应用落地如果你要训练文本/工具型 Agent（如网页购物、搜索问答、家居任务），默认用调好的 GRPO 作基线即可，不要因为论文宣称提升就上自蒸馏方法；这些方法需要构建技能库作为特权上下文，还额外增加约 10–40% 训练时间。若要上，候选是 PCSD（均值最高但按等时预算在 WebShop 会反转）。前置条件是有 8 卡级别算力和一套可复现的环境评测。

研究跟进开放问题包括：（1）所有结论基于每方法每设置单次训练，仅有 rollout seed 方差，论文自己承认无法推断跨训练种子的变异，下一步应做多训练种子；（2）100 步是否足够，长训练下排名是否改变；（3）多个方法在 WebShop/ALFWorld 出现 0% 崩溃（Skill-SD、ICSD、RLSD），需要诊断是特权信息偏差、超参还是实现适配（如 RLSD 原用于可验证推理）所致；（4）2B ScienceWorld 上 8 个方法停在 0.83 的平台，什么机制能让小模型突破。

可复用方法评测配方可直接搬走：（a）报告终点 + 验证曲线 AUC + 峰值到终点回落 + 最差设置差值，而不仅是胜率；（b）以基线的净训练时间为预算，取各方法截止时刻的最新检查点做等算力比较；（c）训练用贪心验证、最终用采样多 seed 评测，并两者对照，能发现如 2B OVCSD 的“贪心崩溃但采样正常”；（d）用交互长度逼近上限、非有限梯度计数等做失败诊断（但文中指出梯度检查本身不足以判断失败）。

背景 智能体 RL 中，利用训练期特权信息（如技能库）做教师的 on-policy 自蒸馏方法大量涌现（作者统计约每两天一篇），但各论文常沿用别人报告的 baseline 分数、很少重复评测、很少报告稳定性与成本，导致“哪些方法真有用”不清楚。本文做独立的统一对比。

方法 在 ALFWorld、ScienceWorld、Search-QA、WebShop 四个基准上，用 Qwen3.5-2B/4B/9B 共 12 个模型-任务设置，对 GRPO 及 10 种自蒸馏方法（GRPO+OPSD、SDAR、Skill-SD、RLSD、OCSD、OVCSD、AgentOPSD、ADRS、ICSD、PCSD）各训练 100 步，共 132 次运行，每 5 步验证一次。超参参考原论文/官方实现，固定评测集，在 T=0.4 下用 8 个 rollout seed 重复评测预训练模型和所有训练后模型。除最终分数外，还分析验证曲线 AUC、峰值到终点的回落、低性能结果，以及实测训练时间/GPU 小时（统一 8×H800），并做“按 GRPO 时间预算截断”的对比。

• 12 个设置等权平均：仅 PCSD（54.26，+4.58）和 AgentOPSD（51.34，+1.66）高于 GRPO（49.68），其余 8 个方法均低于它；PCSD 12 设置中 6 胜 5 负 1 平，且无一单项第一 (p.4, 表S5)
• 胜率会掩盖严重退化：ICSD 在 7/12 设置胜 GRPO，但均值 44.75 < 49.68，4B WebShop 成功率 0.00%；GRPO+OPSD 6 胜但均值 43.05，4B ALFWorld 仅 1.52% (p.5)
• 最终排名≠训练过程：AgentOPSD 终点排第 2（51.34）但 AUC 排第 9（34.41，低于 GRPO 的 36.89）；4B ALFWorld 上先到 60% 后连续 6 次验证 ≤4.3% 再恢复到 79.3%；9 个运行终点比峰值低 ≥20 点（如 OCSD 85.0%→51.4%）(p.6-7)
• 成本：120 次对 GRPO 的比较中 112 次耗时更多，其中 58 次均值还更低、7 次持平；PCSD、AgentOPSD 的耗时比为 1.17、1.19；OVCSD 达 1.37 倍且无整体增益 (p.8, 表S14)
• 按 GRPO 时间预算截断后优势反转：AgentOPSD 在 ALFWorld 由 68.10% 降到 37.63%（GRPO 58.10%）；PCSD 在 WebShop 由 73.17% 降到 63.83%（GRPO 68.20%）(p.8)
• 总计 12,124.4 H800 GPU 小时，其中训练 10,580.7、验证 1,515.3 (表S16)

方法上无新算法，价值在于独立、统一协议的大规模复现：同时覆盖重复评测、训练轨迹稳定性、实测成本三个原论文普遍缺失的维度，并给出“时间预算对齐”“AUC vs 终点”“胜率 vs 最差回退”这些有用的评估视角。结论（新方法对强 GRPO 基线增益有限）符合常见直觉，但此前缺乏这种体量的实证。局限是只测了 100 步、单训练种子，因此更像是警示而非终局判断。

优点：对比统一环境与评测集，8 个 rollout seed 报告均值与标准差，并记录实测时间，成本分析和失败案例均有表格数据支撑，且所有数字可在附录表中对上。主要局限：（1）每方法每设置只有一次训练，作者承认 rollout SD 不能代表训练间方差，故“胜/负”和 1–5 点的均值差（如 PCSD +4.58、AgentOPSD +1.66）并不稳固，部分“失败”可能是单次训练的偶然；（2）超参取自原论文但没有对每个方法在新设置（如 Qwen3.5、ScienceWorld）上做调参，可能对新方法不公平，且 Skill-SD/RLSD 使用的是“技能库适配版”，RLSD 原本面向可验证推理，不代表原方法；（3）仅训练 100 步，Search-QA 验证用贪心而最终评测用采样，存在口径差；（4）基准全是模拟环境和小规模模型（2B–9B）；（5）作者自己的结论“没有方法稳定优于 GRPO”在样本量下属描述性而非统计显著。整体上证据对“增益不稳健、成本不低”的定性警示是有力的，对具体排名则应谨慎。

✅ 官方资源 · https://github.com/aim-uofa/Self-Distillation-AgentRL
官方 GitHub 仓库（Apache-2.0，约 39 星）和项目页已发布；论文称保留了训练配置、逐步指标和重复评测记录，并有生成表图的分析脚本。完整复现 132 次运行需约 1.2 万 H800 GPU 小时（每次运行 8 卡，单次约 1–25 小时）；只复现单个设置成本低得多。未核实仓库是否放出模型权重。

应用落地适合自托管开源小模型（4B–14B）做 Python+搜索的深度研究/数学类智能体，目标是在不损失工具能力的前提下压低解码成本，论文称成本降 2.7–3.7×。前置条件是需要定制的推理引擎（扩展 vLLM/verl 以支持 latent 步、KV 持久化与工具交互），无法直接套用现成 API 或标准服务栈；闭源 API 场景用不上。

研究跟进开放问题：(1) 优势主要来自 latent 还是 RL 配方——最强对照是“同数据、同 RL、同 token 预算的短 CoT/压缩 CoT 文本智能体”，论文未提供；(2) 14B 的增益相比 8B 变小，规模外推不明；(3) latent 可读性仅用最近邻 cosine 和 Jaccard 词重叠衡量，尚缺对隐推理忠实度的检验（如 latent 里是否真有可被探测的中间结果）；(4) 文中提到的对 latent 片段做 step-level 信用分配与外部 critic 分支尚未实现。

可复用方法可直接搬走：①残差 MLP 适配器把末层隐状态映射回嵌入空间，消融显示相对恒等映射 MATH500 从 71.4 升到 88.2；②两遍 self-conditioned 训练（第一遍 teacher-forced 取 R(h)，第二遍用自身 R(h) 作为 latent 输入）缓解曝光偏差；③RL 里仅在采样文本位置算比值、latent 输入记录后固定重放，并检查重放与 rollout 的 logprob 一致；④用熵+LLM 判断+“隐藏后审计”把现有文本轨迹自动转成混合轨迹；⑤latent 的因果干预套件（跨题替换/置换/截断）可作为任何隐推理工作的健康检查。

背景 当前 LLM 智能体全靠文本推理和交互，token 开销大；隐空间推理（Coconut 等）高效但无法调用工具、不可读、难监督。此前混合隐空间/文本的工作多局限于单轮、单次推理，隐状态不透明，没有把多轮工具调用纳入统一框架。

方法 在 Qwen3-Base（4B/8B/14B）上加一个约 2d_h² 参数的残差 MLP 适配器 HybridLink（e=h+W2σ(W1h)），把末层隐状态映射回输入嵌入空间；用 <latent>/</latent> 锚点切换模式，退出由 HybridLink 输出与 </latent> 嵌入的最近邻决定。多轮时直接复用 KV cache 作为“工作记忆”，工具返回内容追加到该 cache 中。训练分两阶段：HybridSFT 用 54K 由现有文本轨迹自动转换的混合轨迹（LLM 判断+模型熵挑选可隐化步骤，再经可见性审计），先做格式激活和 HybridLink 对齐，再做两遍式 self-conditioned 训练以缓解曝光偏差；HybridRL 用 GRPO，仅对文本位置计算重要性比，latent 输入重放时固定，奖励为正确性+格式+多工具使用（12K 数学 + 1K 搜索数据，32 张 H100）。评测覆盖 11 个基准（数学、GPQA、MedQA、MuSiQue、GAIA、HLE、WebWalker、SealQA、DSQA），并做了因果干预、HybridLink 消融和可审计性分析。

• 8B 在 Table 2 上全面超过 ARPO：AIME25 39.2 vs 37.1，AIME26 43.3 vs 41.5，MATH500 84.6 vs 82.8，GPQA-D 48.0 vs 46.5，MuSiQue 32.0 vs 28.5；14B 提升更小，MATH500 88.2 vs 87.4 (p.10)
• 智能体基准上 HybridAgent-14B：GAIA 平均 52.4（ARPO 43.7）、WebWalker 49.5（40.5）、SealQA Hard 37.8、DSQA F1 46.8，在 GAIA/WebWalker/SealQA 上超过表中的 Kimi-K3 与 GPT-5.6-Luna，但 HLE（16.0 vs 29.0–31.4）和 DSQA F1（46.8 vs GPT-5.6-Luna 49.4）仍明显落后 (p.9)
• 效率：每步 token 用量减少 35%–54%（4B 1.9k→1.2k，14B 2.2k→0.9k），潜在步骤占 29%–37%，墙钟时间 134s→63s（2.1×），估算解码算力 51.2–66.9→13.9–25.1 TFLOP，成本低 2.7–3.7×（该成本估算不含 prefill、注意力与工具执行）(p.10, p.11, p.35)
• 消融：14B 上 Identity（直接复用隐状态）MATH500 71.4，2 层+残差 88.2；HybridSFT 逐阶段 AIME25 4.9→20.6→23.8→32.5，达到标准文本 SFT（30.8）水平 (p.11, p.14)
• 因果干预（MATH500，8B）：跨题替换 latent 84.6→44.8，随机 token 替换 →41.2，一步截断 →72.2，禁用 latent 模式 →80.4，说明模型确实依赖 latent 内容；但禁用 latent 只掉 4–9 点 (p.13)
• 可审计性：可见文本 token 减少 43%–49%，弱监控器 AUROC 8B 0.840 vs 0.772，强监控器 14B 0.989 vs 0.990，首错定位 98%–99% (p.15)

单个组件并不全新：隐状态回灌（Coconut）、隐/文本混合推理（HRPO、SwiReasoning 等）、KV cache 复用都已有。真正的增量在于把它们打通成可做多轮工具调用的完整训练+推理栈：残差 HybridLink、两遍 self-conditioned SFT 解决 latent 曝光偏差、RL 中只对文本位置做似然比并重放固定 latent，以及配套的服务引擎改造。“隐空间可读”主要靠最近邻伪文本，属于几何代理指标，新颖性中等偏上。

优点：有五次随机种子和置信区间、逐阶段与奖励/HybridLink 消融、latent 因果干预，对“隐状态确实被使用”的证据较扎实。问题：(1) 文本/隐变量基线是自训的，GRPO/ARPO 用同一数据，较公平，但缺少“预算匹配的简洁 CoT”对照，无法排除效率仅来自训练出更短轨迹；Coconut/SoftThinking 等隐基线在智能体任务上几乎全面崩溃（如 GAIA 3.9），更像弱基线。(2) 与前沿模型的对比不对等（对手的工具与提示未知，HLE 等落后项在摘要中被淡化），摘要里的“+10.4%”是相对提升而非绝对点数，且汇总方式含糊。(3) 测试集很小（AIME 30 题、MedQA 300、MuSiQue 200、GPQA-D 198，大量提升在 1–3 点，接近文中自报的 ±0.03 标准差），多个增益在误差范围内，如 8B SFT 与文本 SFT 差距仅 0.2–0.9。(4) 成本数字来自理论 FLOP×假设单价，不含 prefill、注意力和工具执行，实际 2.1× 的墙钟加速来自自研引擎。(5) 评审/监控均用 GPT 系列模型，且许多评测以 LLM 做判官。(6) 可读性指标是代理指标，“完全透明”的结论过强；禁用 latent 仅降 4–9 点说明贡献有限。(7) 理论部分（无损工作记忆、策略分解）基本是显然的结论。

✅ 官方资源 · https://github.com/togethercomputer/HybridAgent
官方 GitHub 仓库存在（MIT 协议，56 星，2026-10-14 有更新）。未能核实是否包含权重、混合数据集以及改造后的推理/训练引擎；全流程训练约需 32 张 H100，8B/14B 的完整复现门槛较高。

应用落地适合已有强教师、学生是小模型并且任务有可验证答案（数学、可用单元测试的代码）的蒸馏团队，用来替换普通 OPD 以提升竞赛类难题表现。前置条件是需要参考答案或测试用例，需要在训练时同时跑教师批评和学生重写，工程上要基于 verl 的双模型设置（官方在 RelayOPD 代码库上实现）。推理时无需任何额外反馈，部署成本不变，但响应变长（约 2 倍）要考虑延迟和 token 预算。

研究跟进开放问题包括：无参考答案时如何获得可靠批评（奖励模型、自批评、多数投票）；用多条批评采样降噪；扩展到思考模式学生、代码、Agent 等长程任务和更大模型。另外增益有多少来自“更长推理”需要更严格控制——论文的长度对照只用了中位 AIME 长度，且 4k/8k 预算下表现更差；还可以检验批评幻觉（约 20-27% 无效）对训练的影响。

可复用方法可直接搬走的有：（1）用“切点处续写成功率”诊断教师可恢复性；（2）特权上下文打分——采样时学生看批评，打分时教师带批评、学生训练时不带，并用 log πT(y|h,c) − log πT(y|h) 的 PMI 分解理解信用分配；（3）批评提示词只引用原句、禁止泄露答案，并把批评截到最后一个错误段落后重写；（4）13-gram 去污染的验证集选 checkpoint。附录给出了完整提示词，便于复现。

背景 在线策略蒸馏（OPD）在学生自己的 rollout 上用教师的 token 级分布做监督，前提是教师从学生任意前缀出发都能“恢复”到正确答案。已有工作发现前缀变长后教师监督会变差，现有办法要么截断/提前停止监督，要么让教师接管生成，两者都会增加训练与推理的占据分布不匹配。本文先量化“可恢复性”的下降，再提出在不让教师写训练 token 的前提下修复它。

方法 诊断：用 OPD 80 步的 Qwen3-1.7B 学生、Qwen3-4B-Instruct-2507 教师，在 DAPO-Math-17k 上各取 150 条正确/错误 rollout，在 8 个切点上让教师和学生各续写 16 次估计可恢复性 Λ，并用 Qwen3-8B 判官评估教师指出错误的有效率。方法：错误或被截断的 rollout 交给教师（可见参考答案）按段落列出错误及修正建议，学生保留到最后一个错误段落的前缀，带着批评重写后缀；训练时教师在上下文里带批评为重写后缀打分（反向 KL），学生不带批评，只在后缀上算损失，正确 rollout 仍用标准 OPD。实验：Qwen3-1.7B/0.6B（非思考模式）学生，6 个数学基准，3 个 seed，对比 SFT/KD/GRPO/OPD/OPSD-T/Critique-GRPO/FastOPD/TRD/SKD/RelayOPD，另有 OLMo-3 单 seed 复现和非数学评测。

• 在错误 rollout 上，教师在“教师本来能解”的题上的可恢复性从 0.82 降到 0.29，其中以学生错误答案收尾的比例从 1% 升到 35%；而教师所列错误中有效比例在各可恢复性分箱内稳定在 73%–81% (p.3)
• 约 53% 的错误 rollout token 处于 Λ^T<0.2 的前缀，错误 rollout 占训练 token 的 61%，约三分之一训练 token 的监督不可靠 (p.3)
• 重写后：在 75% 位置，教师可恢复性从原 rollout 的 0.14 升到 0.67，学生（无批评）成功率从 0.03 升到 0.16 (p.4)
• Qwen3-1.7B 平均 50.08→54.65（+4.57），AIME24/25/AMC23 分别 +6.01/+7.36/+6.94；Qwen3-0.6B 34.80→38.86（+4.06）；比 RelayOPD 高 0.97/0.76，比 FastOPD 高 2.10/1.57 (p.6-7)
• 消融（1.7B，单 seed）：去掉批评 −5.90，去掉参考答案 −0.85，教师打分时不给批评 −1.19，改由教师写后缀 −0.66 (p.7)
• 代价：CriticOPD 回答平均长 10.2k token vs OPD 5.3k；4k/8k 预算下反而低于 OPD；达到所选步（40步）的总算力是 OPD@80 的 0.42 倍（17.2 vs 41.3 A100 小时）(p.18, p.20)
• OLMo-3-7B 学生（单 seed）平均 54.69→57.23；非数学基准平均 70.69 vs OPD 70.47，代码任务略降 (p.19)

“可恢复性”这一诊断框架和“教师能认错但接不好”的不对称发现有一定新意；方法层面是把 OPSD 式特权信息打分（教师看参考答案）与“学生带反馈重写”拼在一起，并给出 PMI 分解，让批评只改变教师打分上下文而不让教师写训练 token。这是对已有 OPD 变体的有针对性增量改进，而非范式突破，且依赖可验证的参考答案。

优点：对比基线较全面（含 FastOPD、RelayOPD 等近期方法）、3 个 seed 报告标准差、有清晰的消融与诊断、用独立去污染验证集选 checkpoint、OLMo-3 与非数学测试有补充。问题：(1) 主要增益在 AIME 等小样本基准（各 30 题），且各方法 checkpoint 步数不同、只在 seed 42 上选；(2) 消融全是单 seed，差异 <0.5 视为噪声，所以“去答案 −0.85”“教师写后缀 −0.66”勉强显著，基线 RelayOPD 差距仅约 1 点；(3) 教师批评使用参考答案，而对比的 OPD 不接触答案，属于使用更多信息；OPSD-T 是唯一公平的特权基线，其差距为 +0.93，Critique-GRPO 表现低于初始学生，疑似实现/设置对其不利；(4) 回答长度翻倍，4k/8k 预算下反而更差，增益部分来自更长推理；(5) 只有 Qwen3 非思考模式的小学生和单一教师，OLMo-3 只有单 seed，代码任务略降；(6) 有效错误判断依赖 Qwen3-8B 判官，且只测精度未测召回；(7) 诊断样本量较小（85 条）。整体结论大体可信，但“恢复可靠监督”的因果解释主要靠相关性和一个自建诊断。

✅ 官方资源 · https://github.com/kzhao5/CriticOPD
官方 GitHub 仓库存在（Apache-2.0，约 2 星，最近一次 push 为 2026-10-15）。附录给出全部提示词和超参，基于 RelayOPD/verl 代码库，论文称发布代码固定了 commit。我未能核实是否放出权重。复现一个 Qwen3-1.7B 运行大约 17 个 A100 小时（4 卡，2 学生 + 2 教师），3 个 seed 加评测成本更高。

应用落地适合拥有大规模用户行为日志的内容/电商/广告平台，用来做用户画像、兴趣摘要、广告查询改写和购买意图预测的专用小模型（35B-A3B激活仅3B，部署成本低）。前提是有授权的行为数据和隐私合规流程，并能调用强LLM做教师和评分；对没有这类私域数据的团队，直接复用价值有限。AdRecommendation +11.2、ProfileSummary +10.1说明画像与广告召回类场景收益最大。

研究跟进最关键的开放问题是缺少对照：通用OOD提升究竟来自行为数据本身，还是来自2.4T教师的长上下文推理轨迹（同规模的Vela-RFT自蒸馏通用无提升）。可做：用同教师、同数量的非行为长上下文任务作控制组；跨平台/跨语言/跨时间泛化检验；PurchaseIntent几乎无提升的原因分析；通用OOD在18.8K后饱和而用户OOD继续涨，数据配比如何设计；RL时直接用真实未来行为做可验证奖励。

可复用方法可直接搬走的配方：①按时间切分“可见历史/隐藏未来”，对同一未来事件在预测题与归因题中二选一，避免答案泄露；②任务难度过滤（基座模型采样4次，均分在[0.2,0.8]保留），消融显示OOD平均+1.1；③拒绝采样时要求最优轨迹得分高于难度均分；④rubric题由composer生成等权4–7条full/partial/zero准则，scorer逐条打分并设硬失败条件；⑤附录给出完整GSPO配置（16 rollout、lr 1e-6、48 GPU）和composer/scorer提示词。

背景 个性化助手、推荐和广告都需要模型从数周到数年的行为历史中推断用户偏好与未来行为，但现有LLM主要用静态文本或合成数据训练，缺乏这类能力。此前P5、RLPF等工作只针对单一推荐或摘要任务，未回答行为数据能否跨任务提升用户理解，以及是否伤害或增强通用能力。

方法 使用某大型社交平台10万用户的匿名行为记录（浏览/搜索/购买/发帖/关注/不喜欢），按72K–120K token切段，前约2/3作可见历史，后1/3作隐藏未来。设计91个问题模板，分Predictive（候选选择、开放预测，用set-F1对照未来真实行为）和Rubric（开放总结、归因解释，由LLM按任务专属rubric评分）两类，用Qwen3.8-2.4T-A95B作composer和scorer，生成10万个任务。用Qwen3.6-35B-A3B（关闭thinking）采样4次，保留平均分在[0.2,0.8]的任务；再让教师（Qwen3.8-2.4T，xhigh）生成4条轨迹取最优且须高于难度均分，得约7.5万条Vela-Instruct；自蒸馏版Vela-RFT为9,375条。用Swift做全参SFT（131K序列、2 epoch、lr 1e-5），另用GSPO做RL对比。

• VelaBench（982个同模板留出任务）上Vela-35B-A3B从51.5升到63.0（+11.5），超过DeepSeek-V4-Flash(58.6)和Qwen3.8-2.4T-A95B(62.3)，低于Kimi-K3(64.0)（p.6表1）
• 用户相关OOD四项平均41.3→47.5（+6.2）：AdRecommendation +11.2、ProfileSummary +10.1、PersonaBench +3.2、PurchaseIntent仅+0.2（p.6表1）
• 通用OOD五项平均54.2→58.2（+4.0）：IFBench +6.7、GPQA-Diamond +4.6、CL-bench Life +5.6、CL-bench +2.4、AIME 2026 +0.8（p.6表1）
• 数据规模：4.7K样本VelaBench即达59.2，75K为63.0；用户OOD平均43.5→47.5；通用OOD在9.4K–18.8K已达约59.0，之后在58.1–58.2波动，并非单调上升（p.7图5）
• RL：从Vela SFT checkpoint（18.8K）出发GSPO，VelaBench 66.2 vs 从基座出发58.5；ProfileSummary 37.6 vs 29.9，均高7.7分（p.8图6）。难度过滤消融：用户OOD平均+1.1，VelaBench持平62.4（p.9表2）
• 自蒸馏版Vela-RFT仅小幅提升：VelaBench +2.0，用户OOD平均+1.6，通用平均持平（0.0）（p.6表1）

核心思想（用行为日志的“未来”做可验证标签）并不新，本质是把P5/RLPF式的下一行为预测扩展为91模板、跨任务、长上下文的统一数据管线，并系统考察对通用能力和后续RL的影响。真正新的是规模（10万用户、72–120K token长序列）、Predictive与Attribution互斥的防泄露设计，以及“用户理解SFT→RL起点更强”的实验。但“提升通用智能”的结论主要靠一个强教师蒸馏的混合数据得出，因果归因并不干净。

主要问题：1) 训练、VelaBench和四个用户OOD基准均来自同一平台（甚至可能同一用户分布），“OOD”实际是同域不同任务格式；真正跨域的只有五个通用基准。2) 通用提升缺少关键对照：Vela-Instruct由2.4T教师生成，通用基准涨幅可能是蒸馏效应；自蒸馏RFT通用持平正暗示这一点，作者却归因于用户行为。3) 评分依赖同一个LLM（Qwen3.8-2.4T）既生成数据、做scorer又当教师，存在自偏好风险，且对比模型含Qwen家族与其评分器关系；CL-bench等也由该scorer评分。4) 无多种子/置信区间，AIME +0.8、PurchaseIntent +0.2、各通用OOD在9.4K–75K间波动0.1–0.9分均在噪声量级；“规模扩展提升通用智能”在图5(c)并不单调。5) RL对比用18.8K checkpoint而非75K，且只做两个域；VelaBench与RL训练同分布，7.7分差距的泛化意义有限。6) 对Kimi-K3、Qwen3.8-2.4T仍有差距（VelaBench低于Kimi-K3，GPQA等通用项远低），Figure 1仅挑选部分对手。7) 仅单一平台、中文为主、无隐私/用户同意细节，作者为平台方（潜在利益相关）。

✅ 官方资源 · https://github.com/AllSpark-Research/Vela
官方GitHub仓库存在（18星，2026-10-14有更新，无license）。论文声明将公开任务模板、生成/评分提示词及训练评测代码；附录已含提示词和RL配置。训练数据源于平台私有行为日志，很可能无法公开，需自行用自家数据复现；复现还依赖Qwen3.8-2.4T级教师/评分模型（xhigh思考），RL实验需48块GPU。权重是否发布未在论文中说明。

应用落地适合做游戏测试和自动化 QA、通用游戏陪玩/NPC 原型，以及需要键鼠并发和相机控制的桌面/3D 软件 Agent。前置条件是能从屏幕截图获得观测，并能以约 200ms 步长注入键鼠操作。目前绝对成功率仍低（MineDojo 约 38–41%、GameWorld 约 16–17%），离可靠产品还有距离，更适合做研究基线或内部测试工具。

研究跟进开放问题包括：合成环境到底迁移了什么能力，是动作格式的适应还是真正的控制技能（Mobile combat 下降说明迁移不均匀）。其次是环境数量增长曲线尚未饱和（16 个时仍在升），可以用自动生成环境继续扩大。另外还缺 Base→RL 的完整对照、多种子方差、更长时程任务（Minecraft 的 Harvest 仅从 6.63% 升到 10.38%），以及与示范数据同量级的 SFT 扩容对比。

可复用方法可直接搬走的有：1) 每环境单独做优势归一化，应对奖励量级差异；2) 以分数增量作稠密、无裁判的可验证奖励；3) 外观/相机/场景/控制增益四维随机化；4) 按动作池重采样的 action-balanced SFT，缓解鼠标点击占比低于 1% 的问题；5) 把相对鼠标位移、hold 和复合键作为 CUA 动作空间扩展；6) 2+2 历史（两轮图文、两轮仅动作）。

背景 电脑操作 Agent（CUA）擅长点击界面，但游戏需要精准瞄准、持续按键和多键并发，难度更高。现有游戏 Agent 多靠大规模示范数据，覆盖不到策略自己走到的状态，而给每个商业游戏写可验证奖励又很难扩展。本文问：在共享控制需求的合成环境里做 RL，能否让模型超越 SFT 并迁移到没训练过的游戏？

方法 以 Qwen3.5-9B 和 Qwen3.5-35B-A3B 为底座，把 CUA 动作空间扩展为相对鼠标位移、持续按住和复合并发动作。SFT 阶段用 6,044 条轨迹（295,097 个 turn，172 个游戏，来自 VPT、D2E 等公开数据加自录数据），由 Gemini 标注任务指令和逐步推理，并做动作均衡采样。RL 阶段自建 Player-1-Gym：基于 Three.js 的 16 个 2D/3D 环境（瞄准、战斗、驾驶、导航、UI 五类），奖励是游戏分数增量，不依赖学习式裁判，并随机化外观、相机、场景和控制增益。用同步 PPO 训练（critic 为 9B 稠密模型，每步 256 个 episode、每个 episode 最多 50 轮、共 200 步），并对每个环境单独做优势归一化。(p.4-6, 附录 D)

• MineDojo-300：Player-1-9B 成功率从 SFT 的 10.54% 升到 38.33%（+27.8pp），35B-A3B 从 23.38% 升到 41.04%；最强外部基线 GameWAM 为 12.63%。至少 4/8 次成功的任务数从 20 升到 136。(p.7 表2)
• ViZDoom-10：9B 的 scaled return 从 0.4361 升到 0.6922，35B-A3B 为 0.7236，比最强外部基线 GameWAM 的 0.3938 高 83.7%；但 9B 在 Mobile combat 上从 0.5293 降到 0.3033，且低于 GameWAM 的 1.1860。(p.7 表3)
• GameWorld（170 任务）：9B 的 progress 从 31.43% 到 34.45%，成功率从 13.14% 到 15.88%；35B-A3B 的 progress 为 34.60% → 38.79%。提升幅度远小于 Minecraft。(p.7 表4)
• SFT 初始化消融：9B 在 100 个 RL step 时，SFT→RL 的 Minecraft 成功率为 51.67%（评测子集），Base→RL 仅 16.67%，差 35pp。(p.8)
• 环境数量缩放（固定 25,600 episodes）：Minecraft 成功率 SFT 17.67%，2/4/8/16 个环境分别为 39.33/44.67/48.00/51.67%。(p.9 图7)
• 复合动作占比从 RL 起点的 64.7% 升到 50 步后的 85.4%、100 步后的 93.2%，而奖励中没有专门鼓励复合动作。(p.9)

单独看，PPO+可验证奖励、领域随机化、CUA 动作空间扩展都不新。真正有价值的是工程组合和一个经验判断：不必给每个商业游戏造 RL 环境，用 16 个按“控制需求”（瞄准、驾驶、战斗等）组织的廉价浏览器小游戏，就能把控制能力迁移到 Minecraft 和 Doom。这是相对 Game-TARS、SIMA 2 的差异点，而且对方不开源。相对增益明显，但“合成经验能迁移”的证据主要集中在 Minecraft 一个基准上，GameWorld 上的提升较小。

优点：基线较多（JARVIS-VLA、NitroGen、GameWAM 等），报告了 MineDojo 的 bootstrap 置信区间，有 SFT 初始化和环境数量的消融，并在训练环境之外的三个基准上测试。问题：1) 基线在各自的适配器下被迫运行，成功率接近 0（NitroGen 为 0.00%），说明评测与这些模型的原生场景错配，比较的参考价值有限；对 Qwen3.5 基座的对照更可信，但也只有 9B/35B 两个规模。2) 最大增益来自 Minecraft，而 Minecraft 恰是 SFT 数据中占比最高的游戏（20.5% 的 turn），难以排除“SFT+RL 领域重叠”。3) GameWorld 的增益较小（9B 的 progress +3pp），Doom 的 Mobile combat 下降；这些并非 Minecraft 之外的稳定迁移。4) 看不到多随机种子的 RL 训练方差，ViZDoom 和 GameWorld 无置信区间。5) 缩放与 SFT 消融只在 Minecraft 开发集、9B 上做，并且只到 100 步。6) 没有与 GPT/Claude/Gemini 等闭源模型比较（因成本）。7) Watch Dogs 2 仅为定性案例。总体：Minecraft 上的提升显著且可信，但“泛化到任意游戏”的说法偏强。

✅ 官方资源 · https://github.com/TencentARC/Player-1
官方 GitHub 仓库存在（MIT 许可，约 83 星，2026-10-14 有提交）。论文列为“可用”，据此推断含代码与模型/环境，具体权重和 Gym 内容未能从论文核实。复现成本很高：SFT 用 32 张 H200 约 24 小时，RL 用 64 张 H200 约 36 小时，另需 512 并发的 Playwright 浏览器环境。

应用落地如果你要提升混合推理模型的 no-think（低延迟）性能，这个结果说明 RL 带来的可能主要是“把 think 能力搬到 no-think 里”，代价是响应变长（8B 从 2.7k 涨到 7.2k token）。若想低成本逼近 think 模式，可直接尝试对 RL 的 LoRA 增量做 c≈2–3 的缩放或沿 think 方向做激活 steering（a=1 时 0.60），无需继续训练。评估这类模型的 RL 增益时应同时报告 token 成本和 think 模式上限，否则容易高估收益。

研究跟进开放问题很多：结论只在 Qwen3 系列、数学（AIME）、约 67 步 LoRA GRPO 上验证，没有检验 Llama-Nemotron 等其他混合模型或更长训练、全参数训练；也没有回答“剩下的 25%/50% 增益是不是真正的新能力”。可做的下一步：在 think 模式本身做 RL 对比，检查 no-think RL 能否超过 think 模式上限；用 pass@k 区分新能力与重新激活；把优势-think 相关性做成真正的因果干预（如按 think-likeness 重加权），以及检验该机制是否也存在于代码、通用任务。

可复用方法可直接搬走的有：用原模型在 think 与 no-think 前缀下的逐 token 对数似然差（LLR）及其 Mann–Whitney 统计量作为“思考程度”的廉价探针；think 方向 α 与余弦相似度作为训练中的监控指标；对一组固定回复做 teacher forcing 来固定文本；以及 PCA/随机子空间作对照的跨模型 subspace patching 和 attention knockout 配方（含 R_KL 指标）。一步梯度探针配合打乱优势和全 +1 权重对照，是检验训练信号偏向的简单模板。

背景 Qwen3 等混合推理模型用同一套权重，仅靠聊天模板里一个空的 think 块切换思考/不思考模式。常见做法是在 no-think 模式下做 RLVR 并报告推理提升，但这个提升到底是学到新能力，还是只是解锁了 think 模式里已有的能力，此前缺乏机理层面的研究。

方法 在 DAPO-Math-17k 上用 GRPO（LoRA rank 64，每步 256 题×5 样本，约 67 步）在 no-think 模式训练 Qwen3-1.7B/4B/8B，在 AIME22–24（90 题，32k token）上评测。先用响应长度、反思词、以原模型为裁判的 think win rate 和激活偏移 α 量化“像 think 模式”的程度；再做三类干预：缩放 RL 权重更新 W0+cΔW、在 8 维 think 子空间做原模型与 RL 模型之间的跨模型 activation patching（对照 PCA 和随机子空间）、对注意力空的 think 块做 attention knockout 并做单头 patching。最后分析 GRPO 优势与 think-likeness 的关系，并做一步梯度探针。

• 训练后 8B 的 no-think 准确率从 0.17 升到 0.43，响应长度 2.7k→7.2k，反思词 1.3→13.0；think win rate 达 94%(8B)/86%(4B)/84%(1.7B)；激活偏移 α 达 0.56/0.40/0.21 (p.5)
• 缩放 8B 的 RL 更新：step-67 更新在 c=3 时准确率 0.72，step-15 更新在 c=7 时 0.68，均未超过 think 模式的 0.74；并在最多 51% 的响应里出现原模型从不生成的 </think>，位置中位数 91% vs think 模式 92% (p.6, p.18)
• 8B 的 8 维 think 子空间 patching：原模型→RL 模型使准确率 0.411→0.244，去掉 75% 的 RL 增益；反向使原模型 0.189→0.300，迁移 50%（16 维 60%）；PCA 子空间仅 22%/25%，随机子空间 −3%/10% (p.8, p.20)
• 注意力头：在原模型中把所有头对空 think 块的注意力置零，α 达 1.11/1.17/1.13（接近删除该块）；仅敲除注意力最高的 5% 头即 α=0.78/0.88/0.66，随机 5% 头 α≤0.04；单个头 L18H19 解释 8B 44%、4B 37% 的 RL 激活偏移 (p.9–10)
• GRPO 信号：同组内正确响应的 think win rate 比错误响应高 5.9/2.1/1.6/2.5 个百分点（k=1..4）；一步梯度探针中完整信号使 α +0.0075，打乱优势 −0.0022，全部权重 +1 仅 +0.0006 (p.11–12)

“RLVR 只是放大基座已有能力”的论点此前已有（Yue、Zhao 等），本文的新意在于针对混合推理模型这一具体场景，给出带对照的因果干预证据：权重缩放、think 子空间双向 patching、对空 think 块读取头的定位，并把它们链接起来。‘think 子空间跨模型 patching’和‘RL 偏移经过读空 think 块的少数注意力头’是较新的机理发现。GRPO 优势偏好 think-like 响应的部分较为薄弱，只是相关性。整体是对已有直觉的扎实实证细化，而非新方法。

证据整体较有说服力：有多层干预（权重、激活、注意力头）、PCA 与随机子空间对照、预先指定的主比较（think vs PCA 子空间）、跨拟合和留出的 60 个文本验证，作者也坦率标注了局限（缩放因子在同一 90 题上选取、头效应不可加、附录 F 说明不能区分重用与新计算）。但仍有弱点：评测只有 AIME 90 题、每题 2 个样本，百分点级差异的方差较大，如 patching 的 50%/75% 没有置信区间；训练仅约 67 步，单个种子；只覆盖 Qwen3 和数学任务；“75% 增益被去掉”说明该子空间相关而非证明其余为新能力，也不能排除 patching 破坏了推理而非去除思考；GRPO 优势部分只是跨组关联，一步梯度 Δα 仅 0.0075，效应量很小。标题的因果表述略强于证据，但“大部分增益可由 think 模式重新激活解释”这一结论是可信的。

✅ 官方资源 · https://github.com/WenxuanZhu1103/think-leakage
官方 GitHub 仓库（MIT 许可，已有内容，截至核验 0 star）。论文未提及发布训练权重；复现需 Qwen3-1.7B/4B/8B 的 GRPO 训练（LoRA rank 64，约 67 步，每步 256×5 样本，响应上限 8k/16k）加 AIME 32k token 采样，以及激活 patching，算力需要多卡 GPU，但 LoRA 使门槛中等。

应用落地适合想训练内部办公/文档/应用自动化智能体的团队：用已有的文件库和技能库自动批量生成带验证器的可复位任务，再对 35B 级 MoE 模型做 SFT+RL，获得接近或超过部分 400B+ 开源模型的办公自动化能力（如 WorkBuddy 74.1 超过 Kimi K3 的 72.2）。前置条件包括大规模文件/技能库、可复位的 App 沙箱、强教师模型（397B）以及 OpenCode/Claude Code 等 harness 的推理成本；但 GDPval 与 JobBench 仍落后头部模型，交付物质量要求高的场景不宜直接依赖。

研究跟进开放问题包括：VTCA 与 TRACE/TRCA/GiGPO 等同类信用分配方法的公平对比；α、η、ρ 取值的敏感性；检查器覆盖率对信用质量的影响（论文自己承认覆盖不足时信号会失效）；FCR 在 d>4 个组件或更大提案空间时的可扩展性，以及它只能得到“已测候选中的最小修复”而非全局最小的局限；以及合成环境带来的提升是否随训练规模继续增长、能否迁移到 GDPval 之外的主观质量评价。

可复用方法可直接搬走的做法：(1) 验证器校准套路——必须拒绝起始状态和违约变体、同时接受参考解和独立有效替代解，再冻结后做一次性准入；(2) 区分环境缺陷与策略失败后再触发修复，修复前冻结评估契约防止“降低标准”；(3) 对 2^d 种修复组合在同种子下重放并按改动最小选择，同时做跨任务回归检查；(4) 回合级信用公式：本回合保留 ≥1/2 正增量、其余按精确产物/输出依赖分给前置回合、负增量不外溢，并用 H 门控拒绝违规轨迹的进度奖励；(5) 3,200/20,000 的试跑一致性过滤构造 RL 任务集。

背景 训练长程办公/协作智能体需要大量可执行、验证可靠的环境，但自动合成的环境常有缺失依赖、任务描述不一致、验证器误判等缺陷，而修一个组件往往要同步改其他组件。此外终局奖励稀疏，前置的信息收集回合得不到信用。已有工作多集中于环境扩量或验证，缺少对工作上下文、任务、验证器三者联动修复的机制。

方法 框架由三部分组成：(1) Harness 驱动的合成流水线：构建工作上下文（10 万+通用文件、20 万+领域文件、36k job/21k app/5.9k file skills、2k+ 可执行 App 环境）、由 Demonstrator Agent 干净状态下执行以确认可行的任务、基于 Evaluation Contract 的分层验证器（状态 diff、功能检查、最多一次 Judge 调用），并用起始状态、负例、有效替代解做校准。(2) FCR：对 Context/Task/Harness/Verifier 各冻结一个修复提案，枚举至多 2^4=16 种组合，补全依赖闭包后在相同种子下重放，选择改动组件版本最少且通过回归检查的组合，再用新种子确认。(3) VTCA：在 GRPO 的轨迹优势上加冻结确定性检查器测得的工作区进度增量，每个正增量至少一半留给产生它的回合，其余最多一半平分给其输出/产物版本被直接使用的前置回合，负增量留在本回合，并扣除局部轨迹成本。训练：用 Qwen3.5-397B-A17B 生成 30,115 条 SFT 轨迹，20,000 个任务-验证器对经 4 次试跑筛出 3,200 个用于 RL，KL 系数 0.01。

• 主结果：WorkRover-35B-A3B 相对 Qwen3.5-35B-A3B 提升 JobBench 10.62→36.89（+26.27）、OfficeQA Pro 19.55→48.87（+29.32）、AutomationBench 6.00→28.67（+22.67）、WorkBuddy Office 60.50→74.13（+13.63）、GDPval v2 Elo 804.75→1218.00（+413.25）(p.8, Table 1)
• 同级 27–35B 开源模型中各基准最高，但领先次优的 Occamy-1.0 幅度很小：AutomationBench 仅 +1.07、OfficeQA Pro 仅 +0.77，WorkBuddy +7.48 (p.8)；GDPval 1218 Elo 低于所有 >400B 开源模型（1304–1572），JobBench 36.89 低于 GPT-5.5 的 38.30 和 Kimi K3 的 54.27 (p.8)
• VTCA vs 回合级无信用的 E-GRPO（同 SFT 起点、同 rollout 预算）：五个基准全胜，如 AutomationBench 23.0→28.7（+5.7）、OfficeQA Pro +5.4、JobBench 33.5→36.9（+3.4）、WorkBuddy +2.6、GDPval +43 Elo (p.9, Fig.6)
• FCR 修复：自然缺陷上的安全解决率（SRR）从完全重新生成的 60.7% 提升到 70.3%，对任务意图的改动从 14.3% 降到 1.3%；相对 Apply-all，SRR 在自然/注入缺陷上分别提高 9.0/10.4 点，跨任务回归 7.0%→0.7%，但模型 token 成本 1.00 vs 0.59 (p.9, Table 2)；首次构建的合成通过率 49.8%（修复前）→74.8%，完全重生成为 68.8% (p.9)
• 构建流水线消融：去掉关系感知扩展，任务产出率 74.8%→52.6%，智能体成功率 58.7%→41.8%；去掉验证引导改写，产出率 →49.8%；纯语义相似拼装产出率仅 48.7% (p.10, Table 3)

最有价值的是把“环境修复”工程化为一个可对比的流程：对多组件提案做组合重放、依赖闭包和最小改动选择，并且量化了联合修复的必要性（48–74% 的安全修复需要联合编辑）。VTCA 的思路（用确定性检查器的状态进度差分做回合级信用、限制前置回合分得的份额）与 TRACE、TRCA、GiGPO 等同类工作相近，增量主要在“依赖记录驱动的有界分配+负值不外溢”这一设计细节上，且缺少与这些同类方法的直接对比。整体偏系统工程整合，单个组件创新性中等。

主要问题：(1) 对比外部模型分数来自各自公开榜单，评估设置、子集、harness 不一致，论文自己也承认；WorkRover 在 JobBench 用 OpenCode+Grok 4.3 配置，OfficeQA Pro 用 Claude Code，评估 harness 与基线榜单不同，且 GDPval 用快照榜单 Elo，难以公平比较。(2) 最大涨幅是相对基座的，而基座分数很低（JobBench 10.62、AutomationBench 6.00），可能包含 agent harness 适配/格式学习的红利，SFT 本身贡献大（图 6 中 SFT 已有 25.0/15.5/34.0 等大幅提升），VTCA 相对 SFT+E-GRPO 的额外增益仅 2.6–5.7 点且缺少多种子方差。(3) 同级对手 Occamy-1.0 差距在部分基准上不足 1.1 点，不能说明明显优势。(4) FCR 与构建消融在自建环境、自建指标（SRR、产出率）上评估，部分成功率会因保留任务集不同而混杂，论文自己也提示；FCR 对手（全量重生成、Apply-all 等）较简单，未与现有环境修复方法比较。(5) 论文有较多约束性声明，信用分配无理论保证，且未单独对比不同 α/η 或与 TRACE 等方法。(6) 未发布代码和数据，无法独立验证。

❌ 无公开资源 · https://github.com/workrover/WorkRover
项目页 workrover.github.io 与 GitHub 仓库存在，但仓库仅 1 星、无 license，疑似占位，未见代码、数据或权重发布；论文文本也未明确承诺发布。复现需自建 10 万+ 文件库、数万技能与可执行 App 环境，并用 397B 教师生成 3 万轨迹，再做 35B MoE RL，算力和工程成本都很高。

应用落地可直接用 8B 开源权重做电脑/网页/手机 Agent 的「点哪里」执行模块，适合需要本地部署、不想依赖闭源 API 的 RPA、测试自动化和无障碍场景。拒答训练使其在目标不存在时可输出 abstain，减少误点，但需自行评估拒答的准确率与召回，因为论文只在 OSWorld-G Refusal 子项给出 22.2。前置条件是一张 8B 模型可跑的 GPU，且数据集为非商用研究许可，商用要另行替换数据。

研究跟进开放问题：（1）OPSD 与 RLOO 的收益都只有约1点，缺少多 seed/方差，D2RL 是否稳健未知；（2）β、教师提示设计、两阶段先后顺序和 RLOO 是否在 OPSD 后仍有增益的细致消融缺失；（3）视频管线与 LLM 标注噪声的实测精度、各子集（视频 vs 截图、拒答）对基准的贡献未拆分；（4）把定位模型放进端到端长程 Agent（如 OSWorld 任务成功率）能否带来收益，论文只测了定位。

可复用方法可搬走的配方：用「能看到真值框的冻结教师」对学生自身 rollout 做 token 级反向 KL，再接二值奖励的 RLOO，缓解难样本零奖励；对坐标数字高位加权；用 OmniParser 与 A11y/DOM 框 IoU≥0.5 过滤脏标注；视频关键帧用块差分并下调全帧变化、取前后静态帧；双模型置信度 0.95 门控的级联标注；用随机配对指令+VLM校验造拒答样本；SFT 第二个 epoch 将文本识别和拒答损失权重降到 0.2。

背景 GUI Agent 的基础能力是把自然语言指令映射到屏幕上的像素坐标（GUI grounding）。高质量、跨桌面/网页/移动端的开放数据稀缺，顶尖模型多靠闭源数据；SFT 易过拟合，GRPO 类 RL 在难样本上所有 rollout 奖励为 0，信号稀疏。

方法 数据：路径1用 A11y Tree/DOM/XML 抓取元素元数据，以 OmniParser V2 做 IoU≥0.5 一致性过滤，Qwen3-VL-235B 生成指令，Qwen3.8-27B 做校验；路径2从 YouTube 教程视频提取前后静态关键帧，GPT-5.5 生成指令与动作，Qwen3.7-Plus 预测坐标，置信度<0.95 升级给 Claude Opus 5 复核，仍不足则丢弃；另通过随机配对指令与截图构造拒答（refusal）样本。共 585,981 张截图、633,369 条指令，含文本识别/视觉匹配/空间理解/拒答四类。训练：先在 ScreenRef 上 SFT（4×B300，2 epoch，lr 1e-6），再用 GroundCUA 衍生的 12K 样本做 D2RL：阶段I为 OPSD，教师是冻结的 SFT 模型，能看到高亮真值框和文字提示，学生只看原图，在学生自己采样的前缀上做反向 KL，并对坐标高位数字加权（w=β·k_t）；阶段II用 RLOO（每提示8个 rollout，点在框内的二值奖励，格式不合法直接为0，无 KL 惩罚）。

• GroundGUI-8B 在五个基准上：ScreenSpot-V2 95.2、ScreenSpot-Pro 63.9、OSWorld-G 65.4、MMBench-GUI L2 86.8、UI-Vision 38.3（摘要；Tables 2–6）
• 相对基座 Qwen3-VL-8B 提升：SS-V2 +3.5、MMB-GUI L2 +5.5、SS-Pro +14.0、OSW-G +10.6、UI-Vision +20.8（p.8）
• 同基座数据对比（Table 7，4个基准平均）：仅 ScreenRef SFT 76.4，高于 ScaleCUA SFT 72.9 和 GroundCUA SFT 73.7；OSWorld-G 上 64.9 对 61.7/59.6（p.9）
• 消融（Table 8，5基准平均）：SFT 68.0，+OPSD 69.1，+RLOO 68.9，+RLOO† 69.1，D2RL 69.9；D2RL 比 RLOO† 高 0.8（p.9）
• ScreenSpot-Pro 63.9 超过 Step-GUI-8B 62.6、MolmoPoint-8B 60.2、Holo2-8B 58.9、UI-Venus-72B 61.9；但 ScreenSpot-V2 的 95.2 仅与 MAI-UI-8B（95.2）、GTA1-32B（95.2）持平，低于 UI-Venus-72B 95.3（Tables 2,4）

ScreenRef 的价值在于规模、平台覆盖、拒答样本，以及“视频教程→(指令,动作,坐标)”的置信度级联管线，但各环节（元数据+LLM生成+VLM验证、视频合成）基本是已有做法的组合。D2RL 是把已有的 OPSD（GUI-SD 的思路，教师看特权框信息）与 RLOO 串联，并加入坐标位数加权，属于工程性组合创新，增量有限；真正有说服力的是“同基座同训练设置下换数据”的对比。

优点：Table 7 在同基座、同设置下比较 ScaleCUA/GroundCUA/ScreenRef，是较公平的数据对比，且 D2RL 与 RLOO†（同数据）对照排除了数据重复暴露。问题：（1）D2RL 的增益仅 0.8–1.9 点，单次运行、无方差/置信区间，部分基准差在误差范围内；OSW-G 上 OPSD→D2RL 仅 +0.3，RLOO 单独使 OSW-G 下降；（2）Table 7 中 ScreenRef 的 SFT 在 MMB-GUI L2 低于 GroundCUA（84.5 vs 84.9），且 ScreenRef 比对手多了拒答样本，OSW-G 的优势可能主要来自拒答子项（22.2 vs 基线多为0/未测），Qwen3-VL-8B 基线报告的是“-”；（3）基线分数取自各论文，评测协议、分辨率、提示可能不一致；SS-V2 已接近饱和，并未明显胜出 MAI-UI-8B/GTA1-32B/UI-Venus-72B；（4）D2RL 阶段用的是 GroundCUA 的 12K 样本，而 UI-Vision 与其同源，虽排除相同截图，仍可能存在分布泄漏，使 UI-Vision +20.8 的结论偏乐观；（5）数据生成依赖强闭源模型（GPT-5.5/Claude），存在“蒸馏闭源能力”成分，却宣称对比“闭源数据”模型；（6）无人工标注质量审计，未报告各过滤阶段统计，也未做隐私审计。作者无明显利益冲突披露，但公司作者背景需留意。

✅ 官方资源 · https://github.com/PrentisAI/GroundGUI
官方仓库存在（Apache-2.0，较新，但星标很少）。论文称代码、模型、数据均已发布；ScreenRef 为受限（gated）非商用研究许可。但提示词、过滤规则、各阶段统计和完整训练配置（含 β）是“将加入仓库”，复现前需确认。SFT 用 4×B300、D2RL 用 8×B300，算力门槛中等；数据管线依赖 GPT-5.5、Claude Opus 5、Qwen3.x 等 API，重做成本高。

应用落地适合模型迭代团队、评测平台和开源榜单维护者：日常调参/筛选 checkpoint 时用压缩评测，正式报告再跑全量。若同一基准或套件要反复评测多个新模型，选历史响应类（tinyBenchmarks、metabench）；只有题目数据时选内容类/分层采样；用 LLM-judge+人工标注时选 PPI/残差校正类（AutoEval、Smarter Sampling）。前提是已有公开的模型×题目响应矩阵，或能接受前期构建成本。

研究跟进开放问题包括：压缩子集向新模型家族、更强模型和时间漂移的迁移（需要滚动刷新机制）；压缩与基准修复结合发布“重校准版”基准；新基准发布前就按压缩设计；各方法缺少在统一预算下的横向定量对比，可做一个标准化的 held-out 模型/时间切分评测台，同时比较误差、成本和近邻模型的排名反转。

可复用方法可直接搬走的评测纪律：①验证时按模型/家族/时间/任务做 holdout，且子集构造、拟合、调参都不能见到目标模型；②始终加入同预算的随机或分层采样基线；③按结果类型选指标（分数看 MAE+偏差，排名看相关性+近邻反转，决策看错误率与弃权率，区间看覆盖率与宽度）；④分别报告题数、调用、人工、judge、墙钟时间；⑤自适应评测必须保存完整测试路径日志并用采样概率做校正；⑥近邻模型无法区分时标记为“未解决”而不是强行排名。

背景 LLM 基准越来越多、越来越大，评测成本高昂，而 MMLU、GSM8K、LongBench 等常见基准存在大量冗余（<20% 的样本即可保留接近全集的结果）。2024 年后“基准压缩”文献爆发，但方法依赖的信息、成本假设、验证方式各不相同，缺少系统梳理，使用者难以判断该选哪种方法、真正省了什么、结果是否可信。

方法 作者以 2026 年 8 月 9 日为截止，在 Google Scholar、Semantic Scholar、arXiv、ACL Anthology、OpenReview 等检索，经关键词种子检索、引用滚雪球扩展、两位作者筛选与版本合并，得到 119 篇论文。定义统一的问题形式：用子集结果 Y_S 和辅助信息 Z 经恢复规则 R 估计全量结果，要求误差 ≤ε 且成本更低。按“贡献类型→是否自适应→是否跨基准→使用何种信息”的决策路径，将论文各归入一个主类：单基准压缩（基于内容/历史响应/目标条件）、跨基准压缩、自适应评测（自适应选题/序贯决策与停止）、基准分析与基础。附录给出论文目录表、边界案例、生命周期成本公式和验证与选型清单。这是文献综述，没有新实验。

• 共综述 119 篇论文，2024 年起快速增长，2026 年 Q2 单季新增约 29 篇（图1，p.1）
• 引言称 LongBench、GSM8K、MMLU 等基准上不到 20% 的样本即可保留接近全集的结果（p.1，引自 Polo 2024b、Huang 2025）
• 分类体系：6 个操作类（含内容/历史响应/目标条件三种单基准压缩、跨基准、自适应选题、序贯停止）+ 1 个分析类；表3–6 目录统计各类篇数为 10/26/15/14/21/15/18（p.17–19）
• 提出生命周期总成本公式 C=C_build+C_refresh+ΣC_run,k，强调需分别报告题数、模型调用、人工审核、judge 调用、墙钟时间（p.8, p.25）
• 综述指出的共性结论：历史响应方法在新模型能力大幅提升时优势可能缩小，随机采样仍有竞争力（p.4，引 Zhang 2025a）；序贯停止遇到接近的模型可能几乎用满全量（p.7）

作为首个声称覆盖该领域的系统综述，价值主要在整理而非发现：把分散的 IRT、主动测试、PPI、bandit、矩阵补全等工作统一到“子集选择+恢复规则+成本+验证”的框架，并给出主类决策树和选型清单。其中“把生命周期成本和验证切分（模型/家族/时间/任务 holdout）作为选型标准”比较实用。但分类规则较自定义，没有定量元分析（作者承认各研究设置难以合并），也未给出方法间的统一对比数字，因此洞见偏定性。作者所称“首个”基本可信，但部分近期 2026 引用为预印本。

综述无新实验，可信度取决于文献覆盖与归类。检索流程较透明（数据库、滚雪球、双人筛选），但分类为作者自定、一篇一主类，边界案例靠讨论决定，存在主观性。缺少定量元分析，各方法的数字没有被横向对比，因此“哪类方法更好”的结论多为定性（如“随机采样仍有竞争力”“接近模型需近乎全量”均转引自个别论文）。119 篇中大量为 2026 年 arXiv 预印本，质量参差，综述没有评估这些论文自身的基线强度或是否仅在自建基准上验证。作者的“首个综述”声明未见反例，但同一团队自引较多（MiniLongBench、ZipBench 等）。

✅ 官方资源 · https://github.com/MilkThink-Lab/Awesome-Benchmark-Compression
官方 Awesome 列表仓库（⭐2，2026-10-14 有更新，无 license），收录论文清单；综述本身无需算力复现，论文附录目录表标出各方法的 GitHub 链接情况（部分方法有开源代码，部分 N/A）。

应用落地适合“一份文档/代码库/系统提示被反复问很多次”的场景（如固定知识库问答、长文档助手、Agent 的长期记忆），离线花一次优化成本，之后每次推理都只带 1/16 左右的 KV。前置条件是：能接触模型权重和 KV 内部、能容忍每文档 2000 步优化（含 480 个教师 rollout），并且现有推理引擎要能支持带偏置和 log-normalizer 合并的自定义注意力（论文用的是纯 PyTorch 实现，没用 FlashAttention）。目前不适合一次性文档或在线对话，也无法拿它直接降低延迟。

研究跟进首要缺口是真实的显存/延迟/预处理耗时数据：论文明确只报告逻辑 KV 对数，没有实测内存节省或加速，也没给每文档训练时间。其次是规模与任务：只在 ≤8B、合成检索类任务上验证，LongBench 缺具体数值，QA 类任务几乎没有提升；可以测大模型、多轮对话、代码。还可以研究摊销方式，例如用元学习/超网络直接预测压缩 cache 来替代每文档优化，以及缓存增量更新（文档追加时不重训）。

可复用方法几个可直接搬走的点：(1) 用一组与下游问题无关的通用 prompt（24 请求×20 指令）让全 cache 教师生成短 rollout，作为 query-agnostic 的训练信号；(2) 蒸馏时只保留教师 top-20 概率加 tail 质量做分组 KL，效果与全词表相当而存储更少；(3) 压缩 cache 与后续 token 合并时必须按 log-normalizer 做 logaddexp 加权，等权平均会让准确率归零；(4) 先冻结高分原始 KV、只拟合其余槽，再联合微调，比同时训练全部槽稳得多。

背景 长上下文使 KV cache 膨胀，驱逐类方法（SnapKV、KVZip 等）和文本摘要在激进压缩下会丢失日后才变得重要的细节。Cartridges 和 Attention Matching 已表明可以学习/拟合紧凑 KV，但本文要问：在查询未知（query-agnostic）的前提下，对紧凑 cache 做梯度优化能否在高压缩率下保住信息。

方法 对每个文档，冻结模型权重，初始化 LHB 个 KV 槽，分三类：全局按 KVZip+ 分数选的 preserver（占 3/4 预算）、高教师注意力的 anchor 与首位置 sink、用最远点遍历选的 diversifier（anchor+diversifier 占 1/4，其中 anchor 占 1/4）；每个槽带一个标量注意力偏置。Stage 1 逐层固定 preserver，只训 anchor/diversifier 的 K/V/bias，用标准化后的注意力输出 MSE + log-normalizer MSE 去拟合全 cache；Stage 2 联合训练所有槽，用 top-20+tail 分组 KL 加 LM 交叉熵做端到端蒸馏。监督信号来自 480 个通用 prompt（24 个文档请求×20 种回答指令）上由全 cache 教师生成的最多 24 token 的 rollout，不含下游问题。两阶段各 1000 步 AdamW，主要用 Qwen3-1.7B；在 RULER、LongBench、Phonebook Lookup 上与 KVZip+、Attention Matching、SnapKV、PyramidKV 和文本摘要对比。

• RULER 上 32× 压缩达到 96.7% 准确率，对比 KVZip+ 的 40.0%（摘要；该数字对应的具体上下文长度/模型摘要未说明，图1(c)中 Latent Compaction 在 Qwen3-1.7B 上约 60% 上下，与此不一致，需核对）
• Phonebook Lookup、Qwen3-1.7B、16× 压缩：4K/8K/16K 准确率 87.75/83.75/70.50，平均 80.67（Table 1，p.7）；图1(e)中各基线在 16× 时接近 0，64× 及以上所有压缩方法都趋近 0（p.8）
• LongBench（Qwen3-0.6B/1.7B/4B，4×–32×）：在 16× 和 32× 上优于 KVZip+ 与文本摘要，4× 时与 KVZip+ 接近，压缩越强优势越大，但仍低于未压缩（p.8，图3，论文未给具体数值）
• 消融（Phonebook 16×，平均）：去掉 stage 1 降到 13.92；preserver 在 stage 1 可训练降到 33.42；去掉 log Z 损失降到 36.50；去掉 stage 2 降到 70.67（Table 2/3，p.8-9）
• 初始化消融：用随机文档 KV 替换 diversifier 平均 20.50，用 KVZip+ 替换 anchor 平均 57.17（Table 1）；推理时把 Eq.5 的归一化加权换成等权平均，准确率降至 ≤0.25%（Table 4，p.9）

核心组件多为已有工作的组合：偏置式注意力匹配来自 Attention Matching，端到端蒸馏近似 Cartridges，KVZip+ 做初始化。真正新的是“固定 preserver + 拟合 anchor/diversifier 的注意力输出与 log-normalizer”的两阶段配方，以及只用通用 prompt 的 query-agnostic 教师 rollout。消融显示 log Z 匹配、冻结 preserver 和 diversifier 的最远点初始化贡献很大，这是有价值的工程发现；但整体属于增量改进，而非范式变化。

证据中等偏弱。优点：消融覆盖初始化、两阶段、损失项、归一化，且对比了较多基线，并诚实报告了文本摘要在 RULER 极端压缩下更好、64× 以上全部失效。问题：(1) 摘要的 96.7% vs 40.0% 与图1(c)中 Latent Compaction 约 60% 的曲线看起来不一致，具体设置未说明，需核对；(2) 绝大多数消融和跨模型实验只用 Phonebook Lookup（合成的逐字复制任务），而该任务恰好接近“把高注意力 KV 保存下来”的优化目标，泛化到自然文档的证据只有 LongBench 一张图，没给数值；QA-1/QA-2 上各方法差别很小；(3) 每个条件仅一个种子、RULER 每任务长度仅 20 文档、Phonebook 每文档 20 问，没有置信区间，小幅差异可能在噪声内；(4) 比较在“逻辑 KV 对数”上做，Latent Compaction 额外使用偏置，且需大量逐文档优化算力，而 KVZip+、SnapKV 基本零成本，计算量不对等；SnapKV/PyramidKV 是作者自己改的 query-agnostic 版本，可能偏弱；Attention Matching 用的是较弱变体（无 OMP/on-policy）；(5) 没有真实内存/速度测量；(6) 仅测小模型（≤8B）。作者声明使用了 AI 辅助写代码，但已人工审核。

✅ 官方资源 · https://github.com/THUNLP/latent-compaction
官方 GitHub 仓库存在（MIT 许可，仅 1 star，刚提交），包含方法代码；使用的是公开的 Qwen3 与 MiniCPM5 权重，本方法不训练模型权重。复现需对每份文档做约 2000 步优化（Stage 1 每层 1000 步 + Stage 2 1000 步，加 480 个教师 rollout），论文未给出 GPU 型号和单文档耗时，RULER 20 文档×13 任务×多长度×多压缩率的完整复现成本可能不低。

为什么有意思人们常以为AI聊天只是陪聊，或者担心会让情绪问题更糟。这项研究显示，经过专门设计、有危机识别和临床监督的AI教练，6周后至少让学生的压力和情绪问题没有像对照组那样随学期压力一路上升。这与日常经验相关：期中期末季，大部分人的压力和低落都会上升，“少恶化一点”本身就是一种预防价值。但对照组没有任何替代活动，所以不能直接说“AI比写日记或做冥想App更好”。

属于哪个分支与学科脉络属于临床与健康心理学和AI与心理学的交叉：数字心理健康干预（互联网CBT、心理健康App）这条线已有二十年，近两年的新变化是用大语言模型做“会对话的教练”，同时领域内在争论“AI治疗师”与“AI辅助/第一线支持”两种路线。这篇走后者，延续并修正了同一团队此前只改善幸福感、没降低痛苦指标的试验。它不是开创性的，而是在“专用AI心理工具是否真有RCT证据”这个空白里补上了一块，但仍属于企业主导的早期证据。

对想学心理学的人这篇展示了现代临床心理学研究的标准做法：预注册、随机分组、意向性分析、混合效应模型、效应量与置信区间、NNT，以及用结构方程做事后机制分析；技能上需要R（lme4、lavaan）、统计推断、临床量表和伦理审批。同时它也是一份“批判性阅读”的好教材：样本是用学分换参与的学生、结局只用2题短量表、与企业有利益关系。这个方向（数字心理健康、AI伦理与安全评估）在高校、医院研究组和科技公司都有岗位，但需要既懂临床又懂数据和AI的复合背景。

背景 很多大学生有压力和情绪问题，却得不到专业帮助，不少年轻人已经在拿通用聊天机器人当心理倾诉对象，而这些工具并非为心理支持设计、存在安全风险。问题是：专门设计、有临床安全机制的生成式AI教练，能否在没有筛选症状的普通学生中降低压力、抑郁和焦虑？此前同一App的早期版本只改善了幸福感，没有显著降低这三项痛苦指标。

方法 在一所北美大学通过学分制的研究参与系统招募1137名本科生（平均约21岁，75%为女性），不做症状筛选，用Qualtrics随机分配：556人使用Flourish App（内含基于GPT-4o/GPT-4.1的AI教练Sunnie，整合CBT、ACT等技术，并有危机检测和临床医生审核），581人为“照常生活”对照组。治疗组被要求每周至少用两次，持续6周；基线及第2、4、6周用在线问卷测量：4题压力量表PSS-4、2题抑郁量表PHQ-2、2题焦虑量表GAD-2。主分析是意向性分析的线性混合效应模型，检验“组别×时间”交互作用；另做按基线严重程度的分层分析、“有意义改善”的比例分析，以及事后的随机截距交叉滞后模型，检验压力是否为中介路径。研究在ClinicalTrials.gov和AsPredicted预注册，数据与代码公开在OSF。

• 三个主要结局的组别×时间交互均显著：压力β=-0.03（p=.010）、抑郁β=-0.03（p=.006）、焦虑β=-0.04（p=.001）。对照组的压力和抑郁随时间上升（β=0.08、0.09），治疗组基本持平（p.14）。(p.14)
• 第6周组间差异量级偏小：压力d=0.22，抑郁d=0.21，焦虑d=0.18（95%CI下限均接近0.04–0.09）。(p.14)
• 基线症状偏高者中，6周内抑郁改善效应量治疗组d=1.03对对照组0.56，焦虑0.91对0.60；但基线严重程度的调节检验均不显著（p=.891、.363、.799），作者自己也说不能据此认为不同严重程度组效应有差异。(p.15, p.17-18)
• 在基线抑郁偏高者中，“有意义改善”（PHQ-2下降≥2分）比例52.3%（46/88）对31.7%（32/101），RR=1.65，NNT=4.9；焦虑50.6%对38.1%，RR=1.33，NNT=8.0（置信区间很宽，NNT 95%CI最高44.5）。(p.18)
• 事后中介分析：治疗→第4周压力→第6周抑郁的间接效应为-0.027（95%CI [-0.056,-0.004]），对焦虑为-0.018（CI [-0.044,-0.0003]），下界几乎贴着0，且换一种模型设定时置信区间会包含0。治疗组平均使用18.9天。保留率：74.6%完成全部4次问卷。(p.14, p.20)

新意主要在于：这是少见的、在未筛选普通学生群体中、对“专为心理健康设计且带安全架构的生成式AI教练”做的预注册随机对照试验，定位为“第一线预防/早期支持”，而不是“AI治疗师”。同时它与同一团队的上一项试验对照，显示扩充内容后才出现苦恼类指标的效果。但效应量偏小、对照为无干预、开发者自己做评估，所以更像一个有价值的初步证据，而不是决定性结论；“压力是通路”的中介结论属于事后探索。

优点：预注册、随机化、1137人、意向性分析、数据公开、两组保留率相近（约75%）。问题：(1)利益冲突明显：两位作者是开发公司的雇员兼董事，一位持股，一位事后成为有偿顾问，评估自家产品；(2)对照组是“照常生活”，不能排除注意力、期望和安慰剂效应，且参与者无法盲法，而结局全是自评；(3)主要结局只有2–4题的简短量表，克隆巴赫α低至.66–.69；(4)样本是用学分换取参与的单校本科生，75%女性，只有6周、无随访，外推到临床人群或其他文化需谨慎；(5)效应量偏小（第6周d约0.18–0.22），且“治疗组基本持平、对照组上升”的结论部分依赖对照组恶化，可能与学期压力节奏有关；(6)按基线严重程度的调节检验均不显著，摘要里“高症状者改善更大（d=1.03对0.56）”是组内前后变化的对比，易被误读为组间效应，而高症状组第6周组间差异的抑郁CI还包含0；(7)“有意义改善”分析只用观察到的部分（88/101人，样本更少），NNT的CI很宽，且2分阈值是线性换算的非标准做法；(8)中介分析是事后的，置信区间贴近0，换模型就包含0，不能当作因果机制；(9)偏离预注册：机构随机效应改成学期（仅2个水平），预注册的排除标准未用于主分析。总体：支持“有小到中等的益处”，不足以支持“可作为大规模第一线方案”的强结论，需独立团队、主动对照和长期随访来重复。

✅ 官方资源 · https://osf.io/w8z6n/overview?view_only=67aea8e7ce31494989766062753988b5
OSF上公开去识别化数据、数据字典、分析代码、试验方案和统计分析计划，称无需签署协议即可使用；预注册为ClinicalTrials.gov NCT06668532和AsPredicted #195084。链接为view-only形式，未核验实际内容。Flourish App本身是商业产品，Sunnie的提示词和系统细节在补充材料中，未必能完全复现；问卷（PSS-4、PHQ-2、GAD-2）为公开量表。

为什么有意思直觉上，心理健康项目要有专业心理咨询师才靠谱，但印度许多学校根本没有咨询师。这项研究显示，经过几天培训的普通老师也能带出让学生觉得“更有人支持我”的效果，这对资源匮乏地区很有现实意义。但也要警惕另一个直觉：“越多指标变好越有效”——这里除了同伴支持，其他好结果都经不起严格检验。

属于哪个分支与学科脉络属于临床与发展心理学中的“预防与促进”方向，也是全球心理健康研究的一支：近年趋势是从小规模实验室式的“效力”研究，转向大规模、由现有体系（如教师）实施的“实效”研究，并强调长期追踪。这篇延续了该趋势，也与SEHER等试验的不同结论形成对话；但它是项目开发方参与的评估，更像对既有项目的延续性验证，而非开创或反驳。

对想学心理学的人这篇很好地展示了干预研究的真实做法：以学校为单位随机、算样本量时要考虑组内相关（ICC）、用双重差分和混合模型、处理失访（多重插补）、区分主要与次要结局并做多重比较校正。想做这类研究需要统计（R、混合模型、因果推断）、问卷测量与跨文化翻译，以及与学校、政府协作的能力。这个方向与全球心理健康、教育政策、国际发展机构关系紧密，就业出口包括研究机构、公益组织和国际组织，但研究常依赖项目方资助，需要学会辨别利益冲突。

背景 全世界90%的青少年生活在中低收入国家，却很少有能由普通教师在政府学校系统里实施、并有长期追踪的心理健康促进项目证据。此前许多试验由专业咨询师或在小规模下进行，规模放大后效果往往缩水（作者引用约缩水40%），印度另一项大型试验SEHER中教师授课几乎没效果。本研究想检验：由政府教师授课的Youth First项目，能否在真实学校条件下改善青少年幸福感，并看一年后的情况。

方法 这是对2018–2020年一项整群随机对照试验（以学校为单位随机分组，而非学生个人）的二次分析：70所乡村公立学校被随机分到干预组（40所）或对照组（30所），其中1所对照校退出，最终69所学校、5,445名7、8年级学生（平均12.74岁，56%为女生）。干预为老师经培训后每周授课，约25节。数据在基线、8个月、20个月通过纸质印地语问卷收集。三个主要结局来自KIDSCREEN-52量表（身体幸福感、心理幸福感、社会与同伴支持），次要结局包括自我效能、韧性、内化症状（焦虑抑郁等情绪问题）、性别平等态度、赋权和过去30天吸烟。分析用“双重差分”混合效应模型（比较两组从基线到随访的变化差异），对缺失数据做多重插补，主要结局用Benjamini–Hochberg法校正多重比较，次要结局不校正。

• 合并样本1年效应：干预组社会与同伴支持比对照组多提高0.92分（95% CI 0.51–1.33，校正后p<.001，d=0.17）；身体幸福感（d=-0.05）与心理幸福感（d=0.02）无显著差异（p.23）
• 次要结局中，自我效能（d=0.09）、内化症状（d=-0.09）、性别角色态度（d=-0.14）、赋权（d=0.14）和吸烟（OR=0.58，95% CI 0.39–0.87）在8个月时有名义显著效应，均未校正多重比较；干预组吸烟率从7.1%降到3.3%，对照组从4.3%降到3.4%（p.23）
• 7年级队列接受两年干预后，社会与同伴支持仍显著（+0.94，95% CI 0.37–1.51，p=.006，d=0.16），但8个月时显著的内化症状、性别角色态度、吸烟在20个月时不再显著；吸烟OR=1.03（p.28–29）
• 8年级队列在干预结束一年后：心理幸福感+0.66（95% CI 0.13–1.19，校正后p=.024，d=0.13），社会与同伴支持+1.09（p<.001，d=0.20），韧性d=0.21，吸烟OR=0.49（95% CI 0.28–0.86）；但该吸烟结果主要来自对照组吸烟率从2.8%升到5.1%，干预组基本没变（5.7%→5.3%）（p.31–32）
• 8个月时干预组失访更多（保留率89% vs 对照95%），20个月总保留率88%；完整个案敏感性分析在45个比较中42个方向一致（p.19, p.34）

创新主要在场景而非发现：用约5,400名学生、由政府教师而非专业咨询师授课、并有干预结束后一年随访的整群随机试验，这在中低收入国家的校本心理项目中确实少见。但“项目有效”本身并不新（作者称该项目此前已有五次受控评估），而且这次是对已有试验的二次分析，很多关键结果是探索性的。真正稳健的发现只有“社会与同伴支持小幅提升”，“延迟出现的效应”更像有意思的线索而非定论。

优点：学校层面随机化、由外部评估者分配、样本量大（69校/5,445人）、保留率高（88%）、事先做了功效计算、使用了适合少量集群的稳健标准误（CR2）、对主要结局做了多重比较校正、报告了完整个案敏感性分析。问题：(1) 利益冲突显著——五位作者受雇于项目开发方WorldBeing，且分析人员未设盲；(2) 预注册是回溯的（研究开始后才注册），多重插补是事后加入的，不属于真正意义的预注册验证；(3) 只有社会与同伴支持这一个主要结局稳健，其余好结果多为次要结局、未校正多重比较（约十个结局×多个时间点×多个队列），名义显著很可能含假阳性；(4) 效应量很小（主要结局d约0.16–0.20），没有设定最小有意义差异，实际生活意义不明；(5) 全部为自评问卷，吸烟自报未经验证，学生知道自己参加项目，可能有需求效应；量表信度偏低（α低至.63），也未检验测量不变性；(6) 8年级吸烟效应主要是对照组吸烟率上升（2.8%→5.1%）造成，而非干预组下降；基线吸烟率在两组也不一致，可能存在回归效应；(7) 随机化未分层、学校规模基线差异较大（SMD=0.38），8个月时干预组失访更多；(8) 没有按年级做组间差异检验，“延迟效应”解释缺乏统计支持，也没有中介分析，更没有成本数据与学生层面的参与剂量数据；(9) 仅限两个县的自愿参与的乡村学校，外推性有限；第三次随访因新冠取消。总体：可支持“同伴支持感小幅提高”，对其他结论应视为假设。

❌ 无公开资源
数据因涉及儿童伦理保护不公开；预注册为ClinicalTrials.gov NCT03705208，但是在研究开始后才补注册（retrospective）。文中提到的补充表格（Supplementary Tables）、分析计划、WorldBeing的教师手册和实施报告未在本文提供公开链接；量表本身（KIDSCREEN、SDQ等）为已有公开量表，可单独获取。

为什么有意思人们常觉得“上什么大学、读什么专业”决定了你会变成什么样的人，这篇的结果挑战了这种直觉：这两项几乎解释不了成长差异，差别主要来自你在校园里做了什么，尤其是和观点不同的人聊社会议题、加入社团、有人带你。另一个反直觉点是“越有归属感，成长反而越少”，作者用“挑战与支持”理论解释为太舒服会让人停滞，但这只是事后解释，对想融入新环境的新生来说值得思考而不应直接当作建议。

属于哪个分支与学科脉络属于发展心理学与教育心理学的交叉领域——“成年初显期”（18–25岁左右的过渡阶段）与大学生发展研究，承接Erikson的认同危机理论、Chickering的发展向度和Astin的“投入—环境—产出”模型。近几年这个方向在向大样本、预注册、更关注可干预的环境因素转变，同时在争论“品格”是否可测量、可教。本文处于延续并用新数据验证旧理论的位置，对“学校类型很重要”的传统假设有一定反驳。

对想学心理学的人这篇是了解“真实世界大规模调查研究”怎么做的好例子：用现成的多年度问卷库、混合效应模型处理学生嵌套在学校里、用预注册和公开分析代码（OSF）提高透明度，还展示了研究者如何用“回溯前测”和“跨年轮一致性”来应对没有追踪数据的难题。要做这类研究需要统计（多层模型、缺失值插补、效应量解读）、问卷与量表知识和R等工具。该方向与教育学、学生事务和高校研究办公室（institutional research）关系紧密，就业路径包括高校评估、学生发展岗位和教育研究机构，但学术岗位竞争激烈。

背景 许多大学声称不仅传授知识，还要塑造学生的品格（如希望、韧性、公民意识），教师和学生也普遍认同这一点，但真正量化检验大学期间品格是否成长的研究很少且陈旧（只有三项，数据多来自1990–2000年代）。本文想回答：学生是否成长？成长是否取决于专业、学校类型或校园参与？

方法 数据来自“多院校领导力研究”（MSL），2006–2021年共六轮横断面问卷，N = 473,627，来自414所美国院校。采用“事后回溯前测”设计（then-post）：学生在同一份问卷里既回答“现在的我”，也回忆“入学前的我”，用来减少前后测中答题标准变化带来的偏差。品格由11项指标（社会责任领导力量表6个子维度、社会观点采择、韧性、希望、社会生成性、社区服务）经主成分分析合成一个综合分。用带院校随机截距的混合效应模型，以年级（0–3）预测品格分，控制回溯前测分及人口学变量；用“各轮年级斜率是否一致且线性”来排除队列效应。H1–H3预注册，校园参与（H4）为探索性分析。缺失值（17%）用多重插补处理。

• 年级与品格综合分呈显著正相关：每高一个年级平均增加0.12（95% CI [0.113, 0.127]），四年累计约0.48个标准差，属中等大小变化；六轮数据中各轮斜率在0.10–0.13之间，均未偏离均值超过0.02的预注册阈值 (p.15, p.19-20)
• 专业之间差别很小：斜率最高为民族/文化/区域研究（约0.17）和教育（约0.14），最低为数学等（约0.09–0.10）；最显著的差别是“未选定专业”的学生增长明显更少（斜率约0.04）(p.16-17, 图2)
• 院校特征里只有“选拔性”调节成长：越挑学生的学校成长越少（交互项 b = -0.004, p = .002）；公立/私立、宗教、规模、研究型对成长均无显著影响，但私立宗教院校学生入学时得分更高（b = 0.045）(表3, p.18)
• 院校间差异仅占总方差的1.8%（ICC = .018），约98%的差异来自个体之间 (p.18)
• 校园参与（探索性分析）：社会文化议题讨论（交互项 b = 0.007）、社团参与（0.005）、被指导（0.002, p = .041）与更多成长相关；而归属感反而与更少成长相关（b = -0.011, p < .001）(表4, p.19)

相较于Astin等人的老研究，这篇的贡献主要是数据新（2006–2021）、样本大、维度更宽（11项指标合成），并且预注册了H1–H3。最有价值的是“专业和学校类型几乎不重要，校园内的具体经历更重要”这一结论，以及“归属感与成长负相关”这个反直觉发现。但用“各轮斜率一致”来排除队列效应是一种巧妙却间接的论证，并不能替代真正的纵向追踪；而且成长是否“由大学造成”作者自己也承认无法回答。整体属于对既有教育心理学理论（Astin、Chickering）的大样本再验证，而非方法或理论突破。

优点：样本极大（47万人、414所院校），H1–H3预注册且声称无偏离，有完整的模型表格与公开代码。局限：(1)本质是横断面比较不同年级学生，并非追踪同一批人，“成长”靠回溯前测和斜率一致性间接推断；回溯前测依赖记忆，易受“现在的我更好”之类的偏差影响（作者承认），且前测只有每个量表的1–3个题目，信度较低（ω低至.73）。(2)幸存者偏差：高年级学生是留下来的人，退学者缺失，可能夸大成长；也可能受选择性应答影响。(3)没有非大学生对照组，不能说成长是大学造成的；年龄本身的效应也难分离。(4)校园参与分析为探索性，且参与、归属感、讨论和品格都是同一问卷的自我报告，存在共同方法偏差与反向因果（品格好的人更爱参与讨论）；这些交互项很小（0.002–0.011），在47万样本下“显著”并不等于实际意义大，作者未就此给出效应量解释。“归属感使成长变少”可能源于天花板效应或回溯前测分较高，不宜因果化。(4)样本以美国、白人（75%）、非完全随机的参与高校为主，每所学校的抽样与应答率未详述；专业分类粗，“专业无关紧要”的结论可能受此限制。(5)品格综合分混合了多种量表，结果依赖这一主成分的构造；经费来自资助品格教育的Lilly Endowment，作者所在单位也是品格项目，存在一定的立场倾向（虽已声明无利益冲突）。

✅ 官方资源 · https://osf.io/pf63x/overview
预注册（https://osf.io/zjc27/overview）和分析代码（https://osf.io/pf63x/overview）均已在OSF公开；因数据使用协议，原始数据和完整问卷不能公开，MSL项目信息见 expandingleadership.org/msl/，因此无法直接复现，需向MSL项目申请数据。补充材料包含全部模型结果表（S1–S4）。

为什么有意思我们常以为心理状态只能靠自己说或医生问才能知道，这篇研究却在问：你每天怎么用手机，本身是否就透露了创伤症状？比如深夜使用、特定App的使用习惯可能与睡眠紊乱、回避等PTSD表现有关（具体哪些特征起作用摘要未说明）。这与日常的手机"屏幕时间"报告很像，也引出隐私问题：不看内容、只看元数据，是否就能窥见你的心理健康。

属于哪个分支与学科脉络属于临床心理学/精神病学与计算精神病学的交叉，具体是"数字表型"方向。这几年该方向从抑郁、焦虑扩展到更多障碍，趋势是用被动、连续、低负担的数据补充问卷。这篇处于"延续并外推"的位置：用已有思路检验PTSD，且是预印本、尚未经同行评审，属于早期验证而非定论。

对想学心理学的人这篇体现了现代临床研究常见的做法：用标准化量表（PCL-5）作为"标准答案"，再训练机器学习模型去预测它，并报告准确率、AUC、相关系数、效应量。要做这类研究需要统计、Python/R编程、机器学习基础，以及对临床评估和测量的理解。这个方向在科技公司、数字健康初创企业、医院研究组里都有岗位，但需要既懂临床又懂数据的复合背景。

背景 PTSD（创伤后应激障碍，指经历重大创伤后出现闪回、回避、过度警觉等症状）的症状时好时坏，而临床评估通常只是偶尔一次的问卷或访谈，容易漏掉波动。"数字表型"（digital phenotyping）是指用手机、手表等设备被动记录的行为数据来刻画一个人的心理状态，此前已在抑郁和焦虑上有不少尝试，但PTSD方面的研究还很少。

方法 176名成年人填写PTSD Checklist for DSM-5（PCL-5，一份20题的PTSD自评量表，满分80），同时授权Behavidence这款App被动收集手机行为元数据。研究者从中提取44个行为特征，用随机森林（Random Forest，一种由许多决策树投票的机器学习方法）区分"无症状"（PCL-5<31）与"严重"（PCL-5>61）两个极端组。训练好的模型为每个人输出一个PTSD相关得分（MHSS），再在全体样本上检验该得分与PCL-5总分及四个严重程度组的关系。特征重要性用Gini不纯度和SHAP（一种解释模型每个特征贡献多少的方法）分析。（以上仅依据摘要，具体特征定义、样本构成、数据划分方式未知）

• 留出的测试集上，分类器准确率80.3%、AUC 0.82（AUC越接近1越能区分两类）、精确率89.5%（摘要）
• 全体样本中，MHSS得分与连续的PCL-5分数呈中等正相关 r = 0.49，p < .001（摘要）
• MHSS在四个PTSD严重程度组之间差异显著：F(3,172) = 24.06，p < .001，η² = 0.30（摘要）
• 最重要的特征类别是手机使用的投入程度、时间使用模式和特定应用的行为（摘要）
• r = 0.49 意味着该得分只能解释PCL-5约四分之一的变异（由r²≈0.24推算）

把已在抑郁、焦虑上试过的被动手机数字表型推到PTSD，这个应用场景相对少见，是它的主要价值。但方法本身（随机森林+手机元数据）并不新，而且摘要里的"新"主要是换了一个疾病，而非方法或理论突破。作为"初步验证"的预印本，更像可行性展示，而非确立了可靠的标志物。

主要疑点：(1) 样本只有176人，且分类是在两个极端组（无症状 vs 严重）之间进行，中间程度的人被排除在训练之外，这会让区分任务比真实临床情境容易得多，80%准确率和0.82的AUC可能被高估；(2) 极端组实际人数、类别是否平衡、测试集多大摘要都没说，精确率89.5%在小测试集上不稳；(3) MHSS在全体样本上的评估包含了训练用的那部分人，存在循环验证（用训练数据评估）的风险，r = 0.49和η² = 0.30可能偏乐观，这是摘要里最需要核实的一点；(4) 没有外部独立样本验证，也未提及交叉验证和重复；(5) 标准是自评量表PCL-5而非临床诊断访谈（如CAPS-5），不等于确诊PTSD；(6) 样本来源、人口学特征、文化背景未知，可能不具代表性；(7) 相关而非因果，手机使用模式也可能反映抑郁、失眠、工作性质等；(8) 作者使用的是Behavidence平台，是否存在商业利益关联摘要未说明，需查全文。总体上结论"有前景"尚可，但"可作为评估补充"的说法超出了现有证据。

❌ 无公开资源
摘要中未提供代码、数据或材料链接，也未声称会公开。数据来自商业App Behavidence，复现很可能需要该公司的数据与算法访问权限；PCL-5量表本身是公开可得的。是否预注册摘要未提及。

为什么有意思日常直觉是“忙起来、累了就容易对陌生人不耐烦”，这项研究想检验：这种“没精力”会不会尤其让我们对不同种族的人少一份理解。这和客服、医疗、执法、课堂等高压场景直接相关：越忙越需要快速判断他人情绪，而偏差可能恰恰在这时放大。它也区分了“读懂对方想什么”和“感同身受”，这两者在压力下可能表现不同。

属于哪个分支与学科脉络属于社会心理学与社会认知/情感神经科学的交叉，主题是群际偏见与共情。这几年的趋势是把“共情”拆成情感共享和心理化等成分分别研究，并用更自然的刺激取代简单的实验室图片；同时方法上转向预注册和注册报告。这篇是对既有发现的延续与整合，而不是开创或反驳。

对想学心理学的人它是注册报告的好样例：先在数据收集前提交假设、设计和分析计划，期刊先审方案、再保证发表，这是应对可重复性危机的做法。这个方向需要实验设计（2×2这类因素设计）、行为数据处理、混合效应模型等统计技能，还要懂如何设计刺激与操纵检验。社会认知方向的研究多依托高校实验室，就业多走学术或转向用户研究、数据分析等路径。

背景 人们对不同群体的共情并不平等，对外群体成员往往共情更少。已有研究显示，认知负荷（脑力被同时进行的任务占用）会加重内群体偏好，也会削弱共情，但还没有人在群际共情的过程中直接操纵认知负荷。共情又分两条路：情感共享（自己也感受到对方的情绪）和心理化（推断对方在想什么），这两条路用到不同的脑网络，但在现实中相互作用。

方法 这是注册报告第一阶段，意思是研究计划在收集数据前就先接受同行评审，预先锁定假设和分析方案。摘要显示，研究将用一个专门检验种族共情偏差的任务，向参与者呈现较自然的刺激材料，同时操纵认知负荷（高与低）和目标的种族群体身份（内群体与外群体）。结果既包括行为指标，也包括自我报告，分别测量心理化和情感共享。摘要没有给出样本量、具体负荷任务、刺激内容、统计模型等细节，这些只能在全文中确认。

• 本文为研究方案（Stage 1），摘要中没有任何实证结果或数字，没有数据可供报告 (摘要)
• 核心假设：高认知负荷与外群体身份可能交互作用，使共情偏差更严重 (摘要)
• 设计要点：在同一范式内分别检验心理化（认知共情）与情感共享（情感共情）两条路径 (摘要)

据作者所说，这是首次在群际共情过程中直接操纵认知负荷。这个说法我无法核实，但这个设计思路是合理的延伸：把“负荷加重内群体偏好”和“负荷损害共情”两条已有结论合并到同一个实验里检验。真正的新意在于把心理化与情感共享放在同一范式中分开测量，并用较自然的刺激。不过这更像是对已有思路的整合，而非全新的理论。

只有摘要，无法评估样本量、参与者构成（是否主要是大学生、WEIRD样本）、预期效应量、功效分析和排除标准。优点是注册报告形式本身减少了事后调整假设和选择性报告的风险。需要警惕的点：种族群体的操作化可能只限于特定文化背景，自我报告共情容易受社会期望影响，认知负荷操纵是否有效需要在全文中看有无操纵检验。目前没有结果，因此所有结论都是假设，不能当作发现。

✅ 官方资源 · https://osf.io/5vfu4/overview?view_only=c0f50ed67a35453ba9ab0b46b51ab9d3
OSF 项目链接为匿名只读（view_only）形式，应是作者给出的预注册/材料页面，我未能核验具体内容，可能包含方案、材料，但尚无实证数据，因为研究还没有完成。要复现需要全文中的刺激与负荷任务细节。

对患者家庭意味着什么对一位 86 岁、已确诊的老人，这篇文章里的新技术（磁刺激、40Hz 光、近红外光、聚焦超声）目前没有任何一种被证明能延缓病情或改善日常生活，也都不是常规可获得的治疗。类淋巴“清洁”这个概念主要来自小鼠。文中的人体研究受试者多为 45–80 岁的轻度或早期患者，高龄、中重度和多病共存者基本没有被纳入，结果很难直接套用到您的家人身上。更实际的启示是：运动、睡眠质量、睡眠呼吸暂停的识别与治疗这些常规照护，和这套理论方向一致，值得继续做。

证据等级与距离落地证据以小鼠实验为主（每组几只到十几只），人体部分多为小型试验：TBS 约 20–60 人，tACS 每组 23 人，聚焦超声仅 6–10 人且无对照，tPBM 有一个 1 人的病例报告。人体试验大多只测间接指标（DTI-ALPS、功能连接），并未直接证明“清除增强”，也无长期随访（有的 tACS 效应 3 个月后消失）。没有一项涉及已获批药物，设备也未被批准用于治疗 AD。作者自己也承认临床疗效、最佳剂量和持久性都不确定；离常规临床可用，保守估计至少还需要多个大样本随机对照试验，且是否适用于高龄患者未知。

照护上可借鉴的做法1) 规律的、老人能承受的活动（如散步、在监护下的轻度有氧）本身对健康有益，可与医生或康复师讨论适合的强度和跌倒防护，文中的运动证据虽来自小鼠，但并无明显风险。2) 睡眠：留意老人夜间打鼾、憋气、白天嗜睡，可与医生讨论是否需要做睡眠呼吸检查，若确诊 OSA，可讨论 CPAP 等治疗（需与主治医生讨论，并考虑老人的耐受度）。3) 避免自行购买或使用所谓“40Hz 光疗仪”“经颅刺激仪”等设备，尤其老人有癫痫史、偏头痛、植入金属或心脏起搏器时存在风险；如想尝试，应在正规临床试验中并与主治医生讨论。4) 任何镇静安眠药物（文中提到唑吡坦在小鼠中会降低类淋巴流动）的使用或调整，都需与主治医生讨论，不要自行增减。

背景 阿尔茨海默病（AD）的特征是 Aβ 和 tau 蛋白在脑内堆积，而抗淀粉样蛋白抗体有 ARIA 等风险、获益有限。类淋巴系统（glymphatic system）是脑脊液沿血管周围间隙冲刷脑组织、带走代谢废物的通路，在小鼠中与睡眠、衰老、AQP4 水通道蛋白分布有关。本文提出：能否用非侵入性手段增强这套“清洁系统”来辅助治疗 AD。

方法 这是一篇叙述性综述（非系统综述），作者在 PubMed 检索后经标题摘要和全文筛选纳入文献，没有给出纳入数量、质量评分等系统评价方法。文章先把类淋巴功能的调控因素分为内在驱动（动脉搏动、去甲肾上腺素振荡、脑脊液更新、AQP4 极化、脑膜免疫）与外在调节（颅内压/体位、脑膜淋巴引流、蛛网膜颗粒）。然后逐一评述 7 类干预：rTMS/TBS、tACS、40Hz 光/声刺激、经颅光生物调节（tPBM）、聚焦超声、有氧运动、睡眠优化/CPAP，并用一张大表（Table 1）列出约 25 项研究的设计、样本量、参数和“类淋巴证据等级”。最后讨论评估类淋巴功能的影像方法局限与未来方向。

• 表格中直接用示踪剂测量类淋巴清除（证据等级“很高”）的研究几乎全是小鼠：如 cTBS 在 APP/PS1 小鼠每组 6 只，40Hz 视听刺激在 5XFAD 小鼠示踪实验每组约 4 只，运动研究每组约 6–13 只（Table 1）。
• 人体 TBS 研究：Zhang 等 AD 患者 iTBS 试验 10 vs 10 人，DTI-ALPS 指数升高并改善 CDR-SB、ADAS-Cog、MMSE，2/10 人出现轻度头痛；Yang 等 30 vs 30 的 iTBS 试验中 ALPS 指数无显著变化，MMSE 在第 6 周改善（Table 1）。
• tACS 人体试验（如 Wang、Tang，各 23 vs 23 轻度 AD 患者）MMSE/MoCA 在治疗后改善，但 Tang 等显示 3 个月时已不持续，且均无直接类淋巴测量（Table 1）。
• 聚焦超声联合微泡（FUS/MB）：Rezai 等 10 例轻度 AD 患者，血脑屏障开放约 82% 靶区、24–48 小时内闭合，Aβ-PET 局部下降约 14%（Centiloid），认知下降与 ADNI 对照相当，1 例短暂海马水肿 72 小时内缓解；无随机对照（Table 1，3.5 节）。
• 睡眠呼吸：未治疗 OSA 者 DTI-ALPS 偏低，CPAP 治疗者 pCSF 与健康对照相近（14 未治疗/12 CPAP/16 对照）；悬雍垂腭咽成形术后 15 人 PVS 指标改善；研究对象为 18–60 岁成人而非 AD 患者（Table 1）。
• 40Hz 刺激在 3 期试验 NCT03543878 的探索性分析中，8 周后 2,951 个脑脊液蛋白中有 110 个出现名义上显著变化（60 升 50 降），不代表临床疗效（Table 1，3.3 节）。

本文的新意主要在于“整理框架”：把 7 类互不相关的非侵入性手段统一放到类淋巴机制下，并给每项研究标注类淋巴证据强度（直接示踪到仅临床结局）。这种分级相当诚实地暴露了一个问题：证据最强的（直接示踪）几乎全是小鼠，而人体研究基本只有间接指标。结论部分“多机制联用更好”“APOE ε4 携带者反应更强”属于推测性假设，并非新发现。总体是有用的综述，不是新证据。

主要问题：(1) 叙述性综述，检索只用 PubMed、没有系统纳入流程或偏倚评估，容易挑选支持性研究；(2) 证据分级表显示“很高”级别的类淋巴证据几乎全部来自小鼠，而且样本很小；人体研究多为间接替代指标（DTI-ALPS 本身有争议）、小样本、短随访，有些还是亚组分析（如 APOE ε4 携带者反应更强）；(3) 受试者年龄多在 45–80 岁、早期/轻度，几乎没有 80 岁以上、中重度和多病者；(4) 表中“无不良事件报告”并不等于证明安全；(5) 文中把聚焦超声 Aβ-PET 下降 14% 称为鼓舞，但作者也承认这不是临床获益，且与外部对照相比认知并未更好；(6) 结尾“有望预防/治疗”的措辞比证据乐观，资助来自中国国家及地方科研基金，声明无利益冲突，但未提及设备厂商关联。总体：作为领域地图可信，作为治疗证据不足。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13643513
文章开放获取（Europe PMC），可免费阅读全文。作为综述，没有代码或数据集。文中提到的临床试验注册号只有 NCT03887455（lecanemab Clarity AD）和 NCT03543878（40Hz Spectris 相关）。没有面向家属的照护指南或工具，文中的设备（TMS、tACS、聚焦超声等）需要专业机构和设备才能使用。

对患者家庭意味着什么对一位86岁、已确诊的阿尔兹海默症老人，这篇文章没有给出任何现在就该行动的理由。NR/NMN在人身上只证明了能升高血液NAD+，在轻度认知障碍老人中认知并没有改善，更没有在确诊痴呆的患者中证明有效。文章自己也说，NAD+补充可能对早期代谢障碍更有用，对神经元大量丢失的晚期意义有限。

证据等级与距离落地阿尔兹海默症方面的证据绝大多数是转基因小鼠和细胞实验；人体试验样本小（n=8到几十人）、疗程仅数周到10周，主要看安全性和生物标志物。帕金森病的NADPARK是I期试验（n=30），尚无II/III期结果。这类补充剂未被批准用于治疗痴呆，高龄晚期患者基本未被纳入试验，距离成为可靠疗法至少还需要多年的大型长期RCT。

照护上可借鉴的做法文章里真正有价值的是“运动本身”：有氧和抗阻运动在老年人中总体能改善认知与功能，但具体强度和疗程要根据老人的体力、跌倒风险和合并病来定，可与医生或康复师讨论适合的方案（如坐姿训练、陪同散步）。至于NR、NMN、烟酸等补充剂，如果家人想尝试，务必先与主治医生讨论，因为高剂量烟酸会引起潮红，且长期安全性尚无数据，也要考虑与现有药物和肝肾功能的相互作用。

背景 随着年龄增长，体内NAD+（一种细胞产能必需的辅酶）逐渐下降，被认为与脑衰老和阿尔兹海默症、帕金森病有关，因此补充NR、NMN等“NAD+前体”成为热门的抗衰老思路。文章想回答：这类补充剂加上运动、肠道菌群调节，能否真正保护大脑认知，以及目前证据到了什么程度。

方法 这是一篇叙述性综述（非系统综述、无荟萃分析），检索了PubMed、Web of Science、Scopus、Embase，按机制重要性和转化意义挑选文献，作者自己承认没有量化合并。内容按NAD+生物学、四种维生素B3前体（烟酸、NAM、NR、NMN）、运动、阿尔兹海默症、帕金森病、联合运动等主题归纳，并用表格汇总动物与人体研究。文章刻意区分细胞/动物/人体证据，强调“血液NAD+升高”不等于“脑内获益”。

• 人体试验：在主观认知下降和轻度认知障碍（MCI）老年人中，NR 1 g/天、8周的随机对照试验显示血浆 pTau217 降低，但整体认知、GFAP/NfL 无明显改善（表1，第6.1节）
• MCI 老人 NR 逐步加量至 1 g/天、10周的安慰剂对照试验：血液NAD+升高，认知无改善，有表观遗传年龄变化的探索性结果（表1，第6.1节）
• 帕金森病 NADPARK 期I试验（n=30，新诊断未治疗）：NR 1,000 mg/天、30天，耐受良好，MRS测得脑内NAD+升高，临床改善轻微（表3，第8.1节）
• 帕金森病低剂量烟酸 RCT（n=47）：6个月时UPDRS III运动评分无显著改善，12个月有逐步改善趋势，作者提示需谨慎解读（第8.1节）
• 阿尔兹海默症证据几乎全部来自APP/PS1、3xTgAD等转基因小鼠，干预约3–6个月；NR在DNA修复缺陷模型中降低tau病理，但对Aβ沉积无显著影响（表2，第7.1节）
• 一项外周动脉疾病老人的NR开放标签试验仅 n=8、4周，称内皮功能和部分认知改善，但作者自己指出样本小、无对照（表1）

这篇综述本身没有新数据，主要价值是把NAD+前体在脑衰老中的证据整理得相对克制：反复强调“生物标志物改善≠临床获益”、肌肉NAD+结果不能外推到大脑、NR在某些模型中长期用药可能有负面影响。不过与已有的Lautrup、Verdin等经典综述相比，核心结论并无突破，肠道菌群和运动联合的部分也大多停留在推测或动物数据。

证据整体偏弱：综述并非系统综述，文献选择带有作者主观性，无质量评分。阿尔兹海默症部分全是转基因小鼠，且小鼠模型不能复现人类阿尔兹海默症的复杂性。人体研究样本小、随访仅数周到数月，多以血液NAD+、pTau217等替代指标为结局，缺乏有临床意义的终点（认知、日常生活能力、照护负担）。高龄、晚期痴呆和多病共存人群几乎没有被纳入。文章对局限性相当坦诚，结论也比较保守，这是优点；但标题和摘要措辞偏积极，容易让读者高估补充剂的价值。无资助，作者声明无利益冲突，但综述中引用的部分试验可能有企业参与，文中未说明。

✅ 官方资源 · https://europepmc.org/article/PMC/PMC13643272
Europe PMC 开放获取全文，可免费阅读；综述无代码或数据集，也无临床试验注册号。文中表格汇总了引用的各项研究，可据此查找原始论文，但未提供面向家属的照护指南或工具。

对患者家庭意味着什么这篇研究并没有测试任何对患者有益的新疗法，只是描述美国退伍军人系统里远程老年精神科服务的使用情况。对一位86岁的确诊老人，它的直接意义有限，且服务仅针对美国退伍军人，国内家庭无法直接获得。它给出的启发是：住得偏远、当地没有老年精神科医生时，通过视频或电话请专科医生会诊，是被大量实际使用的途径，而且高龄、病情较重的人群也在使用。

证据等级与距离落地证据等级低：回顾性、描述性的行政数据分析，2013人，随访仅两年，没有对照组，也没有测量症状改善、住院减少或照护者负担等结局。研究只显示“服务被提供了”，不能说明“服务有效”。CAN评分缺失的约24%患者可能住在养老机构或医院，限制了对高风险人群的解读。该模式在美国VHA内已经在运行，但对其他医疗体系的可迁移性要看当地的远程医疗和医保制度。

照护上可借鉴的做法一是可以询问老人的主治医生或医院，是否有老年精神科、记忆门诊的远程会诊或视频随访，尤其是在出现激越、睡眠紊乱、情绪问题而当地缺乏专科资源时。二是论文提到心理治疗中可能包含针对照护者的支持以及为痴呆患者制定行为计划和环境调整，这些可以和医生讨论。三是如果考虑视频问诊，要提前准备好设备和网络，并安排家属在场协助。任何药物调整（该研究中药物管理占就诊约六成）都需与主治医生讨论，不要自行增减。

背景 美国老年退伍军人越来越多，且很多住在农村，当地缺少老年精神科医生等专科人员，痴呆及相关精神行为问题难以得到专业帮助。退伍军人事务部（VHA）建立了区域性远程医疗中心（CRH）来补充人手，本研究想了解其中老年心理健康服务实际服务了哪些人、提供了什么服务。

方法 这是一项回顾性队列描述分析，数据来自VHA电子病历数据仓库，纳入2021年10月至2023年9月间在四个CRH中至少接受过一次老年心理健康临床医生服务的50岁以上退伍军人。14位临床医生（老年精神科医生、老年心理学家、临床药师、神经心理学家）提供服务。研究按农村/非农村比较人群特征、服务方式、诊断和服务类型，并单独看了住院风险最高（CAN评分≥95）的人群。统计方法只有卡方检验和t检验，没有对照组，也没有测量任何健康结局。

• 共有2013名老年退伍军人接受了9282次远程就诊；平均年龄75.8岁（SD 8.1），96.1%为男性，42%（853人）居住在农村或偏远地区（结果部分）。
• 两年内累计就诊量从3722次增至5560次，增幅33%；平均每人4.6次就诊（SD 6.3）（结果部分）。
• 就诊方式：视频到家48.2%、视频到诊所25.4%、电话22.0%；农村与非农村在方式上无显著差异（p=0.6）（表3）。
• 农村患者的就诊中，痴呆相关诊断占42.4%，非农村为33.5%（p<0.001）；非农村则抑郁（39.0% vs 30.9%）、焦虑、严重精神疾病比例更高（表3）。
• CAN评分≥95的高风险者440人（占有评分者1533人的28.7%），其就诊中痴呆诊断占46.2%，药物管理占60.3%（表4）。

新意主要在于首次用全国范围的行政数据描述VHA四个CRH老年心理健康远程服务的规模和构成，尤其是农村与高风险人群的服务情况。但它是单一系统内的描述性运营评估，没有对照组，也没有任何患者或照护者结局，对“远程服务是否有效”没有新增证据，在方法学上属于常规工作。

主要局限：没有对照组，也没有任何临床或照护者结局，因此“服务有效”不能由此得出。样本为已经接受远程服务的人，存在选择偏倚（可能是更愿意或更能用视频的人）。四个CRH的团队构成和服务模式各不相同，作者自己承认这会混淆农村与非农村的比较；很多显著差异（如痴呆诊断42.4% vs 33.5%）可能更多反映团队构成和是否服务养老机构，而非农村本身。样本量大时统计显著不等于有临床意义。CAN评分缺失约24%，96%为男性，不能推广到女性或非退伍军人。资助方为VA农村健康办公室，作者团队也是这些服务的开发和评估者，存在一定利益相关。文中也未描述痴呆分期，也没有按年龄超过85岁细分。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13646733
论文开放获取，可在Europe PMC阅读全文；数据来自VHA内部数据仓库，因隐私限制不公开，仅可向通讯作者申请。没有临床试验注册号（非试验），也没有可供家属直接使用的照护指南或工具。

对患者家庭意味着什么对一位86岁、已确诊的老人，这篇文章目前没有实际的诊疗或照护意义。它讨论的是“为什么有人病变相同但症状较轻”以及一生中如何积累这种能力，属于早期、预防和一生视角的理论，对已确诊的高龄患者意义有限。可以带走的只有一个温和的观点：与人互动、保持有意义的活动、压力后能得到安抚恢复，可能有助于尽量维持现有功能，但文章没有证明这一点。

证据等级与距离落地证据等级：理论性综述，无新数据，无样本量，无随机对照试验。其依据大量来自大鼠、小鼠、松鼠猴和宠物狗的动物研究，以及人类的观察性研究（学历、职业、休闲活动与痴呆风险的关联），这些关联本身易受反向因果和社会经济因素混杂。文章没有讨论已确诊高龄患者的干预，也没有药物。作者自己说框架“尚未被直接检验”，距离转化为照护建议还很远，至少需要多年的纵向研究。

照护上可借鉴的做法文章并未提供经检验的照护方法，因此不应当成“治疗方案”。从它的思路中，家属可以温和地尝试、并与医护团队讨论：保持日常规律和可预测的环境；让老人参与力所能及、有意义、不至于挫败的活动（难度适中，有人在旁支持）；多提供熟悉亲友的陪伴以缓冲压力；遇到困难时在一旁提示，而不是代替完成。这些都是一般性建议，其效果在本文中没有得到证明。若涉及任何药物或治疗调整，需与主治医生讨论。

背景 为什么有些人脑内病变不轻，认知却保持得相对好？“认知储备”（受教育、职业、社交等影响）是常用解释，但多依赖学历等粗糙的替代指标。作者认为动物应激研究、儿童发展研究和认知老化研究各说各话，想用“适应性韧性”把它们接起来。

方法 这是概念性综述（理论分析），没有招募受试者，也没有新数据或统计分析。作者梳理已有文献：啮齿类社会挫败与母爱研究、松鼠猴的“应激接种”、犬类行为韧性研究、人类发展心理学与应对灵活性研究，以及认知储备、脑储备、脑维持、代偿（STAC-r模型）等理论。在此基础上提出五层框架：生物调节、行为灵活性、社会调节、环境丰富度、功能保持，并列出需要未来验证的假设和可能推翻框架的证据。全文未给出系统检索方法。

• 本文无原始数据，没有可报告的效果量或样本数字（全文为概念分析）。
• 核心预测（尚未检验）：行为韧性指标（应对灵活性、策略转换、社会资源调动、压力恢复）能在学历、职业、基线认知和脑结构之外，额外解释认知老化轨迹，并可能部分介导“认知储备”的保护作用（引言、5.4节）。
• 作者明确承认：五层模型的各条通路“仍属假设”，尚未作为整合的纵向模型被直接检验（第8节 局限）。
• 作者指出：储备效应可能依赖具体疾病和病理阶段，丰富环境可能延缓功能受损但不一定阻止神经病理本身（5.4节）。

新意主要在于术语和组织方式：把“韧性”定位为跨物种的过程概念，把“认知储备”保留为人类概念，并把过程变量与储备代理指标、结局区分开。作者自己也承认“动态”“毕生”的观点并不新。这更像是整合与重新命名，而非新发现，也没有给出可直接使用的测量工具或实验证据。对临床和照护没有直接新信息。

证据不足以支持其核心主张，作者也坦承这一点。第一，没有原始数据，所有结论是对已有研究的叙述性整合，没有系统检索，可能存在选择性引用。第二，关键机制证据主要来自动物（啮齿类、松鼠猴、犬），与老年痴呆患者相距甚远。第三，人类部分依赖学历、职业等储备代理指标，存在混杂和反向因果，作者对此有所说明。第四，文中没有涉及高龄、多病共存或已确诊患者，也没有结局指标（如日常功能、照护负担）。第五，未见资金或利益冲突的有用信息（仅有全文，未核实）。总体：概念上自洽、对边界条件较克制，但对照护决策几乎没有证据价值。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13639430
开放获取全文（Europe PMC，Frontiers in Psychology）。纯理论文章，无代码、数据、临床试验注册号，也没有可用的照护指南或评估工具；文中只列出了未来可采用的候选测量指标。

对患者家庭意味着什么对一位 86 岁、已确诊的老人，这项研究现在没有任何实际意义，不会改变当前的治疗或照护。它是在探索未来可能的药物靶点，而且目前只在小鼠和培养细胞中做过。不必因此改变现有用药，也不要购买任何宣称“抑制铁死亡”的保健品。

证据等级与距离落地证据属于遗传统计推断（基于血液 eQTL 的 MR）加动物和细胞实验，没有任何人体试验。小鼠水迷宫每组 8 只，分子检测每组仅 3 个样本；敲低方式是向脑室注射病毒载体，目前无法用于人体。MAPK3（ERK1）在全身许多组织都有功能，抑制它的安全性未知。距离临床可用至少还要十年以上，且很可能无法成功。

照护上可借鉴的做法本文没有提供可直接用于照护的做法。家属更值得把精力放在已有证据的方面：规律的适度运动、固定的作息与睡眠、减少环境刺激以缓解激越和日落综合征、必要时与主治医生一起回顾现有用药。任何新药或补充剂都需与主治医生讨论后再决定。

背景 铁死亡（一种依赖铁、由脂质过氧化引起的细胞死亡方式）被认为与阿尔茨海默病的神经元损伤有关，但具体哪些基因、在哪类脑细胞中起因果作用并不清楚。本研究试图用遗传学方法筛出相关基因，再用动物和细胞实验验证。

方法 先用孟德尔随机化（用遗传变异推断因果关系的方法）：从 FerrDb 的 483 个铁死亡基因中取 315 个有血液 eQTL 数据的，与芬兰 FinnGen 的 AD GWAS（13,964 例患者、486,384 名对照）做两样本 MR，用 GTEx 验证，再用单细胞 eQTL 数据判断作用的脑细胞类型。随后在 6 月龄 APP/PS1 转基因小鼠脑室内注射 AAV9-c-fos-shMAPK3 敲低 MAPK3，4 周后做水迷宫测试（每组 n=8），并用 Western blot 检测相关蛋白（n=3）。同时在 HT22 小鼠海马神经细胞中用 Aβ 寡聚体处理并用 siRNA 敲低 MAPK3 做对照验证。

• MR 筛选：315 个铁死亡基因中 47 个与 AD 有潜在因果关联，经 GTEx 验证后剩 7 个基因（全文方法与结果部分）。
• 单细胞 eQTL MR 提示 MAPK3 可能通过兴奋性神经元增加 AD 风险（结果部分；采用加权中位数法，阈值 P<0.05，SNP 筛选阈值也较宽松）。
• APP/PS1 小鼠水迷宫中逃避潜伏期更长、穿越平台次数更少；敲低 MAPK3 后这些指标明显改善，游泳速度各组无差异（图2，n=8）。
• 敲低 MAPK3 后小鼠脑中 CaMKII 的 Thr286 磷酸化降低，总 CaMKII 不变；GPX4、Nrf2、HO-1、FTH1、XCT 升高，ACSL4、KEAP1、NCOA4 降低；Bax 下降、Bcl2 上升（图3-5，Western blot，n=3）。
• 培养的 HT22 细胞中结果类似：si-MAPK3 逆转 Aβ 引起的铁死亡和凋亡相关蛋白变化（图7-9，n=3）；c-fos 和 ACSL4 免疫荧光仅展示图像，作者注明未做定量统计（图6）。

把铁死亡基因的遗传因果筛查与小鼠、细胞实验串成一条线，并指向 MAPK3（ERK1）这一具体靶点，在铁死亡与 AD 的框架下算有新意。但 MAPK/ERK 与 AD 的联系早已有报道，MR 部分使用血液 eQTL 推断脑内作用，方法上较粗糙，整体属于增量性的机制假说，而非突破。

证据较弱。第一，MR 用血液 eQTL 推断脑内因果，组织不匹配；单细胞 MR 的 SNP 筛选阈值仅 P<0.05，主要方法为加权中位数，显著性阈值也是 P<0.05，多重检验控制不明确，存在假阳性风险。第二，动物分子实验每组 n=3，免疫荧光无定量统计（作者自述）。第三，没有挽救实验或药理学验证，作者自己承认只能说“合理机制”，不能确证。第四，AAV-c-fos 启动子依赖神经活动，作者也承认不一定特异针对兴奋性神经元。第五，只用淀粉样蛋白模型（APP/PS1 雄性小鼠、单一月龄），未涉及老龄、tau 或多病共存情况；MAPK3 全身性功能广，安全性未评估。第六，文中如“更有效”“多模式疗法前景”等表述超出了数据所能支持的范围。

❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13645776
论文在 Europe PMC 开放获取，使用的 FerrDb、eQTLGen、FinnGen、GEO（GSE132903）、scQTLbase 均为公开数据库，原则上可复现 MR 分析；未发现作者发布分析代码或原始 Western blot 数据，也无临床试验注册（纯临床前研究）。