≥0.5 分、det_rate>0.33）是作者自定的，没有最小临床重要差异，敏感性分析显示事件数随阈值剧烈变化；3）预测变量和结局都来自同一份由员工代评的量表，评分者间一致性本身仅属一般，循环论证风险大；4）住户层面聚合丢失了时间细节，也没有处理机构聚集效应，群组变量显著说明机构间差异不小；5）表面 AUC 0.754 经内部交叉验证降到约 0.672，且没有外部验证；6）结局并非住院、疼痛或死亡等有临床意义的事件；7）纳入人群为瑞士养老院，对居家照护或其他国家的适用性不明。作者承认多项局限，结论措辞相对克制。

✅ 官方资源 · https://europepmc.org/article/PMC/PMC13664699
全文开放获取（Europe PMC）。分析所用数据是原瑞士阶梯式楔形整群试验的公开去标识数据集，文中提到使用 R 分析，但未见专门发布的代码或可直接用的模型工具；未给出本文的试验注册号。家属无法直接使用该模型。

对患者家庭意味着什么这项研究针对的是住院期间的摔倒，不是居家照护，也不涉及阿尔茨海默病的治疗，对86岁患者目前没有直接的治疗意义。它的现实意义在于：如果老人住院或入住机构时摔倒，规范的摔后检查很重要，而有认知障碍的老人恰好可能更少被按标准流程检查，家属可以主动关注。需要强调的是，研究只证明“记录更全”，没有证明老人因此更安全或恢复更好。

证据等级与距离落地这是单中心、回顾性观察研究，不是随机对照试验，样本仅167例，没有事先计算样本量，也没有评估骨折、颅内出血、住院时长等临床结局。评估表在该院已在使用但非强制，因此已经“落地”，但是否能改善患者结局还需多中心前瞻性研究验证，目前没有时间表。研究对象为65岁以上住院者，年龄中位数在80岁出头，与患者年龄相近，但并非专门针对痴呆患者。

照护上可借鉴的做法家属可以在老人入院或入住机构时，询问院方或机构摔倒后的标准流程：是否会检查头部、颈椎、髋部、神经功能，并确认是否核实老人有没有服用抗凝药（如华法林、利伐沙班等），因为抗凝药会增加摔后颅内出血风险。老人摔倒后，即使看起来没事，也可以请医护说明做了哪些检查，因为痴呆老人可能说不清疼痛或不适，伤情容易被漏掉。家属也可以随身准备一份最新的用药清单和认知状况说明，方便医护快速评估。任何用药调整都需与主治医生讨论。

背景 住院老人容易跌倒，认知障碍者风险更高、摔后也更容易漏诊伤情。跌倒预防研究很多，但摔倒之后如何系统检查（颈椎、髋部、神经、头部、抗凝药使用等）研究较少，指南建议在4小时内完成医学评估。本研究想知道，结构化评估表（proforma）是否能让摔后检查记录更完整。

方法 这是在澳大利亚一家以老年医学和康复为主的医院进行的单中心回顾性队列研究，时间为2022年1月至2024年12月。研究从医院事件系统登记的跌倒中按半年分层随机抽取约202例，仅纳入65岁以上、每位患者首次住院跌倒，排除缺失关键信息的病例后最终分析167例。研究者由一人从纸质病历中提取数据，判断12个检查项目（如颈椎、髋部、脑神经、认知、抗凝状态、活动能力等）有没有记录（是/否），并抽查10%核对。用卡方检验比较使用与未使用评估表两组，并用多变量逻辑回归分析哪些患者特征与是否使用评估表有关。

• 167例中，125例（75%）使用了评估表（其中仅用评估表94例、与病程记录并用31例），42例（25%）仅用普通病程记录（结果部分）
• 颈椎评估记录率：使用评估表组96.8% vs 未使用组47.6%；髋部检查98.4% vs 40.5%（均p<0.001）（表2）
• 认知评估记录率95.2% vs 19.0%；抗凝/凝血状态记录率98.4% vs 16.7%；摔后活动能力评估92.0% vs 7.1%（均p<0.001）（表2）
• 跌倒情境描述记录率反而略低（85.6% vs 95.2%，p=0.100，无显著差异）；12项中有11项差异显著（表2）
• 有认知障碍背景的患者占比：未使用组64% vs 使用组41%（p=0.008）；多变量分析中认知障碍与使用评估表的比值比为0.45（95%CI 0.19–1.03，p=0.062），未达显著（表1、表3）

评估表能提高记录完整度基本是意料之中的结论，其他医疗领域已有类似发现，新意有限。本文的价值在于补充了澳大利亚老年康复病房摔后管理这一较少被研究的环节，并提示认知障碍患者可能更少被用上标准化评估。但它只衡量了“写没写”，没有衡量伤情是否更早被发现、结局是否改善，实质性新证据不多。

证据有明显局限：①单中心回顾性设计，使用评估表由医护自行选择，医生经验、工作量、病房文化等混杂因素无法排除；②只测“有没有记录”，部分记录也算“有”，无法反映检查质量，更不能代表临床结局；③样本量小（167例），未设样本量，其中14%因缺失信息被排除，可能偏向记录较完整的病例；④由一人从纸质病历提取，仅抽查10%；⑤评估表所含的12项正是评分项目，用表自然更容易“达标”，比较带有循环论证的味道；⑥两组中认知障碍患者比例差异显著（64% vs 41%），分析结论未充分讨论；⑦无外部资助，作者声明无利益冲突。结论“用评估表记录更全”可信，但“可改善照护”尚无证据。

✅ 官方资源 · https://europepmc.org/article/PMC/PMC13662889
全文在Europe PMC开放获取。研究数据可向通讯作者合理申请，没有公开代码，也没有临床试验注册号（回顾性研究）。文中提到的WA多学科摔后管理指南（2023）和澳大利亚ACSQHC医院防跌倒指南可作为参考，但评估表本身未随文公开，补充材料为S1–S5 PDF。